Due verità sull'intelligenza artificiale

Due verità sull'intelligenza artificiale

Il campo si divide tra chi misura il valore prodotto oggi e chi misura la generalizzazione vera. Entrambi hanno ragione, e questo cambia tutto.

Andrej Karpathy, uno dei nomi più rispettati del settore, ha sospeso la sua scuola per ingegneri di intelligenza artificiale ed è entrato in Anthropic. È il diciannove maggio, e nel suo post per spiegare la scelta usa una frase che suona come una confessione. I prossimi anni al frontier, dice, saranno particolarmente formativi. È Signal Brief, sette giugno. Da quella frase parte la storia di oggi, perché racconta una cosa che molti, intorno a lui, stanno facendo senza dirlo.

La storia comincia con due scene nello stesso giorno, dall'altra parte del mondo l'una dall'altra. La prima è a Taipei. Jensen Huang sale sul palco del Computex e dice una frase che funziona da titolo per metà del settore. L'intelligenza artificiale utile è arrivata. Non sta per arrivare, non potrebbe arrivare. È arrivata. Mostra fabbriche di calcolo grandi come piccole città. Annuncia un sistema che chiama Vera Rubin, il più ambizioso mai costruito dall'azienda. E ripete un dato che torna spesso: ogni buon sviluppatore con questi strumenti produce molto più valore di prima. La macchina, dice, funziona.

La seconda scena, lo stesso giorno, è più silenziosa. François Chollet pubblica i risultati del suo nuovo test, ARC-AGI-3. È fatto di piccoli puzzle senza istruzioni: i modelli devono capire da soli le regole. Gli umani lo risolvono al cento per cento. I migliori modelli del mondo, quelli che muovono i mercati e fanno tremare i governi, arrivano allo zero virgola cinquantuno per cento. Zero virgola cinquantuno. E costa fra cinquemila e novemila dollari ogni singolo tentativo.

Ed è qui che si apre quella che ieri abbiamo chiamato il momento della biforcazione, ma che oggi prende una forma più precisa. Non è una faglia su cosa sta succedendo. È una faglia su cosa stiamo misurando. Huang misura il valore che gli agenti producono oggi nelle aziende. Chollet misura la capacità di affrontare problemi davvero nuovi. E la cosa interessante è che hanno entrambi ragione. Sono due osservatori in piedi davanti allo stesso oggetto, ma uno ha in mano un termometro e l'altro un metro. Entrambi gli strumenti funzionano. Misurano cose diverse.

Mi sembra che sia la differenza più importante del momento. Per anni si è discusso se l'intelligenza artificiale fosse vera o falsa. Era una domanda binaria. Adesso la domanda è diventata, in modo molto più maturo, quale sia la metrica giusta. E le risposte raccontano due storie compatibili che portano in direzioni quasi opposte.

C'è un paragone storico che torna utile, ed è quello della macchina a vapore. Quando James Watt perfezionò il motore alla fine del Settecento, l'industria tessile inglese aumentò la produttività in modo misurabile. Erano numeri reali, indiscutibili. Ma ci vollero ancora ottant'anni prima che le fabbriche fossero davvero ripensate intorno alla nuova energia. Per quasi un secolo si usò la macchina a vapore per fare meglio quello che si faceva già. Solo dopo qualcuno capì che si poteva fare qualcosa di completamente nuovo. Le due cose erano vere insieme: il valore reale arrivò subito, la trasformazione vera arrivò molto dopo. Forse oggi siamo in un momento simile.

Sopra a questa scissione ce n'è un'altra, più sotterranea, che ha a che fare con i motivi delle scelte. DHH, che è una specie di coscienza tecnica di un certo Internet, ha scritto un post il cui titolo dice tutto: paranoia e disperazione nella corsa all'oro dell'AI. La sua tesi è semplice. Le aziende non corrono per opportunità. Corrono per paura. Karpathy lascia la sua missione educativa perché sente che il frontier è lì adesso. Le aziende attivano di default l'addestramento sui messaggi privati dei loro utenti perché hanno paura di restare fuori. Sotto il rumore della rivoluzione, il motore è un'ansia.

E proprio mentre tutto questo accade, Sam Altman pubblica un saggio che si chiama gentle singularity. Singolarità gentile. La novità non è la singolarità, è l'aggettivo. Altman dice che il futuro arriverà ma non come un'esplosione, come un'ondata lenta e inarrestabile. È quasi rassicurante. Anche il vocabolario dell'inevitabilità, in questo momento, sta cercando di essere più morbido.

Torniamo a Karpathy, perché la sua mossa merita di essere raccontata bene. Karpathy ha fatto parte di OpenAI quando era piccola, poi ha guidato l'autopilot di Tesla, poi è tornato in OpenAI per altro tempo. Due anni fa ha fondato Eureka Labs, una scuola dove l'intelligenza artificiale serviva a insegnare l'intelligenza artificiale. La scommessa era questa: il vero valore di lungo periodo sta nell'educazione personalizzata, e qualcuno doveva mettersi a costruire seriamente i mattoni di quel mondo. Per quasi due anni ha pubblicato corsi gratuiti, fatti bene, con il suo stile inconfondibile.

Poi, il diciannove maggio, l'annuncio. Entra in Anthropic. Si occupa di usare Claude per fare ricerca: generare ipotesi, leggere letteratura scientifica, disegnare esperimenti. La motivazione che dà è strutturale, non economica. I prossimi anni al frontier saranno formativi in un modo che non si ripeterà. Eureka Labs non è chiusa, è sospesa.

Quello che colpisce non è la mossa in sé. È quello che la mossa dice di chi non si è mosso. Karpathy aveva costruito una posizione coerente, molto rispettata, su cosa contasse nel medio periodo. L'educazione, l'accessibilità, il valore lento. Eppure il presente l'ha attirato. Il frontier ha avuto la meglio sul lungo termine, almeno per ora. Lo dice lui stesso senza ipocrisia, ed è quello che rende la cosa significativa. Non è una resa, è un riconoscimento. La gravità del momento attuale è abbastanza forte da piegare le traiettorie anche di chi le aveva pensate a lungo termine.

C'è un'altra cosa che Karpathy ha continuato a dire negli ultimi mesi, ed è la sua distinzione fra vibe coding e ingegneria di agenti. Il primo alza il pavimento — chiunque può fare cose che un anno fa erano fuori portata. Il secondo alza il soffitto — permette a chi sa lavorare bene di costruire sistemi che fino a ieri richiedevano dieci persone. Una cosa è la democratizzazione, un'altra è la nuova competenza scarsa. E nella sua scelta di entrare in Anthropic c'è anche questo: andare dove il soffitto si sta alzando più in fretta.

Una nota a margine, ma significativa. In una conversazione recente Karpathy ha detto di essere finito in una specie di ansia persistente per il ritmo del settore. La chiama, mezzo serio mezzo no, psicosi da intelligenza artificiale. Non è una metafora. È uno stato cognitivo che riconosce in sé. Anche questo, per chi guarda da lontano, è un dato. Se chi sta dentro il frontier descrive il proprio stato così, qualcosa sta succedendo che vale la pena prendere sul serio.

Chollet, lo stesso giorno in cui Huang dichiara che l'AI utile è arrivata, pubblica ARC-AGI-3. Vale la pena fermarsi un attimo su questa coincidenza, perché la stessa giornata diventa il manifesto delle due posizioni opposte.

Chollet è il ricercatore francese che da anni dice che la strada è sbagliata. Non sostiene che i modelli non funzionino, dice che funzionano in un modo che non porta dove molti pensano. Il suo strumento è il test ARC, una sequenza di piccoli puzzle visivi pensati per essere semplici per gli umani e impossibili per chi cerca di risolverli memorizzando schemi. La versione tre, lanciata a marzo, ha alzato l'asticella. Non ci sono istruzioni, non ci sono regole spiegate, non c'è un obiettivo enunciato. L'agente entra in un piccolo mondo e deve capirlo da solo. Gli umani lo risolvono completamente. I migliori modelli del mondo si fermano a una frazione di un punto percentuale.

La conclusione che Chollet trae è semplice e radicale. Aumentare le dimensioni dei modelli non porta a generalizzare meglio. Non basta più calcolo. Serve un'architettura diversa, capace di estrarre concetti riutilizzabili e combinarli in modi nuovi. Per questo ha fondato Ndea, un piccolo laboratorio di una dozzina di persone. Ha cinque anni di soldi e nessun prodotto da vendere. Vuole costruire qualcosa che funzioni più come un programmatore e meno come un dizionario gigante.

Il punto interessante non è chi ha ragione fra Chollet e Huang. È che entrambi hanno ragione misurando cose diverse. Huang dice agli azionisti che l'AI fa già un valore enorme. Chollet dice ai ricercatori che lo zero virgola cinquantuno per cento dimostra che la strada attuale ha un soffitto. Sono affermazioni compatibili. La prima è economica, la seconda riguarda la natura stessa di quello che chiamiamo intelligenza. Solo che chi ascolta solo una delle due — investitori da una parte, scettici dall'altra — si convince che l'altro stia mentendo. Non sta mentendo. Sta misurando qualcos'altro.

Torna in mente un'idea di Thomas Kuhn, il filosofo della scienza. Diceva che a volte le scuole rivali non si capiscono perché stanno usando concetti che non hanno una scala comune. Non è che una sia falsa e l'altra vera, è che non si misurano sulla stessa unità. Forse l'estate del duemilaventisei è proprio questo: due scuole che parlano di intelligenza artificiale senza condividere la metrica. E finché non emerge un metro comune, ogni discussione sembra solo rumore.

Riprendiamo un attimo il filo, perché in auto si distrae anche chi è attento. Stiamo dicendo questo: il campo si è spaccato non sui fatti, ma su cosa contiamo come prova. Da una parte chi guarda il valore prodotto oggi e vede un'industria che funziona. Dall'altra chi guarda la generalizzazione vera e vede un'illusione sofisticata. La forza dell'attuale ondata economica e la paura aziendale di restare indietro spingono tutti, anche chi crede nel lungo termine, dentro la prima storia.

Jensen Huang, in piedi a Taipei. Il primo giugno annuncia Vera Rubin, il sistema che NVIDIA ha messo insieme negli ultimi anni: nuove schede, una nuova CPU pensata per data center che è quasi due volte più veloce dei processori standard, una rete interna che tiene insieme settantadue acceleratori, il tutto senza cavi visibili. È un oggetto industriale, e l'azienda lo presenta come la cosa più ambiziosa mai costruita nella sua storia.

Ma la frase che si porta a casa non è tecnica. È economica. Huang ripete in più occasioni che i dirigenti che annunciano la fine del lavoro a causa dell'AI hanno, e qui sceglie le parole, un complesso di Dio. Stanno spaventando i ragazzi e allontanandoli dall'ingegneria proprio nel momento in cui ne serviranno di più. Il suo argomento è semplice. Se un buon sviluppatore può produrre molto più valore di prima, le aziende non ne assumeranno di meno, ne assumeranno di più. La storia industriale gli dà ragione: il telaio meccanico non eliminò i tessitori, li moltiplicò, anche se quelli che restarono erano diversi da quelli di prima.

Huang ha anche presentato un piccolo computer da scrivania, lo chiama Spark, capace di far girare agenti AI sul tavolo di casa. La storia che racconta intorno a questo prodotto è quella della democratizzazione. Non solo grandi aziende. Carpentieri, negozianti, professionisti dell'edilizia. Tutti con un assistente che lavora in locale. È una visione molto americana, va presa per quello che è — anche un'operazione di posizionamento, ovviamente — ma è il contrappeso a chi pensa che l'AI esista solo dentro grandi fabbriche di calcolo.

C'è un'asimmetria interessante. Huang produce le pale e i picconi della corsa all'oro. Non ha bisogno di credere che ogni cercatore troverà l'oro. Gli basta che continuino a scavare. È una posizione invidiabile, perché lo mette in pace con entrambe le scuole. Se Chollet ha ragione e siamo dentro un vicolo cieco, NVIDIA venderà comunque le pale per scoprirlo. Se ha ragione chi parla di singolarità gentile, NVIDIA venderà le pale per arrivarci. È l'unico personaggio di questo episodio che non deve scegliere fra le due metriche. Le serve entrambe.

DHH è un personaggio diverso dagli altri. Ha costruito Ruby on Rails più di vent'anni fa, ha fondato Basecamp, e da allora scrive con regolarità su tutto quello che riguarda il software e l'etica del costruirlo. Per anni è stato uno dei più scettici sull'intelligenza artificiale generativa. Negli ultimi sei mesi è cambiato. Adesso lavora quasi solo con agenti. Usa Claude per scrivere codice, lo lascia girare nel terminale, gli fa fare ricerche autonomamente. Lo definisce, in un suo post, la cosa più eccitante dai tempi di internet.

Ma non è qui che diventa interessante. Diventa interessante quando, qualche giorno dopo, pubblica un secondo post che si chiama paranoia e disperazione nella corsa all'oro dell'AI. Il bersaglio è Salesforce, che ha attivato di default l'addestramento sui messaggi privati dei suoi utenti business. L'opzione per disattivarlo esiste, ma è nascosta in una procedura macchinosa che richiede di scrivere una mail. DHH non si scandalizza moralmente. Diagnostica. Le aziende, scrive, non stanno facendo queste mosse perché ci credono. Le stanno facendo perché hanno paura di restare indietro rispetto a OpenAI, Anthropic, Google. La paranoia ha sostituito la strategia.

Il post si chiude con una previsione. Vedremo altre violazioni eclatanti di fiducia, dice, nei prossimi mesi. Non perché qualcuno sia diventato cattivo. Perché la paura, quando diventa il motore principale delle scelte di un settore, produce comportamenti che in altre fasi sarebbero stati considerati impensabili. La pressione competitiva è una droga che fa fare cose che fuori dal contesto sembrerebbero suicide.

Quello che colpisce è la coerenza interna. DHH ha cambiato idea sull'utilità degli agenti — ed è un dato significativo, perché non è uno che cambia idea facilmente. Ma proprio perché si è convinto della sostanza, riconosce con più chiarezza degli altri quando il rumore intorno alla sostanza diventa patologico. È un punto di vista raro. Tipicamente o si è dentro l'ondata, e allora si difende tutto, o si è fuori, e allora si nega tutto. DHH è dentro la tecnologia e fuori dalla febbre. È la combinazione che gli permette di dire la cosa più utile di questo episodio. Se Karpathy è il termometro dell'attrazione del frontier, DHH è il termometro della sua temperatura emotiva.

Progetti da osservare. Tutti questi continuano a crescere senza fermarsi.

Il primo è nanochat, di Karpathy. Una versione piccola e leggibile di un modello conversazionale che chiunque può studiare e modificare. Funziona come quei modellini in scala dei motori che si vedevano nei musei della scienza: non porta nessuno a destinazione, ma fa capire come gira il pistone. In un momento in cui i modelli veri sono nuvole opache, qualcosa di trasparente come questo conta.

Il secondo è ARC-AGI, il repository pubblico dei puzzle di Chollet. Lo cito perché chi vuole farsi un'idea propria della scissione di cui abbiamo parlato oggi può andare a guardare i task con i propri occhi. Sono semplici. Sono geniali. E sono uno specchio della discussione che attraversa il settore.

Il terzo è llm, di Simon Willison. È uno strumento da riga di comando che permette di parlare con tutti i modelli del mondo dalla stessa interfaccia. Sembra una piccolezza ma è il tipo di tubatura che le rivoluzioni hanno sempre bisogno per diventare adulte. Nell'Ottocento i binari delle ferrovie dovettero diventare di una sola larghezza prima che il sistema funzionasse davvero. Strumenti come llm sono il binario unificato dei modelli.

Il quarto è claude-context. Aiuta gli agenti a ricordarsi cose attraverso sessioni diverse senza dover ricaricare il mondo ogni volta. È un mattoncino piccolo della cattedrale che si sta costruendo intorno agli agenti autonomi. Senza memoria un agente è un pesce rosso. Con la memoria comincia a essere qualcos'altro.

Il quinto è superpowers, di un programmatore che si fa chiamare obra. È una raccolta di abilità pronte per Claude Code, una specie di libreria di mosse. La sua crescita dice una cosa semplice: stiamo iniziando a impacchettare il sapere su come usare bene gli agenti, e quel sapere ha valore. È la differenza fra avere un coltello e avere un libro di cucina.

Mi resta in mente Karpathy che, dopo aver costruito una missione di lungo periodo, si siede comunque al tavolo del frontier perché il frontier è lì adesso. Forse la storia, vista da molto vicino, è sempre così — più gravitazionale che razionale. E nelle prossime settimane dovremo solo decidere quale dei due strumenti vogliamo in tasca: il termometro o il metro. È stato Signal Brief. Alla prossima.