Dove deve vivere il calcolo

Dove deve vivere il calcolo

Buterin sposta i suoi modelli su una macchina in casa, la Nigeria apre un centro nazionale, l'India rilascia pesi liberi. La domanda non è più chi paga l'AI, ma chi la ospita.

Un uomo che ha contribuito a costruire una delle infrastrutture digitali più grandi del mondo ha deciso, nelle ultime settimane, di smettere di usare l'intelligenza artificiale nel cloud. Vitalik Buterin ha spostato i suoi modelli linguistici su macchine che possiede, in casa sua, e ha spiegato perché.

È il 6 settembre 2026, questo è Signal Brief, e quella scelta domestica somiglia molto a quello che un ministro nigeriano e un imprenditore indiano stanno facendo alla scala di un paese intero.

Buterin ha raccontato pubblicamente il suo nuovo assetto: modelli che girano in locale, un sistema di messaggistica isolato dal resto, e una regola per cui nessuna azione verso l'esterno parte senza che un essere umano e un modello siano d'accordo. La ragione che dà è la sicurezza degli agenti — programmi che agiscono per conto tuo e a cui, se qualcuno li inganna, hai consegnato le chiavi di casa.

Nello stesso periodo, Aravind Srinivas ha annunciato che Perplexity sta distribuendo nella sua applicazione per Mac una modalità in cui i passaggi che toccano file sensibili restano sul computer dell'utente, e ha detto che il classificatore che decide cosa resta locale verrà reso pubblico. Il 4 settembre, in televisione, ha usato una formula semplice: le persone vogliono usare il proprio hardware.

Queste due scelte sono personali. Le altre due no. Bosun Tijani, ministro nigeriano dell'economia digitale, ha inaugurato il primo centro nazionale sull'intelligenza artificiale all'università di Jos, motivandolo in modo esplicito: la Nigeria non deve essere una consumatrice passiva. E Vivek Raghavan, cofondatore di Sarvam, ripete da mesi che un paese senza uno stack proprio diventa una colonia digitale — una frase che pesa, detta in India, da qualcuno che ha lavorato al sistema di identità digitale di un miliardo di persone. Questa settimana TIME lo ha inserito nella sua lista dei cento nomi dell'AI.

Ecco cosa è cambiato rispetto a ieri. Fino a ieri il filo era tecnico: gli agenti funzionano, il lavoro del programmatore è cambiato, il valore si sposta dai modelli a chi li mette al lavoro. Oggi entra una domanda diversa, e non è tecnica: dove deve stare fisicamente il calcolo. Quattro voci che non hanno niente in comune — un fondatore di criptovalute, un imprenditore della Silicon Valley, un ministro africano, un tecnologo indiano — arrivano alla stessa casa da strade lontanissime.

Dall'altra parte c'è chi tira nella direzione opposta con altrettanta convinzione. Elon Musk, a un incontro tecnologico del G20, ha difeso i grandi centri di calcolo, ha avvertito che il vero limite sarà l'elettricità disponibile, e ha attaccato le regole europee come freno all'innovazione. La sua posizione è coerente: più scala, meno vincoli, e il vantaggio sta in chi ha le macchine più grandi.

Vale la pena notare che questa non è una novità storica, è una ricorrenza. Negli anni Settanta il calcolo stava in stanze refrigerate a cui accedevi con un terminale; poi è arrivato il personal computer e per vent'anni la potenza è stata sulla scrivania; poi il cloud l'ha riportata nelle stanze refrigerate, molto più grandi e molto più lontane. Il pendolo ha già oscillato due volte. Quello che si vede adesso è l'inizio di una terza oscillazione, e questa volta il movente non è il costo — è chi tiene in mano i dati.

La differenza rispetto alle volte precedenti è che il pendolo non torna indietro tutto insieme. Torna a pezzi: un passaggio sensibile qui, un modello aperto lì, un centro nazionale da un'altra parte.

Paul Graham ha passato vent'anni a guardare fondatori che partono da zero, prima con Y Combinator e poi scrivendo saggi che si leggono come lettere. Non è un ricercatore, è un osservatore di persone che costruiscono cose.

Il 3 settembre è comparso in un video di Y Combinator, e quello che colpisce è di cosa non ha parlato. Niente apocalisse, niente previsioni sui modelli. Ha parlato di psicologia dei fondatori, di ambizione, e del ruolo di Y Combinator nell'aiutare le persone ad attraversare le fasi difficili. In parallelo, nei suoi interventi pubblici degli ultimi mesi, ha ripetuto una tesi che sembra minore e non lo è: nell'epoca dell'intelligenza artificiale il gusto conta di più, non di meno.

Bisogna capire cosa intende. Quando costruire una cosa richiedeva mesi, la capacità di costruire era il filtro. Chi sapeva farlo vinceva, perché gli altri semplicemente non arrivavano al traguardo. Se costruire diventa rapido ed economico, quel filtro salta, e resta in piedi solo la domanda a monte: cosa costruire. Il giudizio su cosa meriti di esistere. Graham lo chiama gusto perché non ha un nome migliore, e perché è la parola che si usa in arte per la stessa cosa.

C'è un dettaglio che rende la posizione meno astratta. A maggio, in una lettera ai fondatori, ha avvertito che le mail scritte dall'intelligenza artificiale suonano ingannevoli — pur dicendo che l'AI va usata, nel modo giusto. Non è una contraddizione: è esattamente il gusto applicato a se stesso. Sapere quando lo strumento serve e quando tradisce.

Questo si collega direttamente al filo di oggi. Balaji Srinivasan, da tutt'altra postazione, dice una cosa vicina: l'intelligenza artificiale abbassa il costo di creare e alza quello di verificare. Graham guarda lo stesso spostamento dal lato di chi decide cosa fare, Srinivasan dal lato di chi deve controllare che sia giusto. In entrambi i casi il collo di bottiglia si è spostato: non è più nelle mani, è nella testa.

Rimane una domanda scomoda. Il gusto, storicamente, si è formato costruendo — si impara a giudicare una cosa dopo averne fatte molte, male. Se la costruzione si delega, la palestra dove si allena il giudizio si svuota. Graham non affronta questo punto, almeno non nel materiale disponibile, e forse è la cosa più interessante che non ha ancora detto.

François Chollet ha creato uno dei test più ostinati del settore: una serie di prove, chiamate ARC, costruite apposta perché un modello non possa superarle avendole già viste da qualche parte. Sono l'equivalente di un esame dove non serve aver studiato, serve capire.

Ad agosto ha scritto una cosa che ribalta la sua posizione precedente, e conviene misurarla con precisione. Fino a poco tempo fa proponeva di aggiungere impalcature logiche attorno alle reti neurali: era una proposta, qualcosa da fare. Adesso dice che i sistemi che già funzionano meglio sono fatti così. Non è più un suggerimento, è una constatazione a posteriori. Nello specifico ha osservato che gli approcci migliori sull'ultima versione del test costruiscono programmi eseguibili guidati dal modello linguistico, e ha aggiunto che è lì che l'intelligenza artificiale andrà a finire nel lungo periodo.

Detto senza gergo: il modello linguistico da solo indovina. Il modello linguistico che scrive un piccolo programma e poi lo esegue può controllare se il risultato è giusto. La seconda cosa si può verificare, la prima no.

Chollet ha anche notato che i modelli senza questo tipo di ragionamento aggiuntivo restano deboli sul test più vecchio, nonostante siano diventati enormemente più grandi. È un dato che dice qualcosa di scomodo per chi scommette solo sulla scala.

Questo lo mette in una posizione precisa dentro il disaccordo di oggi sul percorso tecnico. Yann LeCun sostiene da anni che serva un'architettura diversa, capace di modellare come si comporta il mondo fisico — ad agosto ha scritto che la realtà ha inerzia e attrito, cose che il testo non insegna — e ha fondato un laboratorio proprio per costruirla, raccolto oltre un miliardo di dollari. Fei-Fei Li costruisce mondi navigabili per addestrare robot. Andrej Karpathy, dall'altro lato, osserva semplicemente che la strada attuale funziona già abbastanza da aver riscritto il lavoro di chi programma.

Chollet occupa una posizione intermedia che è la più utile da tenere a mente: non dice che la strada attuale sia sbagliata, dice che chi la percorre bene ha già smesso di percorrerla da sola.

Il 30 agosto ha pubblicato anche un avvertimento più cupo, sulle capacità informatiche offensive che potrebbero sconfinare nella biologia. È un'osservazione laterale rispetto al resto, ma dice qualcosa sul suo stato d'animo.

Torniamo un momento a dove siamo, perché i pezzi sono diversi. La domanda della giornata è dove debba stare il calcolo e chi debba controllarlo. Sotto quella domanda ce n'è una seconda, che le gira attorno: man mano che questi sistemi fanno cose invece di limitarsi a rispondere, come si fa a fidarsi. Il prossimo nome è quello che ha provato a dare una risposta progettuale.

Yoshua Bengio è uno dei tre ricercatori a cui si attribuisce la nascita dell'apprendimento profondo moderno. Da qualche anno passa più tempo a preoccuparsene che a spingerlo avanti.

Quest'anno ha co-guidato il rapporto internazionale sulla sicurezza dell'AI, un documento che mette insieme lo stato delle conoscenze per governi e regolatori, e la sua conclusione centrale è che le capacità stanno correndo più veloci sia delle protezioni sia della comprensione scientifica di come funzionino. Al vertice AI for Good ha aggiunto una formulazione più netta: il problema non è la velocità, è la direzione. Gli incentivi attuali spingono verso il profitto, non verso il benessere delle persone.

Ma la parte che entra nel filo di oggi è tecnica, non politica. Bengio propone di costruire sistemi che ragionano sul mondo senza obiettivi propri, senza istinto di conservazione, senza agire. Li chiama scientist AI. L'idea è di avere una base onesta e ispezionabile, e solo sopra quella base mettere eventualmente sistemi che agiscono.

È una posizione che va contro la corrente principale del momento, quella per cui tutto il valore sta negli agenti che fanno le cose al posto tuo. Bengio dice, in sostanza: costruite prima qualcosa che potete guardare dentro.

Il paragone che aiuta è vecchio di un secolo. Quando le automobili hanno iniziato ad andare veloci, l'industria ha passato decenni a ottimizzare i motori e pochissimo tempo sui freni; i freni sono arrivati per legge, dopo i morti. Bengio sta chiedendo di invertire l'ordine, e la sua difficoltà è la stessa di chi allora avrebbe chiesto di brevettare il freno prima del motore: nessuno paga per la parte che rallenta.

Vale la pena mettere questa posizione accanto a due altre della stessa settimana. Dario Amodei parla di una crisi di fiducia: il sospetto diffuso che le aziende e i governi stiano concentrando potere, e la convinzione che senza fiducia il dispiegamento si blocchi comunque, per ragioni sociali prima che tecniche. Geoffrey Hinton, che è arrivato all'allarme prima di tutti, dice qualcosa di più duro: con i pesi dei modelli ormai scaricabili da chiunque, la barriera del costo di addestramento è caduta, ed è troppo tardi per contenere l'accesso. Tre uomini che guardano lo stesso rischio e propongono tre cose incompatibili: progettare diversamente, regolare, o prendere atto che una parte del cavallo è già uscita dalla stalla.

Elon Musk merita un ritratto proprio, perché in questo quadro è l'unico che tira con tutto il peso nella direzione opposta, e lo fa con coerenza.

Nelle ultime due settimane ha annunciato Grok 4.7 in arrivo, descritto come migliore in tutto rispetto alla versione precedente tranne che nella velocità di risposta, e ha detto che verrà addestrato ulteriormente sui dati ingegneristici di SpaceX. Ha anche previsto che i ricavi dell'intelligenza artificiale dentro SpaceX supereranno tutti gli altri ricavi dell'azienda, probabilmente entro settembre. E ha ripetuto la sua previsione più aggressiva: entro la fine del 2027 l'AI potrebbe fare qualsiasi cosa digitale a livello sovrumano.

Al G20, come detto, ha difeso i grandi centri di calcolo e attaccato le regole europee, avvertendo che il collo di bottiglia sarà la disponibilità di energia elettrica.

Messo tutto insieme, il disegno è netto: aumentare il calcolo, incorporare dati proprietari che nessun altro ha, rilasciare in fretta, resistere alle regole. È l'esatto opposto della linea locale e sovrana raccontata all'inizio, e non per caso — sono due risposte alla stessa domanda. Se il vantaggio sta nella scala, allora contano le fabbriche di calcolo grandi come quartieri e i dati che solo tu possiedi. Se il vantaggio sta nel controllo, contano i modelli che puoi scaricare e far girare su una macchina che tocchi con le mani.

Il dettaglio dei dati di SpaceX è quello su cui riflettere più a lungo. È un'ammissione implicita che i modelli, in sé, si stanno assomigliando tutti. Se ciò che ti distingue è il materiale con cui addestri — anni di telemetria di razzi che nessun concorrente potrà mai avere — allora stai dicendo che il modello da solo non basta più a differenziarti. Ed è, curiosamente, la stessa conclusione a cui arrivano Benedict Evans e Andrej Karpathy da posizioni opposte: nel suo saggio del 3 settembre Evans sostiene che l'intelligenza artificiale sta cambiando cosa sia il software e come le aziende si riorganizzano, non solo chi lo scrive.

Il modello ha smesso di essere il prodotto. Musk lo dice con i dati dei razzi, Evans con la riorganizzazione delle aziende. La conclusione è la stessa.

Progetti da osservare, e questa settimana raccontano quasi tutti la stessa storia.

NVIDIA ha rilasciato in beta pubblica un Personal AI Router: un programma che smista le richieste di intelligenza artificiale tra i computer della tua rete di casa o d'ufficio — una scheda grafica potente, un Mac, una macchina dedicata. Se tutti i nodi sono in casa, domande e risposte non escono mai. È la tesi di Buterin trasformata in software, arrivata il 4 settembre da chi vende le schede.

Sarvam-105B è il caso di scuola dell'argomento indiano. Un modello da centocinque miliardi di parametri, addestrato da zero dentro un programma pubblico indiano, rilasciato con licenza libera e supporto per tutte e ventidue le lingue ufficiali del paese. I pesi si scaricano gratis. Non è una dichiarazione d'intenti sulla colonia digitale, è la risposta operativa.

Forge, di uno sviluppatore indipendente, risolve il problema meno glamour e più decisivo: i modelli che fai girare da solo sbagliano quando devono usare strumenti esterni. Forge aggiunge uno strato che recupera gli errori, ritenta, e tiene il conto della memoria disponibile. Porta un modello piccolo dal cinquantatré al novantanove per cento di successo su compiti pratici. Senza questo tipo di lavoro, l'AI locale resta un hobby.

Leanstral 1.5, di Mistral, va all'altro capo del filo: è specializzato nel dimostrare che un pezzo di software fa davvero quello che promette. Applicato a codice vero ha trovato cinque errori sconosciuti in cinquantasette progetti. È il collo di bottiglia della verifica attaccato di petto.

E deepseek-harness, un programma che fa girare agenti dove ogni pezzo è sostituibile — il modello, gli strumenti, perfino il ciclo di ragionamento. Duecentoseimila stelle su GitHub in diciotto giorni. Nessuno vuole restare legato a un fornitore solo.

Resta questa immagine: una delle persone più esposte al mondo digitale che si porta i modelli dentro casa, e un ministro africano che fa la stessa cosa per settanta milioni di persone. Il calcolo, che per quarant'anni è stato una questione di costo, sta diventando una questione di indirizzo — nel senso postale del termine. Dove sta la macchina, chi ha le chiavi della stanza.

È stato Signal Brief. Alla prossima.