C’è qualcosa di profondamente antieconomico nel modo in cui addestriamo i Large Language Models. Mentre un neonato impara a riconoscere volti, oggetti e linguaggio con pochi esempi, poca supervisione e un consumo energetico irrisorio, i modelli più avanzati divorano interi data center, milioni di token e schede GPU da decine di migliaia di euro. E alla fine sbagliano ancora su domande di buonsenso che un bambino di tre anni risolve senza pensarci.

La fonte non è una boutade filosofica: diversi gruppi di ricerca, dalle neuroscienze cognitive all’AI, stanno prendendo sempre più sul serio l’idea che l’architettura del cervello infantile contenga principi di apprendimento che oggi mancano del tutto ai transformer. Attenzione però: non si tratta di inseguire il mito dell’AGI, ma di qualcosa di molto più concreto per chi gestisce deployment reali. Se davvero la prossima svolta passerà per meccanismi di apprendimento più efficienti e modelli con un rapporto capacità/risorse radicalmente diverso, cambieranno anche i calcoli di Total Cost of Ownership e le scelte tra cloud e on-premise.

Il paradosso dello scaling

L’industria ha vissuto per anni sull’assunto che bastasse aumentare parametri, dati e potenza di calcolo per ottenere modelli migliori. Questo ha generato una concentrazione di investimenti in infrastrutture centralizzate e ha reso il deployment locale poco attraente: servivano interi rack di GPU solo per l’inference. Ma se il progresso futuro dipenderà meno dalla scala bruta e più dall’efficienza algoritmica, il castello di carte dello scaling estremo inizia a vacillare. Non è un’ipotesi remota: già oggi tecniche come la quantization e i modelli MoE stanno riducendo il footprint hardware, e una spinta architetturale ispirata al cervello accelererebbe questa traiettoria.

Chi vince e chi perde

Un cambio di paradigma verso modelli più parsimoniosi avvantaggerebbe tutti gli attori che hanno vincoli di sovranità dei dati, latenza o costi operativi. Aziende europee sotto GDPR, realtà industriali con edge computing, pubbliche amministrazioni: per loro un LLM capace di girare su hardware modesto, magari in una stanza isolata, rappresenta la differenza tra usare l’AI e restare a guardare. Di contro, chi ha scommesso tutto su mega-cluster e licensing cloud potrebbe trovarsi con asset sovradimensionati e margini sotto pressione. Non è uno scenario apocalittico immediato, ma il segnale strutturale è chiaro: la differenziazione non si giocherà più solo sui watt, ma sull’efficienza dell’apprendimento.

Il vero vantaggio competitivo

Paradossalmente, il fatto che l’AI odierna non raggiunga l’intelligenza di un bambino non è un limite da nascondere: è il termometro di un sistema che sta raggiungendo il punto di flesso. La ricerca sulle architetture bio-ispirate non produrrà domani un modello che impara come un infante, ma potrebbe ridisegnare le curve di costo e prestazioni che decidono i deployment. Per chi valuta oggi investimenti in infrastruttura AI, anziché rincorrere l’ultima GPU, forse conviene guardare a quanto sono scalabili ed efficienti i modelli che si vogliono mettere in produzione. La prossima disruption potrebbe arrivare da un paper di neuroscienze, non da un nuovo silicio.