La competizione globale sull’intelligenza artificiale sta entrando in una fase nella quale il vantaggio tecnologico non dipenderà più soltanto dalla capacità di addestrare modelli sempre più grandi, ma dalla possibilità di utilizzare l’intelligenza artificiale per migliorare sé stessa. È questo il passaggio strategico che emerge dalle dichiarazioni di Tang Jie, professore di informatica alla Tsinghua University e cofondatore di Z.ai, intervenuto sabato al World Laureates Forum di Shanghai. Secondo il ricercatore cinese, l’impiego di sistemi di intelligenza artificiale per sviluppare sistemi ancora più avanzati potrebbe rendere più concreta la prospettiva dell’Artificial General Intelligence (AGI), a condizione che il processo venga accompagnato da adeguate garanzie di sicurezza.

La notizia arriva insieme a un dato che merita particolare attenzione: per la prima volta, secondo un rapporto del China Centre for Information Industry Development (CCID), il volume di dati generati dall’utilizzo operativo dell’intelligenza artificiale in Cina ha superato quello associato all’addestramento dei modelli. Il documento, pubblicato il 31 ottobre, indica oltre 175.000 miliardi di chiamate giornaliere ai token nel giugno 2026, una crescita superiore a mille volte rispetto all’inizio del 2024. Il risultato segnala un cambiamento nella struttura economica del settore. L’intelligenza artificiale cinese sta progressivamente uscendo dalla fase in cui il valore era concentrato soprattutto nella costruzione dei modelli per entrare in quella in cui conta la loro capacità di produrre risultati su scala industriale. IT之家+2

Per comprendere la portata del fenomeno occorre distinguere training e inference. Il primo processo utilizza enormi quantità di dati e potenza di calcolo per costruire un modello; il secondo mette quel modello al lavoro, elaborando richieste, generando risposte e completando attività. Ogni interazione produce un consumo di token, l’unità elementare con cui i modelli linguistici elaborano le informazioni. Quando l’utilizzo quotidiano supera il volume di attività necessario per l’addestramento, cambia anche il centro di gravità economico dell’infrastruttura. Non basta più disporre di grandi cluster GPU per addestrare un modello competitivo. Occorre mantenerlo disponibile, ridurre la latenza, contenere il costo di ogni risposta e garantire capacità di elaborazione sufficienti anche quando migliaia di imprese e milioni di utenti lo interrogano contemporaneamente.

Un secondo rapporto, pubblicato il 23 ottobre dalla China Academy of Information and Communications Technology (CAICT), stima per giugno un consumo medio giornaliero vicino ai 500.000 miliardi di token, includendo un perimetro di utilizzo più ampio rispetto alle chiamate ai servizi cloud pubblici considerate dal dato CCID. Le due cifre non devono essere interpretate come misurazioni perfettamente sovrapponibili: cambiano il perimetro e la metodologia di rilevazione. Il dato comune è tuttavia inequivocabile. La domanda di capacità inferenziale sta crescendo a una velocità che obbliga il settore a ripensare l’economia dell’intelligenza artificiale. Compute Labs+2

Questa trasformazione ha conseguenze dirette sugli investimenti. Secondo un’analisi pubblicata a settembre da Rhodium Group, la spesa in infrastrutture per l’intelligenza artificiale di tredici grandi società cinesi dovrebbe raggiungere 932 miliardi di yuan nel 2026, circa 139 miliardi di dollari, con una previsione superiore a 1.200 miliardi di yuan nel 2027. La cifra è significativa, ma va letta anche alla luce della posizione americana: gli investimenti statunitensi nei data center restano sensibilmente superiori. La Cina sta cercando di compensare il divario attraverso una maggiore diffusione industriale dei modelli e l’ottimizzazione delle risorse computazionali disponibili. Non è una strategia priva di vincoli. Alibaba, Tencent e Baidu hanno registrato insieme un free cash flow negativo per 16 miliardi di yuan nella prima metà del 2026, rispetto ai 170 miliardi positivi dell’intero 2025. La crescita dell’intelligenza artificiale sta quindi generando una pressione finanziaria che non può essere ignorata: aumentare la capacità di calcolo significa immobilizzare capitale prima ancora di aver dimostrato che ogni nuova unità di elaborazione produrrà ricavi sufficienti. Rhodium Group

È proprio su questo terreno che si inserisce la strategia di DeepSeek, che il 20 ottobre ha reso disponibile DeepInfer, un framework open source progettato per rendere più efficiente l’esecuzione dei propri modelli. L’interesse dell’iniziativa non risiede soltanto nella pubblicazione del codice, ma nella possibilità di ridurre il costo operativo dell’inference, migliorando il rendimento dell’hardware attraverso un’ottimizzazione software più sofisticata. Il progetto contempla anche il supporto agli acceleratori Huawei Ascend, un elemento particolarmente rilevante nel contesto delle restrizioni tecnologiche statunitensi. La dipendenza dalla disponibilità di GPU avanzate rimane infatti uno dei principali punti deboli dell’ecosistema cinese. Se non è possibile colmare rapidamente il divario sul fronte dei semiconduttori, migliorare l’efficienza con cui vengono utilizzati quelli disponibili diventa una scelta industriale obbligata. TechTarget+2

Alibaba sta seguendo una strada complementare. La costituzione della divisione Token Foundry e la crescente attenzione alla commercializzazione dei servizi basati sui modelli riflettono una convinzione precisa: nel nuovo mercato dell’intelligenza artificiale, il token potrebbe diventare un’unità economica di riferimento paragonabile al traffico nell’economia digitale precedente. La società ha comunicato una crescita del 45% dei ricavi legati ai servizi cloud AI e computing, arrivati a 7,1 miliardi di dollari nel trimestre concluso a giugno. Pechino sta inoltre promuovendo una vera e propria economia dei token, con iniziative per realizzare fabbriche dedicate alla produzione di capacità inferenziale e piattaforme per la distribuzione dei servizi. Il passaggio è interessante anche sul piano delle politiche industriali: il governo cinese sta cercando di trasformare una risorsa tecnologica, il calcolo necessario per eseguire i modelli, in un fattore economico misurabile e potenzialmente commerciabile. South China Morning Post+1

La questione, tuttavia, non si esaurisce nell’efficienza infrastrutturale. Il vero obiettivo indicato da Tang Jie è la recursive self-improvement (RSI), ovvero la capacità di un sistema artificiale di contribuire allo sviluppo di una versione successiva più potente, che a sua volta possa accelerare ulteriormente il processo. In questo scenario, l’intelligenza artificiale non sarebbe più soltanto uno strumento utilizzato dai ricercatori per scrivere codice o analizzare risultati sperimentali. Diventerebbe progressivamente un partecipante attivo nella ricerca sui sistemi che la generano. Il concetto ha radici storiche nella riflessione del matematico britannico I.J. Good, che già nel 1965 ipotizzava una macchina sufficientemente intelligente da progettare macchine ancora migliori, innescando una possibile esplosione dell’intelligenza.

Le prime evidenze operative stanno emergendo anche negli Stati Uniti. Anthropic ha pubblicato un’analisi secondo cui, nell’agosto 2026, Claude guidava il 26% delle attività interne misurate di ricerca e sviluppo sui modelli, rispetto a una quota inferiore all’1% nel febbraio precedente. Si tratta di un indicatore importante, ma non della dimostrazione che un’intelligenza artificiale sia già capace di sviluppare autonomamente il proprio successore. La distinzione è fondamentale: affidare a un agente l’esecuzione di esperimenti definiti da ricercatori umani non equivale a delegargli la scelta degli obiettivi scientifici e la responsabilità dell’intero processo di sviluppo. Anthropic stessa riconosce che l’autonomia completa non è stata raggiunta. Anthropic+1

La posizione di Tang Jie è quindi particolarmente interessante perché colloca la RSI al centro della competizione tecnologica tra Washington e Pechino. Il ricercatore sostiene che l’intelligenza artificiale potrebbe diventare il principale acceleratore della ricerca scientifica, soprattutto quando la complessità ingegneristica dei nuovi modelli supera le capacità operative dei gruppi di ricerca tradizionali. Ma proprio questa accelerazione introduce un problema di governance che nessuna singola azienda può risolvere da sola. Se un sistema contribuisce a modificare il codice, ottimizzare l’architettura e progettare gli esperimenti della generazione successiva, diventa progressivamente più difficile stabilire quali trasformazioni siano state comprese, verificate e autorizzate dagli esseri umani.

Tang ha riconosciuto apertamente questo rischio, chiedendo una responsabilità condivisa e una forma di cooperazione internazionale per garantire la sicurezza dei sistemi in sviluppo. È un’affermazione significativa, soprattutto considerando che proviene da un protagonista dell’industria tecnologica cinese, in un momento nel quale la competizione con gli Stati Uniti tende a trasformare ogni progresso scientifico in una questione di sicurezza nazionale. Il paradosso è evidente: le due maggiori potenze dell’intelligenza artificiale hanno interesse ad accelerare la ricerca, ma potrebbero trovarsi nella condizione di dover coordinare almeno una parte delle regole che ne limitano i rischi.

Il punto strategico è che l’AGI potrebbe non arrivare semplicemente attraverso modelli più grandi o dataset più estesi. Potrebbe emergere da un cambiamento nel modo stesso in cui viene prodotta l’intelligenza artificiale, quando una quota crescente della ricerca e dello sviluppo viene affidata ai sistemi che dovrebbero beneficiarne. In questo scenario, la disponibilità di potenza computazionale resterà determinante, ma il vantaggio competitivo dipenderà anche dalla capacità di trasformare quell’infrastruttura in cicli di miglioramento verificabili. La Cina sta costruendo le condizioni industriali per sostenere questa transizione; gli Stati Uniti stanno mostrando progressi nell’automazione della ricerca. Nessuno dei due ha ancora dimostrato di poter chiudere autonomamente il ciclo della ricorsività. La distanza tra un sistema che aiuta a costruire il proprio successore e uno capace di farlo senza supervisione umana rappresenta, oggi, una delle questioni scientifiche e politiche più importanti dell’intero settore.

Fonti e approfondimenti

South China Morning Post, Self-improving AI key step towards AGI but safety is key: Z.ai founder.

Rhodium Group, Examining China’s AI Financing, 17 settembre 2026.

Anthropic Institute, When AI builds itself.

DeepSeek, DeepInfer: High-performance, large-scale inference framework.

China Academy of Information and Communications Technology, Large Model Token Service Performance Monitoring Report 2026, 23 ottobre 2026.