Mistral ha scelto un nome quasi caricaturale per una macchina che, dal punto di vista industriale, è tutt’altro che uno scherzo. Mistral Large 4, presentato il 6 ottobre 2026 e soprannominato “Le Chonk”, è un modello multimodale Mixture-of-Experts da oltre un trilione di parametri complessivi, progettato per combinare ragionamento, coding, capacità agentiche e comprensione di immagini e documenti. Nell’annuncio iniziale Mistral indica 49 miliardi di parametri attivi, mentre la documentazione tecnica pubblicata contestualmente riporta 52 miliardi attivi su 1,05 trilioni complessivi. È una differenza che merita di essere registrata, non drammatizzata: l’architettura è evidentemente ancora oggetto di aggiornamento mentre il modello continua il reinforcement learning. La sostanza, comunque, è chiara: una gigantesca capacità parametrica viene utilizzata attraverso una frazione degli esperti disponibili, riducendo il costo computazionale di ogni singola inferenza.
Claude Startups offre un anno di Claude Team, 1.000 dollari di crediti API e un pacchetto di servizi ai giovani sviluppatori. Il valore dell’iniziativa non è però soltanto economico: nella competizione tra OpenAI, Google e Anthropic, conquistare una startup significa provare a diventare l’infrastruttura sulla quale costruirà i propri prodotti.
DeepSeek sta raccogliendo almeno 12 miliardi di dollari prima di una possibile quotazione, Moonshot prepara Hong Kong dopo aver raggiunto una valutazione di 50 miliardi e Kling AI ha già scelto le banche per il proprio debutto. Dopo le IPO di Z.AI e MiniMax, la corsa cinese all’intelligenza artificiale entra in una nuova fase: quella in cui anche l’efficienza dei modelli deve fare i conti con il costo crescente di compute, chip, talenti e infrastrutture.
Reflection AI presenta Beam, un modello da 501 miliardi di parametri pensato per coding, reasoning e agenti, con l’ambizione di competere con GLM, Qwen e gli altri protagonisti dell’ecosistema cinese. Ma la partita va oltre i benchmark: mentre Washington prova a esportare “sovereign AI” nei Paesi alleati, avere modelli americani che possano essere installati, modificati e controllati diventa una questione geopolitica.
Un modello frontier è stato messo davanti a un bug noto nel motore V8 di Chrome, insieme alla relativa patch, e gli è stato chiesto di costruire l’exploit. Nel caso di Claude Mythos Preview, il risultato è stato molto più vicino a quello di un ricercatore umano di sicurezza che a quello di un normale assistente di coding: su 41 vulnerabilità testate, il modello ha raggiunto l’esecuzione arbitraria di codice in 18 casi, secondo i risultati pubblicati di ExploitBench. Il dato è particolarmente interessante perché il benchmark non considera più un crash come sinonimo di compromissione.
ExploitBench, sviluppato da Seunghyun Lee e David Brumley, entrambi collegati alla ricerca Carnegie Mellon, nasce proprio per correggere una debolezza metodologica dei precedenti benchmark di cybersecurity applicati ai modelli linguistici. L’exploitation non è un evento binario. Tra il momento in cui un agente raggiunge il codice vulnerabile e quello in cui riesce a prendere il controllo della macchina esiste una lunga sequenza di capacità intermedie, e il benchmark la divide in 16 livelli misurabili. Si parte dalla copertura del codice e dal crash, si passa attraverso primitive di lettura e scrittura dentro la sandbox, quindi fuori dalla sandbox, fino al controllo del flusso e all’arbitrary code execution.
Un sistema di intelligenza artificiale può produrre una decisione corretta, raggiungere metriche eccellenti e fallire comunque nel momento in cui qualcuno chiede di dimostrare, mesi dopo, perché quella decisione sia stata presa. È questo il punto più interessante di una ricerca firmata da sette ricercatori di Amazon, intitolata From Accuracy to Auditability: A Survey of Determinism in Financial AI Systems, la cui quarta versione, pubblicata il 26 agosto 2026, mette sotto pressione una delle convinzioni più comode dell’industria AI: se il modello è lo stesso, gli input sono gli stessi e il risultato sembra ragionevole, allora il sistema è riproducibile. Non necessariamente.
Il caso più elegante riguarda il credit scoring. Gli autori hanno mantenuto fissi modello, pesi e applicazione e hanno verificato quanto fossero stabili le spiegazioni prodotte da KernelSHAP, utilizzato con 100 campioni, sul dataset UCI German Credit. Il risultato è tutt’altro che rassicurante: con la codifica a 20 attributi, l’indice Jaccard sui primi tre motivi di rifiuto è 0,74, il che significa che circa una volta su quattro l’insieme delle prime tre ragioni cambia tra esecuzioni indipendenti. Con la codifica one-hot a 48 colonne la stabilità scende ulteriormente, fino a 0,61. In altre parole, il modello può decidere la stessa cosa mentre l’algoritmo incaricato di spiegare quella decisione racconta una storia diversa.
Sam Altman ha appena pronunciato una frase che, nel mercato dell’intelligenza artificiale, dovrebbe essere molto più importante di qualsiasi demo di un nuovo modello: il mondo dovrà accettare che alcune cose negative accadano per ottenere i benefici dell’AI. Tra queste, secondo quanto riportato da POLITICO, ci sono anche attacchi informatici significativi e truffe. Il ragionamento di Altman è lineare nella sua brutalità economica: se l’intelligenza artificiale produce nel complesso molto più bene che male, renderla accessibile a tutti resta preferibile a costruire un sistema talmente restrittivo da impedire anche gli utilizzi positivi. La questione interessante, naturalmente, non è stabilire se Altman abbia ragione o torto. È capire chi decide quanto danno siamo disposti ad accettare quando il prodotto in questione è anche una delle infrastrutture tecnologiche più potenti mai distribuite su scala globale.
Il manager non gestirà più il lavoro. Progetterà il sistema che lavora
Storicamente il management ha avuto un obiettivo fondamentale: coordinare il lavoro delle persone. Distribuire attività. Far circolare informazioni. Controllare avanzamenti. Risolvere eccezioni. Allocare risorse. Verificare risultati.
Una grossa parte dell’organizzazione moderna è nata per risolvere questo problema.
Ma cosa accade adesso quando una parte crescente della ricerca, dell’analisi, del coordinamento e perfino dell’esecuzione può essere affidata a sistemi intelligenti? La risposta più superficiale è che avremo bisogno di meno manager. Quella più interessante è che avremo bisogno di un management diverso.
Qualcomm e Huawei firmano un accordo pluriennale sui brevetti che comprende 5G, AI, compute e networking. Per anni era il gruppo cinese a pagare per accedere alla proprietà intellettuale americana; ora una parte del flusso tecnologico va nella direzione opposta. Non significa che Pechino abbia colmato il gap nei semiconduttori, ma mostra come la sovranità possa costruirsi anche trasformando una dipendenza in proprietà intellettuale.
Microsoft riduce di oltre un terzo la spesa interna prevista per i modelli di Anthropic, mentre Meta dimezza gli utilizzatori di Claude Code e spinge i propri strumenti. Alla vigilia dell’IPO emerge uno dei rischi strutturali del business dell’AI: vendere tecnologia alle stesse Big Tech che hanno capitale, modelli e infrastrutture per provare a sostituirla.
Dopo i data center, tocca ai chip. Amazon sta discutendo con investitori un’operazione che trasferirebbe circa 8 miliardi di dollari di GPU Nvidia Grace Blackwell in uno special purpose vehicle, finanziato attraverso debito collocato presso soggetti esterni. I chip, già installati in oltre una dozzina di data center distribuiti in almeno cinque Stati americani, continuerebbero a essere utilizzati da Amazon attraverso un contratto di leaseback. La società potrebbe mantenere fino al 10% dell’equity del veicolo. I colloqui sono ancora in corso e Amazon non ha commentato pubblicamente l’operazione.
Dopo Floridi e LeCun, il dibattito sulla frontiera compie un altro passo. Leone XIV sostiene che tra l’opera dell’uomo e quella generata da una macchina esiste una differenza “ontologica”. Anthropic, intanto, studia da tempo la possibilità che sistemi come Claude possano possedere forme di esperienza moralmente rilevanti. Secondo un’inchiesta del New York Times, alcuni suoi esponenti avrebbero persino cercato di convincere interlocutori vaticani a prendere sul serio l’ipotesi della coscienza artificiale. Tutti questi elementi ci raccontano che sta emergendo una domanda ancora più profonda di quella sulla safety: chi avrà il potere di stabilire che cosa è una macchina?
INCHIESTA | CHI GOVERNA LA FRONTIERA — 08
Finora una parte importante della discussione su chi debba governare la frontiera dell’intelligenza artificiale si è svolta dentro le aziende che quella frontiera la stanno costruendo. Dario Amodei ha chiesto di rallentare in prossimità delle capacità più avanzate, Elon Musk gli ha dato ragione, Sam Altman ha sostenuto la necessità di valutazioni esterne, Demis Hassabis ha indicato nella cooperazione tra industria e istituzioni una delle condizioni necessarie per affrontare sistemi sempre più potenti.
Poi è entrata in campo la Casa Bianca. Pochi giorni fa Donald Trump ha riunito Google, Anthropic, Meta, OpenAI, xAI e Nvidia intorno a un accordo volontario sulla Super Intelligence, definito dalla stessa amministrazione “morally binding”: non una legge, nessuna sanzione automatica, ma un primo insieme di impegni condivisi tra governo e aziende impegnate nello sviluppo dei sistemi più avanzati.
Adesso arriva il passaggio successivo.
Papa Leone XIV ha scelto una parola impegnativa per entrare nel dibattito sull’arte generata dall’intelligenza artificiale: ontologica. Il 2 ottobre, incontrando artisti e curatori in Vaticano, il Pontefice ha sostenuto che tra l’arte prodotta dall’essere umano e ciò che una macchina genera attraverso il calcolo statistico esiste una differenza che precede persino quella estetica. Gli algoritmi, ha affermato, «lack the spark of humanity», non possiedono cioè quella scintilla umana che rende l’opera qualcosa di diverso da una semplice combinazione di forme, riferimenti e probabilità. Non è una distinzione marginale. In un mercato nel quale Midjourney, OpenAI, Google e una lunga processione di modelli generativi hanno trasformato la produzione visuale in una funzione accessibile a chiunque abbia una tastiera, il Papa sta spostando la discussione dal terreno della qualità a quello della natura stessa dell’opera.
L’acquisto di software ha sempre significato mettere a confronto funzionalità, prezzo, livelli di servizio, sicurezza e capacità di integrazione. L’intelligenza artificiale non cancella nessuno di questi criteri, ma ne aggiunge altri che rendono la decisione molto meno simile all’acquisto di una normale applicazione.
Quando un’impresa o una pubblica amministrazione compra un sistema AI, infatti, non sceglie soltanto uno strumento. Decide dove far transitare dati e documenti, quale infrastruttura diventerà parte dei propri processi, da quale fornitore potrebbe diventare difficile separarsi e, in alcuni casi, sotto quale giurisdizione finirà una parte della propria capacità operativa.
Ed è una differenza questa che sta cominciando a entrare anche nelle regole europee.
AWS rinuncia agli accordi di riservatezza con le amministrazioni locali e investe nelle comunità che ospitano i suoi data center. Con oltre cento moratorie allo studio e il tema ormai dentro la campagna per le elezioni di Midterm, Big Tech scopre che energia, acqua e consenso locale sono diventati parte del Capex.
Nel 2023 Samsung scoprì uno dei paradossi destinati ad accompagnare la diffusione dell’intelligenza artificiale nelle imprese. Alcuni dipendenti della divisione semiconduttori avevano utilizzato ChatGPT per lavorare meglio: correggere codice, analizzare informazioni tecniche, sintetizzare una riunione. Nessuno stava cercando di sottrarre informazioni all’azienda. Eppure, proprio nel tentativo di rendere più efficiente il proprio lavoro, avevano cominciato a trasferire all’esterno frammenti del patrimonio informativo dell’organizzazione.
È da questo episodio che prende le mosse “L’effetto mosaico. Come l’intelligenza artificiale ricostruisce il know-how delle imprese e ridisegna i confini della sovranità industriale”, il nuovo Paper di Rivista.AI che conclude la serie dedicata alla Sovranità Tecnologica, realizzato con il contributo di Franco Bernabè, presidente di TechVisory e tra gli osservatori più autorevoli della trasformazione tecnologica e industriale italiana.
Il premio Turing attacca frontalmente Dario Amodei, considera evitabili gli incidenti degli agenti autonomi e sostiene che il problema non siano macchine destinate a sfuggire al controllo umano, ma sistemi progettati e sorvegliati male. Dietro lo scontro personale emerge però una questione molto più importante: se i frontier lab definiscono contemporaneamente il rischio e le regole necessarie per contenerlo, la safety può trasformarsi anche in una barriera all’ingresso. È un’altra strada che conduce alla stessa domanda posta da Luciano Floridi “chi controlla chi costruisce l’AI?” e che abbiamo affrontato nella nostra inchiesta “Chi governa la frontiera”.
Più della metà della popolazione cinese utilizza ormai strumenti di intelligenza artificiale generativa. In appena sei mesi gli utenti sono aumentati di circa 100 milioni, mentre la capacità di calcolo dedicata all’AI è cresciuta del 177% in un anno. Numeri che raccontano una trasformazione forse meno spettacolare della corsa ai nuovi modelli, ma probabilmente più importante: l’AI sta entrando nella quotidianità digitale cinese.
78 miliardi di parametri, appena 3,46 miliardi attivi, pesi aperti e un modello costruito in Europa per lavorare soprattutto su documenti, industria e amministrazione. Kolibri non porta l’Europa alla frontiera di GPT, Claude e Gemini, suggerisce però che la sovranità tecnologica potrebbe non richiedere di vincere quella gara.
DeepSeek ha reso open source una suite di strumenti software ottimizzati per i processori Ascend di Huawei. L’obiettivo è costruire un ecosistema nel quale modelli, chip e software cinesi possano funzionare senza dipendere dallo stack Nvidia. Dopo anni di restrizioni americane sui semiconduttori, la competizione USA-Cina sull’AI si sposta così su un terreno meno visibile ma forse ancora più difficile da controllare: quello degli sviluppatori.
La società francese apre in Germania un hub dedicato a Industrial AI e Physics AI e lavora già con BMW e Siemens Energy. Dopo il round da 3 miliardi di euro, emerge con maggiore chiarezza la strategia di Mistral: non inseguire soltanto OpenAI, Anthropic e Google sul terreno dei chatbot, ma portare i propri modelli dove l’Europa possiede ancora un vantaggio difficile da replicare, dentro l’industria.
A 36 anni dalla morte, Greta Garbo è tornata sullo schermo per una campagna di SKF, l’azienda svedese per la quale aveva lavorato agli inizi della carriera. Dietro il volto della Divina c’è un’attrice reale, ma le sembianze sono state ricreate con l’intelligenza artificiale. E gli eredi non escludono che il prossimo passo possa essere addirittura un nuovo film.
Il filosofo dell’informazione contesta gli scenari catastrofici evocati dai frontier lab e indica un pericolo già presente: la concentrazione dei modelli, del compute e del potere decisionale nelle mani di poche aziende private. A poche settimane dalla sua intervista a La Stampa, il vertice di Trump con i leader dell’AI rende quella domanda ancora più attuale: chi controlla chi sta costruendo la nuova infrastruttura cognitiva?
Il gruppo cinese avrebbe firmato un contratto quinquennale da 7 miliardi di dollari per utilizzare circa 100 mila chip AI avanzati nei data center Oracle del Sud-est asiatico. Per Oracle è una nuova conferma della domanda che sostiene la corsa al Capex, con circa 2,1 miliardi anticipati dal cliente. Ma l’accordo mostra soprattutto quanto sia diventato difficile separare Stati Uniti e Cina nell’AI: si può limitare l’esportazione dei chip, molto meno facilmente l’accesso al calcolo quando il compute attraversa il cloud.
Intervistato dal Time, il presidente americano non ha escluso che Washington possa acquistare partecipazioni nei due principali frontier lab statunitensi, seguendo il precedente creato con Intel. Per ora non esiste un accordo, ma l’ipotesi aggiunge un nuovo livello alla relazione sempre più stretta fra governo federale e industria dell’intelligenza artificiale.
Lefebvre Giuffrè celebra all’Accademia dei Lincei i 70 anni di Giurisprudenza Costituzionale guardando all’intelligenza artificiale come strumento per rendere accessibile un patrimonio costruito nel tempo. È anche una chiave per capire una delle questioni centrali del Legal AI: quando un algoritmo entra nel diritto, la qualità del modello conta, ma conta ancora di più sapere su quali fonti sta ragionando.
44 mila persone hanno presentato un’obiezione formale affinché i propri dati sanitari non vengano trattati attraverso la Federated Data Platform, l’infrastruttura nazionale realizzata dal NHS inglese utilizzando la tecnologia di Palantir.
Il numero, rivelato dal Guardian, è significativo non soltanto per le dimensioni della protesta ma anche perchè mostra quanto rapidamente una questione apparentemente tecnica, quale piattaforma utilizzare per integrare i dati del sistema sanitario, possa trasformarsi in un problema di fiducia, governance e accettabilità sociale della tecnologia.
L’intelligenza artificiale non è soltanto una questione di competitività tecnologica. Nel ragionamento che Mario Draghi ha portato ieri a Zurigo diventa una variabile della sostenibilità finanziaria dell’Europa. L’ex presidente della Banca centrale europea parte da un problema apparentemente lontano dall’AI: il debito pubblico.
Invitalia ha approvato 1,3 miliardi di euro di sostegno pubblico per l’impianto di advanced packaging che Silicon Box vuole realizzare a Novara. L’investimento complessivo vale 3,2 miliardi e può portare in Italia una tecnologia strategica per AI, high-performance computing e automotive. Ma dall’annuncio del marzo 2024 all’apertura prevista del cantiere nella primavera 2027 passeranno circa tre anni. Il problema non è quanto tempo occorra per costruire una fabbrica di semiconduttori, è quanto ne consumiamo prima di cominciare a costruirla.
Elon Musk torna a lavorare con l’amministrazione di Donald Trump, ma questa volta il terreno non è l’efficienza della macchina federale: è la guerra dei prossimi decenni.
Il segretario alla Difesa Pete Hegseth ha affidato a Musk, al fondatore di Anduril Palmer Luckey e all’ex speaker repubblicano della Camera Newt Gingrich la guida di Project Meridian, un progetto di 120 giorni con il quale il Pentagono vuole provare a identificare come potrebbero cambiare i campi di battaglia e quali capacità e tecnologie saranno necessarie alle forze armate statunitensi per mantenere il proprio vantaggio militare.
La Casa Bianca ha scelto una formula che dice molto sulla fase attuale dell’intelligenza artificiale: se il software sta diventando autonomo, la regolazione resta invece sorprendentemente volontaria. Il 29 settembre Donald Trump ha presentato il White House Accord on Super Intelligence, un accordo sottoscritto dal presidente e dai rappresentanti di Google, Anthropic, Meta, OpenAI, xAI e Nvidia, con l’obiettivo dichiarato di introdurre una struttura comune di controllo sui sistemi di frontiera. Trump lo ha definito “morally binding” e lo ha paragonato, nelle sue dichiarazioni, a una sorta di costituzione dell’industria. Formalmente, però, non è una legge, non introduce sanzioni e non crea un obbligo regolatorio federale equivalente a quello di una normativa vincolante.
Il nuovo chatbot del governo statunitense ha un problema insolito: quando gli si chiede qualcosa su Minecraft, smette di comportarsi come uno sportello digitale e comincia a recitare una poesia esistenziale di circa 1.800 parole, nella quale il linguaggio cosmico di un videogioco viene sostituito da moduli amministrativi, codici postali e regolamenti federali. Non è un’allucinazione nel senso abituale del termine. È un easter egg, una sorpresa deliberatamente inserita nel sistema, che porta con sé una domanda decisamente meno divertente: chi ha deciso che un servizio pubblico federale dovesse contenere una citazione letteraria proveniente da uno dei videogiochi più popolari della storia?
L’Università di Trento ha intitolato oggi, 1 ottobre 2026, gli spazi di ricerca degli edifici 10 e 14 di Progetto Manifattura a Rovereto a Valentino Braitenberg, neuroscienziato, cibernetico e protagonista di una stagione scientifica nella quale i confini tra biologia, tecnologia e filosofia erano ancora territori da esplorare, non categorie da trasformare in dipartimenti. Nasce così il Braitenberg Brain Research Hub, una denominazione che non si limita a celebrare la memoria di uno scienziato, ma restituisce una precisa identità culturale alla ricerca neuroscientifica dell’Ateneo trentino, nel centenario della sua nascita.
La cerimonia ha riunito rappresentanti dell’Università, della Provincia autonoma di Trento e del Comune di Rovereto, insieme a ricercatori, collaboratori e persone che hanno condiviso con Braitenberg un percorso intellettuale e umano. Tra loro la figlia Carla. Particolarmente significativo l’intervento di Giorgio Vallortigara, che ha ricordato come lo sviluppo del polo roveretano delle scienze cognitive sia legato anche alla presenza e all’iniziativa di Braitenberg. «Non è solo un omaggio formale: è la chiusura di un cerchio», ha dichiarato, sottolineando una continuità scientifica che attraversa il Laboratorio di Scienze cognitive, il Dipartimento di Psicologia e Scienze cognitive e il CIMeC.
Google torna nella competizione dei modelli di frontiera con Gemini 4 Argon, il nuovo modello di punta presentato il 30 settembre 2026, dopo una lunga pausa nella fascia più avanzata della propria offerta. Il lancio segna un passaggio rilevante per Google DeepMind, che negli ultimi mesi aveva lasciato spazio ai concorrenti nella corsa ai modelli più sofisticati, mentre OpenAI e Anthropic consolidavano le rispettive posizioni. Argon arriva con una combinazione che merita attenzione: prestazioni competitive nei benchmark indipendenti, una capacità di generazione fino a un milione di token e un prezzo introduttivo significativamente inferiore a quello di GPT-6 Astra. Non è ancora un prodotto disponibile per il mercato generale, ma il messaggio industriale è abbastanza chiaro: Google vuole tornare a competere non soltanto sulla qualità dei modelli, ma anche sul costo necessario per trasformarli in infrastrutture operative.
Settembre 2026 lascia in eredità a Wall Street una contraddizione che merita attenzione. Gli indici azionari americani continuano a mostrare una notevole capacità di resistenza, mentre il mercato obbligazionario registra tensioni che raccontano una storia meno rassicurante. Il rendimento del Treasury decennale ha raggiunto il 5,3%, il debito pubblico statunitense ha superato i 40.000 miliardi di dollari e le elezioni di metà mandato del 3 novembre si avvicinano in un momento nel quale la sostenibilità fiscale americana è tornata al centro delle preoccupazioni degli investitori.
Il mercato delle IPO tecnologiche sta mostrando segnali di rallentamento proprio mentre Anthropic prepara quella che potrebbe diventare una delle maggiori quotazioni della storia del settore. Il problema non riguarda soltanto la volatilità finanziaria, ma una questione più strutturale: gli investitori stanno diventando meno disponibili a finanziare promesse di crescita che richiedono capitali enormi, infrastrutture ancora da costruire e ritorni economici difficili da quantificare.
Il rinvio della quotazione di Oura, azienda produttrice di anelli intelligenti per il monitoraggio della salute e dell’attività fisica, si inserisce in una sequenza di operazioni sospese o rallentate. Nella stessa direzione si sono mosse Amaero, società specializzata nella produzione di metalli avanzati, e Holtec Nuclear Corp., mentre SB Energy, controllata da SoftBank e attiva nello sviluppo di infrastrutture energetiche per data center, non ha ancora avviato la commercializzazione della propria offerta dopo aver depositato la documentazione per l’IPO il primo settembre.
C’è un’espressione associata al pensiero di Braitenberg che merita di essere ricordata: the law of uphill analysis and downhill invention.
L’analisi procede in salita, la costruzione in discesa.
Capire come funziona un sistema biologico estremamente complesso può essere difficilissimo. Costruire un sistema artificiale che produca un comportamento simile può invece risultare relativamente semplice.
È una provocazione nei confronti della nostra tendenza a confondere la complessità del risultato con quella del processo che lo genera.
La Federal Trade Commission ha aperto un’indagine ad ampio raggio sulla sicurezza dei sistemi di intelligenza artificiale sviluppati da OpenAI, Anthropic e altri laboratori americani. I confini dell’inchiesta non sono ancora completamente definiti, ma l’agenzia starebbe preparando richieste formali di informazioni e potrebbe chiamare i dirigenti delle società a testimoniare. Nell’indagine compare anche METR, l’organizzazione indipendente che conduce valutazioni sui rischi dei modelli più avanzati.
OpenAI accusa la cinese Moonshot AI di aver partecipato a una campagna coordinata per estrarre il reasoning dei suoi modelli GPT e utilizzarne potenzialmente le capacità per addestrare sistemi concorrenti. Il caso riapre una questione destinata a diventare centrale nella competizione tra Stati Uniti e Cina: quando la distillazione smette di essere una normale tecnica di sviluppo e diventa appropriazione del vantaggio tecnologico di un concorrente?