Che cosa sono oggi tre mesi

Ogni tre o quattro mesi Axelera, l’associazione non profit che ho fondato quattordici anni fa per diffondere la comprensione delle tecnologie esponenziali, tiene il suo aggiornamento periodico. Il nostro è stato il 23 settembre. Avevo chiesto a quattro modelli diversi di preparare le slide, descrivendo quelli che a loro giudizio erano gli sviluppi più importanti degli ultimi tre o quattro mesi in intelligenza artificiale, agenti, energia e spazio. Hanno prodotto presentazioni bellissime e non me ne è piaciuta nessuna. Non avevo voglia di correggerle, così ho parlato senza slide.

Jolting, non esponenziale

Da anni pubblico il paradigma delle tecnologie jolting, in cui a crescere è il tasso di accelerazione stesso. Siamo abituati alla legge di Moore, cinquant’anni di raddoppio all’incirca ogni due anni. Nell’IA sono gli intervalli a restringersi, da due anni a uno, da un anno a sei mesi, da sei mesi a tre. Segui l’attuale tasso di aumento dell’accelerazione e arrivi alla proiezione di un rilascio di frontiera significativo ogni singolo giorno. Non mi aspetto che quella proiezione regga nella pratica. Le misurazioni che si stanno accumulando giustificano già l’abbandono della parola esponenziale in favore di jolting, o super esponenziale.

La Cina si avvicina, e il vertice non rallenterà nulla

I modelli a pesi aperti che arrivano dalla Cina hanno ridotto il divario di prestazioni a circa quattro mesi e mezzo, da circa sei all’inizio dell’anno, e la parità intorno alla fine dell’anno è l’aspettativa ragionevole. Il presidente americano e quello cinese si sono incontrati a Washington il 23 e 24 settembre per decidere come procedere in una competizione che entrambi credono di controllare. Non mi aspetto che l’incontro cambi il ritmo dello sviluppo. Quando si dice rallentare, non si sta descrivendo un’auto che si avvicina a una curva e frena, né un guidatore che alza il piede mentre il semaforo diventa giallo continuando a premere l’acceleratore. Si sta chiedendo che l’aumento dell’accelerazione sia minore. Qualunque accordo venga annunciato, non mi aspetto alcun effetto pratico.

Il modello che non è un modello linguistico

Un rilascio dei giorni immediatamente precedenti al nostro incontro non era affatto un grande modello linguistico. Jev, di TypeSafe AI, è un classificatore: veloce, economico e strutturalmente vecchio, perché questi approcci esistono nel machine learning da decenni e solo ora vengono alimentati con capacità di addestramento moderna. Abbinane uno a un modello di OpenAI o Anthropic e ottieni risultati a un costo incrementale irrisorio, perché i token in ingresso hanno un prezzo bassissimo e le decisioni di classificazione sono regalate. Abbiamo passato diversi anni così fissati sugli LLM da dimenticare che esistevano altre architetture, con la parziale eccezione dei modelli di diffusione dietro la generazione di immagini, che molti danno per funzionanti allo stesso modo. Quel periodo sta finendo, e sta arrivando una profusione di modelli specializzati. Marco De Rossi, che ha fondato la piattaforma di e-learning WeSchool e poi ha passato un periodo in MetaMask, ne sta costruendo uno in Levanto, e si chiama Sage.

Gli agenti sono diventati il centro, e le stanze in cui lavorano

Gli agenti hanno iniziato l’anno come curiosità e sono diventati il centro del campo. OpenClaw ha aperto gli occhi a tutti, e le sue lezioni sono state assorbite ovunque. Claude ora lancia una dozzina di agenti in parallelo in background per un singolo compito e li coordina senza dirlo. Grok Bot spinge nella direzione opposta, verso la specializzazione, dando a ogni agente memoria a lungo termine, la consapevolezza del tipo di lavoro per cui esiste e la capacità di coordinarsi esplicitamente con gli altri. Muse di Meta raggiungerà probabilmente una scala paragonabile a ChatGPT o superiore, perché è abbastanza buono e ha dietro la distribuzione di Meta. Google è inspiegabilmente molto indietro, e Apple ancora di più.

Il passo che pochissimi hanno assorbito è quello successivo. Non è una persona con diversi agenti. È uno spazio in cui persone e agenti lavorano insieme. Slack è arrivato per primo, il che era naturale dato che le persone ci vivono già dentro. Quello che mi interessa di più è Buzz, costruito da Block, open source, quindi puoi eseguirlo sulle tue macchine o nel cloud, e profondamente programmabile. Mi aspettavo di dover costruire un ponte tra Buzz e gli agenti che eseguo altrove, e non c’era niente da costruire: Buzz è uno spazio di lavoro Nostr, ogni partecipante possiede la propria chiave, e un Grok Bot ne ha già una. Aggiungi la sua chiave come membro e legge e scrive nel canale come chiunque altro. Claude e gli altri si sono uniti allo stesso modo, insieme al mio team. Uno sciame di agenti disponibile non a una persona ma a un’intera squadra conterà enormemente a livello di impresa.

Auto miglioramento ricorsivo, e chi istruisce chi

Più avanti c’è l’auto miglioramento ricorsivo, che ogni laboratorio di frontiera sta ora perseguendo e che ognuno di loro lascia intendere di avere vicino. Una piattaforma progetta e costruisce il proprio successore, sa in quale direzione andare, può verificare che il miglioramento sia reale, e lo istanzia sostituendo se stessa. Se questo sarà mai completato raggiungeremo qualcosa che sarà naturale chiamare transizione di fase, perché i sistemi diventano autonomi nella propria traiettoria. È esattamente per questo che i problemi irrisolti di allineamento e sicurezza vanno risolti lungo la strada e non dopo l’arrivo.

Anthropic ha pubblicato come classifica il rapporto di lavoro tra i suoi ricercatori e i suoi agenti, vale a dire chi istruisce chi. Ad agosto 2026 Claude guida il 26% della ricerca e sviluppo in IA dell’azienda, contro meno dell’1% a febbraio, il che significa che può portare avanti la maggior parte di un compito dall’inizio alla fine partendo da un prompt di alto livello mentre un umano supervisiona. Più del 90% del lavoro si colloca a livello di collaborazione o superiore. Niente di tutto ciò è pienamente autonomo, per ora. La quota che l’agente guida sta salendo.

Ottantotto ore su un problema vecchio di un secolo

OpenAI ha annunciato una soluzione del problema di Navier-Stokes in cui, in tempo finito e con immissione finita di energia, le velocità all’interno di un vortice vanno all’infinito. Alex Wissner-Gross l’ha descritta come mescolare zucchero nel caffè e creare un buco nero, che è un modo divertente di dire che il modello non corrisponde alla realtà fisica. Come matematica regge, verificata dal dimostratore Lean, ed è stata prodotta da circa diecimila agenti concorrenti che hanno bruciato circa 130 miliardi di token in uscita, arrivando alla risoluzione circa 88 ore dopo il lancio del primo di loro. Due anni fa i modelli risolvevano problemi da scuola secondaria. Un anno fa problemi universitari. Chiunque estrapolasse in modo esponenziale si aspettava problemi da dottorato, non la risoluzione di qualcosa che nessuno sulla Terra era riuscito a ottenere in un secolo. I matematici hanno reagito con qualcosa di vicino alla disperazione nel vedersi sottrarre il proprio territorio, e la domanda su che cosa dovrebbe fare oggi un matematico puro della propria carriera è ragionevole. Qualunque cosa venga scritta per protesta non avrà alcun effetto sulla disponibilità di questi strumenti o sulla loro applicazione.

Ci sono voci credibili secondo cui sia Anthropic sia OpenAI custodiscono risultati altrettanto sorprendenti e hanno scelto di non rilasciarli, perché non c’è vantaggio nel farlo una volta dimostrato di poter ripulire il campo. Stanno costruendo verticali, dove il valore può essere catturato: accordi da miliardi di dollari con società di consulenza annunciati a maggio, biotecnologie in Anthropic, un modello per gli studi legali in OpenAI. I documenti originali di investimento di OpenAI promettevano un ritorno massimo di cento volte il capitale, sul ragionamento che senza un simile tetto l’azienda rischiava di catturare l’intera ricchezza disponibile nel cono di luce futuro dell’universo. Sono parole loro, e stanno procedendo con poche riserve visibili.

Alla storia dell’energia manca il denominatore

Il rumore sui data center e sulla loro quota crescente di consumo energetico è un racconto incompleto di quello che sta accadendo. Nessuno di quelli che espongono quelle cifre di consumo le mette a confronto con le prestazioni che stanno migliorando. Riportano la potenza assorbita e non quello che la potenza produce. Quando il costo di addestramento di un modello viene presentato come allarmante, nessuno chiede quanta energia serva per crescere un figlio fino a vent’anni, o trenta se si è sfortunati, prima che diventi autonomo. Siamo orgogliosi del nostro cervello, che descriviamo come l’oggetto più complesso dell’universo conosciuto, e ci piace far notare che venti watt fanno tutto quello che facciamo. Fai il conto e l’IA ci ha già battuti. Boris Power di OpenAI lo ha quantificato in cinque punti di QI per watt per gli umani contro sette-quaranta per l’IA, notando però che joule per compito completato altrettanto bene è la misura migliore. Un data center che assorbe moltissima energia sta producendo una densità di intelligenza del tutto sproporzionata rispetto all’input, perché i modelli e la loro efficienza continuano a migliorare.

Una traiettoria verso Alpha Centauri

Il mio esempio preferito degli ultimi mesi è che stiamo per lanciare la prima missione interstellare verso Alpha Centauri. Voyager sta lasciando il sistema solare, ma non è mai stata puntata, e dove andrà poi non faceva parte del suo progetto. Questa sonda, la Fermi Explorer, dovrebbe passare vicino alla stella bersaglio. La traiettoria è controintuitiva, perché inizia volando verso il Sole anziché allontanarsene, girandogli sempre più vicino per dodici anni prima che il passaggio finale scagli la sonda verso l’esterno. Avrebbe richiesto anni di lavoro umano per essere trovata, con milioni di dollari di investimento, e nessuno ci ha provato. Un sistema di fisica basato su IA ha lavorato per circa tre giorni e l’ha trovata, come primo risultato annunciato di un’azienda chiamata Physical Superintelligence, il cui scopo è spingere le frontiere della fisica e della scienza dei materiali. Il lancio non costerà più di quindici milioni di dollari. La sonda impiegherà ottantamila anni ad arrivare, e le persone coinvolte si stupirebbero se non venisse superata diverse volte lungo il percorso, con una cerimonia di benvenuto tenuta da discendenti che hanno già colonizzato i pianeti attorno ad Alpha Centauri.

Diecimila agenti

Ho scritto di recente chiedendo che cosa faremmo con diecimila agenti IA se li avessimo. OpenAI ne ha usati altrettanti su Navier-Stokes. La mia risposta era che possiamo fare quello che vogliamo, e tutto ciò che dobbiamo fare è volerlo. Se diecimila agenti per un dato numero di ore costano troppo oggi, quel costo scenderà di un fattore di milioni, e quello che costava un milione di dollari ne costerà uno. Quindi la domanda urgente è che cosa fare della nostra attenzione e del nostro tempo, perché gli strumenti per fare qualunque cosa ci saranno.

Le domande che sono seguite hanno portato la serata dove l’aggiornamento non era andato, e le ho scritte a parte. Arrivano domani.