Mario De Caro a Rivista.AI: il lavoro dei ricercatori produce valore per le piattaforme, l’accesso ai frontier model può aumentare le disuguaglianze scientifiche e l’Europa dovrebbe costruire una propria infrastruttura comune per la ricerca. Ma la questione più profonda è un’altra: che cosa accade quando chi fornisce agli scienziati gli strumenti per fare ricerca diventa capace di competere con loro nella produzione della conoscenza?
Prima OpenAI è entrata nelle università come strumento. Adesso sta cominciando a entrarvi come ricercatore.
È probabilmente questo il passaggio più importante per comprendere il dibattito che si è aperto nelle ultime settimane attorno al rapporto tra intelligenza artificiale e mondo accademico. Ed è anche il punto dal quale ripartire dopo l’inchiesta di Rivista.AI sull’accordo tra CRUI e OpenAI per ChatGPT Edu.
Le risposte ricevute dalla Conferenza dei Rettori hanno permesso di chiarire come si sia arrivati al contratto triennale: la domanda raccolta dagli atenei riguardava già specificamente i prodotti OpenAI e CRUI ha aggregato quella richiesta, verificando chi fosse in grado di commercializzare ChatGPT Edu. Il confronto tra differenti piattaforme di intelligenza artificiale non faceva quindi parte di quella procedura.
È quella che abbiamo definito “la scelta prima della scelta”.
Ma una volta ricostruito come OpenAI sia entrata nel sistema universitario italiano, rimane una domanda molto più grande: che cosa succede dopo?
Ne abbiamo parlato con Mario De Caro, professore di Filosofia morale all’Università Roma Tre, titolare della Cattedra Unesco sull’Etica dell’AI e uno dei primi accademici italiani ad aver sollevato pubblicamente il problema. Dalle sue risposte emerge una questione che va ben oltre il contratto CRUI, i dati degli atenei o l’opportunità di utilizzare ChatGPT nella ricerca.
Riguarda la progressiva trasformazione dell’AI da strumento utilizzato dagli scienziati a soggetto capace di partecipare alla produzione scientifica e, forse, un giorno, di svolgerne autonomamente una parte.
Anche se OpenAI non utilizzasse un solo byte
Abbiamo provato per questo a rovesciare la domanda. Supponiamo che OpenAI non utilizzi un solo byte della ricerca italiana per addestrare i propri modelli. Supponiamo che tutti i dati rimangano perfettamente protetti e che nessuna informazione riservata finisca nel training.
Il problema esisterebbe comunque?
Per De Caro sì.
Innanzitutto perché la ricerca contemporanea è profondamente internazionale: gruppi distribuiti tra università differenti lavorano insieme, partecipano agli stessi workshop, pubblicano gli stessi paper. Immaginare un sistema scientifico italiano isolato da ciò che avviene nel resto dell’accademia avrebbe quindi poco senso.
Ma, soprattutto, perché concentrarsi esclusivamente sui dati rischia di farci guardare nella direzione sbagliata. Il punto non è necessariamente soltanto ciò che OpenAI prende dall’università. Può essere altrettanto importante ciò che costruisce attraverso la relazione con l’università.
Centomila ricercatori valgono molto più di centomila abbonamenti
Il 29 luglio OpenAI ha annunciato ChatGPT for Academic Researchers: accesso gratuito ai propri frontier model per 100.000 scienziati, matematici e ingegneri entro il 2027.
La prima coorte comprende 10.000 ricercatori. Alla prima ondata sono arrivate più di 13.000 candidature, corrispondenti potenzialmente a 65.000 posti. I partecipanti ricevono accesso ai modelli più avanzati dell’azienda, formazione, supporto e possono condividere feedback con OpenAI. Per le università che utilizzano già ChatGPT Edu, l’accesso viene coordinato attraverso il workspace istituzionale. OpenAI precisa inoltre che i dati di questi ambienti non vengono utilizzati per addestrare i modelli per impostazione predefinita.
L’azienda presenta l’iniziativa come un modo per democratizzare l’accesso all’AI di frontiera e accelerare la ricerca scientifica. E l’accesso gratuito a strumenti estremamente costosi può indubbiamente produrre questo effetto.
Ma abbiamo posto a De Caro una domanda differente: quanto vale per OpenAI avere 100.000 ricercatori di alto livello che utilizzano, testano e portano ai limiti il suo prodotto?
La risposta è stata immediata: “vale tantissimo”.
Per De Caro dovremmo iniziare a ragionare in maniera diversa sulla distribuzione del valore prodotto nell’economia dell’intelligenza artificiale. Se ricercatori altamente qualificati sperimentano nuovi utilizzi, individuano limiti, sviluppano procedure e contribuiscono attraverso il proprio lavoro intellettuale a rendere questi sistemi più utili, diventa legittimo chiedersi come venga distribuito il valore generato da quella relazione.
È un problema differente dall’addestramento sui dati. Un ricercatore può produrre valore per una piattaforma anche senza consegnarle il proprio paper non pubblicato. Può farlo semplicemente usandola.
Il laboratorio più sofisticato del mondo
Centomila ricercatori di alto livello non sono soltanto utenti, possono diventare uno straordinario ambiente distribuito di sperimentazione.
Sono persone che pongono domande difficili, scoprono nuovi use case, portano i modelli fuori dalle situazioni standard, ne individuano errori e limiti, inventano procedure per utilizzarli e progressivamente incorporano quegli strumenti nei propri workflow.
OpenAI stessa afferma che circa 1,3 milioni di persone utilizzano ogni settimana ChatGPT per attività avanzate di scienza e matematica, generando circa 8,4 milioni di messaggi. L’azienda osserva inoltre che in matematica l’AI sta passando dall’impiego occasionale su problemi isolati a una presenza più regolare nel lavoro scientifico.
È difficile pensare che un ecosistema di utilizzo di queste dimensioni non abbia valore industriale, anche quando i contenuti delle conversazioni non vengono utilizzati per il training.
Proviamo a pensarci: si tratta di feedback, reputazione, scoperta di nuovi mercati, comprensione dei workflow, formazione degli utenti, integrazione negli strumenti, standardizzazione delle pratiche.
L’effetto più importante potrebbe essere proprio questo: diventare l’ambiente nel quale una generazione di ricercatori impara a lavorare con l’intelligenza artificiale.
Poi è arrivato Navier-Stokes
L’8 settembre il problema ha cambiato improvvisamente scala quando OpenAI ha annunciato che un proprio sistema interno avrebbe prodotto una soluzione al problema dell’esistenza e regolarità delle equazioni di Navier-Stokes, uno dei Millennium Prize Problems.
Secondo la ricostruzione dell’azienda, il sistema utilizzava un modello interno più avanzato di GPT-6 Astra e circa 10.000 agenti concorrenti. La soluzione sarebbe stata raggiunta dopo circa 88 ore; formalizzazione e verifica in Lean hanno richiesto altre 17 ore. Per il solo lavoro su Navier-Stokes gli agenti avrebbero scambiato 2,7 milioni di messaggi e generato circa 130 miliardi di token di output.
Il risultato ha aperto anche una controversia sul rapporto con precedenti ricerche di Tristan Buckmaster e Levent Alpöge. OpenAI ha successivamente dichiarato, dopo un’indagine interna, che i prompt inviati da Buckmaster a Codex nei due mesi precedenti non avrebbero potuto influenzare il proprio sistema, neppure attraverso il training, e ha sottolineato le differenze tra i risultati.
La controversia scientifica seguirà il proprio percorso. Per il problema che stiamo affrontando possiamo persino metterla da parte.
Supponiamo che OpenAI abbia ragione su tutto, è proprio qui che emerge la domanda più interessante.
Quando il fornitore diventa concorrente
Fino a poco tempo fa il rapporto sembrava relativamente semplice. Il ricercatore faceva ricerca e OpenAI forniva uno strumento che poteva aiutarlo.
Adesso il confine comincia a muoversi. OpenAI fornisce lo strumento al ricercatore, osserva come l’AI viene utilizzata nella ricerca attraverso dati e feedback consentiti dalle proprie policy, costruisce sistemi sempre più capaci di svolgere attività scientifiche e, contemporaneamente, utilizza sistemi interni per affrontare direttamente alcuni dei problemi sui quali lavorano gli scienziati.
Questo non significa che OpenAI si appropri necessariamente della ricerca dei propri utenti. La questione è diversa e più strutturale: il fornitore dell’infrastruttura scientifica sta diventando anche produttore di scienza.
Ed è precisamente questo che abbiamo chiesto a De Caro. La sua risposta è molto più radicale di una discussione sulla privacy: “siamo in presenza di cambiamenti tra i più importanti della storia dell’umanità”.
De Caro guarda soprattutto alla matematica. Fino a pochissimo tempo fa, osserva, sarebbe stato difficile immaginare che la ricerca di soluzioni e la dimostrazione di teoremi potessero smettere di essere attività primariamente umane. Ora non è più così scontato.
Il problema non è soltanto il posto di lavoro del matematico
De Caro racconta di una recente conversazione con un professore di matematica del California Institute of Technology. La preoccupazione sua e dei colleghi riguardava naturalmente il futuro della professione, ma soprattutto quello degli studenti: quale percorso professionale attende una nuova generazione di matematici se una parte crescente del lavoro più sofisticato può essere svolta da sistemi artificiali?
È una domanda importante.
Ma De Caro ne indica un’altra ancora più interessante, riprendendo il dibattito aperto da Terence Tao. Che cosa perdiamo se separiamo la soluzione dalla comprensione?
La matematica non avanza soltanto perché qualcuno mette una spunta accanto a un problema irrisolto, avanza anche attraverso i concetti e i metodi inventati nel tentativo di risolverlo.
De Caro ricorda la diagonalizzazione di Cantor. Un metodo sviluppato all’interno di una particolare dimostrazione diventa successivamente materia intellettuale sulla quale altri matematici costruiscono nuove idee, fino a contribuire a percorsi completamente differenti.
È il modo in cui la conoscenza si propaga. Una soluzione non contiene soltanto il risultato, ma anche una possibile strada verso altri risultati.
Se l’AI trova la risposta, chi percorre la strada?
È qui che il problema diventa quasi filosofico. Immaginiamo un sistema composto da migliaia di agenti che esplorano simultaneamente enormi quantità di percorsi matematici: tentano, falliscono, cambiano strategia, si scambiano risultati intermedi, abbandonano strade improduttive, combinano intuizioni.
Alla fine producono una dimostrazione formalmente corretta. Problema risolto.
Ma abbiamo necessariamente compreso tutto ciò che è successo lungo il percorso?
Non è una distinzione romantica tra uomo e macchina. È una questione sulla funzione stessa della ricerca.
Se lo scopo della matematica fosse esclusivamente trasformare problemi aperti in problemi chiusi, sistemi sempre più potenti potrebbero rappresentare una straordinaria accelerazione.
Ma se una parte fondamentale della ricerca consiste nel produrre concetti, astrazioni, intuizioni e nuove domande, allora la metrica cambia.
Un sistema può produrre più matematica e contemporaneamente non produrre, almeno automaticamente, più matematici capaci di comprenderla.
L’università rischia di ricevere risposte senza accumulare capacità
Questo potrebbe essere il punto decisivo. Finora abbiamo discusso di sovranità tecnologica soprattutto chiedendoci chi controlli chip, cloud, compute, dati e modelli.
La scienza introduce un’altra forma di sovranità: la capacità di comprendere.
Un’università può avere accesso al modello più potente del mondo, può produrre più paper, può risolvere problemi più velocemente, può aumentare la produttività dei propri ricercatori e, allo stesso tempo, potrebbe trasferire progressivamente verso l’infrastruttura esterna alcune delle capacità che prima doveva costruire al proprio interno.
D’altro canto, l’AI può fare esattamente l’opposto: ampliare le capacità dei ricercatori, consentire loro di esplorare più ipotesi e liberare tempo per attività scientificamente più profonde, ma la differenza dipende da come viene utilizzata e da quali capacità l’università decide di continuare a coltivare.
La domanda quindi non è se usare l’AI, è se l’AI accumuli capacità insieme alla comunità scientifica oppure al posto della comunità scientifica.
E chi riceve l’accesso alla frontiera?
Esiste poi un secondo problema. ChatGPT for Academic Researchers non è rivolto indistintamente a tutto il mondo accademico. I criteri pubblicati da OpenAI riguardano ricercatori appartenenti a discipline come scienze biologiche, chimica e materiali, informatica, scienze della Terra, ingegneria, matematica e fisica; tra i requisiti compare una pubblicazione recente su repository scientifici qualificati.
È una scelta comprensibile rispetto all’obiettivo dichiarato del programma: accelerare la ricerca scientifica nei campi nei quali i frontier model possono produrre risultati particolarmente rilevanti.
Ma produce anche una domanda istituzionale: quando l’accesso ai modelli più avanzati diventa una componente della competitività scientifica, chi distribuisce quell’accesso può influenzare indirettamente quali comunità dispongano per prime della nuova infrastruttura cognitiva.
De Caro inserisce il problema dentro una disuguaglianza che esisteva molto prima dell’AI. Negli Stati Uniti e nel Regno Unito, osserva, diversi dipartimenti umanistici e delle scienze sociali hanno subito negli ultimi anni ridimensionamenti o chiusure. In Italia il fenomeno assume forme differenti, ma rimane il problema generale della scarsità dei finanziamenti.
Programmi che privilegiano determinate discipline potrebbero, secondo De Caro, accelerare questa divaricazione.
Non significa attribuire a OpenAI la responsabilità delle disuguaglianze dell’università, significa riconoscere che la distribuzione della frontier AI entra in un sistema scientifico che era già diseguale e può modificarne ulteriormente gli equilibri.
Minerva e il paradosso italiano
A questo punto il discorso torna inevitabilmente in Italia. Abbiamo ChatGPT Edu nelle università e ricercatori che possono accedere ai programmi dei frontier lab, ma abbiamo anche ricerca pubblica che prova a costruire capacità tecnologica propria.
De Caro indica in particolare Minerva, il progetto sviluppato dal gruppo di Roberto Navigli alla Sapienza nell’ecosistema FAIR, e lo considera un esempio di quanto sia possibile ottenere anche disponendo di risorse incomparabilmente inferiori rispetto ai grandi laboratori americani.
Il limite che individua è soprattutto finanziario: capitale pubblico insufficiente, capitale privato ancora più difficile da mobilitare e pochi incentivi a trasformare ricerca promettente in infrastruttura tecnologica e industriale.
È qui che il caso OpenAI incontra un problema italiano molto più antico: sappiamo produrre ricerca, ma spesso non sappiamo trasformarla in alternativa.
Non serve necessariamente costruire un altro OpenAI
Abbiamo quindi proposto a De Caro un esperimento. Immaginiamo di avere 500 milioni di euro europei per ridurre la dipendenza tecnologica della ricerca, li utilizziamo per provare a costruire un grande frontier model europeo?
Oppure per creare un’infrastruttura scientifica comune fatta di compute, dati, modelli aperti e strumenti accessibili alle università?
De Caro considera importanti entrambe le strade, ma sceglierebbe la seconda.
Per una ragione pragmatica: costruire un frontier model capace di competere direttamente con i leader mondiali potrebbe non riuscire. Un’infrastruttura comune produrrebbe comunque capacità scientifica.
Poi corregge anche il nostro esperimento mentale, cinquecento milioni sono troppo pochi, “moltiplichiamo per 10 questa cifra e cominciamo a ragionare”.
Al di là della provocazione sulla quantità di capitale necessaria, è la scelta dell’asset da costruire a essere interessante: non necessariamente un modello europeo, ma la capacità europea di utilizzare, costruire, modificare e sostituire modelli.
La sovranità non è avere il modello migliore
È qui che torniamo al concetto che abbiamo utilizzato nei nostri Paper sulla sovranità tecnologica.
Sovranità non significa autarchia, non significa che un’università italiana debba rifiutare GPT perché americano e non significa che Minerva debba necessariamente sostituire ChatGPT Edu anche nelle attività per le quali oggi non offre capacità o servizi equivalenti.
Significa avere una scelta credibile. Compute al quale poter accedere, dati governabili, modelli modificabili, competenze proprie, infrastrutture scientifiche, capacità di integrazione e, soprattutto, possibilità di cambiare fornitore senza perdere ciò che nel frattempo è stato costruito.
Alla domanda su quale indicatore permetterebbe di riconoscere la perdita di sovranità di un’università, De Caro pone soprattutto un problema distributivo: sarebbe profondamente ingiusto, sostiene, se l’università ottenesse poco dal lavoro dei propri ricercatori mentre soggetti esterni riuscissero a ricavarne un valore economico considerevole.
È una parte del problema. Ma ce n’è un’altra.
Il test dell’uscita
Un’università potrebbe persino ottenere condizioni economiche eccellenti da una piattaforma e contemporaneamente diventarne profondamente dipendente. Il vero test potrebbe quindi essere molto semplice: se domani volesse cambiare tecnologia, potrebbe farlo? Potrebbe portare altrove i dati? Potrebbe migrare i workflow? Potrebbe ricostruire gli agenti? Potrebbe sostituire le API? Potrebbe continuare la propria ricerca senza perdere capacità?
Questa è la differenza tra utilizzare una tecnologia e dipenderne, ed è anche il motivo per cui l’accesso gratuito non è necessariamente sinonimo di assenza di costo.
Il prezzo di una tecnologia può essere zero ma il costo di uscirne, anni dopo, può essere molto più alto.
La ricerca scientifica è anche un effetto rete
C’è infine una nostra domanda alla quale De Caro risponde senza esitazione.
Potrebbe non vincere necessariamente il modello migliore, ma quello sul quale lavora il maggior numero dei migliori ricercatori?
“Certamente è così”.
“Non sarebbe nemmeno una novità storica”, osserva. La storia della scienza e della tecnologia è piena di soluzioni migliori che non si sono imposte, sconfitte da alternative sostenute da condizioni economiche, politiche o industriali più favorevoli.
Applicato all’intelligenza artificiale, però, questo meccanismo assume una dimensione enorme. Più ricercatori utilizzano una piattaforma, più competenze si formano intorno a essa. Più strumenti vengono sviluppati, più paper la incorporano. Più università la adottano, più nuovi ricercatori imparano a utilizzarla e più conveniente diventa rimanere nello stesso ecosistema.
Il network effect della frontier AI potrebbe quindi non essere soltanto tecnologico. Potrebbe diventare scientifico.
La domanda non è se l’università userà l’AI
Su questo, probabilmente, la discussione è già superata: la utilizzerà e lo sta già facendo.
E sarebbe difficile immaginare che la ricerca rinunci volontariamente a strumenti capaci di accelerare analisi, coding, simulazioni, ricerca bibliografica, formulazione di ipotesi e forse persino la soluzione di problemi che hanno resistito per decenni agli esseri umani.
La domanda interessante è un’altra: che cosa deve continuare a possedere l’università mentre utilizza quei sistemi?
I dati, certamente, ma non bastano. Deve conservare competenze, capacità critica, infrastrutture, possibilità di sperimentare indipendentemente, capacità di scegliere e, soprattutto, deve continuare a essere un luogo nel quale la conoscenza non viene soltanto prodotta, ma compresa, trasmessa e trasformata in nuova conoscenza.
Perché potremmo entrare in un’epoca nella quale le macchine saranno capaci di produrre più scienza di quanta gli esseri umani riescano a leggere e allora il problema dell’università non sarà difendere gelosamente attività che una macchina può svolgere meglio, ma decidere quali capacità umane e istituzionali non può permettersi di smettere di costruire.
OpenAI sostiene che il proprio ruolo sia mettere strumenti potenti nelle mani degli scienziati lasciando loro il controllo.
Forse è proprio questa parola, “controllo”, che dovremo imparare a misurare, non contando soltanto quanti ricercatori hanno accesso al modello, ma chiedendoci, dopo averlo utilizzato per anni, quanta capacità scientifica è rimasta anche a loro.
.
Sullo stessa tematica:
La scelta prima della scelta: come ChatGPT Edu è entrato nelle università italiane
OpenAI sa risolvere i problemi. Adesso ha un problema con i matematici