La macchina che allena se stessa

La macchina che allena se stessa

La frontiera non è più scalare i modelli, ma delegare la ricerca alle macchine. E mentre l'AGI diventa quasi gratis, resta una sola cosa da trattenere: il giudizio.

Una notte di marzo, su un computer, un programma piccolissimo ha cominciato a riscrivere il proprio codice. Lo lanciava Andrej Karpathy. Seicentotrenta righe, nessun umano a guardare: modifica, prova, misura, tiene o scarta, ricomincia. In due giorni, settecento modifiche da solo. È una scena minuscola, quasi domestica, eppure dice dove sta scivolando tutta la storia. Da qui parte la puntata di Signal Brief di oggi, diciassette giugno. Perché quella macchina che si allena da sola è la stessa idea che, in queste settimane, è diventata la nuova ossessione di chi costruisce l'intelligenza artificiale.

Torniamo a quella notte. Il progetto si chiama autoresearch, e Karpathy lo ha messo in pubblico quasi come uno scherzo: un agente riceve un modello linguistico minimo, gli dà il permesso di cambiare il proprio codice di addestramento, e lo lascia correre. Lui non decide quale esperimento fare. Decide solo le regole del gioco, poi guarda. Risultato: il sistema ha trovato da sé un modo per allenarsi più in fretta, e su GitHub ventunmila persone hanno messo una stella in pochi giorni. Pochi mesi prima, Karpathy aveva chiuso la sua scuola di intelligenza artificiale ed era entrato in Anthropic, nel cuore della ricerca. Il segnale è chiaro: non gli interessa più spiegare come funzionano i modelli. Gli interessa costruire macchine che facciano ricerca al posto nostro.

E qui sta lo spostamento di fondo. Per anni la corsa è stata una sola parola: scalare. Più dati, più calcolo, modelli più grandi. Adesso la frontiera si è spostata di un passo, e il passo è enorme. Non si tratta più di rendere la macchina più grande, ma di delegarle la ricerca stessa. Jack Clark, che ha co-fondato Anthropic, ha messo persino una probabilità su questa idea: sessanta per cento che entro la fine del 2028 un sistema di intelligenza artificiale alleni da solo il proprio successore. Non un modello che fa un compito. Un modello che costruisce il modello dopo di lui. E Demis Hassabis, che guida la ricerca di Google su questo fronte, dice che senza questa capacità di fare esperimenti in autonomia l'intelligenza vera non arriverà proprio.

Vale la pena fermarsi su quanto è strano tutto questo. Per gran parte degli ultimi anni l'idea di una macchina che si migliora da sola era soltanto uno spavento, la trama di un film. Adesso è diventata un metodo di lavoro, una riga in un piano di ricerca. È un po' come quando, nelle fabbriche, le macchine smisero di essere semplici utensili mossi a mano e cominciarono a regolarsi da sole: cambiò il mestiere di chi ci stava dentro. L'operaio non spingeva più la leva, sorvegliava un processo. Qui sta succedendo la stessa cosa, ma con la ricerca scientifica.

Solo che, proprio mentre questa idea si afferma, sotto di essa si è aperta una crepa profonda. Da una parte Marc Andreessen, sul podcast di Joe Rogan, ha detto che l'intelligenza artificiale generale è già arrivata, "circa tre mesi fa", e che i modelli di oggi battono il novantanove per cento degli esperti. Dall'altra Ilya Sutskever, una delle menti che quella corsa l'ha disegnata, dice l'opposto: lo scaling è finito, "c'è una sola internet" e l'abbiamo già consumata tutta, ora servono idee nuove, non più macchine più grandi. Stessa montagna di soldi spesi, due letture rovesciate. Uno vede un traguardo tagliato, l'altro un muro.

Teniamo questi due fili in mano: la macchina che impara a fare ricerca da sola, e il litigio su dove siamo davvero arrivati. Perché tutto il resto della giornata gira attorno a loro.

Spostiamoci dall'altra parte del mondo, in Cina, dove un uomo che parla pochissimo ha detto in pubblico una frase che vale la pena ripetere lentamente. Liang Wenfeng guida DeepSeek, il laboratorio che da un paio d'anni fa tremare i polsi alle grandi aziende americane perché costruisce modelli quasi altrettanto bravi a una frazione del costo. In maggio, in una riunione con investitori per raccogliere il primo capitale esterno della sua storia, ha messo le carte in tavola: l'obiettivo non sono i soldi, è l'intelligenza artificiale generale. E ha aggiunto: "tutto il mondo dovrebbe poter usare gratis un modello enorme. L'AGI sarà open source e quasi gratis."

Fermiamoci su quel "quasi gratis". È la fine di un'idea che fino a ieri sembrava ovvia: che il modello fosse il tesoro, la cosa da chiudere a chiave e far pagare. Liang lo capovolge. Ha rilasciato il suo modello più grande in aperto, a disposizione di chiunque, a un prezzo tredici volte più basso dei concorrenti americani. E non come mossa commerciale, come scelta di principio: l'apertura viene prima, e vincola tutto il resto. Ha persino messo un paletto a chi gli porta i soldi: nessun investitore può cambiare quella missione o forzarlo a vendere in fretta.

Questo si lega al filo che attraversava già la puntata di ieri, e che oggi diventa più ruvido: il modello si sta trasformando in una merce comune. Quando una cosa costosissima diventa quasi gratis, il valore scappa altrove. È successo con l'elettricità: all'inizio chi aveva la dinamo aveva il potere, poi la corrente è diventata una presa nel muro che hanno tutti, e il valore si è spostato su ciò che con quella corrente potevi fare. Liang sta scommettendo che con l'intelligenza artificiale andrà uguale. Se ha ragione, le fortune costruite sull'idea che il modello fosse un fortino difendibile sono fortune con le fondamenta di sabbia. E la cosa più interessante, per me, è che a dirlo non è un critico da fuori, ma uno che quei modelli li costruisce tra i migliori al mondo, e ha deciso di regalarli.

Restiamo sul tema dei soldi, ma cambiamo continente e cambiamo registro morale. Il dieci giugno, sul suo sito personale, Dario Amodei, che guida Anthropic, ha pubblicato il testo più pesante delle ultime settimane: "Politica sull'esponenziale dell'intelligenza artificiale". La diagnosi è semplice e dura. La tecnologia corre su una curva che raddoppia, le istituzioni democratiche camminano su una linea retta. Questo scarto, dice, è il vero problema politico del decennio. E propone cose concrete: test obbligatori fatti da terzi prima di rilasciare un modello, col governo che ha il potere di bloccarlo, esattamente come l'ente che certifica gli aerei prima che possano volare. Più una tassa sulle aziende di intelligenza artificiale per finanziare chi perde il lavoro. È un cambio netto: Anthropic passa dal "fidatevi, ci regoliamo da soli" al "serve una legge vincolante, e subito".

Fin qui la parte coraggiosa. Ma nello stesso periodo è successa anche un'altra cosa, ed è quella che mi colpisce di più. Lo stesso Amodei, che un anno fa agitava lo spettro di un'apocalisse del lavoro, mezza forza lavoro spazzata via, ha cominciato a fare marcia indietro su quella profezia. E non è solo: anche Sam Altman ha ammorbidito tutto in quella che chiama "singolarità gentile", una transizione dolce e gestibile. Il dettaglio che fa quadrare il cerchio: entrambe le aziende si stanno avvicinando alla quotazione in borsa. OpenAI a una valutazione di ottocentocinquanta miliardi.

Qui c'è la tensione vera della giornata, e non è tecnica, è di carattere. Da una parte Geoffrey Hinton, il padrino di tutto questo, che gira il mondo dicendo che stiamo costruendo "esseri alieni" più intelligenti di noi e che dovremmo avere paura. Dall'altra chi quegli stessi allarmi li aveva lanciati, e ora che si avvicina la cassa li sta abbassando di tono. Non sto dicendo che mentano. Dico che il rischio, guarda caso, diventa meno urgente proprio quando comincia a essere scomodo per il prezzo delle azioni. È un copione vecchio come l'industria: l'allarme è sincero finché non costa, e si stempera quando arriva il momento di vendere.

Ricapitoliamo un attimo dove siamo, perché i fili cominciano a essere parecchi. Macchine che imparano a fare ricerca da sole. Il modello che diventa merce comune e quasi gratis. Il rischio che si gonfia e si sgonfia a seconda di chi parla e di quando. Adesso teniamo presente una voce che dice una cosa scomoda a tutti: e se la strada fosse proprio quella sbagliata?

A dirlo è Yann LeCun, uno dei tre studiosi che hanno fatto nascere l'intelligenza artificiale moderna. A fine 2025 ha lasciato Meta e ha fondato a Parigi un nuovo laboratorio, AMI Labs, raccogliendo oltre un miliardo di dollari. La sua tesi è netta fino a essere brutale: i modelli linguistici di oggi non porteranno mai a un'intelligenza come la nostra. Memorizzano, dice, non ragionano. E aggiunge una frase che nelle università è suonata come una provocazione: non ha più senso che i ricercatori accademici lavorino sui modelli linguistici.

Ma il punto, e questo è ciò che rende LeCun interessante, è che non si limita a dire di no. Indica un'altra strada e la sta costruendo. In marzo ha pubblicato un sistema che chiama "modello del mondo": un'intelligenza che impara a prevedere come va il mondo guardando immagini grezze, come fa un bambino prima ancora di parlare, invece di ingoiare montagne di testo. L'idea è che la fisica, lo spazio, le cose che cadono e rimbalzano, vengano prima del linguaggio. Su questa stessa linea ci sono François Chollet, che ha costruito un test dove gli umani fanno cento su cento e i migliori modelli zero virgola tre, a dimostrare che quei modelli imparano a memoria invece di capire; e c'è John Carmack, il leggendario programmatore di videogiochi, che ora fa giocare dei robot fisici ad Atari con una telecamera e un joystick vero, perché, dice, "la realtà non è un gioco a turni".

È la tensione che attraversa tutta la giornata: i modelli linguistici ragionano davvero o ripetono a memoria in modo molto elegante? Hassabis crede che la ricorsione e i modelli del mondo ci porteranno fin lassù. LeCun pensa che la scala stessa di partenza sia sbagliata, e che si stia salendo, con grande fatica, l'albero giusto verso la luna sperando di arrivarci. Vale la pena tenerla aperta, questa domanda, perché da come si risponde dipende dove andranno, nei prossimi anni, decine di miliardi.

C'è un'ultima voce che oggi voglio tenere, perché chiude il cerchio in modo umano. Naval Ravikant, investitore e una specie di filosofo della Silicon Valley, in queste settimane ha pubblicato una serie di conversazioni con tre fondatori e ne ha tirato fuori un'immagine sola: ogni azienda sta diventando una fabbrica di software su misura. Il costo di scrivere un programma sta crollando verso zero. Una delle sue battute, lanciata a fine maggio, suona così: "spreca pure i calcoli della macchina, risparmia il tempo dell'uomo". Capovolge un'abitudine antica, quella di centellinare la potenza di calcolo. Adesso la potenza è abbondante e quasi gratis; ciò che resta prezioso è il tempo e l'attenzione delle persone.

Ma è dove arriva che conta. Se chiunque può costruire un'app in una sera, dice Naval, allora il software puro smette di essere un buon investimento. Tutti possono farlo, quindi non vale quasi nulla. E allora cosa resta a fare la differenza? Una sola cosa: il gusto. Il giudizio. La capacità di scegliere cosa vale la pena costruire e cosa no. Quando l'esecuzione diventa gratis, il vantaggio si sposta tutto su quella sensibilità che non si automatizza.

Qui le voci più lontane di questa puntata, che su tutto il resto litigano, si ritrovano d'accordo su una cosa sola. Karpathy, quello che lascia le macchine fare ricerca di notte, ha scritto che "puoi esternalizzare il pensiero, ma non la comprensione": puoi far macinare il lavoro alla macchina, ma capire davvero resta tuo. Chollet osserva che l'intelligenza artificiale ingigantisce l'effetto di chi ha iniziativa e schiaccia chi non ne ha. E mentre Jack Dorsey licenzia quasi metà della sua azienda dicendo che i capi servivano solo a smistare informazioni e ora ci pensa la macchina, e Andreessen immagina un futuro in cui un programmatore comanda migliaia di robot, tutti, alla fine, tengono per sé esattamente la stessa cosa: il giudizio. Lo automatizzano tutto, tranne quello.

Mi sembra il vero filo nascosto della giornata. In un mondo dove la macchina impara a fare ricerca, dove i modelli costano quasi nulla, dove il lavoro si delega a sciami di agenti, l'unica cosa che nessuno è disposto a cedere è il momento in cui qualcuno decide se una cosa è buona o no. È un pensiero antico, in fondo: la differenza tra avere gli strumenti e avere il gusto di usarli bene è la stessa che separava il bottega­io dall'artigiano, secoli fa.

Qualche progetto da osservare, e oggi parlano tutti la stessa lingua del racconto di prima: macchine che imparano da sole, modelli che girano dappertutto a costo bassissimo. Sono tutti progetti già in crescita da settimane, quindi solo un cenno per ciascuno.

Autoresearch di Karpathy, l'agente che riscrive il proprio addestramento di cui abbiamo parlato all'inizio: in crescita continua. È il simbolo concreto della ricorsione come metodo.

Nanochat, sempre di Karpathy, un piccolo modello conversazionale da studiare e smontare pezzo per pezzo: in crescita continua. Serve a capire da dentro come funzionano queste cose, senza scatole nere.

Llama punto cpp, il programma che fa girare modelli grandi su un computer normale, anche senza schede grafiche costose: in crescita continua. È la commoditizzazione resa palpabile: l'intelligenza che esce dai data center grandi come città e entra in un laptop.

Llm, lo strumento da riga di comando di Simon Willison per parlare con qualsiasi modello dallo stesso posto: in crescita continua. Indifferente a quale azienda ci sia dietro, che è poi il senso di un mondo dove i modelli si equivalgono.

E ARC-AGI di François Chollet, il test che separa il ragionare vero dal memorizzare: in crescita continua. È la pietra di paragone della tensione di oggi, quella su cui gli umani fanno il pieno e le macchine quasi zero.

Cinque progetti, una direzione sola: capire come funzionano queste macchine, farle girare ovunque, e misurare onestamente quanto sono brave davvero.

Resta in mente quella notte di marzo, con un programma di poche righe che si correggeva da solo mentre nessuno guardava. È la nuova frontiera, e fa una certa impressione. Ma forse la cosa più umana di tutta la giornata è che, anche delegando tutto, ciascuno di questi protagonisti tiene stretta la stessa cosa: il momento in cui qualcuno decide se ne è valsa la pena. È stato Signal Brief. Alla prossima.