Generale
Quando l’accelerazione accelera
La presentazione
Il 18 novembre ho presentato ad Axelera un aggiornamento sulle tecnologie esponenziali, che copre i tre mesi da metà agosto a metà novembre 2026. La presentazione l’ha preparata Astra 6.2, che OpenAI aveva rilasciato il giorno prima, su miei input. Il risultato è dignitoso, solo che è troppo accomodante: tergiversa e cerca di tenere i piedi in tutte le scarpe che riesce a trovare, e non so quanti piedi abbia.
Astra separa con cura ciò che le fonti riportano, ciò che è interpretazione e ciò che è scenario soggettivo. Io invece alcune cose le ho volute dire in modo provocatorio, quasi cospirazionista, perché credo sia arrivato il momento in cui è meglio sbagliare per eccesso di paranoia che per eccesso di buon senso. Per questo il testo è in due parti. Questa racconta che cosa è cambiato, tenendo distinti i fatti come li riportano le fonti e la mia lettura. La seconda raccoglie le letture più inquiete, in ordine di allarme crescente.
Spazio ed energia
L’esplorazione spaziale si intreccia sempre di più con lo sviluppo dell’AI. Il volo 15 di Starship è partito il 13 novembre, e il 14 novembre SpaceX ha completato la cattura dello stadio superiore dopo un volo orbitale, una cosa che nessuno al mondo aveva mai fatto. Il booster, questa volta, ha interrotto la propria cattura. Il prossimo test è il riutilizzo rapido ed economico: quanto lavoro richiede la rimessa in efficienza, quanto tempo passa prima del volo successivo, quanto costa.
La mia lettura: con questo SpaceX è sulla buona strada per dimostrare il riutilizzo rapido e completo del sistema Starship. A quel punto il costo di un lancio diventa quello del propellente, oggi circa un milione di dollari, e SpaceX prevede di portarlo a mezzo milione. Restano gli investimenti in ricerca e infrastruttura, naturalmente, ma in termini nudi portare 200 tonnellate in orbita costerà tra un milione e mezzo milione di dollari. Duecentomila chili per un milione di dollari fanno 5 dollari al chilo. È un cambiamento epocale, e credo che il 14 novembre 2026 sarà ricordato come la data di fondazione delle nostre civiltà spaziali.
Intanto i negoziati per la fusione tra SpaceX e Tesla sono abbastanza avanzati, e potrebbero arrivare al voto degli azionisti delle due aziende già entro l’anno. La fusione conviene a entrambe. Mi sorprende che abbiano apparentemente superato il conflitto incrociato tra le forniture militari di SpaceX e la fabbrica cinese di Tesla. Non so come ci siano riusciti né che cosa significherà, ma al momento questo non sembra impedire la fusione. Le sinergie saranno enormi: la produzione dei robot umanoidi Optimus e molte altre iniziative possono avere un effetto catalitico.
Negli Stati Uniti l’accumulo stazionario di energia ha superato i 200 GWh di capacità cumulativa, secondo SEIA. Nei primi nove mesi del 2026 sono stati installati 48,3 GWh, il 20% in più dello stesso periodo del 2025. Nel terzo trimestre le installazioni sono state 14,3 GWh, in linea con il trimestre precedente.
Biologia e laboratori robotizzati
L’AI sta entrando direttamente in biologia, e lo fa in un modo che garantisce la scarsità di GPU e di memorie a noi poveri mortali. Sia OpenAI sia Anthropic hanno stretto alleanze o avviato iniziative proprie per applicare l’AI alla biologia. Anthropic in particolare ha dichiarato che si occuperà delle malattie rare, quelle che le aziende farmaceutiche ignorano perché con i modelli tradizionali non producono ricavi sufficienti.
Il passaggio più importante, secondo me, è il trasferimento delle scoperte dell’AI nel mondo fisico, perché è lì che stanno i tempi della sperimentazione. I laboratori al buio, completamente robotizzati, oggi sono una realtà. I robot fanno il lavoro che prima richiedeva schiere di dottorandi e di postdoc: costruirli costa, farli funzionare costa una frazione, e i risultati arrivano molto più in fretta. I grandi laboratori di AI vanno in questa direzione, e le aziende nate per portare queste tecnologie nella salute raccolgono capitali nell’ordine dei miliardi di dollari. Attraverso la sperimentazione nei laboratori robotizzati, l’AI arriva alla nostra salute.
Il 10 novembre Beam ha riportato risultati intermedi positivi dello studio BEACON, che usa il base editing, una tecnica che modifica una singola base del DNA, contro l’anemia falciforme. Con i dati al 20 ottobre, i pazienti trattati sono 49, e 31 di loro hanno completato il follow-up richiesto per l’endpoint primario: almeno dodici mesi consecutivi senza crisi vaso-occlusive gravi, nell’analisi intermedia prevista dal protocollo. La terapia è ancora sperimentale e attende l’approvazione.
World model e guida autonoma
I world model, i modelli che generano mondi simulati interattivi, stanno portando l’AI negli ambienti fisici. Genie 4 è in anteprima per un gruppo ristretto di tester. Il 21 ottobre Nvidia ha aggiunto a Cosmos nuovi strumenti per l’AI fisica. Waymo ha allargato il servizio a nuove città e, dal 21 ottobre, all’aeroporto di Las Vegas per i clienti già registrati.
Ho cominciato a usare i world model e mi diverto parecchio. Qualche mese fa ho pubblicato un video sui miei agenti in cui usavo la metafora della città per rappresentare le loro relazioni e i fiumi di dati che scorrono dall’uno all’altro. Adesso ho usato il world model Atlas di World Labs per dare a ogni agente una stanza. Una delle stanze è lo studio dove siede R. David Orban, il mio gemello digitale.
Ho sempre sostenuto che rappresentare digitalmente il mondo fisico è bello e utile, ma che rappresentare qualcosa di alternativo è molto più interessante. L’esempio che faccio spesso è imparare a fare il giocoliere. Se puoi impostare la gravità lunare, le palle scendono lentamente: senza capirci granché sposti la mano, afferri e lanci. Poi alzi la gravità a poco a poco, e quando raggiungi quella terrestre togli il visore 3D e sai fare il giocoliere, dopo aver imparato più facilmente e più in fretta. Vedremo se le applicazioni dei world model serviranno soprattutto al mondo fisico, o se prevarranno quelle per mondi alternativi.
In Texas è partito il servizio di robotaxi completamente autonomi, senza volante, specchietti né pedali, i Cybercab di Tesla. È un nuovo modello di trasporto, e cambierà le città come le ha cambiate un secolo fa la diffusione dell’automobile. In Europa per ora la sua guida autonoma è autorizzata solo in forma supervisionata, senza robotaxi sulle strade. Eppure Tesla si sente abbastanza incoraggiata da annunciare un investimento di 3 miliardi di euro nella sua fabbrica tedesca, dove prevede di produrre fino a un milione di Cybercab all’anno a partire dal 2029. Un robotaxi viene usato molto più di un’auto privata, per cui un milione di robotaxi vale almeno cinque milioni di automobili tradizionali.
Calcolo e quantum
Il calcolo per l’AI si allarga oltre un solo fornitore. Il 30 settembre i sistemi Vera Rubin di Nvidia sono arrivati da CoreWeave, il 12 ottobre Microsoft ha messo i Maia 200 in produzione per Copilot, il 9 novembre Google ha presentato nuove configurazioni di TPU e il 12 novembre AMD ha annunciato sviluppi delle MI400. Il limite del calcolo utile, ormai, sono l’energia, il raffreddamento, la memoria e le interconnessioni.
Tra i processori mi hanno colpito le nuove TPU di Google, arrivate all’ottava generazione, che supportano il cosiddetto confidential computing. Puoi far girare un modello AI cifrato, in cui i pesi del modello e i dati in ingresso e in uscita sono accessibili solo a te, che hai la chiave privata per gestire il processo. La base matematica è complicata, e mi aspettavo che ci volesse più tempo per arrivarci. Le TPU di questa generazione sono appena state annunciate e, che io sappia, non sono ancora in produzione. Per molte applicazioni, per ragioni di regolamento o perché serve una riservatezza spinta, finora l’unica alternativa era l’AI on premise, sui propri server. Questo apre anche all’AI nel cloud, con le garanzie di riservatezza necessarie.
Il 15 ottobre Google ha riportato, con Willow, la coltivazione di stati magici con una fedeltà logica del 99,99% per lo stato T e un errore circa 40 volte più basso. Gli stati magici sono una risorsa necessaria al calcolo quantistico tollerante agli errori. È un passo concreto verso il computer quantistico tollerante agli errori.
Matematica e fisica verificabili
Negli stessi tre mesi l’AI ha prodotto conoscenza nuova che si può verificare. Il 6 ottobre OpenAI ha riportato risultati di ricerca matematica, molti dei quali hanno una formalizzazione in Lean, un linguaggio in cui un programma verifica ogni passaggio di una dimostrazione. Il 23 ottobre e il 6 novembre PSI ha esteso il metodo alla teoria quantistica, con una dimostrazione della congettura di Aaronson e Ambainis controllata in Lean. La congettura riguarda l’accelerazione che un computer quantistico può ottenere in certe interrogazioni.
Il vantaggio della matematica e della fisica teorica è che i risultati si possono verificare oggettivamente: Lean controlla ogni passaggio, e il giudizio che ne segue non è in dubbio.
Le reazioni di alcuni matematici, indignati perché l’AI osa entrare nei loro territori, mi sono sembrate ridicole. Ho già visto questa scena. Nel 2007 ero presente al lancio di D-Wave, il primo computer quantistico commerciale. L’azienda veniva accusata di truffa, perché pestava i piedi a un establishment accademico che voleva un progresso controllato da sé.
Per il quantum computing l’applicazione è immediata. Questi risultati migliorano gli algoritmi e aiutano a capire in quali direzioni i computer quantistici saranno utili e superiori, e quindi ad abbandonare le aree in cui la presunta superiorità quantistica potrebbe essere smentita da un algoritmo classico.
Agenti e lavoro: che cosa misurano i dati
METR, uno degli istituti di ricerca più seguiti su questi temi, misura la durata dei compiti che gli agenti AI completano con successo almeno metà delle volte. Questa durata è passata da pochi secondi a pochi minuti, poi a poche ore. I domini valutati comprendono software, machine learning e sicurezza informatica.
Il 5 novembre METR ha pubblicato una valutazione su un benchmark interno di capacità di Anthropic. Il ritmo recente è 1,9 volte quello precedente all’ottobre 2025, e secondo METR l’assistenza dell’AI contribuisce al cambiamento.
Il Remote Labor Index misura un’altra cosa: la quota di progetti di lavoro remoto, selezionati, che gli agenti automatizzano per intero. Al 17 novembre la classifica indica il 41,25%, con un raddoppio stimato ogni 3,3 mesi nel periodo considerato.
Il 17 novembre, a cena, un amico mi ha raccontato di aver clonato uno dei software proprietari più complessi e di maggior valore al mondo, con uno sciame di agenti che ha lavorato per undici settimane. Poi ha verificato che il risultato è funzionalmente equivalente al prodotto che il produttore vende per milioni di dollari. Non dirò quale software sia, ma la storia dà un’idea di che cosa significhi un orizzonte di settimane.
Secondo me, che si misuri la durata dei compiti o il tempo di raddoppio, stiamo misurando la stessa cosa, e siamo usciti dall’epoca dell’accelerazione costante: l’accelerazione stessa sta aumentando. Se lavori con il computer, presto le cose che fai saranno fatte dagli agenti AI in modo equivalente a come le fai tu, e spero che tu non diventi sostituibile. Ci saranno barriere, regolamenti e scelte di preferenza, e vedremo come verranno gestiti, ma ogni scelta di questo tipo si pagherà rinunciando alla superiorità economica dell’agente AI. Ci saranno nazioni, aziende e settori che sceglieranno di essere meno efficienti. E ci saranno concorrenti di nuova generazione, in ogni attività che abbia una forte componente digitale, che risponderanno: noi non vogliamo essere meno efficienti. Avranno il coltello fra i denti e useranno fino in fondo quello che l’AI può offrire.
L’ipotesi delle jolting technologies
Per me questi dati sono la dimostrazione più recente di quella che chiamo Jolting Technologies Hypothesis. In fisica il jolt è la derivata terza della posizione, cioè la variazione dell’accelerazione. L’ipotesi chiede se i tempi di raddoppio delle capacità si stiano accorciando, perché intervalli sempre più brevi indicherebbero un’accelerazione che va oltre un esponenziale stabile.
Un esponenziale ordinario ha già una derivata terza positiva, quindi il segno da cercare è un accorciamento sostenuto degli intervalli di raddoppio, su una misura di capacità coerente nel tempo.
Astra 6.2 e l’auto-miglioramento dell’AI
Il tema che lega questi dati è l’RSI, il recursive self-improvement (automiglioramento ricorsivo): il miglioramento che i sistemi di intelligenza artificiale inducono su sé stessi. Lo scenario AI 2027 lo collocava verso il 2028. Se avverrà, se lo vorremo rimandare o rallentare, sono le domande aperte. Intanto molti risultati puntano verso un RSI sempre più spinto, e i laboratori raggiungono livelli di allerta sempre più alti.
OpenAI ha valutato Astra 6.2 al livello High della propria scala per le capacità di auto-miglioramento dell’AI. È il primo modello rilasciato all’esterno a raggiungerlo. OpenAI descrive l’impatto con un paragone, nella sua valutazione: rispetto a una base del 2024, è come se ogni suo ricercatore fosse affiancato da un ingegnere di ricerca in più, altamente capace.
Allineamento e scenari di decollo
Sull’allineamento, la ricerca prova strade nuove. Lo studio del 2 novembre sulla programmazione nello spazio dei pesi modifica direttamente i pesi di reti piccole come Qwen3.5-0.8B, e una replica del 16 novembre ne contesta già il meccanismo. Siamo lontani da un metodo che garantisca l’allineamento di un modello di frontiera, e ancora di più da uno che lo garantisca attraverso generazioni successive di modelli.
Poi c’è la domanda che tutti si fanno: quando decolla? Per decollo intendo il passaggio della ricerca e sviluppo guidata dall’AI da un livello umano di frontiera a una capacità decisamente sovrumana, nel giro di settimane o di mesi. Ne ho discusso con Dot, e queste sono le sue stime soggettive della probabilità che il decollo sia già in corso: 3% alla fine del primo trimestre del 2027, 6% alla fine del secondo, 10% alla fine del terzo e 15% alla fine dell’anno.
Il meccanismo è semplice da descrivere: ogni generazione di modelli accelera la successiva, e gli esseri umani si limitano ad approvare il calcolo. Secondo Dot, la probabilità che nei due laboratori di testa lo sviluppo sia già assistito dall’AI supera il 90%, e quella che uno dei due sia già entrato in un auto-miglioramento sostenuto e in gran parte autonomo sta tra il 5% e il 15%. I segnali da guardare sono nuove generazioni di modelli valutate dall’esterno, cicli di sviluppo completi che si accorciano e un’orchestrazione affidabile degli agenti.
E se succede, come reagiscono i governi? Se entro la metà del 2027 emergono prove credibili di un auto-miglioramento ricorsivo in accelerazione, in base alla mia analisi c’è oltre il 60% di probabilità che entro la fine dell’anno almeno una grande potenza imponga limiti vincolanti, e al 25% quella di un accordo internazionale verificato sulla maggior parte dell’addestramento di frontiera. Imporre restrizioni è più facile che coordinarsi, ma senza coordinamento il rallentamento non arriva.
Come reagiranno la politica, i militari e gli stessi agenti, e che cosa conviene fare nel frattempo, lo racconto nella seconda parte.