Scalare i modelli linguistici non risolve tutto. Un nuovo position paper lo afferma senza giri di parole per la sintesi di programmi quantistici, ma il ragionamento ha una portata ben più ampia e interpella direttamente chi oggi scommette sull’intelligenza artificiale in contesti regolati e ad alta criticità. La tesi è chiara: applicare il paradigma probabilistico dello scaling alla generazione di circuiti quantistici è un errore direzionale, perché i vincoli matematici del dominio creano un divario incolmabile tra sintassi e semantica.

Secondo gli autori, addestrare un modello su programmi quantistici non verificati significa insegnargli la sintassi ma lasciarlo all’oscuro della semantica fisica dello spazio di Hilbert. E qui sta il problema: il sottoinsieme di progetti di circuito validi decresce esponenzialmente con il numero di qubit, rendendo qualsiasi tentativo di filtraggio post-hoc matematicamente intrattabile. Ovvero, per quanto grande sia il modello, la probabilità di generare un circuito corretto sprofonda verso lo zero man mano che la complessità cresce.

Questa dinamica non è esclusiva del quantum computing. È la stessa che emerge quando si usano LLM per redigere contratti legali, referti medici o codice bancario: la correttezza non è una questione di probabilità media, ma di conformità assoluta a regole che il modello, da solo, non ha modo di interiorizzare. La semplice imitazione statistica dei dati di addestramento non garantisce che un output rispetti i vincoli di dominio.

Il paper propone una svolta radicale: abbandonare i copiloti incentrati sull’umano e passare ad agenti incentrati sul verificatore, dove la generazione è guidata da vincoli gerarchici, maschere topologiche e proxy simbolici. Non si tratta di aggiungere uno strato di controllo a posteriori, ma di integrare la logica di verifica direttamente nell’architettura generativa. È un approccio che, se trasportato nel mondo dei modelli linguistici tradizionali, significa smettere di trattare l’LLM come un oracolo universale e cominciare a considerarlo un componente di un sistema più ampio, dove regole formali e conoscenza simbolica fanno da binari obbligati.

Chi trae vantaggio da questa visione? I fornitori di piattaforme di AI enterprise che investono in framework verificabili, capaci di combinare reti neurali e reasoning simbolico. Perdono invece gli approcci che promettono di risolvere ogni problema semplicemente aumentando parametri e dati: in domini normati, la compliance non scala con i teraFLOP. Sul fronte dei deployment on-premise, il messaggio è netto: se la sovranità dei dati richiede controlli deterministici e auditability, allora servono architetture che incorporino la verifica già in fase di generazione, non solo modelli più grandi. L’alternativa è un vicolo cieco, in cui l’affidabilità diventa la vittima sacrificale dello scaling, proprio come accadrebbe con i circuiti quantistici.