AGI e IA del futuro
Il DeepMind Institute delinea quattro percorsi dall’AGI alla superintelligenza

Punti chiaveIl calcolo effettivo globale è cresciuto almeno dieci volte all'anno tra hardware e…
Vedi di più
- Il calcolo effettivo globale è cresciuto almeno dieci volte all'anno tra hardware e algoritmi.
- Limitare solo il calcolo per l'addestramento non fermerebbe necessariamente il progresso perché i percorsi possono comporsi.
- La sfida a più breve termine è distinguere una maggiore velocità e un maggior numero di agenti da capacità genuinamente nuove.
Il DeepMind Institute ha pubblicato un saggio il 19 novembre 2026, delineando quattro modi in cui l’IA potrebbe passare dall’intelligenza artificiale generale (AGI) a livello umano alla superintelligenza artificiale generale (ASI), sottolineando che una rapida prosecuzione dei progressi è possibile, ma tutt’altro che certa.
I quattro percorsi sono la continua crescita di modelli e dati, i cambiamenti di paradigma tecnologico, il coordinamento di grandi popolazioni di agenti e l’auto-miglioramento ricorsivo, in cui i sistemi di IA contribuiscono a migliorare quelli successivi. Ognuno presenta diversi colli di bottiglia tecnici e problemi di misurazione.
Il saggio definisce AGI i sistemi con capacità approssimativamente a livello umano in quasi tutte le attività cognitive. L’ASI deve superare in modo affidabile grandi gruppi di esperti umani in attività che potrebbero richiedere a quei gruppi anni, impiegando meno risorse e meno tempo, in quasi tutti gli ambiti di interesse umano. Non rientrano in questa definizione prestazioni sovrumane circoscritte, come quelle negli scacchi, nel Go o nella previsione della struttura delle proteine.
Il saggio si basa su Dall’AGI all’ASI, un rapporto tecnico che Google DeepMind data al 12 giugno 2026, e sulle successive discussioni dell’istituto. Il testo su arXiv del rapporto illustra il livello richiesto per l’ASI: superare in modo affidabile decine di migliaia di esperti ben coordinati, impegnati per dieci anni su un unico problema, con la tecnologia e i prodotti culturali disponibili nel 2010. Il rapporto precedente aveva introdotto lo stesso quadro basato su quattro percorsi.
L’ASI resterebbe comunque ben al di sotto dei limiti teorici dell’intelligenza. Il saggio individua vincoli fisici, logici e di complessità che impedirebbero di formulare previsioni arbitrariamente precise sui sistemi del mondo reale, tra cui il clima, il sistema immunitario e le società umane. L’IA a livello umano è quindi un punto di un continuum, con un ampio spazio, in gran parte inesplorato, tra essa e quei limiti.
Industrializzazione cognitiva e costi in calo
Il saggio stima che la capacità di calcolo effettiva globale, che combina i miglioramenti dell’hardware, gli investimenti nell’hardware per l’IA e l’efficienza algoritmica, sia cresciuta di almeno dieci volte l’anno. Proiettando questo tasso su un decennio si ottiene un fattore di 10 miliardi. Per ogni agente di IA attualmente eseguibile, lo scenario implica che, se queste tendenze si confermassero, sarebbe possibile avere più agenti della stessa qualità che persone nella popolazione umana.
L’esempio di costo del saggio ipotizza una riduzione di circa 4 volte l’anno della capacità di calcolo necessaria, grazie ai miglioramenti dell’hardware e dell’efficienza dell’inferenza. A questo ritmo, un carico di lavoro che richiede 1 miliardo di dollari in token di calcolo costerebbe 1.000 dollari dopo dieci anni. La conseguente standardizzazione e automazione del lavoro cognitivo viene descritta come «industrializzazione cognitiva», analoga alla trasformazione del lavoro fisico di routine in una merce. Anche senza progressi spettacolari all’avanguardia, questo cambiamento potrebbe trasformare il lavoro intellettuale e l’economia nel suo complesso.
Il saggio avverte che la sola crescita della scala potrebbe non bastare a raggiungere l’AGI completa, se alcune attività cognitive richiedessero l’assistenza umana. Una volta disponibili sistemi con capacità ampiamente a livello umano, agenti più numerosi e più veloci potrebbero contribuire a colmare il divario verso una forma debole di ASI, grazie alla velocità di elaborazione dei sistemi digitali, alla memoria, alla possibilità di spostarsi tra diversi hardware informatici, alla copia quasi senza perdite del codice e dello stato della memoria e alla condivisione di esperienze ad alta larghezza di banda.
Quattro percorsi e i relativi vincoli
La continua crescita della scala potrebbe scontrarsi con il possibile esaurimento dei dati di addestramento di alta qualità, con rendimenti decrescenti — poiché ogni passo avanti nelle capacità richiede moltiplicazioni della capacità di calcolo e delle dimensioni del modello — e con limiti fisici o economici riguardanti la produzione di energia, le reti elettriche, la fabbricazione dei chip e le interconnessioni hardware. Le leggi di scala adattate alle architetture, ai dati e alle valutazioni attuali non consentono di prevedere con sicurezza quanta scala sarebbe necessaria per raggiungere l’AGI o l’ASI.
I cambiamenti di paradigma mirano a colmare le lacune nell’apprendimento continuo, in alcune forme di modellizzazione del mondo, nel processo decisionale e nell’efficienza dei campioni, cioè nella quantità di dati di addestramento necessaria a un sistema per raggiungere un determinato livello di capacità. I sistemi attuali potrebbero anche non essere in grado di inventare concetti e astrazioni davvero nuovi, anziché limitarsi a ricombinare quelli esistenti. I ricercatori sono divisi sulla possibilità che cambiamenti graduali all’attuale paradigma dei transformer bastino a colmare queste lacune o che siano necessari cambiamenti più profondi.
Secondo il saggio, il coordinamento degli agenti offre un percorso collettivo, ma mancano leggi di scala per i sistemi multi-agente. Le inefficienze di coordinamento, la disinformazione, la manipolazione e la collusione possono indebolire i gruppi numerosi, rendendo necessarie difese istituzionali e organizzative. L’auto-miglioramento ricorsivo introduce cicli di retroazione attraverso il codice e i progetti hardware, i dati riutilizzabili prodotti durante l’impiego o la specializzazione all’interno dei gruppi di agenti. Una retroazione inadeguata può arrestare o deteriorare questi cicli; ci si aspetta invece progressi più rapidi quando i risultati possono essere verificati automaticamente, per esempio nel caso delle dimostrazioni matematiche.
Questi percorsi possono rafforzarsi a vicenda. Il saggio sostiene che, se uno di essi si arresta, la competizione economica e geopolitica può spostare gli sforzi verso gli altri; limitare soltanto la capacità di calcolo destinata all’addestramento non fermerebbe quindi necessariamente i progressi complessivi. Limitare un fattore mentre gli altri avanzano potrebbe inoltre creare un «divario di capacità», seguito da progressi più rapidi quando il vincolo viene allentato o aggirato.
Misurare i progressi oltre l’AGI
La risposta proposta consiste nel modellare, misurare, prevedere e ripetere il processo attraverso un lavoro interdisciplinare che coinvolga laboratori di frontiera e istituzioni nazionali e globali. Alcune metriche necessarie richiedono l’accesso a modelli di frontiera, ingenti risorse di calcolo per le valutazioni e nuovi metodi di benchmarking e modellizzazione.
Resta da capire se questi percorsi porteranno all’ASI e in quali tempi. La sfida più imminente consiste nel creare valutazioni in grado di distinguere l’aumento della velocità e del numero degli agenti da capacità davvero nuove, garantendo al contempo alle istituzioni pubbliche accesso e capacità di calcolo sufficienti per seguire percorsi che potrebbero rafforzarsi a vicenda.












