KM4BI KM4BI

Il modello open da 975 miliardi di Mira Murati, Ramin Hasani sull’IA post-transformer e Demis su una FINRA per l’IA

Moonshots collega Inkling, personalizzazione dei modelli, piccoli modelli di Liquid AI e governance dell’IA frontier.

Questo episodio di Moonshots mette a confronto tre nodi centrali dell’IA nel 2026: come governare i modelli frontier, come rendere sostenibili i modelli open weight e perché la prossima svolta potrebbe arrivare da sistemi più efficienti, non solo più grandi.

Inkling e la personalizzazione

Inkling, il primo modello di Thinking Machines, viene letto come un segnale di mercato. Il punto non è soltanto superare benchmark, ma offrire alle imprese un modo per adattare un modello generale a dati, workflow e vincoli proprietari.

Resta però aperta la domanda economica. Un rilascio open può generare reputazione e adozione, ma la monetizzazione richiede servizi di fine-tuning, piattaforme di adattamento o, in futuro, API chiuse per le capacità più differenzianti.

Regole che non diventino obsolete

L’idea di un organismo di standard per l’IA frontier ispirato alla FINRA viene considerata interessante ma difficile. Le leggi statiche rischiano di diventare vecchie appena approvate. Servono audit in tempo reale, benchmark aperti e meccanismi aggiornabili.

La proposta di legare il limite dei modelli aperti americani al livello dei migliori modelli cinesi open weight appare ancora più problematica: potrebbe dare a Pechino un’influenza indiretta sul ritmo dei rilasci statunitensi.

Liquid AI e i piccoli modelli

Ramin Hasani presenta Liquid AI come un laboratorio orientato a un’IA generale efficiente a ogni scala, esplorando grafi computazionali oltre il transformer. I piccoli modelli non sono semplicemente LLM ridotti: sono sistemi più facili da distribuire, personalizzare e ottimizzare.

Questa prospettiva è cruciale in produzione. Un modello compatto e ritoccabile può essere più utile di un grande generalista quando deve funzionare su CPU, in biotech, nel commercio o in un sistema fisico.

Auto-miglioramento e nuovi media

La discussione distingue vari livelli di auto-miglioramento: ottimizzazione di prompt e codice, fine-tuning di modelli più piccoli e, più avanti, automazione di parti del pre-training. Il tema centrale è l’accelerazione del ciclo sperimentale.

Lo stesso vale per gli avatar IA. Il valore non sta nel duplicare perfettamente una persona, ma nello sfruttare ciò che il mezzo rende possibile: dati in tempo reale, visualizzazioni, simulazioni e spiegazioni contestuali.

Da ricordare

Il vantaggio competitivo potrebbe spostarsi verso modelli adattabili, efficienti e controllabili. La dimensione conta ancora, ma contano sempre di più deployment, personalizzazione, loop di feedback e standard credibili.

Source