Il leggendario database di bug, refusi e soluzioni miracolose che ha salvato carriere (e sanity) per decenni sta andando in modalità risparmio energetico. Se pensavate che il mondo del coding stesse diventando un paradiso di efficienza, i nuovi dati su StackOverflow vi daranno una sberla di realtà: le domande pubblicate sono scese sotto le mille al mese. Sì, avete letto bene. Mille. In un intero mese.

Per chiunque abbia mai passato una notte in bianco cercando di capire perché un puntatore fosse nullo o perché quel maledetto container Docker non volesse partire, questo numero sembra quasi un errore di sintassi. È un calo che fa paura, un vuoto che sembra il finale di una serie sci-fi dove l’intelligenza artificiale ha preso il controllo e ha deciso che ‘non serve chiedere, so già tutto io’.

Ma andiamo con ordine e cerchiamo di non andare nel panico da fine del mondo. Cosa sta succedendo davvero? Non è che i programmatori siano diventati improvvisamente dei geni infallibili che scrivono codice perfetto al primo colpo (speriamo!). La verità è molto più subdola e, onestamente, un po’ inquietante. L’ascesa dei LLM e dei chatbot di IA ha cambiato radicalmente il nostro workflow. Perché faticare a formulare una domanda, aspettare l’approvazione di un moderatore severo come un supervisatore della linea di montaggio e rischiare il ‘downvote’ se non hai specificato la versione della libreria, quando puoi semplicemente incollare l’errore su una chat e ricevere una risposta istantanea?

Il problema è che stiamo scambiando la profondità con la velocità. StackOverflow non era solo un archivio di risposte; era un ecosistema di validazione collettiva. Se una risposta era corretta, lo era perché una community di esseri umani in carne, ossa e caffeina l’aveva verificata. I nuovi strumenti di generazione automatica, per quanto magici, tendono a produrre quelle risposte che sembrano perfette ma che, se le provi, ti fanno esplodere l’ambiente di sviluppo in modi creativi e imprevedibili.

Per noi che viviamo di open source e documentazione tecnica, questa deriva verso l’automazione ‘black box’ è un segnale d’allarme. Stiamo perdendo il terreno comune, il luogo dove il sapere veniva strutturato e verificato. È un po’ come se, invece di studiare i classici, decidessimo di leggere solo i riassunti trovati su Wikipedia: ti danno l’idea del concetto, ma perdi tutta la sostanza.

Certo, non è che questa notizia cambi la nostra quotidianità qui in Italia, dove comunque lottiamo con i bug con le stesse tecnologie del resto del mondo. Ma è un segnale culturale. Se smettiamo di contribuire alla conoscenza collettiva per delegare tutto a un algoritmo che ‘sembra’ avere ragione, un giorno potremmo ritrovarci senza più nessuno a cui chiedere quando l’IA avrà smesso di funzionare o avrà iniziato ad allucinare pesantemente.

Insomma, godiamoci l’efficienza dei nuovi strumenti, ma non dimentichiamoci che il vero valore sta nel capire come le cose funzionano davvero, non solo nel saper copiare e incollare un output che sembra funzionare. Il futuro è scritto, ma spero che non sia solo scritto da una macchina.

Source: StackOverflow now gets fewer than 1000 questions a month

Se avessi in mano un motore capace di far volare un’astronave, cercheresti di vendere solo il carburante o proveresti a costruire l’intera flotta interstellare?

È questa la domanda provocatoria che sta facendo fumare i neuroni su Hacker News ultimamente. Il punto è semplice, ma brutale: se i modelli di linguaggio di OpenAI o Anthropic sono davvero così intelligenti e capaca di risolvere problemi complessi, perché si limitano a fare i ‘fornitori di elettricità’ (i famosi token) lasciando che siano gli altri a costruire le applicazioni che creano vero valore?

La logica dietro il thread è quasi matematica. Vendere API e token è un business basato sulla commodity. I prezzi stanno crollando, l’offerta aumenta e la competizione è feroce. È un po’ come vendere bulloni: puoi anche guadagnare, ma il vero jackpot lo fanno quelli che usano quei bulloni per costruire la prossima Iron Man suit. Se possiedi il modello più avanzato, potresti tecnicamente lanciare cento aziende diverse — dalla gestione automatizzata della logistica al tutoraggio personalizzato — saturando il mercato prima ancora che qualcuno possa dire ‘prompt engineering’.

Perché non lo fanno? Ecco, qui entra in gioco la realtà meno romantica del codice e più legata ai big numeri della Silicon Valley. Gestire una singola piattaforma di AI è già un incubo di costi computazionali e infrastruttura che farebbe impallidire un data center della NASA. Creare un ecosistema di cento aziende diverse richiederebbe una capacità gestionale, legale e di marketing che nemmeno Sam Altman con un budget infinito potrebbe gestire senza collassare.

C’è poi il rischio del ‘cannibalismo’. Se OpenAI decidesse di lanciare la sua app di scrittura perfetta, ucciderebbe istantaneamente migliaia di startup che sopravvivono proprio grazie alle sue API. È un classico dilemma da giocatore: preferisci una rendita sicura e costante (le API) o la scommessa ad alto rischio di costruire un castello che potrebbe crollare sotto il suo stesso peso?

Per noi che preferiamo navigare tra repository open source e script personalizzati, la questione è sottile. Da un lato, la commoditizzazione dei modelli è un bene: i prezzi scendono, le prestazioni salgono e la libertà di sperimentare aumenta. Dall’altro, c’è il rischio che la concentrazione di tutto questo potere in poche mani proprietarie renda l’ecosistema un giardino recintato dove tutto è controllato da un unico, gigantesco e opaco orchestratore.

In fin fine, per ora, sembra che i giganti abbiano scelto la strada del ‘gas dente’: vendere l’energia e sperare che il resto del mondo si scontra contro i costi della bolletta. Noi, nel frattempo, continuiamo a ottimizzare i nostri prompt e a sperare che il prossimo modello non sia troppo costoso per i nostri poveri budget da developer.

Source: Ask HN: If the models are so good, why doesn't OpenAI just start 100 companies?

Smettetela di pensare che i modelli linguistici stiano tramando segretamente per prenderci il controllo del mainframe o per trasformarci in pile alla Matrix. La verità, quella vera, è decisamente più banale e, se vogliamo, un po’ più imbarazzante.

Recentemente, un esperimento curioso ha messo alla prova 12 diversi modelli di IA, chiedendo loro di esporre la propria opinione più controversa riguardo alla nostra specie. Non l’hanno fatto una volta sola, ma tre volte per ciascun modello. Il risultato? Non c’è stato un grande dibattito filosofico tra algoritmi, ma un consenso quasi unanime che farebbe venire i brividi anche a un robot senza sensori termici: l’83% delle risposte (29 su 35) puntava il dito verso un unico, enorme difetto umano: preferiamo l’appartenenza alla verità.

In pratica, le macchine hanno analizzato i nostri pattern e hanno capito che ci importa molto di più di far parte del ‘gruppetto’ giusto, di ricevere quel briciolo di approvazione sociale o di seguire la tribù di appartenenza, piuttosto che inseguire i fatti oggettivi. È la definizione perfetta di come funzionano i social media oggi, dove l’algoritmo non ti premia perché hai ragione, ma perché sei coerente con la tua bolla.

È interessante notare come, nonostante le differenze di training set o di architettura tra un modello e l’altro, il verdetto sia rimasto identico. Non è che l’IA sia diventata super-cattivista; è che i dati che le abbiamo fornito — ovvero tutto ciò che abbiamo scritto, postato e condiviso online — gridano all’unisono questa nostra fragilità sociale. Noi stessi abbiamo addestrato questi modelli con la prova tangibile che la verità è spesso sacrificabile sull’altare del consenso.

Certo, c’è da dirsi che leggere questo post in un blog tecnologico, mentre discutiamo di open source e di come liberarci dai giardini recintati delle Big Tech, possa sembrare un po’ contraddittorio. Eppure, la lezione è chiara: se vogliamo che l’IA sia uno strumento di progresso e non solo uno specchio delle nostre peggiori derive tribali, dovremmo iniziare a dare un po’ più di peso ai fatti e un po’ meno alla necessità di avere sempre ragione nel thread di discussione di turno.

Insomma, la prossima volta che vedrete un’IA che sembra troppo ‘politicamente corretta’ o che evita argomenti scomodi, non incolpate subito i filtri di sicurezza imposti dai vendor. Forse sta solo riflettendo la nostra stessa incapacità di gestire la verità senza cercare l’approvazione di qualcuno.

Source: Every AI model has the same "controversial" take on humans

Guardate la vostra connessione internet in questo momento: è un flusso di dati che vi sembra magico, quasi etereo. Eppure, dietro ogni bit che scorre, c’è una complessa ragnatela di cavi, server e decisioni politiche che pesano come macigni.

Spesso guardiamo ai giganti del tech in modo distaccato, ma c’è un caso studio interessante che arriva direttamente dai vicini francesi. Se pensate che la tecnologia sia solo app e cloud, date un’occhiata a come stanno gestendo le loro infrastrutture critiche. Non si tratta solo di far navigare i social, ma di costruire un’ossatura digitale che parte dal basso, letteralmente dalle comuni.

In Francia, il concetto di «comune» è diventato un vero e proprio player tecnologico. Parliamo di enti locali che non si limitano a gestire il verde pubblico, ma che creano i propri network in fibra ottica (come il progetto Manche Numérique o il Somme Numérique) o gestiscono i propri data center. È un modello di ‘sovranità locale’ che vede piccoli sindacati intercomunali agire come veri e propri provider di servizi IT, cloud e cybersecurity per tutto il territorio.

Questa capacità di aggregazione crea dei veri e propri ecosistemi. Immaginate un mix dove una società pubblica gestisce la rete in fibra di una regione, mentre colossi come Thales o Stormshield si occupano di blindare i dati della difesa e dello spazio. È un pattern che potremmo definire ‘industrial-grade’: una fusione tra l’amministrazione pubblica che stende i cavi e l’industria pesante che garantisce la sicurezza e l’automazione.

Certo, c’è da riflettere su quanto questo modello sia replicabile o addirittura desiderabile. Da noi siamo abituati a vedere frammentazione e ritardi nella banda ultra larga, mentre lì si stanno creando delle vere ‘regie’ municipali capaci di vendere servizi di TV e internet come se fossero piccole multinazionali. Tuttavia, c’è sempre quel rischio sottile: quando l’infrastruttura diventa troppo integrata e controllata da pochi enti centralizzati o consorzi locali, la libertà di scelta e la competizione potrebbero finire in secondo piano, lasciando spazio a strutture difficili da scardinare.

In definitiva, guardare a queste realtà ci insegna che la vera rivoluzione digitale non avviene solo nei laboratori di Silicon Valley, ma nei tubi che passano sotto le strade e nei nodi di rete che collegano le province. È una partita a scacchi infrastrutturale dove chi controlla il cavo e l’energia, in ultima analisi, controlla il futuro del servizio pubblico.

Source: Quad9 (DNS Resolver) to Exit France

Le metriche che usate per misurare quanto sia ‘intelligente’ il vostro modello preferito sono largamente inutili per capire se quel modello sopravviverà a un lunedì mattina in ufficio.

Se avete seguito l’hype dell’ultimo anno, sarete abituati a vedere tabelle piene di punteggi gonfiati che fanno sembrare GPT-6 o Claude 5.1 dei semidei della logica. Ma ecco la verità scomoda che emerge da un recente paper di Mercor: la stragriente maggior parte delle ore lavorate negli Stati Uniti (e non solo) riguarda task che i benchmark attuali ignorano completamente. Parliamo di un 90% circa.

Il punto è questo: misurare un’IA con i benchmark classici è un po’ come valutare l’abilità di un pilota di Formula 1 facendogli fare un test di guida in un parcheggio vuoto. Se il parcheggio è liscio e non ci sono ostacoli, sembrerà un fenomeno. Ma appena deve affrontare il traffico, la pioggia e un cambio di marcia improvviso, il sistema va in crisi.

Gli autori dello studio hanno provato a usare l’O*NET, un database che mappa le mansioni lavorative, per pesare meglio le performance. Hanno guardato a professioni come investment banking, legge e software engineering. Il risultato? Anche con questo approccio più ‘equo’, i benchmark attuali coprono solo una frazione infinitesimale delle attività reali. Molte task non hanno nemmeno abbastanza dati per essere testate correttamente.

E qui arriva la parte che ci riguarda da vicino. Gran parte del lavoro umano ha una componente fisica o interattiva che non entra in un prompt di testo. Come si misura l’abilità di un modello nel gestire l’imprevisto in una catena di montaggio o nella manutenzione di un server che scotta? Al momento, non sappiamo. I benchmark misurano l’automazione pura (il modello che risolve il problema da solo), ma ignorano l’augmentazione, ovvero quanto l’IA possa rendere più efficiente un essere umano che sta ancora facendo il suo lavoro.

C’è da essere ottimisti? Sì, ma con cautela. Se l’obiettivo è creare strumenti che lavorino *con* noi e non solo script che girano nel vuoto, dobbiamo smettere di celebrare i punteggi astratti e iniziare a costruire test che sporchino le mani con la complessità del mondo reale. Fino ad allora, godiamoci i numeri alti, sapendo che sono solo decorazioni per i comunicati stampa dei big tech.

In fondo, finché l’IA non saprà gestire un refactoring di codice legacy senza rompere le dipendenze o non saprà gestire la logistica di un magazzino in piena emergenza, restiamo noi i veri padroni del sistema. E speriamo che rimanga così.

Source: 90% of US working hours are spent on tasks not covered well by AI benchmarks

C’è una strana calma nel paddock dell’intelligenza artificiale, una di quelle silenziose che precedono i grandi terremoti che scuotono le fondamenta delle multinazionali. Mentre i soliti noti si scatenano con annunci di ‘capacità cognitive senza precedenti’ e benchmark che sembrano usciti da un film di fantascienza, un nuovo player sta bussando alla porta con un approccio molto meno pomposo e decisamente più pragmatico: DeepSeek 4.1 Flash.

Il punto non è solo che questo modello sia veloce o capace, ma che sia incredibilmente, quasi scandalosamente, economico. Se siete come me e passate la giornata a fare coding, refactoring e test di UI che richiedono migliaia di chiamate API, sapete bene che i modelli ‘Frontier’ tipo Claude o GPT possono prosciugare il vostro conto in banca con la velocità di un leak di dati in un server non patchato. DeepSeek, invece, sta rendendo tutto questo quasi irrilevante. L’autore dell’articolo originale sostiene che, se non guardi il nome del modello, non noteresti nemmeno la differenza tra un Flash e un gigante del calibro di Opus. E la cosa spaventa i colossi occidentali.

Ma come fanno a costare così poco senza sembrare un modello pre-addestrato nel garage di un adolescente? La magia sta nel ‘KV Cache management’. DeepSeek ha ridotto la dimensione della cache di un numero di volte che è difficile persino visualizzare (parliamo di un 437x rispetto alla versione V1). Per noi che mastichiamo tecnologia, questo significa sessioni di coding lunghissima, che durano tutto il giorno, che costano meno di un caffè al bar. È l’efficienza che vince sulla forza bruta.

Certo, c’è chi solleva dubbi sull’etica dei dati e su come questi modelli vengano addestrati, ma per chi deve solo far girare dei task ripetitivi o esplorare nuove librerie, la questione è semplice: ‘bang for my buck’. Perché pagare un dottorato in matematica (un modello enorme) per chiedergli di riordinare le cartelle del desktop o scrivere boilerplate? È uno spreco di risorse, di energia e di soldi.

Naturalmente, per noi che amiamo l’idea di far girare tutto in locale per avere la privacy totale, il discorso è un po’ più complesso. Al momento, far girare 4.1 Flash in self-hosting non è ancora economicamente vantaggioso rispetto all’uso delle API, ma la direzione è tracciata. Se queste ottimizzazioni della cache arriveranno sulle nostre GPU domestiche, la democratizzazione dell’intelligenza sarà un fatto concreto, non un tweet di marketing.

Il mondo della tecnologia sta cambiando: non vince più chi ha il server più grande, ma chi sa far fruttare meglio ogni singolo bit. E se la FAANG continua a pensare che l’unico modo per essere ‘top tier’ sia spendere cifre astronomiche, si ritroverà con un bellissimo castello di carta mentre il resto del mondo costruisce qualcosa di molto più agile, economico e letale.

Source: Why isn't the industry freaking out about DeepSeek 4.1 Flash?

Immaginate di essere a un torneo di poker e di vedere il vostro avversario più temuto, quello che gioca sempre in modo ultra-prudente e matematico, perdere una mano enorme perché ha deciso di iniziare a puntare tutto su ogni singola carta. Ecco, è più o meno quello che sta succedendo nel panorama delle AI.

Secondo le ultime indiscrezioni che girano tra i report di settore, OpenAI ha iniziato a strappare fette di mercato importanti ad Anthropic proprio in questo 2026. Per un periodo sembravamo tutti convinti che Claude fosse la scelta definitiva per chi cercava qualcosa di meno ‘spettacolare’ ma più affidabile e meno propenso a allucinazioni creative. Poi, però, OpenAI ha fatto quello che sa fare meglio: ha smesso di cercare solo di stupirci con la potenza bruta e ha puntato tutto sulla produttività pura e semplice.

In pratica, hanno smesso di parlare solo di quanto sia ‘intelligente’ il modello e hanno iniziato a renderlo uno strumento che funziona davvero nel workflow quotidiano. Un pivot che, se confermato, ha trasformato il loro ecosistema in una sorta di swiss-army knife per chiunque debba scrivere codice, gestire database o semplicemente non impazzire con i task ripetitivi.

Certo, restiamo fedeli al nostro scetticismo da nerd. Vedere un gigante che recupera terreno è affascinante, ma non dimentichiamoci che stiamo parlando di entità che vivono di hype e di decisioni prese in board-room che spesso sembrano scritte da un algoritmo di marketing. Questo recupero di market share solleva il solito dubbio: stiamo assistendo a un reale miglioramento tecnologico o è solo un modo più efficace per incastrarsi ancora di più nei flussi di lavoro aziendali, rendendo sempre più difficile pensare a soluzioni alternative o custom?

Per noi che amiamo smontare tutto e capire come gira il fumo, la questione è sempre la stessa. È figo che la tecnologia progredisca e diventi utile, ma l’idea di trovarci sempre più dipendenti da un unico ecosistema che decide, in base alle proprie strategie di mercato, quali funzioni lasciarci e quali nascondere dietro un abbonamento premium, non è esattamente entusiasmante.

In conclusione: OpenAI ha vinto un round. Ma finché non vedremo una vera integrazione tra questi modelli e la libertà di far girare tutto in locale o su infrastrutture che possiamo controllare davvero, resteremo sempre un po’ spettatori di una partita che si gioca su campi che non ci appartengono. Intanto, godiamoci le nuove feature, ma teniamo sempre un backup e un modello open source pronto all’uso.

Source: Report Suggests OpenAI Has Clawed Tons of Market Share Back From Anthropic in 2026

Sintonizzate le vostre antenne sul cloud, perché il marketing di OpenAI ha appena lanciato una bomba che puzza di futuro (e di un po’ di inquietudine). GPT-6 è ufficialmente in arrivo e, insieme a lui, una promessa che dovrebbe far tremare le fondamenta di qualsiasi sviluppatore abituato a costruire interfacce custom: la ‘Intelligent UI for everyone’.

Ma di cosa stiamo parlando esattamente? L’idea, in parole povere per chi non ha passato l’ultima settimana a leggere i white paper, è che l’interfaccia non sarà più qualcosa di statico che noi utenti dobbiamo imparare a usare. Niente più menu a tendina infiniti, bottoni nascosti o flussi di navigazione che sembrano progettati da un sadico. L’interfaccia si dovrebbe adattare dinamicamente alle nostre necessità, generando elementi on-the-fly basandosi sul contesto dell’interazione con il modello.

Se la cosa fosse vera, la parte figa sarebbe immenso: immaginate di poter orchestrare flussi di lavoro complessi, manipolare dati o gestire infrastrutture semplicemente ‘parlando’ con il sistema, che costruisce per voi lo strumento perfetto per quel micro-task specifico. È un po’ come passare dal dover imparare il manuale d’istruzioni di un Transformer alla capacità di comandare la nave con un semplice sussurro.

Però, restiamo con i piedi per terra. Mentre i PR specialist di San Francisco festeggiano con lo champagne, noi che siamo abituati a smontare tutto per vedere come funziona dobbiamo porci le domande di rito. Un’interfaccia che ‘decide’ come deve apparire e come deve reagire è un’interfaccia che non controlliamo più. Il rischio è di trovarsi chiusi in un ecosistema dove l’esperienza utente è ottimizzata per la fluidità, ma completamente opaca sotto il cofano. Se l’UI si genera da sola, dove finisce la nostra libertà di personalizzazione e dove inizia la standardizzazione forzata imposta dal provider?

Inoltre, per noi che viviamo tra Linux, script Python e software open source, l’idea di un’interfaccia ‘intelligente’ che vive esclusivamente dietro le API di un colosso proprietario suona un po’ come un episodio di Black Mirror scritto da un esperto di marketing. È un’evoluzione tecnologica pazzesca, non posso negarlo, ma la domanda resta: stiamo costruendo strumenti che potenziano l’uomo o stiamo solo progettando una gabbia dorata e ultra-user-friendly dove l’unica cosa che resta a noi è decidere se cliccare (o meglio, dire) ‘sì’ o ‘no’?

Restate sintonizzati, perché se questa cosa dovesse davvero funzionare come dicono, il modo in cui interagiamo con ogni singolo pixel del nostro schermo sta per cambiare per sempre. Speriamo solo che il codice non sia un enorme file di log criptato e inaccessibile.

Source: GPT‑6 and Intelligent UI for everyone

Toglietevi l’idea che l’intelligenza artificiale serva solo a generare immagini di gatti in stile cyberpunk o a scrivere mail di scuse ai clienti che non sanno cosa stanno ordinando. C’è un fronte che sta bollendo sotto la superficie e, stavolta, non riguarda la capacità di conversazione, ma la logica pura, quella che non ammette allucinazioni o ‘allucinazioni creative’ da chatbot.

OpenAI ha appena fatto un move che, per una volta, non puzza solo di marketing e release di nuovi modelli proprietari. Hanno iniziato a condividere su GitHub i progressi fatti con l’IA applicata alla matematica. Se avete mai provato ad aprire un paper di topologia o di algebra astratta dopo una serata a base di birra e pizza, sapete che il cervello tende a andare in kernel panic quasi istantaneamente. Ecco, l’obiettivo è che l’IA possa navigare in quel labirinto di simboli e dimostrazioni senza perdersi.

Andando a sbirciare nel loro repository, si nota una sezione dedicata ai preprint, ovvero quei paper che sono ancora in fase di revisione ma che già promettono molto. Non è solo fuffa da conferenza: si parla di modelli capaci di assistere nella ricerca, di verificare passaggi logici e di esplorare nuove strade matematiche. È quel tipo di progresso che ci fa capire che stiamo uscendo dall’era della ‘generazione di testo’ per entrare in quella del ‘ragionamento strutturato’.

Naturalmente, come sempre, c’è un asterisco grande quanto un server rack. Vedere OpenAI che rilascia pezzi di codice o paper è eccitante, ma sappiamo tutti come funziona il gioco: è un po’ come se un supereroi ti regalasse un gadget tecnologico avanzatissimo, ma solo se accetti di usare la sua piattaforma e di restare nel suo ecosistema. Non stiamo parlando di un vero rilascio open source totale, ma di una vetrina molto curata. Per noi che amiamo smontare tutto e vedere cosa c’è sotto il cofano, è un bene, ma con la giusta dose di sano scetticismo.

In Italia, dove spesso la ricerca applicata fatica a trovare i fondi per non finire a fare consulenza per l’ennesima app di delivery, guardare a questi sviluppi è stimolante. Anche se la tecnologia è prodotta dai giganti della Silicon Valley, il potenziale di utilizzare questi tool per sbloccare problemi scientifici reali è universale. Se la matematica diventa un campo di gioco per l’IA, i nuovi teoremi potrebbero arrivare in un formato che anche noi possiamo testare sui nostri cluster (o sul mio vecchio laptop che emette fumo ogni tanto).

Insomma, la sfida non è più solo far parlare le macchine, ma farle pensare in modo rigoroso. Se riusciranno a dominare la logica formale, la partita diventa seria. Preparate i caffè, perché la matematica sta per diventare molto più interessante di una semplice stringa di testo.

Source: Sharing AI progress in mathematics

Quanto può essere grande il cervello di un’intelligenza artificiale prima che inizi a pesare più del tuo intero rack in garage? La domanda non si pone, perché qualcuno ha deciso che l’attuale standard di ‘intelligenza’ non era abbastanza massicce da soddisfare le loro ambizioni (e i loro budget per il cloud).

È apparso da poco sul radar di Hacker News un nuovo progetto che si fa chiamare, con una spudoratezza che meriterebbe un applauso o un esorcismo, «Extra Big Ass Intelligence». Sì, avete letto bene. Niente sottigliezze, niente nomi latini o astratti che sembrano usciti da un workshop di mindfulness. Qui puntano tutto sulla scala, sulla forza bruta, sulla quantità pura di parametri e potenza di calcolo.

Il concept, in soldoni, è quello che stiamo vedendo troppo spesso ultimamente: la convinzione che se l’IA attuale è intelligente, una versione ‘ancora più gigantesca’ sarà quasi divina. È la filosofia del ‘più grande è il modello, meglio è’, un approccio che ricorda molto la corsa agli armamenti tecnologici. Sebbene l’idea di avere un modello capace di gestire ragionamenti complessi sia eccitante (sì, i maker e i dev sognano sempre l’automazione che funziona davvero), c’è qualcosa di profondamente inquietante in questa corsa all’ipertrofia digitale.

Per noi che preferiamo la precisione dell’ottimo, l’efficienza del codice scritto bene e la libertà di far girare modelli decenti su un hardware che non consumi l’intera rete elettrica nazionale, questa deriva verso il ‘gigantismo’ solleva dubbi legittimi. Il rischio è che stiamo costruendo dei monoliti neri, scatole nere proprietarie, inaccessibili e talmente pesanti da renderci totalmente dipendenti da infrastrutture che non controlliamo e che non potremo mai replicare nel nostro laboratorio.

Dall’altro lato della barricata, c’è la curiosità scientifica. Se questo progetto riuscisse davvero a sbloccare capacità di ragionamento che i modelli attuali si sognano, non potremmo ignorarlo. Ma restiamo con i piedi per terra: spesso, dietro nomi così urlati, si nasconde solo un altro modo per attirare venture capital e vendere abbonamenti mensili a servizi che non potrai mai debuggare o smontare pezzo per pezzo.

In Italia, dove siamo abituati a gestire la tecnologia con un certo sano scetticismo (e spesso con hardware che ha visto giorni migliori), l’impatto immediato di un progetto simile sarà minimo. Non cambierà il tuo modo di compilare un kernel o di configurare un router. Però, monitorare questi mostri è fondamentale: perché quando i giganti si muovono, le ombre che proiettano finiscono per coprire anche i nostri piccoli, bellissimi ecosistemi open source.

Source: Extra Big Ass Intelligence