Richard Sutton, l’uomo che ha gettato le basi del reinforcement learning e ha appena condiviso il Turing Award 2024, ha annunciato su X la sua uscita da Keen Technologies, la startup di intelligenza artificiale fondata da John Carmack. La destinazione è Oak Lab, un progetto ancora avvolto nel mistero ma che segna una rottura netta con il passato recente.

Sutton non è un nome qualsiasi. La sua carriera si intreccia con la storia dell’AI moderna: dai primi algoritmi di apprendimento per rinforzo negli anni ’80 fino alle applicazioni contemporanee che vanno dai videogiochi alla robotica, passando per il controllo di sistemi complessi. Il premio Turing, ricevuto insieme ad Andrew Barto, ha coronato un percorso iniziato quando l’idea che un agente potesse imparare interagendo con l’ambiente era considerata quasi eretica.

La scelta di abbandonare Keen Technologies, dove Carmack sta inseguendo il sogno dell’intelligenza artificiale generale (AGI), non è banale. Keen è una startup ben finanziata, con un fondatore iconico e un focus dichiarato su obiettivi di lungo termine. Eppure Sutton ha deciso di ripartire da zero. Questo movimento suggerisce che anche all’interno di realtà promettenti possono nascere divergenze profonde sulla direzione della ricerca o sul modello operativo. Se un ricercatore del calibro di Sutton sente il bisogno di creare un proprio laboratorio, è probabile che veda opportunità non allineate con la visione di Carmack—forse un ritorno a una ricerca più fondamentale, meno vincolata a roadmap commerciali.

Per il panorama dell’AI on-premise, la notizia è un segnale da non sottovalutare. L’addestramento di modelli basati su reinforcement learning, specialmente in ambienti simulati complessi o in scenari robotici reali, richiede infrastrutture di calcolo potenti e a bassa latenza. Chi fa ricerca d’avanguardia spesso preferisce cluster on-premise per controllare i costi, minimizzare i tempi di iterazione e mantenere la proprietà dei dati—soprattutto quando si lavora su agenti che interagiscono con sistemi fisici o dati sensibili. Se Oak Lab dovesse spingersi in questa direzione, potrebbe alimentare la domanda di server GPU dedicati, sistemi di storage ad alta velocità e architetture ibride che combinano training su cloud pubblico e inference in locale.

Non è solo una questione tecnica. La decisione di Sutton punta i riflettori su un fenomeno più ampio: la diaspora di talenti di prim’ordine dai grandi laboratori verso startup autofinanziate o sostenute da venture capital. Negli ultimi anni abbiamo assistito a uscite eccellenti da DeepMind, OpenAI e Meta; ognuna di queste separazioni ha portato alla nascita di nuove iniziative indipendenti. Questo frammenta l’ecosistema, ma allo stesso tempo moltiplica i centri di ricerca. Per chi progetta infrastrutture, significa che la domanda di soluzioni flessibili—capaci di scalare da un singolo nodo a centinaia di GPU—è destinata a crescere. E con essa la rilevanza di stack software che permettano di orchestrare carichi di lavoro RL in modo efficiente.

A guadagnarci, se la tendenza si consolida, potrebbero essere soprattutto i fornitori di hardware specializzato (NVIDIA, AMD, ma anche startup che propongono chip per il training) e le piattaforme che semplificano il deployment on-premise. Al contrario, i grandi cloud provider rischiano di vedere ridursi la quota di wallet dei laboratori più innovativi, che potrebbero preferire il controllo totale offerto dal self-hosted. È un equilibrio delicato, in cui la sovranità dei dati e la prevedibilità dei costi giocano un ruolo sempre più centrale.

Sutton ha elogiato Carmack e il team di Keen, ma non ha fornito dettagli su Oak Lab. Quel che è certo è che il padre del reinforcement learning non ha intenzione di sedersi sugli allori. La sua nuova avventura potrebbe ridefinire le frontiere dell’apprendimento autonomo—e, con esse, le esigenze hardware di chi vorrà seguirlo.