[current_date format='D, d F, Y']

Dalle GPU ai teoremi: perché l’AI cinese somiglia alla sua filosofia

Geometria, potenza e il destino dell’Europa nell’era dell’intelligenza artificiale

intelligenza artificiale
Fonte Foto: intelligenza artificiale

Condividi

Premessa: due modi di pensare l’intelligenza

L’Occidente ha scelto una via semplice da raccontare e difficile da sostenere: comprare sempre più GPU, aumentare la potenza di fuoco, scalare modelli a colpi di megawatt. L’intelligenza artificiale come problema di capacità produttiva. Una questione, in fondo, di logistica avanzata.

L’Oriente – e la Cina in particolare – sembra invece aver imboccato un’altra strada: usare la matematica come leva strutturale, non come ornamento teorico. Il caso DeepSeek e il lavoro sulle Manifold-Constrained Hyper-Connections (mHC) sono il sintomo di questa divergenza. Mentre una parte del mondo rincorre la forza bruta computazionale, un’altra riscopre strumenti concettuali maturati decenni fa per imporre una forma al pensiero artificiale. Non più potenza senza geometria, ma architettura prima dello scaling.

Questa divergenza non è solo tecnica. È epistemologica, economica, e infine politica. Per comprenderla occorre risalire alle radici matematiche, attraversare le logiche industriali che la sostengono, e interrogarsi sul destino di chi – come l’Europa – rischia di restare spettatore di una partita che potrebbe giocare da protagonista.

I. Sessant’anni per arrivare qui: da Sinkhorn a DeepSeek

Il teorema dimenticato

Nel 1964 Richard Sinkhorn dimostra un risultato che apparirà, per decenni, privo di applicazioni pratiche: una matrice positiva può essere riscalata iterativamente fino a diventare doppiamente stocastica, ovvero una matrice le cui righe e colonne sommano tutte a uno. Un equilibrio probabilistico globale, elegante e simmetrico, ottenuto attraverso una procedura semplice quanto potente.

Per quasi cinquant’anni quel teorema resta confinato alla matematica pura. È un oggetto curioso, studiato nei dipartimenti di algebra lineare, citato occasionalmente, mai realmente impiegato. La storia della scienza è piena di risultati di questo tipo: intuizioni che aspettano il loro momento, soluzioni in cerca di problemi.

Il momento arriva nel 2013, quando Marco Cuturi – matematico franco-giapponese che oggi lavora per Apple – pubblica un articolo destinato a cambiare il campo del machine learning. Cuturi recupera l’intuizione di Sinkhorn per rendere computabile il trasporto ottimale, introducendo una versione entropicamente regolarizzata della distanza di Wasserstein. Un problema teoricamente importante ma computazionalmente intrattabile diventa improvvisamente accessibile su larga scala.

Il trasporto ottimale: spostare massa, confrontare distribuzioni

Per comprendere l’importanza di questo passaggio occorre capire cosa sia il trasporto ottimale. Immaginate di dover spostare della sabbia da un insieme di cumuli a un insieme di buche, minimizzando il lavoro totale. Il problema, formulato da Gaspard Monge nel 1781 e poi generalizzato da Leonid Kantorovich negli anni Quaranta del Novecento, è deceptivamente semplice da enunciare e straordinariamente difficile da risolvere.

Nel machine learning, il trasporto ottimale permette di confrontare distribuzioni di dati non come insiemi astratti, ma come masse da spostare in modo ottimale. La distanza tra due distribuzioni non è più solo una questione di sovrapposizione statistica, ma di costo di trasformazione. Quanto lavoro serve per trasformare una distribuzione nell’altra? Questa domanda, apparentemente tecnica, ha implicazioni profonde per come i modelli di intelligenza artificiale rappresentano e confrontano il mondo.

L’algoritmo di Sinkhorn, nella versione di Cuturi, permette di calcolare approssimazioni della distanza di Wasserstein in tempo ragionevole. Il trucco sta nella regolarizzazione entropica: aggiungendo un termine che penalizza soluzioni troppo concentrate, il problema diventa risolvibile con semplici moltiplicazioni matriciali iterate. L’eleganza matematica si traduce in efficienza computazionale.

DeepSeek e le varietà vincolate

DeepSeek non applica direttamente l’algoritmo di Sinkhorn. Ma ne incarna la stessa visione di fondo: l’idea che il flusso dell’informazione debba essere vincolato, non lasciato libero di disperdersi nello spazio dei parametri.

Le Manifold-Constrained Hyper-Connections costringono le connessioni iperboliche del modello a muoversi su varietà geometricamente strutturate. Il concetto di manifold – una superficie che localmente assomiglia allo spazio euclideo ma globalmente può avere forme complesse – diventa qui uno strumento di disciplina. Non si tratta di occupare tutto lo spazio possibile dei parametri, ma di vincolare il sistema a muoversi solo su superfici dove il segnale rimane coerente.

L’effetto è una riduzione drastica di rumore, instabilità e spreco di capacità rappresentativa. Il modello non « impara di più » in senso quantitativo; impara meglio, perché la geometria dello spazio di apprendimento è stata progettata per favorire rappresentazioni coerenti.

In parallelo emergono segnali analoghi in altri laboratori. L’ottimizzatore Muon preserva aggiornamenti quasi ortogonali dei pesi per mantenere stabilità informativa. L’architettura JEPA di Yann LeCun tenta di domare l’apprendimento imponendo vincoli sulla forma delle rappresentazioni latenti. Il messaggio sottostante è sempre lo stesso: se non controlli lo spazio in cui il modello apprende, l’entropia presenta il conto.

II. Fordismo computazionale contro eleganza geometrica

La fabbrica nello spazio del calcolo

In Dalla Fabbrica all’Algoritmo ho provato a mostrare come l’algoritmo non rappresenti una rottura con il paradigma industriale, ma la sua prosecuzione su un piano cognitivo. La fabbrica non è scomparsa; si è traslata nello spazio del calcolo. Le catene di montaggio sono diventate pipeline di dati, gli operai sono diventati GPU, il taylorismo si è fatto digitale.

Letta in questa prospettiva, la corsa occidentale alle GPU appare come una forma di fordismo computazionale. Più linee di produzione, più turni, più intensità. La strategia è quantitativa: chi possiede più capacità di calcolo domina il campo. L’intelligenza artificiale diventa una questione di economia di scala, di accesso privilegiato a risorse scarse, di capacità di investimento.

Questa logica ha prodotto risultati straordinari. GPT-4, Claude, Gemini sono il frutto di investimenti miliardari in infrastruttura computazionale. Ma è una logica che presenta rendimenti decrescenti. Ogni raddoppio di parametri richiede un aumento più che proporzionale di risorse. Le curve di scaling, che per anni sono sembrate inarrestabili, cominciano a mostrare segni di saturazione.

L’alternativa geometrica

L’approccio che emerge dal lavoro di DeepSeek racconta un’altra storia. La risorsa critica non è la miniera, ma il metodo di scavo. Non servono « più » GPU; serve una teoria che riduca entropia, spreco e rumore. La matematica non è un costo da ammortizzare, ma un investimento che moltiplica l’efficacia di ogni unità di calcolo.

Il concetto di manifold chiarisce bene questa differenza. Immaginate uno spazio a mille dimensioni in cui un modello può muoversi liberamente. La maggior parte di quello spazio è rumore: configurazioni che non corrispondono a nulla di significativo. Un vincolo geometrico restringe il movimento a una varietà di dimensione molto inferiore – una superficie curva immersa in quello spazio – dove ogni punto ha senso.

Non si tratta di limitare il modello, ma di dargli una mappa migliore. La differenza è analoga a quella tra esplorare una città a caso e seguire un percorso studiato: nel secondo caso si vede di più con meno fatica.

Oltre la dicotomia

Sarebbe un errore trasformare questo contrasto in una dicotomia assoluta. Anche in Occidente esistono scuole geometriche raffinatissime – basti pensare al lavoro di Michael Bronstein sulla geometric deep learning, o alle ricerche di Yoshua Bengio sulle rappresentazioni strutturate. E la Cina investe massicciamente in hardware: il fatto che debba farlo in modo più creativo a causa degli embarghi non significa che abbia rinunciato alla potenza computazionale.

La differenza è di direzione prevalente. L’ecosistema americano, trainato da venture capital e big tech, privilegia soluzioni che scalano rapidamente e producono risultati dimostrabili in tempi brevi. Questo favorisce approcci che richiedono più risorse ma meno innovazione teorica. L’ecosistema cinese, costretto a fare di necessità virtù, ha sviluppato una capacità di esplorare direzioni teoriche che altrove sarebbero considerate troppo rischiose o troppo lente.

C’è poi una questione più sottile, che riguarda la natura stessa della matematica. Sinkhorn era americano. Cuturi è franco-giapponese. I paper di DeepSeek citano estensivamente letteratura occidentale. La matematica non ha passaporto; le idee attraversano i confini con una velocità che le merci possono solo invidiare. Ma la capacità di tradurre intuizioni matematiche in sistemi funzionanti richiede ecosistemi, istituzioni, culture organizzative. È su questo piano che le differenze diventano significative.

III. Gli embarghi e l’economia del vincolo

Quando la limitazione genera innovazione

Gli embarghi tecnologici verso la Cina hanno prodotto un effetto ironico. Dovevano rallentare lo sviluppo dell’intelligenza artificiale cinese, hanno invece incentivato la ricerca di vantaggi non replicabili semplicemente acquistando hardware. Se non puoi vincere sulla quantità, devi cambiare la qualità della competizione. E nell’AI la qualità coincide sempre più con la matematica.

Questa dinamica non è nuova nella storia della tecnologia. Il Giappone del dopoguerra, privato della possibilità di competere su scala con l’industria americana, sviluppò metodologie di produzione – il sistema Toyota, la qualità totale – che finirono per ridefinire gli standard globali. L’Unione Sovietica, tagliata fuori dai mercati occidentali, produsse eccellenze in matematica e fisica teorica che ancora oggi alimentano laboratori di tutto il mondo.

Il vincolo, quando non è soffocante, può essere generativo. Costringe a cercare soluzioni in spazi che l’abbondanza non avrebbe mai esplorato. DeepSeek non è un’anomalia né un miracolo improvviso; è l’espressione di un ecosistema che ha imparato a trasformare la scarsità in vantaggio competitivo.

L’economia pianificata del rischio scientifico

L’ecosistema cinese dell’AI presenta caratteristiche peculiari. Università come Tsinghua e Peking, insieme a grandi centri di ricerca statali e privati, mettono a sistema migliaia di ricercatori che esplorano in parallelo centinaia di direzioni teoriche. La struttura è quella di una ricerca distribuita e coordinata, dove il fallimento di un filone non è uno spreco ma un costo previsto.

È quello che potremmo chiamare un’economia pianificata del rischio scientifico. Non si scommette tutto su una singola direzione, ma si esplorano sistematicamente molteplici possibilità, sapendo che la maggior parte non produrrà risultati significativi. Quelli che funzionano, però, possono generare salti concettuali capaci di compensare l’assenza di vantaggio hardware.

L’Occidente, al contrario, tende a confondere il rischio con la speculazione. Si finanziano modelli sempre più grandi nella speranza che le leggi di scaling continuino all’infinito, senza interrogarsi davvero su come quei modelli rappresentino il mondo. È una forma di fede tecnologica: se funziona, non importa capire perché. Ma quando le curve di scaling rallentano, quella fede si rivela fragile.

La domanda inevitabile

Qui emerge una domanda scomoda: quanto della « scelta geometrica » cinese è filosofia e quanto pura necessità economica? Se domani gli embarghi venissero revocati e Pechino potesse acquistare H100 a volontà, manterrebbe questa eleganza metodologica o tornerebbe al brute force?

La risposta più onesta è che probabilmente farebbe entrambe le cose. La Cina non ha rinunciato alla potenza computazionale per scelta ideologica; ha sviluppato competenze alternative perché non aveva alternative. Ma quelle competenze, una volta acquisite, non scompaiono. Diventano parte del repertorio, strumenti disponibili anche quando la necessità originaria viene meno.

La virtù, in questo caso, è effettivamente figlia della costrizione. Ma le virtù acquisite per necessità possono diventare virtù coltivate per scelta. È una lezione che l’Europa, con le sue risorse limitate e le sue tradizioni profonde, farebbe bene a considerare.

IV. Lo specchio europeo

Il paradosso del continente

L’Europa si trova in una posizione paradossale. Dispone di scuole matematiche tra le migliori al mondo: l’École Normale Supérieure, i Max Planck Institute, i politecnici italiani e tedeschi, Cambridge e Oxford. Ha una tradizione epistemologica millenaria, dalla geometria greca alla rivoluzione scientifica, dalla logica formale alla meccanica quantistica. Ha prodotto pensatori che hanno definito i confini stessi del pensabile: Euclide, Newton, Gauss, Hilbert, Gödel.

Eppure, nell’era dell’intelligenza artificiale, rischia di diventare il luogo dove si consumano modelli addestrati altrove. Non manca il talento, non mancano le idee, non manca nemmeno il capitale (almeno non in termini assoluti). Manca qualcos’altro: il tessuto connettivo tra ricerca e industria, la volontà politica di giocare una partita che sembra già decisa, la capacità di trasformare l’eccellenza teorica in vantaggio competitivo.

Tre modelli a confronto

Per capire il problema europeo conviene confrontare tre modelli di sviluppo dell’AI.

Il modello americano è trainato dal capitale privato. Venture capital, big tech e mercati finanziari creano un ecosistema ad alta velocità, dove le idee promettenti trovano rapidamente finanziamenti e i fallimenti vengono metabolizzati come costi necessari dell’innovazione. Il rischio è assunto dagli investitori, non dallo Stato. Il risultato è un’innovazione rapida ma orientata al breve termine, che privilegia soluzioni scalabili e commercializzabili rispetto a ricerche di lungo respiro.

Il modello cinese è coordinato dallo Stato. Piani quinquennali, investimenti strategici, università orientate a obiettivi nazionali creano un ecosistema dove il rischio scientifico è pianificato e distribuito. La velocità è inferiore a quella americana nelle fasi iniziali, ma la capacità di perseguire obiettivi di lungo termine è maggiore. Il risultato è un’innovazione meno volatile, capace di esplorare direzioni che il mercato da solo non finanzierebbe.

Il modello europeo è frammentato e regolatorio. L’Unione Europea interviene principalmente come arbitro, definendo regole e standard (l’AI Act è l’esempio più evidente), ma fatica a coordinarsi come attore. I finanziamenti pubblici alla ricerca sono sostanziali ma dispersi tra programmi nazionali spesso duplicati. Il capitale privato, quando c’è, tende a fluire verso settori meno rischiosi o a emigrare verso ecosistemi più dinamici.

Il risultato è un continente che produce ricerca di altissimo livello e la esporta sistematicamente. I migliori talenti europei finiscono nei laboratori di Google, Meta, OpenAI o nei centri di ricerca cinesi. Le startup più promettenti vengono acquisite prima di raggiungere la massa critica. L’Europa forma capitale umano che altri capitalizzano.

Il vizio della regolazione preventiva

C’è una tentazione ricorrente nel discorso europeo sull’intelligenza artificiale: compensare la debolezza produttiva con la forza normativa. Se non possiamo competere sulla creazione di modelli, possiamo almeno definire le regole del gioco. L’AI Act, con la sua classificazione dei rischi e i suoi requisiti di conformità, è l’espressione più compiuta di questa strategia.

Non si tratta di negare l’importanza della regolazione. L’intelligenza artificiale pone problemi etici, sociali e politici che richiedono risposte collettive. Ma regolare prima di produrre significa accettare implicitamente un ruolo subalterno. Chi definisce le regole per tecnologie che altri creano finisce per negoziare da una posizione di debolezza strutturale.

La Cina pianifica il rischio scientifico. L’America lo finanzia con venture capital. L’Europa lo regola prima ancora che esista. C’è qualcosa di profondamente difensivo in questo atteggiamento, una rinuncia implicita a giocare la partita sul terreno che conta.

La geometria come opportunità

Eppure, proprio il caso DeepSeek suggerisce una strada alternativa. Se il vantaggio competitivo si sta spostando dalla forza bruta all’eleganza matematica, l’Europa ha carte da giocare che altri non possiedono.

La tradizione geometrica europea è antica e profonda. Da Euclide a Grothendieck, il continente ha prodotto una successione ininterrotta di pensatori che hanno ridefinito il concetto stesso di spazio, forma, struttura. La geometria algebrica contemporanea, con le sue varietà e i suoi fasci, è in larga parte un’invenzione europea. La teoria delle categorie, che sta diventando sempre più centrale nel machine learning teorico, è nata in Francia negli anni Quaranta.

Questa tradizione non è un patrimonio museale. È una risorsa viva, che continua a produrre risultati. Il problema è la distanza tra i dipartimenti di matematica pura e i laboratori di intelligenza artificiale, tra la ricerca fondamentale e le applicazioni industriali. Colmare quella distanza richiederebbe investimenti mirati, strutture di incentivo diverse, una cultura organizzativa che oggi in Europa fatica a esistere.

Cosa servirebbe

Un programma europeo serio sull’intelligenza artificiale geometrica richiederebbe almeno tre elementi.

Primo: centri di ricerca che uniscano matematica pura e applicata, fisica teorica e computer science, in strutture capaci di attrarre e trattenere talento internazionale. Non bastano i programmi di finanziamento frammentati; servono istituzioni con massa critica, autonomia e visione di lungo termine. Il modello potrebbe essere il CERN per la fisica delle particelle: un’infrastruttura comune che nessun paese europeo potrebbe permettersi da solo, ma che insieme hanno costruito e mantenuto per decenni.

Secondo: meccanismi di trasferimento tecnologico che non si limitino a pubblicare paper. La ricerca accademica europea produce risultati eccellenti che poi vengono commercializzati altrove. Servono strutture – spin-off, laboratori congiunti, programmi di mobilità tra università e industria – che trasformino le idee in prodotti senza costringere i ricercatori a emigrare.

Terzo: una narrazione diversa. L’Europa tende a presentarsi come il continente dei valori, in contrapposizione all’America del profitto e alla Cina del controllo. Ma i valori senza capacità sono inefficaci. Servono storie di successo europee, modelli di riferimento, esempi concreti che dimostrino la possibilità di un’intelligenza artificiale sviluppata in Europa per il mondo.

V. La posta in gioco

Oltre la tecnologia

Il contrasto tra forza bruta ed eleganza geometrica non è solo una questione tecnica. È uno specchio politico.

Se l’intelligenza artificiale diventa il nuovo terreno della politica di potenza, chi controlla la matematica controlla la forma della razionalità che governerà mercati, amministrazioni e sistemi decisionali. Non basta adottare tecnologia; bisogna saperla progettare nel punto in cui si decidono le sue leggi interne.

Questa è la posta in gioco vera. Non si tratta di chi produce più chatbot o chi vince benchmark sempre più artificiosi. Si tratta di chi definisce le strutture cognitive che medieranno il rapporto tra esseri umani e informazione nei prossimi decenni.

La forma dell’intelligenza

In L’Intelligenza oltre il biologico ho esplorato l’idea che l’intelligenza non sia una sostanza ma una relazione, non un attributo ma un processo. Se questa intuizione è corretta, la domanda su chi controlla l’AI diventa la domanda su chi definisce le forme attraverso cui l’intelligenza si manifesta.

Le varietà vincolate di DeepSeek, le architetture geometriche che emergono dalla ricerca contemporanea, non sono solo trucchi matematici per risparmiare GPU. Sono modi di imporre una forma al pensiero artificiale, di decidere quali rappresentazioni sono possibili e quali no, quali connessioni sono permesse e quali proibite.

Queste scelte non sono neutrali. La geometria di un modello determina cosa può imparare e cosa gli resta invisibile. Come le categorie kantiane strutturano l’esperienza possibile per la mente umana, così le varietà matematiche strutturano l’apprendimento possibile per una mente artificiale. Chi progetta quelle varietà esercita un potere epistemico di portata incalcolabile.

La lezione della storia industriale

La storia industriale insegna che quando si difende solo la potenza produttiva, prima o poi qualcun altro ridisegna la fabbrica. Ford dominava il mercato automobilistico finché Toyota non inventò un modo diverso di produrre. IBM dominava l’informatica finché Microsoft non capì che il valore stava nel software, non nell’hardware. Nokia dominava i cellulari finché Apple non ridefinisse cosa significava « telefono ».

La corsa alle GPU è la versione contemporanea della corsa all’acciaio o al petrolio: essenziale, ma non sufficiente. Chi si concentra solo sulla quantità di risorse controllate finisce per essere sorpreso da chi ripensa la qualità di come quelle risorse vengono usate.

La Cina, anche per necessità, ha scelto di intervenire sulla forma dell’algoritmo. L’Occidente, per ora, continua a trattare l’intelligenza come una questione di scala. Ma le scale si possono cambiare, le forme no. Chi definisce le forme definisce le regole del gioco per tutti gli altri.

Dove inizia il prossimo capitolo

Abbiamo iniziato con una divergenza tecnica: due modi di costruire modelli di intelligenza artificiale. Siamo arrivati a una domanda politica: chi avrà voce nel definire le strutture cognitive del futuro?

Per l’Europa, che dispone di scuole matematiche straordinarie e di una memoria culturale lunga, la sfida è chiara: vuole restare il luogo in cui si consumano modelli addestrati altrove, o tornare a essere il luogo in cui si disegnano le strutture geometriche che li rendono possibili?

La risposta non è scritta. Ma il tempo per scriverla si sta riducendo. Mentre l’America accumula GPU e la Cina accumula teoremi, l’Europa accumula regolamenti. Tutte e tre sono forme di potere. Ma solo le prime due producono futuro; la terza, al massimo, lo disciplina.

In L’Umano invisibile ho scritto che il rischio maggiore dell’intelligenza artificiale non è che diventi troppo intelligente, ma che ci renda troppo passivi. Che accettiamo di essere i destinatari di decisioni prese altrove, in spazi che non comprendiamo, secondo logiche che non abbiamo contribuito a definire.

Il passaggio dalle GPU ai teoremi, dalla potenza alla geometria, offre una finestra di opportunità. La matematica è ancora un linguaggio democratico: chiunque può impararla, chiunque può contribuirvi. Ma tradurre la matematica in sistemi funzionanti richiede volontà, risorse, organizzazione. Richiede, in ultima analisi, una scelta politica.

La Cina quella scelta l’ha fatta. L’America l’ha fatta a modo suo. L’Europa è ancora in tempo. Ma non per molto.

Autore

Per una stampa libera


sostieni il nostro lavoro con una donazione

Le donazioni con PAYPAL sono sicure al 100%



Leggi anche...

In target

Adolescenza in bilico: IA, disagio e disuguaglianze

L’indagine più recente sull’adolescenza italiana mette in luce contraddizioni profonde: l’uso massiccio dell’intelligenza artificiale convive con fragilità psicologiche diffuse e con condizioni socioeconomiche che comprimono opportunità e relazioni

Iscriviti alla newsletter