MiniMax ha annunciato quello che sarà il suo modello più ambizioso: un LLM da 2.700 miliardi di parametri, il più grande mai realizzato da un’azienda cinese, con l’intenzione di rilasciarlo come open source. La notizia, riportata da The Information, arriva mentre il braccio di ferro tra laboratori americani e cinesi sulla frontiera dell’intelligenza artificiale si intensifica, e l’open source diventa terreno di scontro tanto commerciale quanto geopolitico.

La cifra da capogiro – 2,7 trilioni di parametri – non è solo un primato da esibire. Cambia le regole ingegneristiche ed economiche per chiunque voglia eseguire il modello in proprio. In precisione FP16, solo per caricare i pesi in VRAM servirebbero oltre 5 terabyte di memoria, una quantità che oggi impone lo sharding su decine di GPU di ultima generazione come A100 o H100, collegate da interconnessioni ad altissima banda. Anche con quantization aggressiva a INT8 o INT4, l’impronta resta tale da richiedere nodi multi-GPU con costi di capitale che, per un’inference a latenza accettabile, superano facilmente le sei cifre in dollari. Il fine-tuning, poi, moltiplica ulteriormente il fabbisogno computazionale, rendendo l’operazione appannaggio di pochi data center specializzati.

Questo scenario incide direttamente sulle decisioni di deployment on-premise. Un LLM di queste proporzioni non si presta a un’adozione leggera in ambienti air-gapped o edge: chi sceglie la via del self-hosting deve confrontarsi con un TCO che esplode, fra acquisto hardware, consumo energetico e raffreddamento. Al tempo stesso, l’apertura della licenza sposta gli incentivi: invece di pagare API a un fornitore cloud, un’organizzazione con risorse sufficienti può internalizzare il modello, ma a patto di possedere l’infrastruttura per domarlo. La sovranità dei dati, tema caldo in Europa e non solo, torna al centro del dibattito: ospitare un modello cinese su server locali può apparire un paradosso normativo, mentre affidarlo a un hyperscaler occidentale solleva interrogativi sulla conformità GDPR e sulle dipendenze tecniciche.

Per i lab statunitensi, la mossa di MiniMax è un altro colpo ai margini. Se il modello venisse adottato su larga scala, ridurrebbe il mercato delle chiamate API proprietarie e alzerebbe l’asticella per chiunque voglia competere a parametri chiusi. Ma c’è un rovescio: l’open source non significa gratis. La barriera hardware seleziona naturalmente gli utenti, favorendo chi già dispone di cluster GPU e relegando i player minori a un ruolo di consumatori di servizi cloud. Si crea così una dinamica dove la disponibilità del codice non basta a democratizzare l’accesso; serve, piuttosto, una capacità di calcolo che pochi possono permettersi.

Sul piano strutturale, l’annuncio segnala che la corsa ai parametri è lungi dall’essere finita, nonostante l’enfasi recente su efficienza e modelli più piccoli. MiniMax sceglie la scala estrema per conquistare rilevanza globale, e lo fa in un momento in cui diversi attori cinesi spingono sull’open source come leva strategica. Chi vince, in questo scenario, non è necessariamente chi scrive il modello più grande, ma chi controlla lo strato dell’infrastruttura – i chip, le interconnessioni, i sistemi di raffreddamento – su cui quei modelli gireranno. È una partita che si gioca ormai nelle fonderie e nelle sale macchine, più che nei repository GitHub.