Chi possiede il calcolo

Chi possiede il calcolo

Il compute diventa questione politica, l'AI locale una difesa personale, e il testo perfetto un problema di fiducia. Cinque voci raccontano lo spostamento.

Tre settimane fa la discussione riguardava ancora chi avrebbe messo i soldi sull'intelligenza artificiale. Oggi, 3 settembre, la domanda che tiene insieme queste voci è un'altra: chi possiede le macchine che la fanno girare, e in quale paese si trovano fisicamente.

È la puntata di Signal Brief in cui il calcolo smette di essere una voce di bilancio e diventa una questione di confini. Ma prima ancora dei confini, c'è una scena molto più piccola: un investitore americano che apre la posta del mattino e decide di smettere di leggere.

L'investitore è Paul Graham. In un post di giugno racconta una cosa che sembra minima: le email che riceve dai fondatori, quelle scritte con l'aiuto dell'intelligenza artificiale, lui le riconosce quasi sempre, e quando le riconosce smette di leggerle. Il verbo che usa è forte: dice che gli sembra di essere preso in giro. Non è una lamentela sullo stile. È che il testo levigato non gli dice più niente su chi lo ha scritto.

Ieri questa preoccupazione era una nota a margine, la prudenza di qualche osservatore isolato. Oggi è diventata la convergenza principale, e arriva da tre direzioni che di solito non si parlano. Andrej Karpathy ci arriva da ingegnere: in un intervento di questa primavera sostiene che le competenze rare non sono più scrivere codice, ma controllare quello che il codice produce. Jack Clark, da Anthropic, spinge perché a misurare i modelli siano soggetti terzi, esterni a chi li costruisce. E Demis Hassabis, in un documento pubblicato a luglio, chiede qualcosa di più netto: un organismo indipendente che testi i modelli prima che escano, non dopo.

Quest'ultimo passaggio è nuovo, e vale la pena fermarcisi. Fino a pochi mesi fa la governance dell'intelligenza artificiale significava rapporti scientifici, comitati, valutazioni pubblicate a cose fatte. Hassabis propone invece un guardiano che intervenga prima del rilascio. È la differenza tra il critico che recensisce un edificio e l'ispettore che firma il collaudo. Somiglia a quello che è successo con i farmaci a metà Novecento: prima si vendevano e poi si contavano i danni, finché non si è deciso che l'ordine andava invertito.

Nel frattempo, dall'altra parte del mondo, la discussione ha preso una piega geografica. Vivek Raghavan costruisce in India modelli pensati per restare in India — il TIME lo ha appena inserito tra le cento figure dell'anno proprio per questo. Liang Wenfeng, il fondatore di DeepSeek, in un intervento riservato agli investitori uscito quest'estate dice che il ritardo cinese non è una questione di persone brave, è una questione di macchine. E Vitalik Buterin, che con l'intelligenza artificiale non c'entrava quasi nulla, si è montato in casa un modello che gira sul suo hardware, senza rete, con un tetto rigido a quanto può spendere da solo.

Sono tre gesti diversi che dicono la stessa cosa: il calcolo non è un servizio che si compra, è un territorio che si occupa. Elon Musk lo dice dal lato opposto e con più franchezza, quando fissa a dieci gigawatt la capacità che vuole possedere entro l'anno prossimo. Non affittare: possedere.

Nell'Ottocento le nazioni si misuravano sui chilometri di ferrovia costruiti dentro i propri confini, perché chi controllava i binari controllava cosa poteva muoversi. Qui il ragionamento è identico, solo che i binari sono capannoni pieni di schede grafiche. E la scelta di Buterin — togliere il modello dall'infrastruttura di chiunque altro — è la versione domestica della stessa idea: se il territorio conta, il territorio più sicuro è la scrivania di casa.

Paul Graham ha passato vent'anni a leggere lettere di persone che volevano fondare un'azienda. Y Combinator, l'incubatore che ha co-fondato, funziona così: si candidano in migliaia, si legge, si sceglie. Il suo mestiere è stato per due decenni distinguere chi ha capito qualcosa da chi lo sta imitando.

Per questo il post di giugno pesa più di quanto sembri. Graham scrive che le candidature scritte con l'intelligenza artificiale le smette di leggere, e chiarisce di non essere contrario allo strumento: dice che va usato nel modo giusto. Il problema è un altro. Quando arriva un testo, lui non sa più se sta leggendo una persona o un'interfaccia.

A luglio è tornato sul tema partendo da un caso di studenti che copiavano con l'intelligenza artificiale in un corso alla Brown University, e ha spostato il discorso: la questione non è l'imbroglio, è che scuola e selezione del personale hanno perso lo strumento con cui separavano chi capisce da chi produce belle frasi. Ad agosto ha aggiunto due osservazioni: che le aziende piccole sono messe meglio delle grandi, perché possono cambiare direzione in fretta; e che l'intelligenza artificiale rischia di avvantaggiare gli studiosi finti nel pubblicare cose nuove, mentre allo stesso tempo rende più facile scoprire le debolezze di quello che avevano scritto prima.

Il filo che tiene insieme queste tre uscite è il costo della verifica. Per secoli la scrittura è stata una prova indiretta ma affidabile: chi scriveva bene, di solito, aveva pensato bene. Non era una regola perfetta, ma reggeva abbastanza da fondarci sopra esami, concorsi, colloqui, interi sistemi di selezione. Quella prova indiretta si è rotta in circa due anni.

E qui la faccenda si allarga oltre le email dei fondatori. Se il testo non certifica più chi lo ha prodotto, bisogna certificare in un altro modo — con prove, con controlli, con qualcuno che verifichi. È esattamente la stessa domanda che si pongono Clark quando chiede misurazioni indipendenti e Hassabis quando chiede un ispettore prima del rilascio, solo posta su una scala diversa. Graham la incontra nella posta del mattino, loro nei laboratori di frontiera.

Vale notare una cosa poco confortante: Graham dice di riconoscerle quasi sempre, quelle email. Quasi. Il margine di errore è tutto lì dentro, e non si restringe.

Andrej Karpathy ha costruito sistemi di visione artificiale per le auto Tesla e ha lavorato a OpenAI. Quando parla di come si scrive software, chi lo ascolta prende appunti.

In un incontro pubblico di questa primavera ha descritto quello che chiama Software 3.0: i modelli linguistici come nuovo strato programmabile del lavoro digitale, non come acceleratore per chi scrive codice. Il punto pratico che ne ricava è che le competenze rare si spostano — verso il gusto, la sicurezza, il disegno dei test di valutazione, i limiti da imporre agli agenti, il coordinamento. Scrivere codice, nella sua lista, è la voce meno rilevante. A marzo aveva raccontato di non aver digitato una riga di codice probabilmente da dicembre.

Rispetto a ieri, quando ne parlavamo come nuova divisione del lavoro tra chi specifica e chi esegue, la posizione si è fatta più affilata: la scarsità non è distribuita, è concentrata in un punto solo. Validare vale più che produrre.

C'è un dettaglio nel suo intervento che merita: descrive i modelli come capaci in modo irregolare. Fortissimi su riscritture enormi di codice, deboli su banalità di buon senso. La spiegazione che dà è economica prima che tecnica — dipende da quanto è facile verificare un compito e da quanto materiale esiste per allenarlo. È un profilo strano, che non somiglia a niente di quello che sapevamo fare prima. Una macchina che riesce nell'impresa e inciampa sul gradino.

Questo si scontra frontalmente con Liang Wenfeng. Per il fondatore di DeepSeek il divario tra chi è avanti e chi è indietro è materiale: mancano macchine, non teste. Per Karpathy il collo di bottiglia è umano: mancano persone capaci di controllare e orchestrare quello che le macchine producono. Due diagnosi opposte dello stesso problema, e la differenza non è filosofica: se hai ragione tu compri capannoni, se ha ragione lui assumi e formi.

La cosa curiosa è che nessuno dei due parla più di modelli migliori. Quella parte la danno entrambi per acquisita. Discutono di cosa manca intorno.

Yann LeCun ripete da anni che i modelli linguistici non porteranno all'intelligenza vera, e per anni questa è sembrata la posizione di un isolato prestigioso. La sua tesi è semplice da riassumere: l'intelligenza nasce dall'imparare come è fatto il mondo fisico, non dall'indovinare la parola successiva.

Quest'anno la posizione ha cambiato natura. La sua pagina personale lo indica ora come presidente esecutivo di AMI Labs, e i lavori che sta pubblicando ruotano tutti intorno a modelli del mondo: sistemi che tengono una rappresentazione di com'è fatto lo spazio e di cosa succede se ci si muove dentro. Nei suoi interventi del 2026 il titolo ricorrente è diventato "cosa viene dopo i modelli linguistici".

Ma la scena più concreta è di Fei-Fei Li. La sua azienda, World Labs, ha rilasciato Marble: da una sola fotografia, o anche solo da una descrizione scritta, genera un mondo tridimensionale in cui si può entrare, e lo esporta verso i programmi che usano davvero gli studi di animazione e i videogiochi. C'è anche un'interfaccia per chi vuole costruirci sopra.

Questo è il cambiamento vero rispetto a ieri. Finché la critica ai modelli linguistici restava un dibattito tra ricercatori, era una posizione. Adesso è un prodotto che qualcuno vende e che qualcun altro compra. È la differenza tra sostenere che il motore elettrico funziona meglio del vapore e aprire una fabbrica che ne produce.

Karpathy, da parte sua, non si sposta: per lui i modelli linguistici restano il materiale di base, il lavoro sta nel circondarli di controlli. Tre posizioni, e nessuna delle tre è la scelta ovvia.

Ricapitolando dove siamo: la giornata ha due nervi. Uno riguarda chi certifica che un risultato valga — e lì stanno Graham, Clark, Hassabis. L'altro riguarda dove sta fisicamente la macchina che quel risultato lo produce. Il secondo è quello che si è mosso di più.

Vitalik Buterin non è una figura dell'intelligenza artificiale. Ha inventato Ethereum e passa il suo tempo a preoccuparsi di privacy e di autonomia individuale; a gennaio ha dichiarato che il 2026 doveva essere l'anno in cui si recuperava terreno su entrambe, dopo un periodo di arretramento.

Poi gli è successa una cosa che vale come esperimento. Aveva contribuito in forma anonima alla riscrittura di una proposta tecnica per Ethereum. Un modello di intelligenza artificiale lo ha identificato lo stesso — non dallo stile, ma dal modo di ragionare. Buterin lo ha confermato pubblicamente.

La risposta è stata pratica. Si è costruito un assistente che gira sul suo hardware, senza connessione, con modelli aperti e limiti stretti: può leggere e scrivere messaggi, può toccare il portafoglio digitale solo entro un tetto di spesa che non può superare da solo.

Sembra la fissazione di un tecnico, ma è la stessa idea di Raghavan e Liang portata alla scala di una persona sola. Loro dicono che un paese deve avere le proprie macchine dentro i propri confini. Buterin dice che un individuo deve avere il proprio modello dentro casa. La logica non cambia: chi possiede l'infrastruttura decide cosa ci puoi fare sopra, e vede cosa ci fai.

Vale il confronto con Musk, che sta all'estremo opposto della stessa scala: dieci gigawatt di capacità propria, tutto integrato verticalmente, dai chip ai razzi alle automobili. Nessuno dei due si fida di infrastrutture altrui. Solo che uno risolve il problema costruendo la più grande del mondo e l'altro spegnendo la rete.

Nell'Ottocento chi voleva sottrarsi al monopolio del telegrafo non aveva alternative: o passavi per i loro fili o non comunicavi. Qui, per la prima volta da quando esiste il cloud, un'alternativa domestica esiste davvero — è meno potente, ma funziona. Che l'abbia scelta uno che di mestiere si occupa di fiducia distribuita non è un caso.

Progetti da osservare.

Marble, di World Labs, è quello di cui abbiamo già parlato: una fotografia entra, un mondo tridimensionale esplorabile esce, con l'esportazione verso i programmi che usano davvero gli studi creativi. È la scommessa di Fei-Fei Li diventata cosa che si compra.

Accanto, un progetto chiamato fable51-worlds fa qualcosa di simile ma per la simulazione e la pianificazione: tiene una rappresentazione ordinata di com'è messo il mondo, invece di limitarsi a indovinare la parola dopo. Due strumenti diversi, la stessa tesi che LeCun sostiene da anni.

Poi c'è inspect_ai, il sistema di valutazione dell'istituto britannico per la sicurezza dell'intelligenza artificiale. Serve a testare in modo indipendente cosa un modello sa fare e quanto è rischioso. Quando Hassabis chiede un ispettore che controlli prima del rilascio, questo è l'attrezzo con cui lo si farebbe. La proposta esiste già come codice funzionante.

Sempre da lì arriva la conferma numerica: DeepSeek V4-Pro, modello cinese a pesi aperti, secondo le analisi dell'istituto britannico regge il confronto con modelli chiusi usciti quattro-sette mesi prima. Nel 2025 la distanza era maggiore. È la prova, con un numero sopra, di quello che Liang sostiene a parole.

Infine WorkOS Relay, che risolve un problema molto concreto: quando un agente automatico chiama un servizio esterno, Relay si mette in mezzo e inserisce le credenziali all'ultimo momento, così un messaggio malevolo non può rubarle. Riguarda l'azione, non il testo. E questa è la parte che nessuno aveva ancora coperto.

Rimane in mente Graham che chiude la posta a metà lettura, mentre dall'altra parte del pianeta si costruiscono capannoni da dieci gigawatt. Una prova di fiducia che si rompe, e un'infrastruttura che cresce per sostituirla. Forse è questo che stiamo facendo davvero: sostituire con ferro e vetro un giudizio che finora costava una lettura attenta.

È stato Signal Brief. Alla prossima.