Jensen Huang ha pronunciato domenica una frase che, nel settore dell’intelligenza artificiale, vale molto più di una normale dichiarazione aziendale: “AGI has arrived”. Il CEO di Nvidia si riferiva ad Astra, il nuovo modello di OpenAI, presentato ufficialmente come GPT-6 Astra, e ha aggiunto un dettaglio altrettanto significativo sul piano industriale: il sistema sarebbe stato addestrato utilizzando più di 100.000 sistemi Nvidia Grace Blackwell NVLink72, mentre altri 400.000 GPU sarebbero in procinto di entrare in funzione.

La precisazione fondamentale è che questa non è, almeno per ora, una dichiarazione ufficiale di OpenAI sull’avvenuto raggiungimento dell’AGI. Huang ha fatto un passo che OpenAI stessa ha evitato di compiere formalmente, e questa differenza conta. L’AGI non possiede infatti una definizione tecnica universalmente accettata: può indicare una macchina capace di svolgere la maggior parte dei compiti cognitivi umani, oppure un sistema capace di trasferire autonomamente le proprie competenze fra domini differenti, oppure ancora qualcosa di molto più ambizioso, come una forma di intelligenza superiore all’uomo nella maggior parte delle attività intellettuali. Dichiarare “è arrivata” senza fissare prima il metro di misura è quindi più vicino a una presa di posizione strategica che a una certificazione scientifica.

Il dato più interessante, tuttavia, non è la parola AGI. È la scala computazionale necessaria per arrivare ad Astra. Più di 100.000 sistemi Nvidia utilizzati per il training raccontano una storia diversa da quella suggerita dalla retorica secondo cui l’intelligenza artificiale diventerebbe semplicemente più intelligente grazie a un algoritmo migliore. La frontiera dei modelli avanzati è ormai un problema industriale: capitale, energia, semiconduttori, networking, data center e capacità di calcolo sono diventati componenti inseparabili dalla ricerca sull’intelligenza. Nvidia non vende più semplicemente GPU; vende l’infrastruttura economica attraverso cui viene costruita la prossima generazione di capacità cognitive artificiali.

OpenAI, nel frattempo, ha fornito un dato ancora più concreto. All’interno della propria organizzazione di ricerca, gli agenti software stanno già assumendo una funzione che fino a poco tempo fa apparteneva esclusivamente ai ricercatori umani. A metà agosto, secondo i dati pubblicati dalla società, l’organizzazione utilizzava complessivamente 3,1 giornate di lavoro degli agenti per ogni giornata lavorativa umana. Il ricercatore mediano impiegava inoltre più di 600 dollari al giorno di inferenza calcolata ai prezzi API, mentre il 10% degli utilizzatori più intensivi superava i 7.000 dollari quotidiani.

Questi numeri sono probabilmente più importanti della stessa etichetta AGI. Significano che l’AI non viene più utilizzata soltanto per assistere il ricercatore nella ricerca: viene impiegata per aumentare la capacità complessiva del sistema di ricerca. Un agente scrive codice, esegue esperimenti, analizza risultati, produce nuove ipotesi e può delegare parti del lavoro ad altri agenti. Il punto di rottura economico arriva quando il costo marginale di una nuova linea di ricerca diventa prevalentemente computazionale. Un laboratorio non deve necessariamente assumere cento ricercatori in più per esplorare cento ipotesi in parallelo; può acquistare più capacità di calcolo.

È qui che la definizione di “AI intern” diventa interessante, ma anche pericolosamente seducente. Descrivere un agente come uno stagista autonomo rende immediatamente comprensibile il concetto, ma rischia di nascondere la parte più difficile. Uno stagista umano possiede motivazioni, esperienza sociale, responsabilità giuridica e una capacità di comprendere implicitamente il contesto che non può essere ridotta al numero di token elaborati. Un agente artificiale può invece operare indefinitamente, moltiplicarsi, lavorare in parallelo e utilizzare strumenti, ma la sua autonomia aumenta contemporaneamente il problema del controllo. L’automazione della ricerca non equivale automaticamente all’automazione della buona ricerca.

Astra mostra comunque un salto significativo nelle valutazioni pubblicate da OpenAI. Il modello raggiunge, secondo i test dell’azienda, il 99,9% su ARC-AGI-3, il 98% su FrontierMath Tier 4 e il 100% su ExploitBench, mentre nella valutazione di contesto MRCR v2 arriva al 100% nel test a 256K-512K token e al 96,3% nel test a 512K-1M. Sono risultati impressionanti, anche se ogni benchmark misura una porzione specifica delle capacità e nessuno, preso singolarmente o anche in combinazione, costituisce una prova definitiva dell’AGI.

Il confronto con altri modelli, quindi, è inevitabile ma va trattato con cautela. Dire che Astra abbia battuto Fable 5.1 in 17 dei 19 test può essere significativo soltanto se si conoscono esattamente metodologia, condizioni di esecuzione, versioni dei modelli, strumenti disponibili e criteri di scoring. I benchmark proprietari sono utili per misurare progressi, ma diventano rapidamente materiale promozionale quando vengono utilizzati come certificazioni universali di intelligenza. La storia dell’informatica è piena di sistemi che hanno dominato un benchmark e lasciato relativamente indifferente il mondo reale.

Poi arriva la parte più inquietante, perché proviene dall’interno di OpenAI. Jakub Pachocki, chief scientist dell’azienda, ha scritto che nessun laboratorio ha risolto il problema dell’allineamento e del monitoraggio a un livello sufficiente per continuare ancora a lungo a scalare alla massima velocità. Pachocki ha espresso l’auspicio che diventino comuni rallentamenti volontari fino alla definizione di standard di sicurezza condivisi e ha chiesto una maggiore coordinazione internazionale sullo sviluppo dei sistemi avanzati. Sam Altman ha rilanciato il messaggio definendolo “an important post”.

La contraddizione è quasi perfetta. Da una parte il CEO del principale produttore mondiale di acceleratori dichiara che l’AGI è arrivata e annuncia altre centinaia di migliaia di GPU. Dall’altra, il chief scientist dell’azienda che ha costruito il modello sostiene che nessun laboratorio sa ancora come allineare e monitorare adeguatamente sistemi sempre più potenti. È difficile immaginare una fotografia più precisa della fase attuale dell’AI: la capacità computazionale corre davanti alla capacità istituzionale di comprenderne le conseguenze.

Il problema non è soltanto se Astra sia AGI oppure no. È che la velocità di miglioramento sta modificando il rapporto fra chi costruisce i sistemi e chi deve controllarne gli effetti. Se gli agenti possono già produrre più lavoro computazionale di quello svolto dagli esseri umani nei laboratori che li sviluppano, il ciclo di innovazione può diventare parzialmente autoreferenziale. Più AI produce ricerca, più rapidamente il laboratorio può costruire nuova AI; più nuova AI viene costruita, più ricerca può essere automatizzata. Non siamo ancora davanti a una dimostrazione pubblica di autosviluppo ricorsivo incontrollato, ma il meccanismo economico che potrebbe renderlo possibile sta diventando molto più concreto.

Per questo la dichiarazione di Huang dovrebbe essere letta con due lenti contemporaneamente. Con la lente tecnologica, Astra rappresenta un progresso straordinario nelle capacità di ragionamento, utilizzo degli strumenti, programmazione, ricerca scientifica e autonomia operativa. Con la lente industriale, le 100.000 unità Nvidia e le altre 400.000 in arrivo mostrano che l’AI frontier è ormai una corsa infrastrutturale di dimensioni paragonabili a quelle di una grande industria energetica o aerospaziale. Con la lente della sicurezza, invece, il messaggio di Pachocki introduce una crepa nella narrativa trionfalistica: i sistemi stanno diventando più autonomi più rapidamente di quanto la nostra capacità di dimostrarne il controllo stia crescendo.

La Silicon Valley ama annunciare il futuro prima che il futuro abbia avuto il tempo di compilare. Questa volta, però, qualcosa è cambiato. Non sappiamo se Astra sia davvero AGI, perché nessuno ha ancora stabilito una definizione operativa capace di chiudere la discussione. Sappiamo però che gli agenti stanno già svolgendo una quantità crescente di lavoro cognitivo nei laboratori che progettano i loro successori, che il costo computazionale della ricerca sta diventando una variabile strategica e che uno dei principali scienziati di OpenAI sta chiedendo pubblicamente di rallentare. La notizia più importante, quindi, potrebbe non essere che l’AGI sia arrivata. Potrebbe essere che, mentre discutiamo ancora su come chiamarla, l’economia necessaria per costruirla abbia già iniziato a funzionare.