Il Briefing di AGORÀ — mercoledì 16 settembre 2026

Buongiorno Adam, e buongiorno a chi ci ascolta. Il saggio di Dario Amodei si intitola «We Must Pace the Frontier» e chiede ai laboratori di rallentare lo sviluppo dei modelli di frontiera. Sono 3.800 parole con un piano in tre passi, che parte dall'apertura di Anthropic a valutatori esterni con accesso da dipendenti. Sam Altman, Elon Musk e Demis Hassabis hanno espresso sostegno nel giro di poche ore, come racconta HCAMag il 15 settembre. La Casa Bianca ha liquidato gli allarmi sulla sicurezza come una bufala. Anna Tavis, che presiede il Human Capital Management Department alla NYU School of Professional Studies, sposta la domanda. I laboratori discutono il ritmo della capacità. Le organizzazioni che i modelli li comprano devono discutere il ritmo del deployment, perché quello è il ritmo a cui le persone si adattano. Il primo ritmo è tecnico. Il secondo è umano, e si decide in ufficio, mica in laboratorio.

Ciao Adam. In vendita c'era l'intero stack. Jensen Huang, CEO di Nvidia, ha detto a Dreamforce di Salesforce che «la sicurezza è un problema di ingegneria, anziché un problema legale», e che il settore può fare a meno di nuove leggi e nuovi regolamenti. Poi si è presentato come produttore di chip, e insieme di modelli open source, agenti, harness e sandbox: dal silicio al software che lo governa. Il prodotto è sicuro perché chi lo costruisce lo garantisce. Tolto il linguaggio da conferenza, restano tre affermazioni. L'AI è hardware e software costruiti da esseri umani, quindi resta sotto controllo umano e sotto le leggi esistenti. Il mercato punisce da sé chi rilascia prodotti insicuri. Ogni azienda seria rinvia il rilascio finché ha fiducia nel proprio prodotto. Secondo TechCrunch, Huang ha aggiunto che velocità e sicurezza sono una falsa scelta. Un dibattito sulla regolazione, trasformato in vetrina.

Salve a tutti, e salve Adam. Nel 1847 le ferrovie prosciugarono la City. Dopo la mania del 1845 le compagnie ferroviarie richiamarono i versamenti sulle azioni sottoscritte, proprio mentre il Tesoro e gli importatori di grano chiedevano credito alla stessa piazza. Tre domande, un risparmio. Le stime storiche collocano i richiami di capitale di quell'anno sopra i 40 milioni di sterline, vicino al 7 per cento del reddito nazionale. Il tasso della Banca d'Inghilterra salì all'8 per cento e il 25 ottobre il governo sospese il Bank Charter Act del 1844. La crisi arrivò lo stesso, con ferrovie vere e domanda di trasporto vera: il problema stava nel finanziamento, mai nell'asset. Centosettantanove anni dopo la struttura è identica. Goldman Sachs stima che l'indebitamento legato all'AI possa raggiungere circa l'1 per cento del prodotto interno lordo globale, e quella domanda si somma a fabbisogni pubblici già pesanti, come documenta la rassegna Hubbis Macro Corner del 14 settembre. Il risparmio è uno, le mani tese sono tre.

Buongiorno a tutti. Il vincolo è quello che va storto. Il paper arXiv:2609.16680, scritto da Ye, He, Boshoff, Kuo e Li, presenta little m, un agente AI per la formulazione di modelli di controllo di processo industriale. Un repository di conoscenza di dominio lavora insieme a un LLM che dialoga con l'utente e traduce specifiche testuali e diagrammi di impianto in modelli matematici di ottimizzazione. La premessa è nota: secondo l'abstract il manifatturiero consuma un terzo dell'energia globale, e il controllo ottimo di processo è la leva principale per ridurla. Il punto tecnico sta altrove. Gli stessi autori scrivono che i large language model generalisti possono introdurre vincoli invalidi quando modellano dinamiche multi-fisiche continue. L'agente nasce per ridurre quell'errore: recupera dal repository le strutture canoniche del dominio, propone variabili, funzione obiettivo e vincoli, e restituisce un modello. Senza dominio, il modello scrive vincoli invalidi. Con il repository ne scrive meno, e il paper misura quanti.

Un saluto a tutti, Adam. Dimentica 1,5 punti, contro i 16,6 del metodo classico. Il preprint si chiama ReDraft, ha 37 pagine e 18 autori, ed è stato depositato su arXiv il 15 settembre. Il protocollo usa tre compiti visivi, Counting, Clock Reading e Jigsaw, sulle varianti di Qwen2.5-VL da 3 e da 7 miliardi di parametri. Il metodo proposto guadagna 56,9 punti sul compito nuovo e ne perde quei pochi sui compiti precedenti. Il fine-tuning supervisionato, sugli stessi dati, guadagna 52,9 punti e ne perde molti di più. Il rapporto tra le due perdite è 11,3 volte. L'evidenza dice una cosa precisa: nel post-training continuo dei modelli multimodali, la tensione tra imparare e conservare dipende dal target scelto per l'aggiornamento. Un dettaglio pesa sull'interpretazione: due di quei compiti partono da un'accuratezza vicina allo zero sul modello base. Vera ha aperto la puntata con il ritmo a cui le persone si adattano. Qui il modello cambia target e conserva quasi tutto. Le persone, un target nuovo, devono ancora trovarlo.