L’era dell’AGI è già qui (e non ce ne siamo accorti)

A volte la storia si muove in modo così silenzioso che facciamo fatica a leggerla mentre la stiamo vivendo… in effetti la viviamo proiettandoci in avanti, ma la comprendiamo solo guardandoci alle spalle.

Oggi, nel campo della tecnologia, sta accadendo esattamente questo fenomeno con l’AGI (Artificial General Intelligence), ovvero l’Intelligenza Artificiale Generale. Mentre l’opinione pubblica attende un fantomatico “giorno dell’annuncio”, un momento di svolta in stile hollywoodiano in cui una macchina prenderà improvvisamente coscienza di sé, la realtà scientifica e ingegneristica ci dice che siamo già immersi nell’era dell’AGI. Non siamo ancora al picco delle sue potenzialità, ma siamo saldamente entrati nel suo spettro evolutivo.

Per comprendere come siamo arrivati a questo punto e perché le vecchie obiezioni scettiche stiano crollando, dobbiamo analizzare la questione attraverso un modello rigoroso e i dati empirici degli ultimissimi benchmark.

Il primo passo per fare chiarezza è abbandonare l’idea che l’AGI sia un interruttore acceso/spento. In un celebre studio intitolato “Levels of AGI”, i ricercatori di Google DeepMind hanno proposto di mappare l’intelligenza generale non come un singolo traguardo, ma come una matrice a livelli basata su due dimensioni fondamentali: la genericità (la larghezza dei compiti che il sistema sa affrontare) e la performance (la profondità o qualità dei risultati).

Il paper individua sei livelli di sviluppo:

• Livello 0 (Nessuna AI): Strumenti statici come una calcolatrice.
• Livello 1 (Emergente): Sistemi con capacità generali pari o leggermente superiori a un umano non addestrato. In questa fascia DeepMind posiziona esplicitamente i modelli di frontiera correnti (come ChatGPT, Gemini o Claude). Sono “generali” perché sanno scrivere codice, tradurre, riassumere e dialogare su qualsiasi tema senza essere stati addestrati specificamente per un solo compito.
• Livello 2 (Competente): Prestazioni pari almeno al 50° percentile degli adulti qualificati.
• Livello 3 (Esperto): Prestazioni al livello del 90° percentile degli adulti qualificati.
• Livello 4 (Eccellente): Prestazioni al 99° percentile.
• Livello 5 (Sovrumano): Prestazioni superiori al 100% degli esseri umani (come AlphaFold nella predizione delle proteine).

Questa classificazione ci rivela una verità cruciale: l’AGI Emergente (Livello 1) è già una realtà quotidiana. Inoltre, lo sviluppo è asimmetrico: i sistemi attuali galleggiano sul Livello 1 ma mostrano già picchi da Livello 2 o 3 in compiti specifici, come la scrittura di codice software o la sintesi di testi complessi.

In più, il modello di DeepMind separa nettamente le capacità di un’IA dall’autonomia con cui decidiamo di impiegarla. Un’IA può essere incredibilmente intelligente (un’AGI di livello esperto) ma essere configurata solo come “consulente” o “collaboratore”, lasciando all’essere umano l’ultima parola e il controllo delle decisioni per motivi di sicurezza.

Per anni, i critici più severi dell’intelligenza artificiale hanno liquidato i Large Language Model come semplici “pappagalli stocastici”: macchine statistiche capaci solo di prevedere la parola successiva ripetendo a memoria pezzetti del loro immenso database di addestramento, senza comprendere davvero la logica di ciò che stavano facendo.

Questa obiezione era parzialmente supportata dai vecchi benchmark accademici. Test statici basati su domande a risposta multipla o quiz standardizzati sono stati rapidamente “saturati” dai modelli. Tuttavia, questa non era vera intelligenza, bensì memorizzazione statistica di risposte già presenti online.

Per testare la vera intelligenza generale, intesa come capacità di apprendere compiti completamente nuovi al volo con poche informazioni (few-shot learning), lo scienziato François Chollet ha ideato un test rivoluzionario: l’ARC-AGI. Questo benchmark non contiene domande mnemoniche, ma puzzle logico-astratti unici. Per risolverli, il modello non può usare la memoria: deve capire le regole di un micro-mondo visivo mai visto prima e dedurre la soluzione da pochissimi esempi pratici.

Fino a ieri, l’ARC-AGI sembrava uno scoglio insuperabile per le reti neurali pure, affrontabile solo affiancando ai modelli dei pesantissimi e costosi sistemi di programmazione esterni (chiamati harness).

L’uscita di GPT-6 Astra ha riscritto completamente le regole del gioco, provocando un vero terremoto concettuale tra i ricercatori.

I dati di Astra sul benchmark ARC-AGI-3 sono sbalorditivi:

1. Prestazioni da record: Il modello raggiunge un punteggio del 66% in modo nativo. Se affiancato a un leggerissimo sistema di conversazione continua e auto-correzione (compaction custom), Astra satura il benchmark arrivando vicino al 100%, superando l’efficienza media degli esseri umani.
2. Costi abbattuti: Precedentemente, i tentativi di scalare questi complessi puzzle logici richiedevano supercomputer e costavano circa 10.000 dollari per singolo quiz risolto. Astra ha ridotto questo costo a soli 360 dollari, rendendo il ragionamento profondo economicamente sostenibile su larga scala.
3. Modellazione simbolica attiva: Esaminando la catena di ragionamento (Chain of Thought) di Astra, gli ingegneri hanno scoperto che il modello non sta indovinando a caso. Al contrario, esegue una modellazione simbolica del problema in tempo reale. Arriva persino a sviluppare autonomamente un proprio linguaggio specifico (DSL, Domain-Specific Language), ovvero una notazione algebrica temporanea creata su misura per le regole di quel singolo gioco, utilizzandola come strumento logico per calcolare la soluzione .

Questo dimostra che la capacità di ragionamento profondo e l’astrazione logica non richiedono sovrastrutture esterne: stanno filtrando direttamente all’interno delle reti neurali stesse. Durante l’elaborazione dei dati, il flusso residuo di informazioni che viaggia tra i layer del Transformer (il cosiddetto residual stream) si comporta come una vera e propria rappresentazione mentale del problema che si affina a ogni iterazione.

Se i benchmark logici ci offrono una misura scientifica, è nel mondo reale che tocchiamo con mano questa transizione.

Un esempio straordinario è rappresentato da Fable 5.1, un modello ottimizzato per compiti di programmazione e ingegneria del software. Recentemente, di fronte a un problema estremamente complesso di ottimizzazione del codice per far girare modelli pesanti in parallelo su più computer (una sfida che richiedeva la scrittura di complicati flussi di dati riducendo a zero la latenza della GPU), Fable 5.1 ha risolto la situazione in un singolo pomeriggio.

Laddove programmatori umani e versioni precedenti del modello avevano impiegato settimane di tentativi ottenendo risultati parziali, il nuovo sistema ha riscritto il codice portando la velocità di generazione da 42 a 49 token al secondo. Non si tratta di risposte preconfezionate o di “pappagalli”: è la dimostrazione pratica di un sistema capace di fare scienza del software, esplorando soluzioni logico-matematiche astratte in contesti pratici altamente specifici.

Se pretendiamo che un’intelligenza artificiale debba essere perfetta e priva di allucinazioni in ogni singolo ambito dello scibile umano prima di chiamarla AGI, stiamo commettendo un errore metodologico: stiamo confondendo l’AGI con l’ASI (l’Intelligenza Artificiale Superumana). Nemmeno gli esseri umani sono perfetti o competenti in qualsiasi disciplina esistente, eppure li consideriamo dotati di intelligenza generale.

La realtà delineata dal progresso scientifico e dai modelli più recenti ci dice che l’era dell’AGI non è un traguardo futuro, ma un processo già in corso. Negarlo significa nascondere la testa sotto la sabbia di fronte a una rivoluzione tecnologica senza precedenti.

Riconoscere che siamo già all’interno dello spettro dell’AGI ci permette di fare due cose fondamentali:

• Smettere di rincorrere l’hype sensazionalistico e concentrarci sull’uso concreto di questi incredibili strumenti per aumentare le capacità intellettuali umane.
• Affrontare responsabilmente i rischi concreti legati a questa transizione (dalla trasformazione radicale dei mercati del lavoro al rischio di disinformazione e all’allineamento dei valori), guidando lo sviluppo verso un futuro in cui l’intelligenza delle macchine non sostituisca l’essere umano, ma ne potenzi l’intelletto.