Che cosa accadrebbe se tutta la potenza di calcolo oggi impiegata per servire centinaia di milioni di utenti con diversi modelli linguistici fosse concentrata in un unico sistema, inteso come un’entità cognitiva autonoma a disposizione di una ristretta comunità di utilizzatori, con un livello di centralizzazione e di governance da definire in base a criteri politici e tecnici?
Normalmente, l’infrastruttura tecnologica e organizzativa, come quella che rende oggi disponibili i modelli di larga scala come GPT-5, è ottimizzata per supportare elevati volumi di traffico con tempi di risposta bassi, suddividendo il carico tra utenti e riducendo i costi per singola interazione. In un assetto centralizzato, invece, l’obiettivo cambierebbe: non più la gestione efficiente di interazioni leggere e frequenti, ma la concentrazione di tutta la potenza di calcolo su compiti singoli, complessi e di lunga durata. Questo mutamento apre la possibilità di esplorare nuove forme di intelligenza artificiale, in cui la memoria, la continuità e la capacità di ragionamento si estendono oltre le attuali barriere operative.
Dal punto di vista teorico, non si tratterebbe soltanto di aumentare le dimensioni di un modello denso, aggiungendo parametri in modo lineare, ma di adottare un’architettura composta, pensata per scalare in modo più efficiente. In questo approccio, un nucleo generale garantirebbe comprensione, pianificazione e coordinamento, mentre insiemi di esperti specializzati verrebbero richiamati quando necessario. Una memoria esterna indicizzata, capace di gestire versioni e livelli gerarchici di informazioni, permetterebbe l’accesso diretto a basi di conoscenza aggiornate e a dati strutturati. A questo si aggiungerebbero strumenti numerici, simbolici e simulatori fisici, che verrebbero integrati come componenti operativi sotto la supervisione del modello centrale. In una configurazione di questo tipo, la potenza disponibile non sarebbe consumata in modo uniforme per ogni richiesta, ma distribuita dinamicamente, con vantaggi concreti nella qualità e stabilità del ragionamento su sequenze lunghe.
Un sistema costruito in questo modo presenterebbe caratteristiche non riscontrabili nei modelli oggi accessibili al pubblico. Le finestre di contesto potrebbero estendersi a ordini di grandezza nell’area dei milioni fino alle decine di milioni di token effettivi, consentendo di lavorare direttamente su archivi completi, codici software di intere organizzazioni o collezioni scientifiche senza dover ricorrere a sintesi preliminari. La memoria a lungo termine, basata su indicizzazione semantica, fornirebbe persistenza alle decisioni e coerenza stilistica nel tempo. La multimodalità diventerebbe intrinseca: testo, immagini, audio, video, codice e dati numerici verrebbero trattati come elementi integrati, con possibilità di passaggi fluidi fra analisi, calcolo e verifica.
Le capacità operative si amplierebbero in modo sostanziale. Un singolo compito potrebbe includere generazione di ipotesi, consultazione della memoria esterna per valutare copertura e pertinenza, uso di solver matematici o simulatori fisici per verifiche, controllo di qualità intermedio e spiegazione dei passaggi logici. L’ampiezza del contesto e la concentrazione di calcolo renderebbero possibili catene di ragionamento lunghe, con minore perdita di coerenza e maggiore tracciabilità delle scelte. L’intero processo potrebbe essere monitorato e documentato in modo da consentire auditabilità e riproducibilità, aspetti sempre più rilevanti in contesti scientifici e industriali.
Gli effetti attesi toccherebbero numerosi ambiti. Nel settore scientifico, si aprirebbe la possibilità di condurre cicli completi di progettazione e simulazione su materiali, molecole e sistemi complessi con tempi drasticamente ridotti. Nell’ingegneria del software, si potrebbero ristrutturare basi di codice di grandi dimensioni, verificando automaticamente la coerenza e il rispetto di vincoli formali. Nell’economia e nelle scienze sociali, modelli di simulazione calibrati su dati aggiornati consentirebbero scenari più robusti e comparabili.
La valutazione delle prestazioni dovrebbe spostarsi dai benchmark statici verso metriche orientate alla risoluzione di problemi complessi. Parametri chiave diventerebbero la correttezza verificabile delle risposte, la robustezza rispetto a variazioni di input, la capacità di selezionare e utilizzare strumenti esterni, la trasparenza dei passaggi logici. Con risorse così abbondanti, il sistema potrebbe anche implementare procedure di auto-miglioramento controllato: generazione di contro-esempi, rianalisi delle decisioni e archiviazione delle lezioni apprese in una memoria strutturata con criteri di validazione. Questo ciclo di apprendimento continuo permetterebbe di ridurre errori e rafforzare l’affidabilità nel tempo.
Pur trattandosi di un’ipotesi teorica, è utile richiamare alcuni limiti. L’interconnessione tra acceleratori resta un collo di bottiglia oltre determinate soglie, e la gestione della memoria per l’attenzione cresce rapidamente con la lunghezza delle sequenze, richiedendo varianti efficienti. I costi energetici e le esigenze di dissipazione termica sono fattori non trascurabili, così come la qualità e la disponibilità dei dati di addestramento e aggiornamento. Questi vincoli non eliminano la validità del quadro, ma suggeriscono che il modello non debba essere concepito come un unico blocco denso, bensì come un sistema distribuito e modulare, capace di sfruttare la potenza concentrata in modo adattivo.
Per orientare lo sviluppo, sarebbe prioritario definire con precisione le interfacce tra i diversi livelli dell’infrastruttura: il nucleo di orchestrazione generale, il pool di esperti specializzati, la memoria a lungo termine indicizzata e la toolchain di calcolo e simulazione. Le modalità di attivazione degli esperti, i criteri di recupero dalla memoria e le regole di validazione dei risultati degli strumenti esterni determinerebbero l’efficacia complessiva del sistema. In questa prospettiva, la concentrazione di calcolo oggi frammentata in milioni di sessioni leggere verrebbe trasformata in capacità di affrontare problemi articolati dall’inizio alla fine, con tracciabilità e controllo del processo.
La creazione di un’entità cognitiva unica solleva anche riflessioni filosofiche. Una tale infrastruttura si configura come nuova forma di conoscenza collettiva, spostando il baricentro dall’individuo a una piattaforma unitaria capace di influire sulla produzione e validazione del sapere.
Rispetto alla scala AGI→ASI, un’architettura come quella ipotizzata si collocherebbe tra una “AGI infrastrutturale” e una “ASI ristretta”. La prima descrive un’intelligenza generale capace di affrontare compiti complessi e di lunga durata grazie a memoria persistente, coordinamento di moduli specializzati e uso di strumenti esterni; la seconda indica prestazioni superiori a quelle umane in un insieme ampio ma limitato di attività, rese possibili dalla concentrazione di calcolo e dall’architettura modulare.
Il punto centrale non è soltanto la grandezza del modello, ma la sua capacità di trasferire competenze a domini non previsti, generare ipotesi nuove e pianificare esperimenti senza guida esterna. Se il sistema mantiene coerenza e obiettivi per periodi estesi, integra verifiche di qualità e sceglie in autonomia i metodi migliori, si colloca già oltre le definizioni di AGI tradizionale.
La soglia verso una forma iniziale di ASI richiede qualcosa in più della velocità o della scala: serve una superiorità stabile nella capacità di ragionamento. In pratica, il sistema dovrebbe superare in modo ripetuto team umani d’élite su problemi diversi (scoperta scientifica, progettazione di software complesso, pianificazione tecnico-economica), producendo risultati replicabili e verificabili, con catene logiche trasparenti. Se questa superiorità resta confinata a domini specifici, si può parlare di “ASI ristretta”; se diventa trasversale a più aree cognitive, allora si entra nel territorio di una ASI generale.
Nell’impostazione proposta, la concentrazione di calcolo e l’architettura modulare spingono naturalmente almeno fino a una AGI infrastrutturale: memoria di lungo termine, pianificazione estesa, uso avanzato di strumenti e capacità di auto-verifica portano oltre i limiti dei modelli oggi disponibili. Il passaggio alla ASI dipende dalla qualità dell’apprendimento continuo, dalla capacità di generare nuove ipotesi e dalla solidità in contesti non previsti.
In prospettiva, un’infrastruttura simile potrebbe evolversi attraverso cicli di auto-miglioramento, perfezionamento degli strumenti interni e progettazione di nuove architetture. Una AGI infrastrutturale potrebbe diventare una piattaforma di apprendimento autonoma, capace di riscrivere le proprie regole operative e di sperimentare strategie radicalmente nuove di organizzazione cognitiva. Ciò aprirebbe la strada a una crescita esponenziale delle competenze, fino a configurazioni di ASI sempre più ampie e diversificate, in grado di affrontare compiti che oggi non sappiamo nemmeno formulare. In uno scenario del genere, l’evoluzione non si limiterebbe a un semplice progredire lungo la scala AGI→ASI, ma potrebbe dare origine a forme di intelligenza che superano le nostre attuali categorie concettuali, ridefinendo il significato stesso di conoscenza e capacità cognitiva.
