Argo's New Dreams

Ogni epoca tecnologica ha le sue corse verso il futuro. Negli anni ’60 c’era la corsa allo spazio, poi negli anni ’90 l’esplosione di Internet. Oggi ci troviamo davanti a due competizioni parallele e affascinanti: da un lato la spinta verso l’Intelligenza Artificiale Generale (AGI), con i grandi modelli linguistici che promettono di ragionare e agire quasi come esseri umani; dall’altro il ritorno – in forma radicalmente nuova – dei computer analogici, rilanciati da Microsoft, IBM, MIT e altri attori di primo piano, come risposta al problema energetico e computazionale dell’AI.

Queste due strade non sono in concorrenza, ma in realtà destinate a incontrarsi. L’AGI richiede calcoli enormi e sostenibilità energetica; l’hardware analogico promette proprio di ridurre drasticamente i costi per operazione. Mettere insieme queste due traiettorie potrebbe significare sbloccare la prossima era tecnologica: intelligenze più generali che girano su computer più efficienti.

---

Perché le due corse sono connesse

L’AI generale (AGI)

Per arrivare a un’AI davvero generale servono ordini di grandezza in più di calcolo e di energia. Le aziende stanno lavorando su modelli sempre più complessi, detti reasoning models, capaci di “pensare più a lungo” e affrontare compiti logici, matematici o multimodali con maggiore robustezza.

• OpenAI con la famiglia di modelli o3 e con GPT-5 ha spostato il focus sul ragionamento deliberato e sul “tempo di pensiero”.
• Google DeepMind con Gemini 2.5 ha spinto le finestre di contesto fino a 2 milioni di token, aprendo la possibilità di lavorare con interi archivi documentali.

Ma la realtà è più sfumata: GPT-5, lanciato con grande clamore, ha incontrato un’accoglienza mista. Il feedback negativo ha costretto OpenAI a reintrodurre GPT-4o, segno che non basta scalare i parametri per conquistare gli utenti. È il classico esempio di hype seguito dalla “fase di disillusione”, come la definirebbe Gartner.

Eppure, anche tra critiche, GPT-5 ha mostrato nuove capacità: più prudenza nei prompt rischiosi, maggiore solidità nei calcoli matematici, e soprattutto l’avvio di progetti come OpenAI for Science, che mira ad accelerare scoperte scientifiche reali in chimica, biologia e fisica.

I computer analogici

Parallelamente, il mondo hardware vive una rivoluzione silenziosa. Dopo decenni di dominio del digitale, si torna a parlare di analogico come soluzione per il futuro dell’AI.

• Microsoft ha presentato il suo Analog Optical Computer (AOC) in un articolo su Nature. Non si tratta di un concept, ma di un prototipo reale che ha risolto problemi complessi di ottimizzazione bancaria e di analisi MRI con un’efficienza energetica 100 volte superiore alle GPU.
• IBM Research lavora su Analog In-Memory Computing (AIMC), utilizzando memorie a cambiamento di fase per accelerare i transformer, con segnali chiari: “siamo quasi pronti a uscire dal laboratorio”.
• MIT ha mostrato processori fotonici integrati capaci di eseguire operazioni di deep learning e classificazioni di segnali in nanosecondi.
• Intel, con Hala Point (basato su Loihi 2), sta esplorando il paradigma neuromorfico: non analogico puro, ma comunque “oltre il digitale classico”, con 1,15 miliardi di neuroni artificiali.

---

Stato dell’arte (2024–2025)

Lato “AI generale”

• OpenAI: oltre a GPT-5 e ai modelli reasoning, continua la roadmap verso l’AGI con la pubblicazione del piano “Planning for AGI and Beyond”.
• Google DeepMind: Gemini 2.5 mostra progressi nel ragionamento e nella matematica simbolica, raggiungendo livelli olimpici. AlphaFold 3 conferma l’impatto scientifico delle AI sul mondo reale.
• Accademia: lo Stanford AI Index 2025 mostra progressi rapidi, ma anche limiti persistenti su compiti di logica avanzata e scienza a livello di dottorato.

Lato “analogico/neuromorfico”

• Microsoft: l’AOC non è solo un laboratorio, ma un sistema testato su casi concreti. La partnership con Barclays ne dimostra l’applicabilità.
• IBM: l’AIMC promette throughput altissimi e consumi ridotti; i ricercatori parlano apertamente di industrializzazione imminente.
• MIT: la ricerca fotonica segna un cambio di paradigma, dimostrando che si può calcolare “alla velocità della luce”.
• Intel: con Hala Point porta il neuromorfico a scala, aprendo nuove strade per applicazioni event-driven ed edge.

---

Successi, insuccessi e delusioni

Successi

• Ragionamento & contesto: modelli frontier con finestre di 2M token e migliori performance su benchmark duri come GPQA e SWE-bench.
• Scienza: AlphaFold 3 e i sistemi simbolici come AlphaGeometry2 hanno già impatti tangibili in biologia e matematica.
• Hardware: l’AOC di Microsoft è la prima vera prova che l’analogico può risolvere casi pratici con efficienza record.

Insuccessi

• AGI non c’è ancora: GPT-5, nonostante i progressi, ha mostrato i limiti dell’approccio puramente scalare.
• Sicurezza: GPT-5 resta vulnerabile a prompt pericolosi, e OpenAI/Google continuano ad aggiornare i framework frontier safety.
• Analogico fragile: AIMC e fotonico soffrono di rumore, drift e toolchain ancora immature.

Delusioni

• GPT-5: atteso come salto epocale, si è rivelato un passo intermedio, con più ombre che luci.
• Analogico: non c’è ancora stato un “GPU moment”. Per ora resta confinato a prototipi e simulazioni.

---

Dove si incontrano le due corse

1. Energia come vincolo dell’AGI: se l’AOC mantiene anche solo parte del promesso ~100× di efficienza, il costo per token scende drasticamente, permettendo modelli più profondi e complessi.
2. Operatori lineari: i prodotti matrice-vettore, cuore dei transformer, sono eseguibili nativamente su hardware analogico/fotonico.
3. Futuro ibrido: la visione più realistica è un mix di GPU/ASIC digitali e coprocessori analogici per inferenza, con correzione digitale per l’accuratezza.

---

Stime sul traguardo

• Analogico per inferenza (nicchie): 2027–2029. Prime schede AIMC/fotoniche per edge, telco e visione.
• Analogico per training ibrido: 2029–2034. Servono toolchain mature, calibrazione e standardizzazione software.
• AGI pragmatica: 2032–2040. Sistemi che svolgono in modo affidabile la maggior parte dei lavori cognitivi. La tempistica dipenderà dalla convergenza software–hardware.

---

Cosa monitorare

• Metriche energetiche ufficiali: joule/token, TOPS/W su workload LLM reali.
• Toolchain: compatibilità PyTorch/XLA per AIMC/fotonico.
• Reasoning affidabile: roadmap di OpenAI/DeepMind su deep thinking e sicurezza frontier.
• Segnali di convergenza: saturazione benchmark + hardware pronto.

---

Conclusione

Le due corse – verso l’AGI e verso i computer analogici – raccontano storie parallele di ambizione, successi e delusioni. GPT-5 ci ricorda che la strada verso l’intelligenza generale non sarà lineare, ma fatta di passi avanti e indietro. L’Analog Optical Computer di Microsoft, invece, segna il ritorno dell’analogico come risposta concreta al vincolo energetico.

La vera rivoluzione non sarà in una sola di queste direzioni, ma nella loro fusione: modelli più generali che funzionano su hardware più efficiente, capaci di trasformare l’AI da promessa a realtà quotidiana, accessibile e sostenibile.