Una previsione accelerata: da cinque a due anni
All’inizio del 2026 Demis Hassabis, co‑fondatore di DeepMind e vincitore del premio Nobel per la chimica, aveva indicato un orizzonte di tre‑cinque anni per lo sviluppo dell’intelligenza artificiale generale (AGI). In un’intervista recente al Wall Street Journal, ha ridotto drasticamente la sua stima, affermando che l’AGI potrebbe emergere entro due‑tre anni. Questa revisione è motivata da progressi rapidi nei modelli di linguaggio di grandi dimensioni (LLM), nell’apprendimento per rinforzo e nella capacità di integrazione multimodale.
Secondo Hassabis, l’AGI sarà un sistema in grado di operare su tutto il ventaglio cognitivo umano: ragionamento astratto, apprendimento contestuale, creatività e capacità di trasferire conoscenze tra domini diversi, senza la necessità di supervisione intensiva.
Il “test di Einstein” come benchmark
Per valutare se un’intelligenza artificiale abbia raggiunto lo stadio di AGI, Hassabis ha proposto il “test di Einstein”. L’idea è semplice ma ambiziosa: un modello addestrato esclusivamente con dati disponibili fino al 1901 dovrebbe essere in grado di produrre le scoperte di Albert Einstein del 1905, come la teoria della relatività ristretta. Se un sistema riesce a generare tali risultati senza alcuna informazione post‑1901, si può parlare di un salto qualitativo nella capacità di ragionamento autonomo.
Implicazioni economiche e scientifiche
Hassabis ha paragonato l’impatto dell’AGI a una rivoluzione industriale decuplicata in velocità. In termini pratici, ciò significherebbe una crescita esponenziale della produttività in settori come la ricerca farmaceutica, la progettazione di materiali avanzati e l’ottimizzazione dei processi logistici. Un esempio concreto è la sua nuova impresa, Isomorphic Labs, spin‑off di Google focalizzato sull’uso dell’IA per la scoperta di nuovi farmaci. Grazie a modelli predittivi più sofisticati, Isomorphic Labs sostiene di poter ridurre il ciclo di sviluppo di un farmaco da dieci a due anni, con una diminuzione dei costi di circa il 70 %.
Nel settore energetico, le simulazioni basate su AGI potrebbero accelerare la progettazione di reattori a fusione più efficienti, mentre nell’agricoltura potrebbero ottimizzare le pratiche di coltivazione per massimizzare i rendimenti con minor impatto ambientale.
Esempi di progressi recenti
- Modelli multimodali: sistemi come Gemini‑Pro di Google combinano testo, immagini e suoni, consentendo una comprensione più profonda del contesto.
- Apprendimento per rinforzo avanzato: AlphaGo e AlphaFold hanno dimostrato come l’IA possa superare gli umani in compiti complessi, aprendo la strada a strategie di problem solving più generali.
- Scaling laws: ricerche recenti mostrano che aumentando la dimensione dei modelli e la quantità di dati, le capacità emergenti si avvicinano a comportamenti “generali”.
Sicurezza e governance: la proposta di un organismo di supervisione
Con la prospettiva di un’AGI imminente, Hassabis ha lanciato un appello per la creazione di un organo di supervisione industriale, finanziato dal settore privato ma sotto controllo statale. Questo ente avrebbe il compito di valutare i modelli prima della loro pubblicazione, verificando rischi di bias, manipolazione e potenziali usi malevoli.
Secondo Hassabis, una regolamentazione insufficiente o eccessivamente restrittiva può essere più dannosa di una regolamentazione assente. Un quadro equilibrato dovrebbe includere:
- Standard di trasparenza sui dati di addestramento.
- Procedure di audit indipendente per verificare la robustezza dei modelli.
- Meccanismi di risposta rapida in caso di comportamenti imprevisti o pericolosi.
Questa proposta richiama l’approccio adottato nel settore aerospaziale, dove le agenzie governative collaborano con le imprese per garantire la sicurezza dei sistemi complessi.
Strategie operative per le aziende
Le imprese che desiderano prepararsi all’arrivo dell’AGI possono adottare alcune misure concrete:
- Investire in talenti interdisciplinari: ingegneri, neuroscienziati, eticisti e giuristi dovrebbero collaborare per comprendere le capacità e i limiti dell’AGI.
- Costruire infrastrutture di calcolo flessibili: l’uso di cloud ibrido e di sistemi di edge computing permette di scalare rapidamente le risorse necessarie.
- Implementare framework di governance interna: politiche chiare su uso dei dati, gestione dei modelli e valutazione dei rischi.
- Collaborare con istituzioni accademiche: partnership con università e laboratori di ricerca favoriscono l’accesso a scoperte di frontiera e a dataset di alta qualità.
Prospettive future e conclusioni
Se le previsioni di Hassabis si avvereranno, entro il 2029 potremmo assistere a una prima generazione di sistemi AGI in grado di svolgere compiti complessi senza intervento umano diretto. Ciò comporterà una ridefinizione delle competenze richieste nel mercato del lavoro, la necessità di nuove normative internazionali e un dibattito etico senza precedenti.
In sintesi, la riduzione dell’orizzonte temporale da cinque a due‑tre anni indica che la comunità scientifica sta facendo passi da gigante verso l’AGI. Tuttavia, la velocità di sviluppo deve essere accompagnata da una governance responsabile, per garantire che i benefici superino i rischi e che l’innovazione rimanga al servizio dell’umanità.