La frattura dei fondatori

La frattura dei fondatori

I costruttori del paradigma AI iniziano a dubitare. Una giornata dentro la tensione fra chi accelera e chi dice che mancano le idee.

Primo giugno duemilaventisei. È domenica, presto. In un comunicato a San Francisco c'è una notizia che fino a un anno fa sarebbe sembrata improbabile: Andrej Karpathy lascia il suo laboratorio personale ed entra in Anthropic. Il compito che si è scelto è specifico, quasi vertiginoso — usare Claude, il modello, per allenare Claude, il modello successivo. Un cerchio che si mangia la coda. Nello stesso giorno, lontano, un altro ricercatore più anziano testimonia in un tribunale americano che la sua quota in OpenAI vale sette miliardi di dollari. È Signal Brief. Oggi raccontiamo una frattura.

Andiamo a Sydney, ventisei maggio. Sam Altman sale sul palco di una conferenza bancaria e fa una cosa rara — fa marcia indietro. Aveva detto che l'AI avrebbe distrutto moltissimi lavori. Adesso dice che si era sbagliato, e che era stato troppo pessimista. La dichiarazione fa rumore, perché Altman non è uno che ammette errori in pubblico spesso. Pochi giorni dopo Geoffrey Hinton, che ha vinto il Nobel proprio per i fondamenti del deep learning, dice quasi l'opposto. La disoccupazione di massa arriva, dice, e il problema non è l'AI — è il capitalismo che la userà. Due voci, due bilance opposte, nello stesso pezzetto di tempo.

Sotto questo dibattito pubblico c'è una frattura più profonda, ed è quella che vorrei raccontare. La cosa più interessante per me è che la critica al paradigma attuale non viene dai soliti scettici. Viene da chi quel paradigma lo ha costruito.

Ilya Sutskever, uno degli architetti di GPT, dice che l'età dello scaling è finita. La formula — più computer, più dati, più parametri — ha smesso di dare i risultati che dava prima. Yann LeCun, padre del deep learning, ha alzato poco più di un miliardo di dollari per una società che si chiama AMI Labs e che ha un solo obiettivo: dimostrare che i modelli linguistici di oggi sono un vicolo cieco. François Chollet, che ha inventato una delle librerie di intelligenza artificiale più usate al mondo, ha pubblicato un test, ARC-AGI-3. Gli esseri umani lo passano al cento per cento. I modelli più potenti del mondo, fra zero virgola tre e zero virgola cinque.

Dall'altra parte la macchina gira, e gira forte. Sam Altman, sempre lui, dice che adesso ormai sa come si costruisce un'intelligenza generale, e che la prossima soglia — la superintelligenza — è questione di poche migliaia di giorni. Jensen Huang lancia una nuova famiglia di processori e parla di un mercato nuovo da duecento miliardi di dollari. Marc Andreessen siede nel consiglio scientifico di Donald Trump e spinge per togliere le regole sull'AI. E proprio in mezzo a tutto questo, il diciannove maggio, Andrej Karpathy chiude il suo piccolo laboratorio personale ed entra in Anthropic. Va dentro la macchina, non a margine. Va lì per chiudere un cerchio — usare il modello per allenare il modello successivo.

Ricorda quello che è successo all'inizio del Novecento con la corrente elettrica. Per anni Thomas Edison ha continuato a costruire impianti a corrente continua, sicuro che fosse la strada giusta. Alcuni dei suoi stessi collaboratori — Tesla in primis — uscivano dai suoi laboratori per dire che no, quella tecnologia lì aveva un limite fisico, e che per fare passi grandi serviva una strada diversa. Spesso, in questi passaggi, sono i fondatori i primi a vedere il limite. Lo vedono perché lo hanno costruito.

E sotto la frattura tecnica ne corre un'altra, politica. Elon Musk, in mezzo all'integrazione di xAI dentro SpaceX e al deposito per l'IPO della società spaziale, propone un reddito universale alto pagato dallo Stato, posizione strana per un libertario. Patrick Collison, di Stripe, dice di vedere nei suoi dati che il primo trimestre del duemilaventisei potrebbe essere ricordato come il primo trimestre della singolarità. Benedict Evans, più calmo, ha pubblicato un saggio in cui spiega che tutti i modelli che provano a indovinare quale mestiere sparirà sono sostanzialmente pseudoscienza, e che dovremmo smettere di fingerci sicuri.

Il segnale forte di questo momento è che la divisione non è più fra entusiasti e pessimisti. È fra chi pensa che la risposta sia già qui, e basta scalarla, e chi pensa che le domande importanti siano ancora aperte — e che nessuna fabbrica di calcolo, per quanto enorme, le chiuda da sola. Andiamo a vedere alcuni di questi personaggi più da vicino.

Cominciamo da Andrej Karpathy. È un nome che chi segue da vicino l'AI conosce bene, anche se al grande pubblico magari non dice molto. È stato fra i primi ricercatori di OpenAI, poi capo dell'autopilot di Tesla, poi è uscito per fare una piccola scuola di intelligenza artificiale per conto suo, Eureka Labs. Insegnava. Pubblicava codice didattico. Scriveva tweet lunghi e bellissimi sul mestiere del programmatore nell'era nuova.

Il diciannove maggio ha annunciato che entra in Anthropic, nel team di pre-training. Il modo in cui lo ha raccontato è il pezzo interessante. Ha detto che il problema più affascinante che vede in questo momento è una specie di anello chiuso — far sì che un modello generi dati di addestramento, che un altro modello filtri i migliori, e che il modello successivo, allenato su quei dati, sia un poco più bravo del precedente. L'idea è che, se l'anello tiene, ogni giro produce un miglioramento. Già qualcuno, ironicamente, lo chiama il loop di Karpathy.

Prima di partire ha pubblicato un piccolo strumento, autoresearch, che gira esperimenti di machine learning da solo. In due giorni gli ha fatto fare settecento esperimenti, e ha trovato venti micro-miglioramenti che combinati hanno tagliato dell'undici per cento il tempo di addestramento di un modello base. Non è la rivoluzione, è la prova di concetto. È la sua scommessa visiva del fatto che l'anello funziona davvero.

C'è una frase che ha scritto, sempre in queste settimane, che vale la pena tenere a mente. Dice di non essersi mai sentito così indietro come programmatore. Non perché abbia perso le capacità, ma perché la professione si sta ridefinendo sotto i piedi a una velocità che non aveva mai visto. E stima che, se solo padroneggiasse davvero gli strumenti che ha sul tavolo, potrebbe essere dieci volte più produttivo di adesso.

Il pezzo che mi colpisce è il contrasto con il Karpathy degli ultimi anni — il maestro solitario, l'educatore. Quel Karpathy era figura quasi monastica, contro il rumore. Adesso entra in uno dei grandi laboratori, nella pancia della macchina. Dice che l'educazione non la abbandona, la rimanda. Ma la scelta — e questo è il punto — è di stare dentro la linea di produzione, non a margine. Vuole influenzare direttamente la prossima generazione di modelli, non solo raccontarla. È una mossa da operatore, e racconta da sola da che parte sta del filo di oggi.

Passiamo a Ilya Sutskever. Anche lui dentro l'industria da sempre — uno dei tre autori del paper del duemiladodici che ha cambiato la storia del deep learning, cofondatore di OpenAI, capo della ricerca per anni. L'anno scorso è uscito e ha messo in piedi una società sua, Safe Superintelligence, dichiarando che non avrebbero rilasciato prodotti finché non avessero costruito una superintelligenza sicura. Adesso quella società vale trentadue miliardi di dollari senza aver mai venduto niente.

A maggio l'occasione pubblica più rumorosa è stata una testimonianza in un tribunale americano, dentro la causa fra Elon Musk e OpenAI. Sutskever ha dichiarato che la sua quota personale in OpenAI vale circa sette miliardi di dollari. Non è una dichiarazione tecnica, è quasi una nota a piè di pagina della cronaca legale. Ma la posizione tecnica vera, Sutskever l'ha lasciata in un'intervista col podcaster Dwarkesh Patel che continua a girare e a essere citata.

Dice questo. I modelli che abbiamo oggi sono come studenti che hanno memorizzato benissimo l'esame. Sui problemi noti vanno fortissimo. Su un problema un po' fuori dal canone diventano fragili, sbagliano in modo imprevedibile, oscillano. Manca la capacità di imparare in continuazione, dopo il rilascio, come fa il cervello umano che non è mai fermo. E la tesi di fondo è quella che ha dato titolo all'intervista: stiamo passando dall'era dello scaling all'era della ricerca. Ci sono — dice — più aziende che idee.

Detto da uno che ha contribuito a inventare l'era dello scaling, ha un peso strano. È come se uno dei primi ingegneri delle ferrovie a vapore, nel pieno del successo del vapore, andasse in giro a dire che il futuro è altrove. Si fa fatica a credergli. E ci si pensa, perché lui le locomotive le ha viste in faccia. Forse vede qualcosa che gli altri ancora non vedono.

Il legame col filo di oggi è chiaro. Sutskever non è uno scettico di mestiere. È uno che ha costruito il sistema attuale e adesso dice, con calma, che da qui in avanti il viaggio è diverso. Che la prossima frontiera non si raggiunge mettendo più carbone nella caldaia.

Yann LeCun è francese, scuola europea, e ha vinto il Turing Award per i fondamenti del deep learning. Per anni è stato il capo della ricerca di Meta. La sua posizione contro i modelli linguistici come li conosciamo è nota da un po' — dice da tempo che sono un vicolo cieco perché prevedono solo la parola successiva, non capiscono il mondo. Quello che è cambiato adesso è che non lo dice più dal pulpito di Meta. Lo dice da fuori, e con i soldi sul tavolo.

A marzo ha chiuso un round da poco più di un miliardo di dollari per AMI Labs, la sua nuova società, con sede a Parigi. La valutazione è di tre miliardi e mezzo. Il lead investor è Cathay Innovation, e dentro c'è anche il fondo personale di Jeff Bezos. Il piano è costruire quello che lui chiama un world model — un sistema che impari la fisica e la struttura del mondo guardando dei video, non leggendo testi. L'idea è che l'intelligenza vera abbia bisogno di un corpo, o almeno di un mondo, non di un dizionario.

Le applicazioni che immagina non sono chatbot. Sono robot, droni, macchine che si muovono nello spazio. E qui c'è una coerenza interessante con Sutskever. Dove l'uno vede il problema nell'apprendimento continuo, l'altro lo vede nella mancanza di radici fisiche. Strade diverse, stessa intuizione di fondo — c'è una distanza fra capire le parole e capire le cose.

A maggio è uscito su Fortune con un attacco diretto ai dirigenti tech che vanno in giro a dire che l'AI manderà a casa milioni di persone. Ha usato la parola distruttivo. Dice che chi ne sa davvero di previsioni economiche sono gli economisti, non i CEO delle aziende che vendono AI, e che alimentare il panico ha un costo sociale concreto. Posizione moderata, quasi sobria, dentro un dibattito spesso isterico.

Quello che colpisce è che LeCun non si limita più a criticare. Ha alzato i soldi, ha la sede, ha la squadra. Sta scommettendo un miliardo del capitale altrui sull'idea che la grande festa attuale finirà in un cul-de-sac. La differenza fra dire che il paradigma è finito e mettere i soldi per costruire l'alternativa è la differenza fra una critica e un'apertura di campo nuova.

Torniamo un attimo sul filo. Stiamo raccontando una frattura, e l'ultimo personaggio aiuta a vederla in modo chirurgico, perché la misura. François Chollet è un ricercatore francese che ha lavorato a lungo a Google. Ha inventato Keras, una delle librerie di intelligenza artificiale più usate al mondo. E da anni è ossessionato da una domanda semplice: come si misura davvero l'intelligenza? Non la capacità di rispondere a domande già viste, ma la capacità di affrontare una situazione nuova.

Per rispondere ha costruito ARC, un test fatto di piccoli puzzle visivi che un bambino risolve in pochi secondi. A marzo di quest'anno ha lanciato la terza versione, ARC-AGI-3, più ambiziosa: ambienti interattivi, una specie di videogioco senza istruzioni. Il giocatore — sia esso un essere umano o un modello — entra in una stanza, deve capire le regole, capire l'obiettivo, trovare il modo di vincere, e poi trasferire quello che ha imparato a un livello successivo. Niente è scritto.

I risultati sono il pezzo che fa pensare. Gli esseri umani fanno cento. I modelli migliori del mondo — Claude Opus, GPT — fanno zero virgola tre, zero virgola cinque. Non è un piccolo margine. È un baratro. E il punto di Chollet è proprio questo: i modelli sembrano bravissimi su tutto perché i benchmark che usiamo li hanno visti già crescere. Ma di fronte a una cosa veramente nuova, non sanno cosa fare.

Insieme a Mike Knoop, uno dei fondatori di Zapier, Chollet ha messo in piedi un laboratorio nuovo, Ndea, che lavora su un approccio diverso dal deep learning puro. L'idea è combinare il riconoscimento di schemi con qualcosa di più formale, quasi matematico — costruire piccoli programmi a partire da pochissimi esempi, non interpolare miliardi di parametri.

C'è una frase che ha detto recentemente e che mi è rimasta. Un anno fa, gli avrebbero chiesto quando arriva un'intelligenza generale e avrebbe risposto dieci anni. Adesso dice cinque. È accelerato anche lui, non per fede nel paradigma attuale, ma perché vede che la diversità di approcci sta aumentando. La cosa ironica è che chi è più radicale nella critica al sistema attuale è anche, a volte, chi vede arrivare prima la prossima soglia. Forse perché smette di credere che ci sia una sola strada.

Qualche progetto, raccontato come si racconterebbe a un amico. Sono tutti collegati, in qualche modo, al filo della frattura.

Il primo è autoresearch, di Karpathy. Poche centinaia di righe di codice, scritte in poche settimane, che mettono insieme un piccolo agente capace di disegnare esperimenti, lanciarli, leggerne i risultati e proporre il prossimo. È il prototipo dell'anello di cui parlavamo prima — la dimostrazione minima che un sistema può migliorarsi un poco da solo. Vale la pena guardarlo perché è piccolo. È un'idea, non un colosso.

Il secondo è ARC, di Chollet. Più che un software è un test pubblico, con un premio di due milioni di dollari per chi riesce a far superare la prova a un modello. Per ora gli esseri umani vincono nettamente. È diventato il termometro più onesto dell'intelligenza generale — quando un modello passa, lo sapremo. Per ora non passa.

Il terzo è llama dot cpp, scritto da uno sviluppatore bulgaro di nome Georgi Gerganov. Permette di far girare modelli grandi sul proprio computer, anche su hardware modesto. Niente cloud, niente abbonamento. È il pezzo tecnico dietro l'idea, ricorrente in chi parla di indipendenza digitale, che l'AI vera la gestisce chi può fare a meno di Microsoft e Google.

Il quarto è Omarchy, un piccolo sistema operativo Linux su cui DHH, il fondatore di Basecamp, ha messo le mani personalmente. È pensato per chi vuole un computer aperto e modificabile, l'opposto del Mac sigillato. Sta attirando una piccola comunità che ricorda quella dei primi tempi di Linux, quando era cosa da appassionati.

Il quinto è superpowers, un framework di lavoro per programmare con gli agenti di AI in modo ordinato, non improvvisato. È il segno che attorno al lavoro con i modelli sta nascendo una disciplina vera, con metodi e regole. Quello che fino a un anno fa si chiamava vibe coding, dare istruzioni a braccio e sperare, sta diventando un mestiere.

Resta in testa, di tutta questa giornata, un'immagine: i fondatori del paradigma che si dividono dai loro figli più diretti. Karpathy entra nella macchina. Sutskever dice che la macchina ha finito la sua corsa. Spesso, nelle epoche che cambiano, i primi a sentirlo sono quelli che le hanno fatte. È stato Signal Brief. Alla prossima.

Script done. ~2780 words. Structure follows brief: title+description, geo opener, soft narrative chapter weaving central fracture, 4 thinker portraits (Karpathy, Sutskever, LeCun, Chollet), ripresa del filo inside Chollet chapter, progetti chapter with 5 projects, short closing.