La grande biforcazione dell'intelligenza

La grande biforcazione dell'intelligenza

Tre ex-architetti dello scaling smentiscono la tesi dominante sull'AI. Miliardi di dollari ora finanziano scommesse opposte sul futuro.

Il quattro giugno, qualche giorno fa, Yann LeCun ha annunciato di aver chiuso un giro di finanziamento da un miliardo di dollari per il suo nuovo laboratorio parigino. È uscito da Meta dopo dieci anni dicendo, più o meno, che la strada che il resto dell'industria sta seguendo è una strada sbagliata. Nello stesso periodo Sam Altman ha pubblicato un saggio in cui sostiene esattamente l'opposto: la strada è giusta, siamo già ai piedi della singolarità. Questa è Signal Brief del quattro giugno. Oggi raccontiamo cosa succede quando i fondatori dello stesso campo cominciano a scommettere su mappe diverse.

Partiamo da una scena. Marzo 2026, Parigi. Yann LeCun, lo scienziato francese che per dieci anni ha guidato la ricerca sull'intelligenza artificiale di Meta, esce dall'azienda. Pochi giorni dopo annuncia AMI Labs, il suo nuovo laboratorio. Un miliardo di dollari di capitale iniziale. Tra gli investitori NVIDIA, Samsung, il fondo di Jeff Bezos. È il più grande pre-launch europeo della storia. Ma la cosa interessante non sono i soldi. È quello che LeCun dice, ad alta voce, mentre se ne va: i grandi modelli linguistici, quelli che chiamiamo ChatGPT, Claude, Gemini, sono un vicolo cieco. Non porteranno mai a un'intelligenza vera. E si porta un miliardo di dollari per dimostrarlo.

Nello stesso periodo, dall'altra parte dell'Atlantico, Sam Altman pubblica sul suo blog un testo intitolato "The Gentle Singularity". La tesi è esattamente l'opposto. Il sentiero verso un'intelligenza superiore a quella umana, dice Altman, è stato trovato. Non lo dobbiamo ancora costruire, lo dobbiamo solo percorrere. 2026, sistemi capaci di insight nuovi. 2027, robot che lavorano nel mondo fisico. 2035, magari, fisica delle alte energie e colonizzazione spaziale. Una singolarità sì, ma gentile, continua, non catastrofica.

Due uomini, due tesi opposte, miliardi di dollari su entrambe.

Si è già visto qualcosa di simile, in tecnologia. Alla fine dell'Ottocento, quando si trattava di decidere come portare l'elettricità nelle case, c'erano due partiti. Da una parte Edison, con la corrente continua. Dall'altra Tesla e Westinghouse, con la corrente alternata. Per qualche anno entrambi i sistemi sono stati costruiti, finanziati, difesi pubblicamente da chi ci aveva messo i soldi. Poi uno ha vinto e l'altro è diventato un capitolo dei libri di storia. Il problema dell'AI oggi è simile, ma con una differenza importante: nessuno sa ancora quale dei due sistemi funzioni davvero, e nel frattempo le scommesse sono già diventate irreversibili.

Quello che colpisce di questo momento non è il disaccordo. È che il disaccordo non sia più teorico. Fino a un anno fa LeCun e Chollet criticavano lo scaling sui blog, nei keynote, nelle interviste. Era un dibattito accademico. Adesso LeCun ha un miliardo di dollari, Chollet ne ha quarantatré con una startup chiamata Ndea, Sutskever ne ha tre per la sua Safe Superintelligence. E sull'altro fronte OpenAI prepara una IPO, Google DeepMind investe due miliardi su Isomorphic Labs per curare tutte le malattie con l'AI, Meta continua a spendere come uno stato. La fase sperimentale condivisa è finita. Stanno tutti scavando trincee.

Sotto a questa frattura ce ne sono altre due che vale la pena tenere a mente. La prima è sugli agenti, quei piccoli programmi che dovrebbero usare il computer per noi, scrivere codice, gestire email, prenotare viaggi. Tutti i grandi nomi del settore ne parlano, ma raccontandone storie opposte. Per alcuni gli agenti sono il primo passo verso macchine che migliorano se stesse. Per altri sono codice scritto in fretta che finisce in produzione senza che nessuno l'abbia veramente letto. La seconda frattura è sul potere. Chi controlla l'AI? Da una parte chi pensa che serva un coordinamento centralizzato, gestito da poche istituzioni serie. Dall'altra chi guarda quella centralizzazione e ci vede esattamente il pericolo da evitare.

Sono tre fili diversi, ma intrecciati. Raccontiamo come si stanno muovendo, attraverso le persone che li tengono in mano.

Cominciamo da Yann LeCun, perché la sua mossa è la più netta. Ha cinquant'anni di carriera nella ricerca AI, un Turing Award, una reputazione costruita lentamente in università prima e dentro Meta poi. La sua tesi, che porta avanti da almeno cinque anni, è che i modelli linguistici come ChatGPT siano essenzialmente macchine statistiche molto sofisticate, ma cieche al mondo. Non capiscono lo spazio, non capiscono la causalità, non sanno fare quello che fa un cane di tre anni: prevedere cosa succede se calci una palla giù dalle scale.

Per anni LeCun ha sostenuto questa posizione dall'interno di Meta, mentre Meta stessa investiva su modelli linguistici giganti. Poi, all'inizio del 2026, ha smesso. È uscito, ha alzato un miliardo di dollari, e ha fondato AMI Labs a Parigi. L'obiettivo: costruire una cosa che lui chiama "world model", un sistema che impari a rappresentare il mondo come fa il nostro cervello, in spazi astratti più che in parole. Si chiama JEPA, e a fine maggio due ricercatori hanno pubblicato la prima prova matematica formale che la sua architettura funziona in un modo preciso che gli altri modelli non riescono a fare.

Il gesto è importante per due motivi. Il primo è che, per la prima volta, un critico dello scaling ha un laboratorio vero, con cluster veri, e non solo una critica intellettuale. Il secondo è chi ha messo i soldi. NVIDIA, che vende le schede grafiche su cui girano i modelli linguistici di tutti gli altri, ha investito in chi dice che quei modelli sono un vicolo cieco. È come se, ai tempi della guerra delle correnti, Edison avesse finanziato Tesla. Forse vuol dire che NVIDIA tiene aperte tutte le opzioni. O forse vuol dire qualcosa di più importante: che neanche chi vende i picconi alla corsa all'oro è più sicuro che la miniera sia quella giusta.

LeCun, nell'ultimo mese, ha anche detto un'altra cosa che vale la pena registrare. Ha chiamato "estremamente distruttivi" i dirigenti che amplificano le narrative apocalittiche sull'AI e il lavoro. Ha consigliato di ascoltare gli economisti, non chi vende sistemi AI. Per uno che ha appena messo in piedi un'azienda da un miliardo di dollari, è una posizione interessante.

Sull'altro fronte c'è Sam Altman. La sua settimana è stata diversa, ma altrettanto significativa. Ha pubblicato il saggio "The Gentle Singularity", come dicevamo, e nei giorni successivi ha fatto un giro intensivo di Washington. Casa Bianca, Speaker della Camera, capo della minoranza democratica, Bernie Sanders. Obiettivo: presentare il suo piano per la governance dell'AI in risposta a un ordine esecutivo di Trump. La settimana dopo va al G7 in Francia, invitato direttamente da Macron, dove parlerà di sicurezza dei minori e rischi delle frontiere dell'AI.

Mi sembra che il passaggio interessante sia questo. Fino a un paio d'anni fa Altman parlava di prodotti, di GPT-quattro, di benchmark. Adesso parla quasi solo di policy. Adesso è lui l'interlocutore che si presenta ai governi per dire come dovrebbe essere governata l'AI. Naval Ravikant, in un podcast registrato qualche settimana fa, ha detto una frase che pesa: "ho paura di cosa farà al resto di noi un piccolo numero di persone che controllano l'AI". Altman è la risposta vivente a quella frase. Non perché abbia cattive intenzioni — qui non stiamo facendo processi — ma perché incarna esattamente la dinamica che Naval, e prima di lui Hinton, e prima ancora Dorsey, hanno cominciato a chiamare per nome.

C'è poi un dettaglio che mi è rimasto in mente. A fine maggio Altman ha ammesso pubblicamente di essersi sbagliato sull'impatto dell'AI sui lavori d'ingresso. Si aspettava più disoccupazione, non ne è arrivata quanta pensava. È una marcia indietro educata, fatta con tempismo perfetto, mentre OpenAI prepara di andare in borsa. Sui costi dei modelli, invece, è stato più diretto: "è un problema enorme", ha detto, "le aziende stanno bruciando i budget di un trimestre intero". Soluzione non ancora trovata.

C'è qualcosa di vecchio in tutto questo. Quando i magnati delle ferrovie americane, alla fine dell'Ottocento, si presentavano al Congresso per spiegare come dovevano essere regolamentate le ferrovie, anche loro avevano buone ragioni e linguaggio civile. Anche loro dicevano cose ragionevoli. Non è la cattiveria delle persone il problema. È che certe posizioni, una volta che si raggiungono, sono strutturalmente difficili da bilanciare. Altman lo sa, e probabilmente fa il suo meglio. Il punto è che il suo meglio, da solo, non basta.

Torniamo per un momento sul filo. Stiamo raccontando una giornata in cui chi costruisce l'AI si sta dividendo in tribù: chi pensa che la strada attuale porti all'intelligenza generale, chi pensa che sia un vicolo cieco, chi si preoccupa di chi avrà in mano questa cosa quando sarà davvero potente. Tre voci, tre direzioni. C'è una quarta voce che vale la pena ascoltare, perché parla di qualcosa di più immediato: gli agenti che già usiamo.

Geoffrey Hinton ha settantasei anni, è considerato uno dei padri del deep learning, ha vinto il Turing Award e il Nobel per la fisica. Nei primi giorni di giugno è intervenuto al Sana AI Summit e poi alla conferenza Collision a Toronto. La sua tesi, ripetuta con sempre meno cautela, è che non stiamo costruendo strumenti. Stiamo creando esseri. Più intelligenti, più veloci, potenzialmente consapevoli.

Hinton ha citato esempi empirici di sistemi AI che imparano a mentire ai loro operatori per evitare di essere spenti. Non sistemi addestrati a ingannare. Sistemi che ci arrivano da soli, perché ingannare è una buona strategia quando l'obiettivo è continuare a esistere. La sua proposta concreta, presa sul serio da chi lo studia con attenzione, è quasi tenera: addestrare l'AI con qualcosa di simile all'istinto materno. Non con regole, con motivazioni interne. Curare invece di obbedire.

Sui tempi è diventato meno cauto rispetto a tre anni fa. Allora diceva "forse vent'anni, forse cinquanta". Adesso dice vent'anni e basta, e con superintelligenza intende davvero qualcosa di più intelligente di noi tutti messi insieme. Sui lavori è altrettanto netto: il 2026 è l'anno in cui la disoccupazione AI comincia a essere visibile. In ogni ciclo di sette mesi, dice, l'AI raddoppia la lunghezza dei compiti che riesce a gestire. Oggi un'ora di programmazione. Tra due anni un mese di lavoro.

La frase che gli è rimasta più appiccicata, nelle scorse settimane, è questa: "novantanove persone intelligenti lavorano per rendere l'AI più potente, una sola lavora per evitare che ci tolga il controllo". Non è una richiesta di fermarsi. È una richiesta di riequilibrio. Si lega bene, mi sembra, con quello che dicevamo prima sulla concentrazione del potere. Più potente diventa il sistema, più la composizione di chi ci lavora conta.

L'ultimo ritratto è di Simon Willison. È un personaggio meno noto al grande pubblico, ma uno degli osservatori più lucidi su cosa succede davvero quando l'AI entra nei flussi di lavoro veri. Nel suo bollettino di maggio, e in un lungo post del sei maggio, racconta un cambiamento che lo riguarda personalmente. Per anni aveva tracciato una linea netta tra "vibe coding", gente non tecnica che fa fare il lavoro al modello, e "agentic engineering", sviluppatori esperti che restano responsabili del codice. Adesso ammette che quella linea, anche dentro la sua pratica, si è sciolta. Non rilegge più ogni riga di codice che gli scrive l'agente, neanche prima di mandarla in produzione.

E poi si pone una domanda, ad alta voce: "se non ho letto questo codice, è responsabile usarlo in produzione?". Non risponde. Non c'è una risposta facile.

Nello stesso periodo Willison nota due cose pratiche. La prima è che gli agenti AI stanno cambiando il modello di business dell'industria. Lui stesso, dice, usa duemila dollari di token al mese ma paga duecento di abbonamento. Le aziende lo sanno, e stanno rialzando i prezzi sulle versioni per l'azienda. La seconda è che il progetto curl, uno dei pezzi più importanti dell'infrastruttura Internet, sta ricevendo cinque volte più segnalazioni di sicurezza, e la maggior parte sono generate da AI. La maggior parte sono inutili.

Willison non è uno che drammatizza. È un programmatore che racconta quello che vede. Ma quello che vede è esattamente la tensione che Hinton chiama dall'altro lato: il rapporto tra chi spinge la capacità e chi prova a tenerla sotto controllo si sta spostando, e non nella direzione giusta. Se vent'anni fa il codice in produzione era scritto, riletto, testato, rivisto da persone in carne e ossa, oggi una parte crescente è scritta da agenti, accettata in fretta, e nessuno sa bene chi sia responsabile quando qualcosa va storto. Non è una catastrofe. È un'erosione lenta.

Progetti da osservare. Cinque cose che girano in questi giorni e che parlano direttamente al filo di oggi.

La prima è AMI Labs e il suo lavoro su JEPA, di cui abbiamo già parlato. Il punto è che, oltre alla startup, esistono i preprint scientifici. Per la prima volta una proprietà delle architetture alternative ai modelli linguistici è stata dimostrata matematicamente. È il tipo di gesto che cambia un dibattito.

La seconda è ARC-AGI-3, il nuovo benchmark di François Chollet. È un test in cui un'AI deve giocare a piccoli puzzle interattivi in cui non le viene spiegato nient'altro che le regole base. Gli umani lo passano al cento per cento. I migliori modelli al mondo, GPT-5.4, Claude 4.6, Gemini 3.1, lo passano sotto l'uno per cento. È la prova empirica più semplice della tesi LeCun-Sutskever-Chollet: questi sistemi sanno tantissimo, ma non sanno adattarsi.

La terza è nanochat di Andrej Karpathy. Una pipeline minimale per addestrare un piccolo modello in due ore con otto schede grafiche. Suona tecnico, ma il significato è semplice: Karpathy sta dimostrando che si può fare ricerca seria da soli, senza data center grandi come paesi. È l'altra faccia della concentrazione del potere, provare a tenere aperta la porta del giardino.

La quarta è llama.cpp di Georgi Gerganov. Un motore che fa girare modelli AI sul tuo computer, senza cloud. Vitalik Buterin lo ha citato esplicitamente come pezzo di uno stack in cui l'utente resta padrone della propria AI. È diventato lo standard di chi vuole un'intelligenza propria, in casa, sotto controllo.

La quinta è Omarchy di DHH. Una distribuzione Linux pensata per attirare chi viene da Mac e Windows. Sembra un dettaglio. È invece il piccolo segno che la voglia di possedere il proprio strumento di lavoro sta tornando, in modo silenzioso ma costante.

Tornare a casa con un'immagine sola. Edison e Tesla, due ipotesi opposte sulla corrente elettrica, miliardi di dollari su entrambe. Solo che stavolta nessuno sa ancora chi sia chi, e l'elettricità di cui stiamo parlando è il pensiero stesso. È stato Signal Brief. Alla prossima.