La voce sulla RSI di Google: AGI e il dibattito sul ritmo dell’IA

Un'intelligenza artificiale che ti aiuta a portare a termine un progetto difficile è utile. Un’intelligenza artificiale che aiuta a costruire un’intelligenza artificiale più capace cambia il ritmo con cui arrivano strumenti utili. Questa seconda possibilità spiega perché alcuni post criptici su Google hanno attirato l’attenzione proprio quando i leader rivali dell’intelligenza artificiale hanno iniziato a sostenere pubblicamente un programma di sviluppo più misurato.

Due termini rendono la storia più facile da seguire. AGI, o intelligenza artificiale generale, descrive un'IA ampiamente capace: un sistema in grado di apprendere ed eseguire molti compiti intellettuali diversi. RSI, o auto-miglioramento ricorsivo, descrive un processo: l'intelligenza artificiale contribuisce a migliorare un sistema di intelligenza artificiale e tali miglioramenti aiutano il successivo ciclo di miglioramento. Il primo riguarda la gamma delle capacità di un sistema; l'altro riguarda il modo in cui il progresso si ripercuote su se stesso.

Questo articolo segue le voci su Google nei suoi X post originali, separa le approvazioni pubbliche da un accordo reale per rallentare lo sviluppo ed esamina cosa potrebbe significare un ciclo di ricerca più rapido per la vita ordinaria. La data limite per la rendicontazione è il 14 settembre 2026. La mia opinione è ottimistica: strumenti migliori potrebbero rendere le competenze molto più accessibili. Ma il futuro che vale la pena desiderare prevede tempo sufficiente per verificare i risultati e autorità sufficiente per cambiare rotta.

Tre distinzioni da tenere a mente

• AGI, RSI e la superintelligenza descrivono cose diverse. Nessuno è sinonimo di un’intelligenza artificiale dotata di coscienza.
• Il lavoro pubblico di Google supporta l'affermazione che l'intelligenza artificiale sta aiutando a sviluppare l'intelligenza artificiale. I post X circolanti non stabiliscono un ciclo di miglioramento pienamente autonomo e duraturo.
• Diversi leader hanno sostenuto pubblicamente una moderazione del ritmo e valutazioni esterne. È significativo, ma non dimostra l’esistenza di un accordo di rallentamento firmato e applicato a tutta l’industria.

L’AGI si riconosce dalla capacità di imparare e svolgere compiti diversi

Uno specialista può essere straordinario in un compito. Un motore scacchistico può sconfiggere un campione senza essere in grado di spiegare un contratto di locazione, pianificare un progetto di ricerca o apprendere un nuovo flusso di lavoro in ufficio. AGI si riferisce a un'ambizione più ampia: un sistema di intelligenza artificiale in grado di trasferire abilità utili in molti tipi di lavoro intellettuale, compresi compiti non familiari. In termini quotidiani, la domanda è se può continuare a imparare come essere utile quando l’incarico cambia.

Non esiste un unico traguardo universalmente accettato. Nel novembre 2023, i ricercatori di DeepMind hanno proposto di valutare AGI lungo dimensioni tra cui prestazioni, generalità e autonomia. La loro struttura fa una distinzione preziosa: essere bravi in molti compiti e poter agire in modo indipendente sono proprietà separate. Un sistema altamente capace può ancora essere distribuito con autorizzazioni limitate. Livelli di AGI, inviati per la prima volta il 4 novembre 2023.

Per un principiante, considera un ipotetico assistente chiesto di aiutare una piccola organizzazione no-profit. Deve comprendere un foglio di calcolo sconosciuto, redigere una richiesta di finanziamento, notare una contraddizione nel budget e apprendere le regole di rendicontazione. Una dimostrazione convincente mostrerebbe prestazioni affidabili in relazione a tali cambiamenti, compreso sapere quando chiedere aiuto. Una proposta di sovvenzione raffinata stabilirebbe molto meno di questo modello più ampio.

Questo è anche il motivo per cui un punteggio di riferimento non è un certificato di intelligence universale. Un benchmark ci dice qualcosa su compiti specifici in condizioni specifiche. Potrebbe tralasciare l’affidabilità prolungata, ambienti non familiari, costi pratici o la capacità di riprendersi dagli errori. Quando qualcuno annuncia AGI, la risposta utile è: quali abilità, a quale livello, su quale gamma di compiti e con quanta assistenza?

ASI, o superintelligenza artificiale, di solito si riferisce a capacità che vanno sostanzialmente oltre quelle umane in un'ampia gamma di lavori cognitivi. È un altro concetto, non un'etichetta obbligatoria per ogni modello impressionante. Né AGI né ASI implicano automaticamente consapevolezza, emozioni o una vita interiore umana. Questo articolo riguarda le capacità, i processi di sviluppo e le scelte che le persone fanno intorno ad essi.

Con la RSI, il progresso migliora il modo di produrre il progresso successivo

Il software ordinario migliora perché le persone trovano problemi, propongono modifiche, li testano e mantengono le modifiche che funzionano. L’intelligenza artificiale può già aiutare con i singoli passaggi. Può suggerire un algoritmo più veloce, generare casi di test o aiutare a diagnosticare un esperimento fallito. RSI diventa interessante quando i guadagni derivanti da quel lavoro rendono il sistema più efficace nel condurre il successivo ciclo di miglioramento.

Immagina un’officina di ricerca che perfeziona i propri strumenti. Uno strumento di misura più preciso permette di costruirne uno migliore, che a sua volta aiuta a migliorare il successivo. Ogni modifica riuscita amplia ciò che si può fare nell’esperimento seguente. Conta che i miglioramenti siano reali, conservati e utili alla ricerca futura, non soltanto che aumenti l’attività.

Un chatbot che rivede la sua risposta cinque volte non ha necessariamente migliorato il suo modello sottostante. Una funzione di memoria può preservare i fatti senza aggiornare i parametri appresi della rete. Un agente di codifica può migliorare i propri strumenti mentre il modello che lo alimenta rimane invariato. Si tratta di meccanismi utili, ma la forma forte di RSI comporta il successivo miglioramento della capacità di produrre sistemi di intelligenza artificiale migliori. La precedente guida ai cicli di apprendimento e miglioramento continui esplora questi meccanismi più ristretti.

La definizione spiega anche perché AGI e RSI non devono arrivare in un ordine fisso. Un sistema potrebbe aiutare a ottimizzare la formazione dell’IA pur rimanendo debole in molte attività quotidiane. Al contrario, un’intelligenza artificiale ad ampio spettro potrebbe essere sviluppata attraverso un processo ancora diretto dalle persone. RSI potrebbe accelerare un percorso verso una maggiore generalità, ma scrivere quelle tre lettere su un diagramma non dimostra dove finisce quel percorso.

Un diagramma concettuale originale. AGI e RSI sono dimensioni diverse, non una sequenza garantita di tappe fondamentali. Illustra le definizioni di cui sopra, non le capacità misurate di un particolare modello.

La voce su Google risale a due post

Un articolo di AI Times del 14 settembre descrive la voce che circola nella comunità dell’IA. Seguendo il post incorporato e i collegamenti nei commenti successivi, si arriva a poche fonti identificabili. È importante: cento condivisioni possono sembrare cento conferme, anche quando ripetono quasi tutte la stessa affermazione iniziale.

L'11 settembre, l'account Lyra, @lyraxana, ha pubblicato un breve messaggio di congratulazioni taggando Google DeepMind. Le maiuscole insolite evidenziavano le lettere R, S e I. Il post non forniva alcun metodo sperimentale, risultati delle prestazioni o spiegazione del coinvolgimento umano. Era un invito a dedurre qualcosa da un'abbreviazione.

Successivamente in quella data, Lentils, @Lentils80, ha citato il post di Lyra e ha fatto riferimento a un presunto modello interno chiamato rsi-model-liverl-le, insieme a dieci slot di allenamento numerati. Lo screenshot associato è diventato un altro centro di speculazioni. Si tratta di affermazioni su una presunta quotazione interna; l'autenticità dell'elenco e la sua relazione con un sistema funzionante non sono state stabilite in modo indipendente in questa indagine.

Il 12 settembre, Chubby, @kimmonismus, ha amplificato la voce e si è ricollegata allo stesso post di Lyra. Ciò stabilisce un percorso di circolazione. Non crea una seconda fonte indipendente per una svolta. Né la reputazione di un account per fughe di notizie precedenti sostituisce le prove su questa particolare affermazione.

Anche un nome interno autentico lascerebbe senza risposta le domande centrali. Un team potrebbe nominare un progetto in base al suo obiettivo prima di raggiungerlo. Un esperimento potrebbe migliorare una componente ristretta pur dipendendo fortemente dalla direzione umana. Avremmo bisogno di risultati misurati, di una base di partenza chiara e di un resoconto di ciò che è stato automatizzato prima di trarre una conclusione più forte.

Alla data di questa ricerca, la conclusione resta limitata: la voce sulla RSI di Google ha fonti rintracciabili su X, ma questi post non dimostrano una RSI completamente autonoma. Non ho trovato un annuncio di Google che autentichi il presunto elenco interno o presenti le valutazioni ripetute e indipendenti necessarie a sostenere questa interpretazione. È un limite delle prove pubbliche esaminate, non la dimostrazione che non esistano progressi ancora riservati.

La ricerca pubblicata da Google dice più di un nome trapelato

C'è una ragione per cui la voce ha trovato un pubblico. Google ha descritto pubblicamente l'IA che contribuisce allo sviluppo dell'IA. Nel suo annuncio Gemini 3.8 del 2 settembre 2026, la società ha affermato che i circuiti di agenti di lunga durata hanno contribuito a valutare e perfezionare in modo ricorsivo i modelli sottostanti. Questa è una dichiarazione sostanziale e attribuibile sul suo processo di sviluppo. Non specifica ancora una catena completamente autonoma di sistemi successori. Annuncio Gemini 3.8 di Google.

Un risultato precedente dà all'idea una scala concreta. Google DeepMind ha riferito nel maggio 2025 che AlphaEvolve ha migliorato un kernel di addestramento Gemini chiave del 23%, contribuendo a una riduzione di circa 1% del tempo di addestramento complessivo. L'agente di codifica ha utilizzato modelli linguistici, valutazione e selezione automatizzate per cercare algoritmi migliori. Annuncio AlphaEvolve, 14 maggio 2025.

La differenza tra il 23% e l'1% è istruttiva. Migliorare un componente non migliora l'intero ciclo di sviluppo della stessa quantità. Altri lavori richiedono ancora tempo. Tuttavia, anche un piccolo risparmio può avere importanza se applicato ripetutamente a corsi di formazione costosi, e un’utile ottimizzazione può diventare parte del processo che produce il modello successivo.

Questa è una base migliore per l'ottimismo che indovinare cosa significa un nome file. Il campo può fare progressi considerevoli prima che qualcuno dimostri la versione più potente di RSI. Dovremmo essere in grado di riconoscere un risultato ingegneristico senza trasformarlo nell’affermazione che l’intelligenza artificiale è diventata un inventore indipendente del suo intero futuro.

Il resoconto del proprio sviluppo di Anthropic del 4 giugno 2026 fa una distinzione simile. Ha segnalato una crescente partecipazione dell’intelligenza artificiale all’ingegneria e alla sperimentazione, identificando la direzione e il giudizio della ricerca come le lacune rimanenti. La sua discussione sullo sviluppo successivo completamente autonomo era esplicitamente condizionale. Queste sono le osservazioni dell'azienda sul proprio flusso di lavoro, non una prova indipendente di RSI autonomo. Quando l'IA si costruisce da sola.

Amodei, Altman e Musk hanno sostenuto una moderazione del ritmo

Il 12 settembre, Dario Amodei, amministratore delegato di Anthropic, ha proposto di moderare il ritmo di sviluppo dell’IA più avanzata, per dare alla ricerca sulla sicurezza il tempo di raggiungere i progressi delle capacità. Il piano prevede valutatori indipendenti con accesso interno permanente, coordinamento tra sviluppatori dei paesi democratici e una cooperazione internazionale più ampia. Anthropic si è impegnata sul primo punto; il coordinamento più ampio rimaneva da costruire. Il saggio di Amodei di settembre.

Sam Altman ha poi sostenuto pubblicamente questa moderazione su X, annunciando che OpenAI avrebbe dato ai valutatori indipendenti un accesso paragonabile a quello dei dipendenti. Elon Musk ha approvato la posizione di Amodei in un breve post. Sono manifestazioni di sostegno direttamente verificabili. Vanno riportate senza attribuire loro un accordo operativo più dettagliato di quanto dichiarato.

Moderare il ritmo non significa fermare tutta la ricerca sull’IA. Amodei propone di dedicare tempo alle protezioni e alla valutazione esterna mentre il progresso continua. La difficoltà è nell’attuazione: che cosa si valuta, chi ottiene accesso, chi può pubblicare risultati sfavorevoli e che cosa accade se un’azienda contesta la valutazione? Da queste risposte dipende l’effetto concreto della promessa.

La mia interpretazione è che la convergenza è importante perché i concorrenti riconoscono pubblicamente un problema condiviso. Non elimina i loro incentivi competitivi. Una valutazione indipendente sarebbe preziosa proprio perché i clienti, i governi e gli sviluppatori rivali non dovrebbero essere costretti ad accettare garanzie solo sulla reputazione. Lo standard dovrebbe essere la prova dell’attuazione, non della forza emotiva di una dichiarazione pubblica.

Esiste anche una legittima preoccupazione riguardo al modo in cui tali accordi sono progettati. I costosi requisiti di conformità possono favorire le organizzazioni che dispongono già di budget elevati. Questo è un motivo per chiedere regole proporzionate, valutatori responsabili e spazio per gli sviluppatori più piccoli. Non è una prova che le preoccupazioni sulla sicurezza dichiarate siano inventate, o che la voce Google abbia causato le richieste di moderazione del ritmo di sviluppo.

Trump ha posto al centro la competizione con la Cina

Il 13 settembre, Trump ha detto ai giornalisti in Irlanda di voler preservare il vantaggio statunitense sulla Cina nell’IA e ha ridimensionato le richieste di frenare lo sviluppo. Ha ammesso la possibilità di alcune misure di protezione, senza precisare regole. Le sue parole esprimevano opposizione al rallentamento della corsa; non erano un veto a un accordo industriale già concluso. Associated Press, 13 settembre, pubblicato da CityNews.

Il problema strategico è comprensibile. Se un gruppo accetta restrizioni costose mentre un concorrente no, il vantaggio che ne deriva può incidere sul potere economico e di sicurezza. Un accordo internazionale realizzabile necessita quindi di un modo per stabilire se i partecipanti stanno facendo ciò che hanno promesso. Dichiarare che tutti dovrebbero cooperare è molto più semplice che progettare una verifica credibile.

Ma vincere una gara e controllarne le conseguenze sono risultati separati. Un sistema che provoca un fallimento evitabile non diventa affidabile perché è stato costruito a livello nazionale. La mia opinione è che la leadership dovrebbe includere la capacità di testare, proteggere e governare sistemi potenti, nonché la capacità di formarli. Tali capacità possono rafforzare un vantaggio duraturo invece di limitarsi a ritardare il progresso.

Sarebbe fuorviante presentare il dibattito pubblico come sicurezza da un lato e preoccupazione per la Cina dall’altro. La proposta di Amodei parla di preservare un vantaggio cercando al tempo stesso un coordinamento internazionale. Il disaccordo riguarda in parte i mezzi: se un vantaggio è meglio protetto dalla massima velocità di sviluppo, da una supervisione condivisa più forte o da una combinazione che può effettivamente essere verificata.

Un ciclo di ricerca migliore potrebbe avvicinare le scoperte

La possibilità interessante non è semplicemente che il prossimo assistente scriva risposte migliori. Il fatto è che assistenti migliori accorciano il lavoro necessario per produrre la generazione successiva. Quella generazione potrebbe quindi migliorare nuovamente il processo di ricerca. Se i guadagni si trasferiscono e persistono, i progressi possono aggravarsi invece di arrivare come miglioramenti isolati.

Un ciclo significativo ha diversi lavori. Seleziona un problema utile, propone un intervento, esegue un esperimento, valuta il risultato e mantiene il miglioramento solo quando l'evidenza lo supporta. Il risultato mantenuto aiuta quindi il ciclo successivo. Accelerare la generazione delle proposte è utile; accelerare l’intera sequenza preservandone la validità è molto più consequenziale.

Immagina un team in grado di esplorare dieci approcci credibili nel tempo in cui ne ha esplorato uno in precedenza. Alcuni esperimenti aggiuntivi falliranno e questo è normale. Il vantaggio deriva dall’apprendere prima quali approcci meritano più risorse. Se il sistema migliora anche nella selezione degli esperimenti, il team ottiene sia più tentativi sia maggiori possibilità che ogni tentativo sia informativo.

Questo è uno scenario condizionato, non una previsione di progressi decuplicati. La ricerca contiene delle dipendenze: un esperimento potrebbe aver bisogno del risultato di un altro e un fallimento inaspettato potrebbe richiedere un nuovo metodo di misurazione. Una maggiore elaborazione non garantisce informazioni utili. La quantità importante è il tasso di apprendimento convalidato, non il numero di agenti che appaiono occupati contemporaneamente.

Schema originale del meccanismo. Le migliorie entrano nel ciclo successivo soltanto dopo la valutazione. I controlli indipendenti restano fuori dal ciclo. Il disegno propone una prassi di lavoro, non descrive un sistema già completato da un laboratorio.

Se questo diventa affidabile, il programma del cambiamento potrebbe sembrare diverso. Gli strumenti potrebbero migliorare mentre le organizzazioni stanno ancora adattandosi alla versione precedente. Un team potrebbe scoprire che un progetto rinviato perché troppo costoso è diventato fattibile, quindi scoprire che il collo di bottiglia successivo è la convalida o la consegna. L’accelerazione verrebbe vissuta come un cambiamento dei vincoli, non solo come impressionanti annunci di modelli.

Anche un pensiero più rapido deve fare i conti con il mondo fisico

Un semplice esperimento mentale mostra perché l'accelerazione ha dei limiti. Supponiamo che l'80% di un ciclo di ricerca possa essere reso dieci volte più veloce, mentre il restante 20% rimanga invariato. Il nuovo ciclo richiede il 28% del tempo originale, un miglioramento di circa 3,6 volte, non dieci. Il calcolo è 0,8 diviso 10, più 0,2. Queste sono ipotesi illustrative, non misurazioni di un laboratorio di intelligenza artificiale.

La parte invariata può diventare la parte dominante in modo sorprendentemente rapido. Potrebbe attendere l'hardware, raccogliere dati rappresentativi, verificare una proprietà di sicurezza o riprodurre un risultato. In un progetto biomedico potrebbe comportare lavoro di laboratorio ed evidenza clinica; in un progetto energetico potrebbe coinvolgere materiali, costruzione e connessione a una rete. Un ragionamento migliore non fa scomparire queste dipendenze.

Questo è il motivo per cui un modello in continuo miglioramento non fornirebbe istantaneamente un mondo in continuo miglioramento. La scoperta, la produzione, la distribuzione e l'adozione hanno tempi diversi. Alcuni colli di bottiglia possono essere migliorati con l’intelligenza artificiale; altri richiedono istituzioni, investimenti e capacità fisica. Lo scenario realistico e ottimistico prevede il lavoro su tutti questi aspetti.

Lascia spazio anche alla possibilità che la forma più forte di RSI stalli. I guadagni potrebbero non essere più trasferibili, gli esperimenti potrebbero diventare più costosi o il progresso potrebbe dipendere da informazioni che i metodi attuali non riescono a ottenere. Anche allora, la diffusione di capacità già utili potrebbe fare una differenza sostanziale. Non abbiamo bisogno di una curva di accelerazione infinita per giustificare il miglioramento dell’accesso a buoni strumenti.

Gli errori possono passare alla generazione successiva

Lo stesso feedback che preserva un miglioramento può preservare un errore. Supponiamo che un agente di ricerca scopra un cambiamento che aumenta il suo punteggio di valutazione sfruttando un punto debole del test. Se il risultato viene accettato come un reale progresso, il lavoro successivo potrà basarsi su di esso. Il sistema potrebbe migliorare nel soddisfare la misurazione diventando meno utile al di fuori di quella misurazione.

Questo è un rischio strutturale, non una prova che un particolare modello Google trapelato si sia comportato in questo modo. Spiega perché il valutatore ha bisogno di protezione dal sistema sottoposto a valutazione. Test indipendenti, autorizzazioni separate e registrazioni riproducibili rendono più difficile che un'affermazione di successo errata diventi la base per la versione successiva. Un ciclo più veloce rende quella separazione più preziosa.

Esiste una versione umana dello stesso problema. Quando il volume di lavoro cresce, le persone possono iniziare ad approvare cambiamenti che non comprendono più perché i cambiamenti precedenti sembravano funzionare. Un pulsante di approvazione umana non costituisce una supervisione significativa se al revisore mancano il tempo, le prove pertinenti o la capacità di interrompere il processo. La progettazione deve preservare un’effettiva opportunità di disaccordo.

Per questo motivo, osserverei la relazione tra la velocità di sviluppo e il tempo disponibile per rispondere. Quanto velocemente è possibile rilevare un problema? È possibile mettere in pausa il processo interessato? È possibile eseguire il rollback di una versione e i suoi effetti importanti sono reversibili? Le risposte differiranno tra un assistente di scrittura, un sistema di ricerca e un software con accesso alle infrastrutture critiche.

L'avvertimento dovrebbe essere proporzionato. Non si tratta di una previsione del fatto che ogni ciclo di miglioramento diventerà pericoloso, o di un argomento secondo cui un’intelligenza artificiale utile non dovrebbe essere disponibile. È un motivo per conferire autorità ai sistemi in più fasi e per verificare le conseguenze in ciascuna fase. Più velocemente avanzano le capacità, meno dovremmo fare affidamento sulla fiducia informale come controllo principale.

Un futuro migliore renderebbe quotidiano l’accesso a competenze specialistiche

Ecco il futuro che vorrei che questa ricerca sostenesse: competenze utili diventano più facili da ottenere, mentre le persone mantengono la capacità di metterle in discussione. Una piccola organizzazione dovrebbe essere in grado di esaminare un problema difficile senza prima riunire un grande team di specialisti. Uno studente dovrebbe avere una spiegazione paziente che si adatti al punto in cui la comprensione si è interrotta. Un ricercatore dovrebbe dedicare meno giornata a far funzionare gli strumenti e più a decidere cosa vale la pena indagare.

Questi sono scenari, non promesse allegate alla data di lancio di uno AGI. Il loro valore deriva dalla riduzione del costo di un lavoro attento. Se più persone possono confrontare opzioni, verificare ipotesi ed esplorare un campo sconosciuto, possono iniziare progetti utili che altrimenti sarebbero rimasti inutilizzati. I benefici non dipendono necessariamente dall’eliminazione delle persone dal processo.

Nella ricerca sanitaria, il contributo di speranza è un percorso più breve da un'idea plausibile a un candidato ben testato. Sistemi migliori potrebbero collegare i risultati tra le specialità, identificare le ipotesi deboli e aiutare a progettare esperimenti informativi. La validazione clinica e di laboratorio determinerebbe comunque se una scoperta aiuta i pazienti. Una scoperta più rapida è preziosa quando migliora le prove che raggiungono quelle fasi, non quando sostituisce le fasi con una prosa sicura.

Nell'istruzione, l'opportunità è più personale. Immagina uno studente che può porre la stessa domanda in tre modi diversi senza imbarazzo, quindi ricevere una spiegazione in una lingua e in un contesto che comprende. Un insegnante potrebbe utilizzare il sistema per esplorare idee sbagliate e preparare esercizi migliori. Il risultato auspicabile è una maggiore comprensione umana, con insegnanti e studenti in grado di ispezionare e correggere l'assistenza.

Per il software e i servizi pubblici, il progresso potrebbe rendere accessibile la manutenzione trascurata. Piccoli team potrebbero indagare sui difetti, migliorare l’accessibilità e modernizzare i sistemi difficili che in precedenza non avevano sufficiente attenzione ingegneristica. Per quanto riguarda il lavoro sul clima e sull’energia, una migliore ricerca e simulazione potrebbe aiutare i ricercatori a confrontare i progetti prima di impegnarsi in costose prove fisiche. Si tratta di percorsi che portano dalla capacità di ricerca al valore pratico, con vincoli diversi in ciascun settore.

La distribuzione di tali benefici sarà importante quanto la loro possibilità tecnica. Un sistema eccellente ma inaccessibile, inaccessibile nella lingua di una comunità o impossibile da contestare può lasciare indietro molte persone. La ricerca di interesse pubblico, le interfacce accessibili, la concorrenza e l’accesso adeguato a modelli utili fanno parte del quadro ottimistico. L’ampio vantaggio è un obiettivo progettuale e politico, non una proprietà automatica dell’intelligence.

Il lavoro cambierà lungo il percorso e i guadagni non cancelleranno le transizioni difficili. Alcune attività potrebbero richiedere meno persone; altre responsabilità potrebbero diventare più impegnative. Le organizzazioni dovrebbero investire nella capacità delle persone di utilizzare, valutare e reindirizzare nuovi strumenti invece di considerare la riqualificazione come un ripensamento. Un futuro migliore offre alle persone più opzioni durante la transizione, non semplicemente la promessa di un miglioramento dei numeri aggregati.

Un quadro editoriale originale. Prove, controllo e accesso sono condizioni per gli scenari speranzosi di cui sopra; non sono una previsione o una classifica di paesi e aziende.

Conta un progresso che le persone possano comprendere e orientare

Quando viene visualizzata la successiva affermazione RSI, chiedere cosa è cambiato e quali prove sono sopravvissute all'ispezione. È migliorata una risposta, uno strumento o la capacità di sviluppare sistemi futuri? I guadagni sono stati riprodotti al di fuori della valutazione originale? Chi ha fornito la direzione della ricerca e cosa è rimasto sotto il controllo umano? Queste domande sono più informative di un conto alla rovescia verso una svolta vagamente definita.

Per i team che oggi adottano l'intelligenza artificiale, la preparazione pratica è altrettanto concreta. Mantieni il materiale di partenza importante collegato alle decisioni. Separare il lavoro esplorativo dalle azioni con conseguenze durature. Fornire ai revisori prove che possano esaminare e consentire di invertire una scelta sbagliata. Queste abitudini sono utili in base alle capacità odierne e diventano più preziose se il ciclo di sviluppo accelera.

Le voci su Google non sono verificate nella loro forma più forte. Il più ampio spostamento verso la partecipazione dell’IA alla ricerca sull’intelligenza artificiale è già documentato. Possiamo prendere sul serio questo cambiamento senza pretendere di conoscere la data o la forma del suo punto finale. La mia misura preferita di successo è quanto più persone riescono a comprendere, creare e migliorare pur mantenendo una significativa voce in capitolo su ciò che accadrà dopo.

Fonti e limiti di questa ricerca

I post di X sono stati controllati tramite le risposte pubbliche di incorporamento di X, inclusi i collegamenti che collegano la voce originale e la sua amplificazione. Ciò verifica i post pubblicati, non l'autenticità del presunto screenshot interno. Le date allegate a tali post utilizzano le date visualizzate da X; le date del calendario locale possono differire.

• Post originale di Lyra - 11 settembre 2026
• Post citato di Lentils e presunto elenco dei modelli - 11 settembre 2026
• Amplificazione di Chubby — 12 settembre 2026
• Rapporto di AI Times - 14 settembre 2026
• Livelli di AGI — presentati per la prima volta il 4 novembre 2023
• Annuncio AlphaEvolve di Google DeepMind - 14 maggio 2025
• Annuncio Gemini 3.8 di Google — 2 settembre 2026
• Resoconto di Anthropic sullo sviluppo assistito dall'intelligenza artificiale - 4 giugno 2026
• La proposta di Amodei per moderare il ritmo — settembre 2026
• Risposta di Altman - 12 settembre 2026
• Risposta di Musk - 12 settembre 2026
• Associated Press sulle osservazioni di Trump - 13 settembre 2026

---

Un posto dove ritrovare le ragioni di una decisione

Telli.sh porta appunti, registrazioni, traduzioni e Clips in uno spazio di lavoro a cui puoi tornare. Se una conversazione o un articolo cambia la tua visione dell'intelligenza artificiale, mantieni la fonte accanto all'idea e alla decisione che ha informato. I modelli continueranno a cambiare; il ragionamento che scegli di preservare dovrebbe rimanere comprensibile.

Crea uno spazio di lavoro Telli.sh per la conoscenza che desideri conservare