«La distillazione – imparare dall’AI, dagli altri e da altre fonti di conoscenza – è fondamentale per l’intelligenza. Impariamo costantemente gli uni dagli altri. Anche l’AI deve imparare da qualcosa». Con queste parole, rilasciate in un’intervista ad Axios, Jensen Huang ha preso una posizione netta nel dibattito che infiamma il mondo dell’intelligenza artificiale: la distillazione tra modelli non è un furto di proprietà intellettuale né un’aggressione competitiva, ma un meccanismo di apprendimento connaturato all’idea stessa di intelligenza.

La tecnica, che consiste nell’usare gli output di un modello “insegnante” per addestrarne uno “studente”, è finita sotto i riflettori soprattutto dopo le cause legali intentate da editori e creatori di contenuti contro aziende che addestrano LLM. L’accusa è che la distillazione permetta di aggirare il diritto d’autore, copiando indirettamente conoscenza protetta. Huang rovescia la prospettiva: con l’AI che ormai genera una quota crescente dei contenuti online, impedire ai modelli di apprendere l’uno dall’altro sarebbe come proibire a uno studente di leggere un libro scritto da un’altra persona. Bloccare questo scambio, sostiene, non tutela nessuno ma frena il progresso collettivo.

La difesa della distillazione da parte del CEO di Nvidia non è solo una presa di posizione filosofica. È una mossa che si incastra perfettamente nella strategia dell’azienda. Nvidia vende hardware su cui l’AI gira: più modelli vengono creati, distribuiti e utilizzati, più GPU servono. I modelli open source, che spesso nascono proprio da processi di distillazione, allargano il mercato in modo capillare, raggiungendo aziende e sviluppatori che non potrebbero permettersi l’addestramento da zero. E qui si apre uno scenario decisivo per chi valuta deployment on-premise e sovranità dei dati.

Per le imprese che scelgono di mantenere i dati all’interno del proprio perimetro, la distillazione è un abilitatore formidabile. Permette di prendere un modello open di grandi dimensioni, distillarlo su un dominio specifico e ottenere un sistema più compatto, capace di girare su hardware già presente in azienda — senza inviare dati sensibili a cloud esterni. Non servono cluster di addestramento mastodontici: la fase di distillazione riduce il carico computazionale, abbassando il TCO e accelerando le iterazioni. In molti casi, il modello studente può persino operare in real-time su edge server, preservando la conformità GDPR e la riservatezza dei dati.

La presa di posizione di Huang segnala un cambiamento strutturale. Se l’industria abbraccia l’idea che la conoscenza si diffonde tra modelli come tra persone, si consolida un ecosistema in cui l’on-premise non è più una nicchia ma una modalità standard per affinare e possedere davvero l’intelligenza che si utilizza. Chi perde, invece, sono i fornitori di modelli chiusi che hanno costruito il proprio vantaggio sull’accesso esclusivo a dati e pesi: la distillazione erode quel fossato, mettendo capacità di alto livello alla portata di chiunque abbia un buon dataset verticale e una manciata di GPU. Per lo stesso motivo, ne guadagnano gli sviluppatori, le software house e i produttori di chip come Nvidia, che vedono moltiplicarsi i carichi di lavoro.

Certo, il nodo legale resta intricato. I regolatori potrebbero comunque stringere le maglie, inasprendo le norme sul copyright. Ma il ragionamento di Huang punta a normalizzare la distillazione, spostando la discussione dal piano del conflitto a quello della collaborazione obbligata dal funzionamento stesso della rete. In fondo, l’intelligenza artificiale sta già plasmando il corpus di conoscenza pubblica: impedirle di attingervi significherebbe condannarla a restare ignorante, o a dipendere da pochi dataset proprietari. Una prospettiva che, per chiunque progetti infrastrutture AI oggi, suona più come un freno che come una protezione.