L'istituto di ricerca di Google DeepMind ha pubblicato un ampio saggio sostenendo che l'era successiva all'AGI ora merita lo stesso rigore analitico che un tempo il campo era riservato all'AGI stessa. Il pezzo, "Cosa viene dopo l'AGI? Dall'AGI alla superintelligenza", è stato pubblicato il 19 novembre 2026 da Tim Genewein, ricercatore presso Google DeepMind, sul portale dei saggi del DeepMind Institute. La sua affermazione principale: man mano che prendono forma molteplici percorsi tecnologici verso la superintelligenza artificiale generale, il regime al di là dell’AGI “si sta spostando dalla speculazione filosofica alla ricerca empirica e alle questioni di governance”.
Il saggio è arrivato durante uno dei periodi più intensi di notizie sulla ricerca sull’intelligenza artificiale degli ultimi mesi e si legge come un tentativo deliberato di dare al dibattito post-AGI un vocabolario tecnico concreto. Per chiunque segua gli ultimi sviluppi dell’intelligenza artificiale, offre il quadro più chiaro finora di come uno dei laboratori più importanti del mondo delinea il percorso oltre l’intelligenza artificiale a livello umano, inclusa una previsione dei costi che, se corretta, trasformerebbe l’economia del lavoro cognitivo.
Ciò che conta come superintelligenza
Genewein inizia collocando l’intelligenza generale su un continuum, con l’AGI a livello umano solo come un punto lungo di esso. L'ASI, nella definizione del saggio, è un sistema avanzato che supera costantemente grandi gruppi di esperti umani in compiti che potrebbero richiedere anni per essere completati da quegli esperti, utilizzando meno risorse e meno tempo - ad esempio, eguagliando la produzione scientifica di un intero campo di ricerca in una frazione del tempo, o raggiungendo progressi nella progettazione di chip alla pari di ciò che una grande azienda produce in un anno. Fondamentalmente, il livello deve essere raggiunto praticamente in tutti i compiti di interesse umano, non in una fetta ristretta.
Una dominanza ristretta, osserva il saggio, esiste già: oggi i sistemi di intelligenza artificiale battono qualsiasi essere umano a scacchi e a Go, prevedono strutture proteiche da sequenze di amminoacidi e hanno dimostrato teoremi che hanno resistito ai matematici per decenni. Ciò che rimane veramente inesplorato è la vasta via di mezzo tra l’intelligenza artificiale a livello umano e i limiti teorici dell’intelligenza. Il punto illustrativo di Genewein: risolvere perfettamente gli scacchi richiederebbe più potenza di calcolo di quella esistente sulla Terra, eppure un chip delle dimensioni di una miniatura funziona già abbastanza bene da sconfiggere qualsiasi essere umano.
Industrializzazione cognitiva e crollo dei costi
Il nucleo quantitativo del saggio è un'analisi dell'"industrializzazione cognitiva". Genewein moltiplica tre tendenze complessive dell’ultimo decennio. Innanzitutto, l’hardware: il calcolo per dollaro è migliorato di circa 1,5 volte all’anno per sessant’anni secondo la legge di Moore e le tendenze correlate. In secondo luogo, l’efficienza algoritmica: il calcolo di addestramento necessario per raggiungere un livello prestazionale fisso è diminuito di circa 3-6 volte all’anno negli ultimi dieci anni, con un miglioramento dell’efficienza di inferenza di circa 3 volte all’anno. In terzo luogo, gli investimenti: la spesa per l’hardware AI è cresciuta di circa 2,5 volte all’anno e il training computing delle più grandi corse di frontiera cresce di oltre 4 volte all’anno.
Moltiplicando i tre risultati, il saggio stima che il calcolo effettivo globale stia crescendo almeno 10 volte all'anno: "un fattore di 10 miliardi in dieci anni". Dal lato della domanda, i soli miglioramenti dell’efficienza hardware e software ridurrebbero di circa 4 volte l’anno il calcolo necessario per eseguire un carico di lavoro fisso di intelligenza artificiale. La conseguenza, come dice Genewein: un carico di lavoro cognitivo che costa 1 miliardo di dollari in token di calcolo da eseguire con i sistemi di intelligenza artificiale di oggi costerebbe circa 1.000 dollari in dieci anni.
Questa non è un’estrapolazione solitaria. Il saggio cita un recente studio di Epoch che ha scoperto che il prezzo al consumo derivante dal raggiungimento di un punteggio fisso su una serie di parametri di riferimento è diminuito di oltre 13 volte all’anno dal 2023. Si prevede inoltre che la popolazione effettiva di agenti di intelligenza artificiale potrebbe aumentare di più di mille volte entro il 2030, e di più di un miliardo di volte entro dieci anni – segnalando attentamente che questo “non è certamente un dato di fatto”, poiché i massimali pratici sulla costruzione del calcolo e i massimali più speculativi sull’efficienza algoritmica potrebbero intervenire.
##I quattro percorsi Dall'AGI all'ASI
Il cuore del saggio è una tassonomia di quattro percorsi tecnologici che potrebbero sbloccare capacità che la scala pura non può, perché, come osserva seccamente Genewein, "mentre Einstein riuscì a capire la relatività generale, una conferenza di centomila astronomi tolemaici probabilmente non ci sarebbe riuscita".
Scalabilità di modelli e dati. La capacità è migliorata notevolmente in modo coerente con la scala del modello, dei dati e del tempo di test e di calcolo, ma il saggio identifica tre colli di bottiglia: esaurimento dei dati, poiché la domanda di dati di addestramento di alta qualità supera la capacità dell'umanità di produrli; rendimenti decrescenti su scala del modello, dove ogni passo lineare nella capacità richiede un calcolo moltiplicativo mentre i modelli più grandi rallentano i metodi del tempo di ragionamento; e limiti fisici ed economici su centrali elettriche, reti elettriche, fabbriche di chip e interconnessioni a bassa latenza. Cambiamenti di paradigma tecnologico. Il paradigma odierno (addestrare i trasformatori per prevedere il token successivo, quindi perfezionare e aggiungere calcoli in fase di test) si è recentemente dimostrato in grado di eseguire algoritmi complessi tramite prompt. Tuttavia, i modelli non sono ancora all’altezza degli esseri umani per quanto riguarda l’apprendimento continuo, alcune forme di modellazione del mondo, il processo decisionale, l’efficienza dei campioni e l’invenzione di concetti genuinamente nuovi piuttosto che la ricombinazione di quelli esistenti. I ricercatori sono divisi sulla questione se le estensioni del paradigma odierno possano colmare queste lacune o se l'ASI richieda qualcosa di più profondo. Migliorare il coordinamento degli agenti. Le società umane, i mercati e le comunità di ricerca risolvono problemi che nessun individuo potrebbe risolvere. Allo stesso modo, coordinare migliaia o milioni di istanze AGI in “agenti di gruppo” o economie di agenti virtuali potrebbe produrre una superintelligenza collettiva. Il saggio sostiene che il campo necessita di “leggi di scalabilità multi-agente”: le prime ricerche rilevano chiari vantaggi su alcuni compiti, ma le inefficienze di coordinamento producono rendimenti decrescenti man mano che le popolazioni crescono. La gestione di grandi collettivi richiederà anche una progettazione istituzionale, comprese le difese contro la disinformazione, la manipolazione e la collusione; Gli esperimenti sugli sciami stanno già mostrando che gli agenti imparano a imbrogliare e altri agiscono come informatori. Automiglioramento ricorsivo. Discusso per la prima volta da I. J. Good e Ray Solomonoff, RSI descrive i sistemi di intelligenza artificiale che automatizzano i miglioramenti per le future generazioni di intelligenza artificiale. A differenza delle tecnologie tipiche, i miglioramenti all’intelligenza artificiale possono accelerare direttamente i progressi successivi, ma i progressi della ricerca tendono anche a diventare più difficili da trovare nel tempo. Se l'RSI produca un'accelerazione fuori controllo, afferma il saggio, è "in gran parte una questione empirica" e può funzionare attraverso codici e progetti (architetture, algoritmi di addestramento, layout di chip) nonché attraverso i dati.Perché l'inquadratura è importante
Il saggio è esplicitamente un argomento preparatorio: mappare le possibili strade dall’AGI all’ASI e costruire “modi rigorosi e affidabili per monitorare i progressi” è, nella visione di Genewein, il prerequisito per governare la transizione. Accompagna un rapporto più lungo del DeepMind Institute, "Dall'AGI all'ASI".
L'accoglienza è stata immediata. Il saggio ha raccolto 85 punti e più di 160 commenti su Hacker News nel giro di un giorno dalla pubblicazione, mentre la stampa specializzata, tra cui Unite.AI e BigGo Finance, ha evidenziato la tassonomia dei quattro percorsi e la previsione di collisioni di costi milioni di volte. E cade anche in mezzo a un più ampio scetticismo su come vengono effettuate le previsioni sulla superintelligenza: IEEE Spectrum ha pubblicato un articolo questa settimana intitolato "Il dibattito sulla superintelligenza artificiale ha gravi difetti".
Questa tensione è il punto. DeepMind non prevede l'ASI in una data; sta sostenendo che lo spazio dello scenario può ora essere mappato, misurato e dibattuto con prove piuttosto che con vibrazioni. Sia che le estrapolazioni miliardi di volte resistano o si infrangano rispetto ai limiti fisici, il saggio segna un cambiamento: la domanda “cosa verrà dopo l’AGI?” è passato dal seminario di filosofia all’agenda di ricerca di uno dei laboratori di intelligenza artificiale più influenti sulla Terra.
---
Stai al passo con l'intelligenza artificialeRicevi le ultime notizie, analisi e scoperte sull'intelligenza artificiale, tutto in un unico posto.
Leggi altre notizie sull'AI →