AI: la discesa verso l’apprendimento autonomo ricorsivo è sempre più ripida e scivolosa

Cosa è successo

Epoch AI, uno dei centri di ricerca più citati sulle traiettorie di sviluppo dell'intelligenza artificiale, ha pubblicato un'analisi approfondita sul progresso software nell'AI, ovvero la capacità di ottenere le stesse prestazioni impiegando sempre meno risorse computazionali. La stima è che, ogni dodici mesi, la potenza di calcolo necessaria per raggiungere un certo livello di capacità si riduce di circa dieci volte, in ordine di grandezza. La forchetta di incertezza è enorme (da 2x a 50x), ma la direzione non è in discussione.
La velocità e la traiettoria sono variabili più o meno note, ma l’alimentazione, osserva il ricercatore Anson Ho, non è data una pioggia continua di nuovi algoritmi. La maggior parte dei guadagni di efficienza proviene dal miglioramento della qualità dei dati e dallo scaling di una manciata di innovazioni architetturali, transformer su tutti (un po’ la famosa bitter lesson di Sutton).

Perché è importante

Dieci volte all'anno è una velocità difficile da afferrare intuitivamente. Eppure i suoi effetti sono già visibili. Claude Code, il tool di coding AI di Anthropic, è nato come side project interno, un esperimento di un ingegnere in una divisione che lui stesso paragonava ai Bell Labs — oggi genera $2,5 miliardi di ricavi annualizzati. Due terzi dei dipendenti di Spotify, ex multis, lo usano; utenti più avanzati lo lasciano lavorare in autonomia per 45 minuti di fila. In sei mesi ha raggiunto il primo miliardo, in dodici il secondo e mezzo.
Paul Ford, veterano dell'industria software e cofondatore di una piattaforma AI, ha descritto sul New York Times l'esperienza dal lato opposto, raccogliendo un sentiment comune: a novembre scorso qualcosa è scattato. I coding agent sono passati da utili-ma-goffi ad essere capaci di produrre siti e applicazioni credibili in un'ora, autonomamente.
Ford ha rifatto il proprio sito personale con Claude Code — un lavoro per cui, fino a poco prima, stima che avrebbe pagato $25.000. Un progetto di data conversion da $350.000 (un product manager, un designer, due ingegneri, sei mesi) l'ha completato nei ritagli di tempo in metro.
L'effetto non è graduale, ma a soglia. Il progresso si accumula sotto la superficie — dati migliori, modelli più efficienti, ciascun miglioramento impercettibile singolarmente — e poi emerge tutto insieme quando uno strumento supera il punto in cui diventa concretamente utilizzabile. È il motivo per cui il mercato reagisce a scossoni anziché adattarsi progressivamente (si vedano i titoli software che crollano in due giorni o il post di Citrini che manda IBM al peggior calo in 25 anni).
Poi c’è l’aspetto di ricorsività: Anthropic usa internamente Claude Code per sviluppare i prossimi modelli di Claude. Al momento ancora sotto supervisione umana, ma la prossima tappa è l’autonomizzazione completa del ricercatore AI.
Epoch dedica una sezione significativa della propria analisi proprio a questo scenario, la cosiddetta "software intelligence explosion": se il progresso software si autoalimenta, accelera in modo esponenziale.
La conclusione è che il meccanismo è plausibile benché non inevitabile, sia per il verosimile bottleneck di potenza di calcolo sia perché ulteriori breakthrough di natura diversa (hardware, ad esempio) potrebbero essere necessari. Lo stato attuale della ricerca non ha una risposta definitiva.
Svariate voci autorevoli — Demis Hassabis, Yann LeCun, in parte Andrej Karpathy — ritengono che paradigma corrente (architettura transformer e post-training con reinforcement learning, in buona sostanza) sia insufficiente, e non è una posizione marginale. Ma il recursive self-improvement non è più uno scenario teorico: sta già accadendo in forma embrionale, e liquidarlo tout-court come fantascienza sarebbe un errore altrettanto ingenuo.

E adesso?

Il pezzo di Ford cattura bene la doppia natura di questo momento: uno sviluppatore veterano che si entusiasma per ciò che riesce a fare da solo in metro — mentre gli tornano in mente i volti degli ex dipendenti che non potrebbe più assumere, perché non saprebbe come fatturare il loro tempo — è un’immagine forte, benché vagamente romanzata e non generalizzabile. E non isolata, come anche il viralissimo post di Matt Schumer aveva mostrato un mese fa. Un’altra soglia è stata superata, e noi siamo qui a provare a capirne le conseguenze.