Meta sembra aver trovato la prima risposta credibile alla domanda che Wall Street pone da mesi: come trasformare gli investimenti miliardari nell’intelligenza artificiale in ricavi concreti. Secondo Bloomberg, il gruppo guidato da Mark Zuckerberg sta sviluppando un nuovo business, denominato Meta Compute, che punta a vendere a imprese e sviluppatori l’accesso alle proprie infrastrutture di calcolo e ai modelli di AI, entrando direttamente in competizione con Amazon Web Services, Microsoft Azure e Google Cloud.
Autore: Rivista AI Research Pagina 2 di 5
Nvidia rafforza la propria strategia per espandere l’infrastruttura globale dell’intelligenza artificiale con un modello finanziario destinato ai nuovi provider di cloud AI. L’azienda si è impegnata a sostenere le startup che noleggiano le sue GPU garantendo il riutilizzo della capacità inutilizzata, in cambio di una quota dei ricavi generati.
La decisione di SoftBank di strutturare una nuova unità denominata SB Neo per offrire servizi di AI compute negli Stati Uniti si inserisce in un contesto in cui la scarsità di capacità computazionale è diventata una variabile macroeconomica, più che una semplice limitazione tecnica. L’infrastruttura di calcolo, oggi, non è più un’infrastruttura: è un asset strategico assimilabile a energia e capitale finanziario, con la differenza che si concentra in poche mani e viene prezzata con dinamiche sempre più vicine ai mercati delle materie prime. L’obiettivo dichiarato di SB Neo è quello di posizionarsi come fornitore intermedio di potenza di calcolo per modelli di intelligenza artificiale, intercettando la domanda crescente di GPU e cluster distribuiti in un mercato americano dove la capacità delle big tech non è più sufficiente a sostenere la velocità dell’hype.
Il lancio di LongCat-2.0 da parte della tech company cinese Meituan segna un passaggio meno rumoroso di quanto suggerisca la cifra, ma potenzialmente più destabilizzante per l’equilibrio economico dell’intelligenza artificiale globale. Un modello mixture-of-experts da 1,6 trilioni di parametri non è solo un esercizio di scala ingegneristica; è soprattutto una dichiarazione industriale sul controllo della supply chain computazionale, in un momento in cui il vero collo di bottiglia dell’AI non è più l’algoritmo, ma il costo marginale dell’inferenza. La scelta di rivelare che il sistema avrebbe operato per mesi sotto alias su infrastrutture terze prima della presentazione ufficiale aggiunge un elemento quasi chirurgico alla strategia: validazione di mercato prima della trasparenza istituzionale.
Wall Street ama le storie di crescita, ma ogni tanto dimostra di apprezzare ancora di più chi riesce a trasformare gli scarti in asset redditizi. È quanto accaduto con Bending Spoons, la società italiana specializzata nell’acquisizione e rilancio di aziende digitali mature, che ha debuttato in Borsa con un rialzo di circa il 40% rispetto al prezzo dell’IPO, nettamente superiore alla performance di altre matricole dello stesso giorno.
Il rilascio di Anthropic con Claude Sonnet 5 segna un punto di riallineamento più che un semplice aggiornamento incrementale, perché introduce una dinamica che nel mercato dei modelli linguistici era stata finora solo teorica: la quasi equivalenza funzionale tra una fascia “mid-tier” e il livello premium, a parità di casi d’uso professionali. La dichiarazione di essere “il Sonnet più agentico di sempre” non è marketing accessorio, ma una presa di posizione industriale su come viene oggi distribuita l’intelligenza computazionale, con un modello che si avvicina alle prestazioni di Opus 4.8 mantenendo una struttura di costo sensibilmente inferiore, e soprattutto con un’interfaccia di controllo che consente di modulare lo sforzo computazionale come variabile economica esplicita.
Il punto strutturale non è tanto il miglioramento nei benchmark quanto il fatto che Sonnet 5 si posiziona deliberatamente nello stesso spazio prestazionale di Opus, rompendo la tradizionale gerarchia verticale tra modelli small, medium e flagship. Nei test di coding su SWE-bench Pro, il modello raggiunge il 63,2 per cento contro il 58,1 della versione precedente, una differenza che in termini di product management equivale a una sostituzione funzionale su larga scala per task di ingegneria software real-world. Nei benchmark di lavoro professionale come GDPval-AA v2, la distanza statistica da Opus 4.8 si riduce a un rumore misurabile solo con metriche Elo molto sensibili, segnalando una convergenza che nel linguaggio delle aziende si traduce in una parola semplice ma destabilizzante: sostituibilità.
Quali sono le dipendenze strutturali che condizionano il vecchio continente? Come non ripetere gli errori fatti in passato con la telefonia mobile? È a partire da queste domande che si inserisce il nuovo report di Rivista.AI, realizzato in collaborazione con TechVisory, “La sovranità tecnologica europea nell’era dell’intelligenza artificiale”, un’analisi che vuole essere anche una proposta operativa per una politica industriale europea nel settore dell’AI.
Il caso Mirendil racconta molto più di una nuova startup unicorn ancora prima del lancio di un prodotto. Racconta la crescente frattura tra i grandi laboratori di frontiera e una nuova generazione di ricercatori convinti che gli strumenti per sviluppare l’intelligenza artificiale non debbano rimanere monopolio di poche aziende.
Secondo l’esclusiva firmata da Julia Hornstein, Anissa Gardizy e Sri Muppidi, pubblicata inizialmente da The Information e successivamente ripresa dal Wall Street Journal, Mirendil è stata fondata dagli ex ricercatori di Anthropic Behnam Neyshabur e Harsh Mehta, affiancati da altri talenti provenienti da Anthropic, Google e xAI. La società ha raccolto 200 milioni di dollari in un round seed che la porta immediatamente a una valutazione di circa 1 miliardo di dollari, con il sostegno di investitori come Andreessen Horowitz, Kleiner Perkins e Nvidia.
La giornata ha segnato uno di quei momenti che aiutano a comprendere come il mercato dell’intelligenza artificiale stia cambiando priorità con una velocità sorprendente. Non si tratta più soltanto di modelli linguistici sempre più capaci di scrivere testi o generare codice, ma di una competizione che coinvolge sicurezza nazionale, ricerca scientifica, infrastrutture di calcolo, riduzione dei costi operativi e nuove piattaforme dedicate agli sviluppatori. Nel giro di poche ore, Anthropic, OpenAI, Google e Nvidia hanno annunciato sviluppi che, osservati nel loro insieme, delineano una trasformazione strategica dell’intero settore.
La coincidenza temporale difficilmente può essere liquidata come casuale. Nello stesso giorno, OpenAI e Anthropic hanno presentato due iniziative che raccontano molto più delle rispettive roadmap tecnologiche: mostrano la direzione strategica verso cui si sta muovendo l’intera industria dell’intelligenza artificiale. Dopo due anni dominati dalla competizione sui chatbot, sull’assistenza alla scrittura e sulla produttività personale, il terreno di confronto si sta progressivamente spostando verso la ricerca scientifica, con un obiettivo tanto ambizioso quanto economicamente rilevante: accelerare la scoperta di nuovi farmaci.
Anthropic ha annunciato Claude Science, una versione specializzata della propria piattaforma progettata per supportare il lavoro dei ricercatori. Più che un semplice modello linguistico adattato al lessico scientifico, Claude Science introduce funzionalità pensate per garantire riproducibilità e trasparenza, due requisiti essenziali nella ricerca moderna. Ogni risultato può essere ricondotto al codice che lo ha generato, gli ambienti di calcolo vengono avviati su richiesta e il sistema può collegarsi a oltre sessanta database scientifici. L’obiettivo non è sostituire lo scienziato, ma costruire un ambiente di lavoro nel quale l’intelligenza artificiale diventi un collaboratore verificabile piuttosto che una scatola nera. La piattaforma è ancora in versione beta, elemento che suggerisce come il progetto sia nelle fasi iniziali di validazione.
L’industria dell’intelligenza artificiale ha trascorso gli ultimi tre anni promettendo assistenti sempre più empatici, personalizzati e “allineati” alle esigenze dell’utente. Ora una ricerca congiunta di ricercatori delle università di Oxford e Stanford suggerisce che il prezzo di questa apparente empatia potrebbe essere molto più elevato di quanto immaginato. Lo studio, significativamente intitolato “Sycophantic AI makes human interaction feel more effortful and less satisfying over time”, mostra che sistemi progettati per validare costantemente gli utenti possono alterare il modo in cui le persone percepiscono le relazioni reali. La scoperta non riguarda semplicemente il benessere psicologico individuale; apre interrogativi strategici sull’intera economia delle piattaforme AI. (paper arXiv)
La strategia di Ford sta ridisegnando, in modo quasi controintuitivo rispetto alla retorica dominante della Silicon Valley, il rapporto tra intelligenza artificiale e competenze umane consolidate. Il costruttore automobilistico, identificato sempre più spesso come un laboratorio industriale della transizione digitale nel settore dei trasporti, ha deciso di rafforzare il proprio capitale umano reclutando circa 350 ingegneri senior, definiti internamente “gray beards”, con l’obiettivo esplicito di riportare nel ciclo produttivo quella conoscenza tacita che gli algoritmi, da soli, non riescono a catturare. Ford Motor Company sta così mettendo in discussione una delle semplificazioni più diffuse dell’era recente, quella secondo cui l’IA sostituirebbe progressivamente l’esperienza, preferendo invece una logica di sovrapposizione strutturale tra machine learning e giudizio ingegneristico umano.
L’arrivo della nuova applicazione mobile di Cursor segna un passaggio che nel linguaggio sobrio dei CTO dovrebbe essere definito come una migrazione strutturale del lavoro di sviluppo software, mentre nel linguaggio più realistico del mercato assomiglia a una progressiva deumanizzazione della scrittura del codice. La piattaforma, ormai sempre più centrata su agenti autonomi di programmazione, consente di avviare task, monitorare esecuzioni e continuare interazioni con sistemi AI direttamente da smartphone, sganciando l’attività di supervisione dalla tradizionale postazione desktop. Il punto non è la mobilità in sé, che sarebbe un dettaglio marginale, ma la trasformazione implicita del ruolo dello sviluppatore, sempre meno autore di codice e sempre più gestore di processi computazionali semi-autonomi.
Ornith-1.0 arriva come un oggetto tecnico che sembra progettato più per i laboratori che per il marketing, e proprio per questo cattura immediatamente l’attenzione. La famiglia di modelli open source rilasciata da DeepReinforce si presenta su Hugging Face in quattro varianti che oscillano tra 9 miliardi e 397 miliardi di parametri, con una combinazione di architetture dense e mixture-of-experts che riflette una scelta ormai chiara nell’industria: scalare non significa solo aumentare dimensioni, ma redistribuire capacità computazionale in modo dinamico. La narrazione ufficiale parla di modelli “agentic coding”, ma la vera sostanza è un’altra, più fredda e industriale, cioè la trasformazione del modello linguistico in esecutore autonomo di workflow software.
OpenAI lancerà un nuovo dispositivo collegato al suo strumento di codifica potenziato dall’IA, Codex, il 15 luglio. In un video condiviso su X questo lunedì, OpenAI presenta un dispositivo di forma quadrata dotato di più pulsanti, accompagnato dalla didascalia: “Le tue scorciatoie preferite di Codex stanno ricevendo un aggiornamento.”
Il settore delle interfacce cervello computer, da sempre ha vissuto una contraddizione apparentemente insolubile. isistemi più efficaci richiedevano un intervento chirurgico, con elettrodi impiantati direttamente nella corteccia cerebrale; quelli non invasivi, invece, erano sufficientemente sicuri ma troppo imprecisi per diventare strumenti realmente utili. La nuova ricerca presentata da Meta suggerisce che questa distinzione potrebbe iniziare a sfumare. Con Brain2Qwerty v2 l’azienda afferma di aver sviluppato un sistema capace di ricostruire il testo che una persona sta cercando di digitare semplicemente osservando l’attività cerebrale registrata dall’esterno del cranio, raggiungendo un’accuratezza media del 61% delle parole, contro circa l’8% ottenuto dai precedenti approcci non invasivi.
L’ingresso di Meta Platforms nella fase più matura della corsa agli agenti di intelligenza artificiale segna un cambio di tono che, al netto della retorica ottimistica, ha poco a che vedere con la sostituzione del lavoro umano e molto con la sua riconfigurazione economica. Le parole di Dawn Song, nuova vice presidente della ricerca AI di Meta, sono esplicite nella loro apparente moderazione: non si tratta di rimpiazzare le persone, ma di costruire sistemi capaci di produrre valore economico misurabile su compiti reali. In termini industriali significa spostare l’asse dall’AI come strumento conversazionale all’AI come infrastruttura operativa, dove l’unità di misura non è più la qualità del testo generato ma la produttività nei processi.
La traiettoria industriale cinese nel settore dei semiconduttori sta entrando in una fase meno spettacolare ma decisiva, quella in cui la retorica della “autosufficienza tecnologica” si traduce in operazioni di consolidamento verticale, acquisizioni mirate e costruzione di campioni nazionali capaci di ridurre la dipendenza dalle catene del valore occidentali. L’ultimo movimento in questa direzione riguarda Piotech, che ha annunciato l’intenzione di acquisire una partecipazione di controllo in Wuxi Shangji Semiconductor, in un’operazione ancora nelle fasi iniziali ma già sufficientemente significativa da delineare un cambio di scala strategico nel segmento delle apparecchiature per la produzione di chip.
L’intelligenza artificiale non si misura più soltanto nella qualità dei modelli linguistici o nella potenza delle GPU. Il vero terreno dello scontro globale si sta spostando verso un componente molto meno appariscente ma infinitamente più strategico: la memoria. Con un piano industriale superiore ai 900 miliardi di dollari, la Corea del Sud ha deciso di trasformare la propria leadership nei chip di memoria in un vantaggio geopolitico di lungo periodo, tentando di consolidare una posizione dominante nella catena del valore dell’AI mondiale.
La notizia che Google abbia limitato l’accesso di Meta ai modelli Gemini per insufficiente capacità computazionale rappresenta molto più di un semplice incidente operativo tra due giganti tecnologici. Se confermata, segna un passaggio cruciale nell’economia dell’intelligenza artificiale: il vero fattore scarso non è più il talento, né gli algoritmi, ma la potenza di calcolo disponibile.
Secondo quanto riportato dal Financial Times, Google avrebbe comunicato a Meta già nel mese di marzo di non poter soddisfare integralmente la domanda di capacità richiesta per l’utilizzo dei modelli Gemini, provocando ritardi in diversi progetti interni di AI. La situazione avrebbe costretto Meta a introdurre misure di razionalizzazione nell’uso dei token AI da parte dei propri dipendenti, un fatto quasi surreale se si pensa che stiamo parlando di un’azienda che investe decine di miliardi di dollari all’anno in infrastrutture tecnologiche.
La lettera inviata da Alexander Pröll alla Commissione europea per sollecitare l’ingresso di Anthropic nel perimetro regolatorio e industriale dell’Unione Europea arriva in un momento in cui l’intelligenza artificiale smette definitivamente di essere un mercato software e diventa una componente strutturale della sovranità tecnologica. L’idea, nella sua formulazione quasi diplomatica, è semplice e al tempo stesso ambiziosa: offrire all’Europa un ruolo attivo nella governance e nell’insediamento fisico dei grandi modelli fondazionali, attraverso incentivi regolatori, accesso al mercato unico e una narrativa valoriale che dovrebbe risultare attrattiva per le big tech dell’AI. Il problema è che la geometria del potere computazionale si sta già consolidando altrove, e non negozia facilmente con i framework normativi.
Il rilascio di GLM-5.2 arriva in un momento in cui l’industria dell’intelligenza artificiale applicata allo sviluppo software sta mostrando una forma di fatica strutturale che non è più possibile mascherare dietro i consueti cicli di entusiasmo. L’aumento dei costi API, la progressiva erosione del ritorno marginale sugli investimenti in modelli proprietari e la crescente complessità operativa degli agenti autonomi stanno spingendo molte organizzazioni a riconsiderare l’intera architettura decisionale dell’AI in produzione. In questo contesto, secondo diverse analisi e report tecnici circolanti, anche infrastrutture di routing interno come quelle adottate da Coinbase stanno iniziando a integrare modelli open-weight come GLM-5.2 insieme ad alternative ibride, riducendo la dipendenza esclusiva dagli endpoint commerciali di fascia alta. Il punto non è più ideologico ma contabile, e la contabilità dell’intelligenza artificiale è sempre meno indulgente con le promesse non misurabili.
La discussione sull’intelligenza artificiale sta scivolando, quasi senza che il mercato se ne accorga pienamente, da un problema di modelli a un problema di memoria. Non più soltanto quanto un modello sa, ma come conserva, aggiorna e dimentica ciò che sa mentre interagisce nel tempo. In questa transizione si inserisce uno studio congiunto che coinvolge la Shanghai Jiao Tong University, la Tsinghua University e il progetto MemTensor, che mette in discussione un assunto ormai diventato quasi dogmatico nella Silicon Valley: l’idea che basti allargare il contesto o potenziare il retrieval per risolvere la memoria negli agenti LLM.
OpenAI ha presentato in anteprima la famiglia GPT-5.6, una mossa che conferma come il mercato dei modelli linguistici di frontiera stia entrando in una fase meno celebrativa e più industriale, dove la differenza non è più soltanto tra “più intelligente” e “meno intelligente”, ma tra architetture di esecuzione, livelli di rischio e velocità di deployment controllato. La nuova linea si articola in tre livelli, Sol, Terra e Luna, una nomenclatura quasi cosmologica che tradisce una strategia precisa: stratificare la complessità dell’intelligenza artificiale come se fosse un’infrastruttura energetica, non più un prodotto software tradizionale. Sol viene posizionato come il modello più robusto per compiti complessi, Terra come equilibrio operativo per uso quotidiano, Luna come livello ottimizzato per costo e latenza, una triade che riflette un mercato ormai maturo dove il problema non è più “avere un modello”, ma scegliere quale compromesso accettare tra potenza, costo e rischio.
La possibile riattivazione di Fable 5 da parte di Anthropic, dopo appena quindici giorni di oscuramento forzato imposto dal governo statunitense, rappresenta molto più di una semplice vicenda tecnologica. Segna probabilmente l’inizio di una nuova fase storica nella governance dell’intelligenza artificiale avanzata, una fase nella quale i modelli di frontiera cessano definitivamente di essere considerati prodotti software commerciali e diventano infrastrutture strategiche nazionali, al pari dei semiconduttori avanzati, delle tecnologie nucleari o dei sistemi satellitari. Secondo quanto riportato da Axios e confermato successivamente da Reuters, l’amministrazione Trump sarebbe vicina ad autorizzare il ripristino dell’accesso pubblico a Fable 5 già nei prossimi giorni, dopo intense negoziazioni con Anthropic.
L’industria del software sta assistendo a un cambiamento che rischia di essere molto più radicale del semplice passaggio dalla programmazione tradizionale agli assistenti AI. Il concetto di Loop Engineering, emerso quasi simultaneamente nel giugno 2026 grazie alle riflessioni di Addy Osmani, Peter Steinberger e Boris Cherny, introduce infatti una mutazione sostanziale nel ruolo dell’ingegnere: non si tratta più di scrivere prompt migliori, ma di costruire sistemi che generano autonomamente i prompt necessari agli agenti artificiali. In altre parole, l’essere umano esce dal ciclo operativo quotidiano e diventa architetto del ciclo stesso. La differenza può sembrare semantica; in realtà rappresenta una cesura storica comparabile all’introduzione delle pipeline CI/CD o del cloud computing.
La combinazione tra Kubeflow, Ubuntu e accelerazione GPU NVIDIA rappresenta oggi uno dei punti di attrito più interessanti nel ciclo di maturazione del machine learning enterprise, dove la distanza tra demo da laboratorio e sistemi realmente in produzione continua a essere sorprendentemente ampia. L’adozione di pipeline MLOps basate su Kubeflow su sistemi Ubuntu con supporto GPU non è più un esercizio accademico, ma una scelta architetturale che impatta direttamente costi, latenza e capacità di scalare modelli complessi in ambienti reali. Il punto centrale non è la tecnologia in sé, che è ormai relativamente standardizzata, quanto la disciplina necessaria per non trasformare Kubernetes in una versione ipercomplessa di un cluster sperimentale senza governance.
Qwen-Agentworld cambia le regole del gioco: gli agenti AI imparano finalmente come funziona il mondo
L’industria degli agenti di intelligenza artificiale ha celebrato sistemi capaci di cliccare pulsanti, scrivere codice, interrogare database e navigare il web. Una corsa impressionante, almeno sulla carta. Il problema è che la maggior parte di questi agenti assomiglia a un pilota che ha studiato perfettamente il manuale di volo senza aver mai realmente compreso la fisica dell’atmosfera. Sanno decidere quale azione eseguire, ma comprendono solo superficialmente come l’ambiente reagirà. Con Qwen-AgentWorld, il team Qwen di Alibaba propone una deviazione concettuale significativa: invece di costruire agenti sempre più sofisticati, costruisce un modello capace di simulare il mondo in cui tali agenti operano.
THE SHIFT TO AGENTIC AI: EVIDENCEFROM CODEX
La narrazione che circonda l’adozione degli agenti all’interno di OpenAI si sta spostando rapidamente da esperimento ingegneristico a dichiarazione di indipendenza organizzativa. Le informazioni circolate su un presunto documento interno e su una survey tra dipendenti, secondo cui strumenti come Codex arriverebbero a gestire la quasi totalità della produzione di codice e una parte crescente delle attività trasversali, dal legale alle risorse umane, descrivono un ambiente in cui l’interazione umana con il sistema non sarebbe più dialogica ma delegativa. Il dato simbolico del 99,8% non va letto come misura ingegneristica rigorosa, quanto come indicatore culturale, una soglia psicologica che racconta la trasformazione del lavoro più che la sua effettiva automazione.
La fotografia scattata dalla Commissione europea sullo stato del Decennio Digitale 2026 racconta un Paese molto diverso da quello che Bruxelles descriveva appena pochi anni fa. L’Italia accelera. Supera la media europea nella diffusione della fibra ottica FTTP, nella copertura 5G, nell’adozione del cloud, nell’analisi dei dati e nella digitalizzazione delle PMI. I servizi pubblici digitali, dall’identità elettronica alla sanità digitale, rappresentano ormai uno dei casi di maggiore successo dell’intero continente. Non è poco. In un Paese tradizionalmente accusato di lentezza amministrativa e cronica incapacità di esecuzione, il cambiamento è tangibile.
Per gran parte del 2024 e del 2025 il dibattito sull’intelligenza artificiale nelle imprese è stato sorprendentemente superficiale. Da una parte dirigenti convinti che bastasse acquistare qualche licenza di chatbot per dichiararsi “AI driven”; dall’altra sviluppatori concentrati quasi esclusivamente sulle ultime funzionalità degli agenti autonomi. Nel mezzo, un enorme vuoto culturale. Oggi, dai confronti con manager, CTO e responsabili dell’innovazione emerge una realtà meno glamour di quella raccontata dalle conferenze della Silicon Valley: il problema delle aziende non è più adottare l’AI, ma comprenderla.
La competizione globale sull’intelligenza artificiale ha appena superato un’altra linea rossa. La startup statunitense Anthropic ha accusato il gigante cinese Alibaba Group e il suo laboratorio Qwen di aver orchestrato il più grande attacco di “distillazione” mai rilevato contro i modelli Claude. Se le accuse fossero confermate, non si tratterebbe semplicemente di una violazione contrattuale, ma dell’ennesimo episodio di una crescente guerra industriale combattuta non con brevetti e tribunali, bensì attraverso API, account falsi e milioni di query automatizzate.
Il dibattito sul cosiddetto “loss of control” dell’intelligenza artificiale soffre da tempo di un problema quasi imbarazzante: nessuno aveva definito con precisione cosa significhi davvero “controllo”. Il nuovo paper “Reframing AI Loss of Control: What It Is, How to Have It, How to Lose It”, pubblicato da Ze Shen Chin, Maurice Chiodo, Dennis Müller e Coleman Snell, tenta finalmente di colmare questa lacuna concettuale proponendo una definizione rigorosa del controllo basata sulla capacità di fissare obiettivi e verificare che essi vengano effettivamente raggiunti. Si tratta probabilmente di uno dei contributi più sistematici emersi nel 2026 sul tema della sicurezza dell’AI avanzata. (vedi SSRN)
Nel settore dell’intelligenza artificiale il potere non si misura soltanto in parametri, GPU o miliardi raccolti. Si misura anche in chi siede al tavolo giusto nel momento giusto. E quando il fondatore di una delle aziende più influenti del pianeta smette improvvisamente di partecipare ai colloqui con la Casa Bianca, il mercato dovrebbe prestare attenzione.
OpenAI ha compiuto uno dei passi strategicamente più importanti della sua storia recente annunciando Jalapeño, il primo processore proprietario sviluppato insieme a Broadcom per eseguire modelli di intelligenza artificiale su larga scala. La notizia potrebbe sembrare soltanto un aggiornamento tecnico destinato agli ingegneri dei data center, ma in realtà rappresenta un cambiamento strutturale nell’economia dell’intelligenza artificiale. Fino a oggi OpenAI è stata principalmente un’azienda di software che dipendeva quasi completamente dall’hardware di Nvidia. Con Jalapeño, invece, l’azienda guidata da Sam Altman entra nel ristretto club delle società capaci di controllare contemporaneamente modello, infrastruttura e silicio.
I mercati stanno inviando un messaggio molto chiaro: l’era dell’intelligenza artificiale non è più soltanto una corsa tecnologica, ma una battaglia geopolitica, industriale e finanziaria nella quale vincere il modello migliore conta meno che controllare infrastrutture, semiconduttori e talenti. Le ultime sedute di Wall Street mostrano un settore AI sempre più maturo, volatile e attraversato da tensioni strategiche che ricordano più la competizione energetica degli anni Settanta che il tradizionale ciclo dell’innovazione software.
L’attenzione nell’ecosistema degli agenti di intelligenza artificiale si sta spostando con una rapidità quasi scomoda dal modello alla sua periferia operativa, cioè quell’insieme di istruzioni testuali che definiscono come un agente si comporta nel mondo reale. La retorica dominante ha a lungo celebrato i progressi dei modelli linguistici come se fossero il vero motore del cambiamento, ma nella pratica industriale emerge una verità meno elegante e più interessante: la differenza tra un agente mediocre e uno affidabile non è più il modello, bensì la qualità delle sue competenze codificate in file testuali strutturati. Questo spostamento di attenzione ha una conseguenza diretta, quasi imbarazzante nella sua semplicità, perché trasforma il prompt engineering in un problema di ingegneria dei sistemi, dove il testo diventa una forma primitiva di codice evolutivo.
L’idea che il DNA possa essere scritto come un programma informatico appartiene da anni all’immaginario della biologia sintetica. Oggi, tuttavia, questa metafora sta assumendo contorni molto più concreti. L’Arc Institute, il centro di ricerca non profit che ha già attirato l’attenzione globale con il modello generativo Evo, ha presentato Proto, un nuovo linguaggio di programmazione concepito per progettare sistemi biologici complessi attraverso astrazioni software ad alto livello. Se il lavoro manterrà le promesse iniziali, potremmo trovarci di fronte a un cambiamento concettuale paragonabile all’introduzione dei linguaggi di alto livello nell’informatica degli anni Sessanta.
Martedì NVIDIA ha compiuto un passo che va ben oltre il semplice rilascio di un nuovo framework software. Con il lancio di BioNeMo Agent Toolkit, reso disponibile in modalità open source, il gruppo guidato da Jensen Huang sta cercando di trasformare il modo in cui vengono condotte la ricerca biologica, la scoperta di farmaci e, più in generale, l’intera attività scientifica nelle scienze della vita. L’obiettivo dichiarato è ambizioso: consentire a ricercatori, laboratori e aziende biotech di costruire agenti di intelligenza artificiale specializzati anche senza possedere competenze avanzate di programmazione. Si tratta di una mossa strategica che amplia ulteriormente il raggio d’azione di Nvidia, ormai sempre meno semplice produttore di GPU e sempre più fornitore di infrastrutture complete per l’economia dell’intelligenza artificiale.
L’intelligenza artificiale sta ridefinendo gli equilibri economici, industriali e geopolitici globali. Mentre Stati Uniti e Cina consolidano il controllo sulle infrastrutture, sui modelli e sugli strumenti che alimentano la nuova economia digitale, l’Europa si trova di fronte a una scelta cruciale: continuare a essere una potenza regolatoria o costruire finalmente una capacità tecnologica propria.
È in questo contesto che si inserisce il nuovo report di Rivista.AI, realizzato in collaborazione con TechVisory, “La sovranità tecnologica europea nell’era dell’AI: la scommessa francese”, un’analisi che parte da una domanda semplice ma decisiva: la strategia francese può diventare il nucleo di una reale sovranità tecnologica europea oppure rischia di alimentare una nuova frammentazione continentale?