I modelli di intelligenza artificiale a peso aperto stanno colmando il divario con i modelli a frontiera chiusa a un ritmo sorprendente: con ogni era successiva di modelli linguistici di grandi dimensioni, i modelli aperti impiegano la metà del tempo per raggiungere il primo modello chiuso di quell’era, secondo una nuova analisi della società di ricerca sui semiconduttori SemiAnalysis.
Lo studio, intitolato "I modelli aperti stanno recuperando terreno?" e pubblicato il 21 agosto da Evan Cloutier, Max Kan, Jordan Nanos e Dylan Patel, è uno dei tentativi più sistematici finora di quantificare una domanda che incombe sull’intero settore dell’intelligenza artificiale: se i modelli aperti rimangono capaci quasi quanto la frontiera chiusa a una frazione del costo, i laboratori di frontiera hanno un business duraturo? Per una copertura approfondita delle release dei modelli che guidano questo cambiamento, segui AI Buzz Wire.
Tre ere dell'IA di frontiera
Gli autori sostengono che la storia dei LLM si divide in tre epoche distinte: scalabilità iniziale, ragionamento e agentic, ciascuna delle quali rappresenta un aumento della funzione a gradini in ciò che i modelli possono utilmente fare.
Il loro punto metodologico fondamentale è che confrontare modelli di epoche diverse con un unico punto di riferimento è un errore. Ogni benchmark è un prodotto della sua epoca: viene creato per discernere le differenze di capacità esistenti in quel momento, poi scalato dai produttori di modelli fino a saturarsi, a quel punto l’industria smette di preoccuparsi e va avanti. Invece, il team di SemiAnalysis ha eseguito set di benchmark selezionati per i modelli di ciascuna epoca per produrre un punteggio di capacità composito.
Visto in questo modo, il divario tra apertura e chiusura si muove ciclicamente. All’inizio di ogni era, un laboratorio di frontiera completa una ricerca promettente, addestra un modello impressionante e fa un salto in avanti. Altri laboratori poi identificano i progressi chiave, li effettuano il reverse engineering e colmano il divario. "Niente rimane segreto per sempre, soprattutto quando si tiene conto della distillazione", scrivono gli autori. "È solo una questione di quanto tempo ci vuole."
La loro misurazione di questa domanda ha prodotto la scoperta principale dello studio: con ogni generazione, i modelli open source impiegano la metà del tempo per raggiungere il primo modello closed source dell'epoca.
Perché questo ciclo sembra diverso
Il rapporto è schietto riguardo alla differenza tra i momenti passati del modello aperto e quello attuale. Il "momento DeepSeek" del gennaio 2025 ha fatto notizia, ma "nessuno ha effettivamente utilizzato R1 per svolgere un lavoro economicamente valido", osservano gli autori.
Al contrario, indicano modelli come GLM 5.3 e Kimi K3 come "genuinamente capaci di molti degli stessi compiti di codifica e agenti che hanno portato Anthropic a $ 65 miliardi + ARR" - un riferimento alla traiettoria delle entrate che i carichi di lavoro di codifica e agenti hanno guidato per il produttore di Claude. Questa affermazione ha un peso particolare perché questi modelli aperti non sono solo demo-ware; vengono impiegati in produzione per le stesse attività che generano entrate reali per i laboratori chiusi.
I numeri sull’utilizzo rafforzano il cambiamento. Fireworks, un fornitore di inferenza che serve molti modelli aperti, sta ora elaborando più di 40 trilioni di token al giorno, il doppio del volume dell'API di OpenAI alla fine di marzo, secondo SemiAnalysis. È, come afferma il rapporto, "un momento entusiasmante per essere un consumatore di token", con la battaglia per i token che ora si estende ben oltre il duopolio OpenAI-Anthropic.
La questione della mercificazione
Lo studio affronta direttamente il timore – che da alcuni angoli etichetta come FUD – che modelli aperti efficienti ed economici possano mercificare completamente lo strato del modello, un risultato che sarebbe disastroso per i margini dei laboratori di frontiera.
La parte pubblica dell'analisi non fornisce una risposta completa, indirizzando i lettori al modello Tokenomics a pagamento dell'azienda per un trattamento dettagliato dei dati finanziari di OpenAI e Anthropic. Ma la direzione del viaggio è chiara: se i modelli aperti di ogni epoca arrivano nella metà del tempo rispetto a quelli dell’era precedente, la finestra entro la quale i laboratori chiusi possono addebitare prezzi maggiorati per le capacità di frontiera continuerà a restringersi.
Gli autori mettono in guardia anche dal leggere questa tendenza come una condanna a morte per la ricerca di frontiera. I benchmark, scrivono, "non raccontano la storia completa" e le conclusioni del rapporto sono descritte come "meno ribassiste" sui modelli di frontiera di quanto i lettori potrebbero inizialmente pensare, in parte perché la parità grezza dei benchmark non è la stessa cosa della parità in termini di affidabilità, integrazione del prodotto, distribuzione aziendale o capitale necessario per servire modelli su larga scala.
Perché è importante
Per gli acquirenti, i risultati confermano una strategia che molte aziende hanno già adottato: ricorrere a modelli aperti o più economici per la maggior parte del volume dei token, riservando invece modelli chiusi premium per i compiti più difficili. Per i laboratori, quantifica la pressione che devono affrontare su due fronti: modelli aperti in basso e enormi costi di elaborazione in alto.
E per l’ecosistema open source, i dati di SemiAnalysis offrono qualcosa che spesso è mancato: la prova, piuttosto che l’ideologia, che il divario si sta colmando secondo un programma prevedibile. Se lo schema dell’intervallo rimane valido anche nella prossima era dell’intelligenza artificiale di frontiera, la domanda più importante per il settore non sarà se i modelli aperti riusciranno a recuperare terreno, ma cosa rimarrà difendibile dopo che lo avranno fatto.
Traccia la gara AI a peso aperto Leggi altre notizie sull'AI →
