Esplora la prospettiva sfumata di Andrej Karpathy sulle tempistiche dell’AGI, sugli agenti AI e sul motivo per cui il prossimo decennio sarà cruciale per lo sviluppo dell’intelligenza artificiale. Comprendi il divario tra hype e realtà nell’avanzamento dell’AI.
Andrej Karpathy, una delle figure più influenti nel campo dell’intelligenza artificiale ed ex direttore AI di Tesla, ha recentemente fatto notizia affermando che l’intelligenza artificiale generale (AGI) è ancora distante circa 10-15 anni. Questa visione si pone in netto contrasto rispetto all’ottimismo predominante nella Silicon Valley e tra gli appassionati di AI, che spesso dichiarano che capacità trasformative dell’intelligenza artificiale siano ormai prossime. Piuttosto che sminuire i notevoli progressi compiuti dai large language model dalla fine del 2022, Karpathy offre una valutazione più sfumata e realistica di dove ci troviamo realmente nel percorso di sviluppo dell’AI. La sua analisi rivela un importante divario tra le impressionanti capacità dei sistemi AI attuali e il lavoro sostanziale richiesto per raggiungere una vera intelligenza artificiale generale. In questa esplorazione approfondita, esamineremo le motivazioni dettagliate di Karpathy sulle tempistiche dell’AGI, la distinzione tra “anno degli agenti” e “decennio degli agenti”, le differenze fondamentali tra il modo in cui apprendono gli LLM e i sistemi biologici, e perché resta scettico su approcci popolari come il reinforcement learning come percorso principale. Comprendere queste riflessioni è cruciale per chiunque voglia cogliere la reale traiettoria dello sviluppo dell’AI e le sfide che ci attendono.
L’intelligenza artificiale generale rappresenta uno stato teorico in cui un sistema AI è in grado di comprendere, apprendere e applicare conoscenza in qualsiasi dominio intellettuale con la stessa flessibilità e adattabilità di un essere umano. A differenza dei sistemi AI ristretti, eccellenti in compiti specifici—come giocare a scacchi, riconoscere immagini o generare testo—l’AGI avrebbe la capacità di trasferire l’apprendimento da un dominio all’altro, risolvere problemi nuovi senza addestramento esplicito e mostrare reali capacità di ragionamento. La differenza tra i large language model attuali e una vera AGI non riguarda solo la scala o le metriche di prestazione; rappresenta una differenza fondamentale nel modo in cui questi sistemi operano e in ciò che possono realizzare. Gli LLM attuali, nonostante le impressionanti abilità nel generare testo coerente, rispondere a domande complesse e persino scrivere codice, sono fondamentalmente sistemi di riconoscimento di pattern addestrati su enormi quantità di dati Internet. Eccellono nell’interpolare all’interno dello spazio dei dati di addestramento, ma faticano con la reale estrapolazione e la risoluzione di problemi originali in modi che sarebbero banali per un essere umano dotato di intelligenza generale. Il percorso verso l’AGI richiede non solo modelli migliori, ma approcci completamente nuovi all’apprendimento, al ragionamento e all’interazione con il mondo. Ecco perché la valutazione di Karpathy di una tempistica superiore a 10 anni è significativa: riconosce sia i progressi concreti sia le grandi sfide residue che non possono essere superate solo con miglioramenti incrementali.
Il settore tecnologico ha una lunga storia di sovrastima dei progressi a breve termine e di sottovalutazione delle trasformazioni di lungo periodo. Nel contesto dell’AI, questa tendenza si manifesta come uno scollamento tra le capacità impressionanti mostrate dai modelli di frontiera e la reale implementazione di tali capacità in sistemi di valore economico. Quando OpenAI, Google e altri laboratori annunciano nuovi modelli dalle abilità straordinarie, i media e gli investitori spesso proiettano queste capacità in un impatto immediato sul mondo reale. Tuttavia, il passaggio da un modello capace a un sistema affidabile, implementato e di valore economico coinvolge numerose sfide che vengono spesso trascurate nell’entusiasmo dei risultati tecnici. Queste sfide includono la costruzione di infrastrutture robuste, l’integrazione dei sistemi AI nei processi aziendali, la gestione di sicurezza e affidabilità, lo sviluppo di interfacce utente adeguate e, soprattutto, la soluzione del “problema dello scaffolding”—ossia il divario tra le capacità grezze dei modelli e le applicazioni pratiche. Il punto di vista di Karpathy riflette una comprensione matura di questo gap, maturata grazie all’esperienza nello sviluppo di sistemi AI su larga scala. Riconosce che chi lavora più a stretto contatto con l’AI—in laboratori di ricerca, aziende tech o comunità specializzate—tende ad essere il più ottimista sulle tempistiche, spesso sovrastimando di cinque o dieci volte la rapidità dei progressi. Questo ottimismo deriva dalla vicinanza alle capacità di frontiera e dalla tendenza a sottovalutare le difficoltà di integrazione. Al contrario, gli scettici e i negazionisti dell’AI spesso ignorano i reali progressi compiuti, non apprezzando quanto la disciplina sia effettivamente avanzata. Karpathy si posiziona volutamente a metà strada, riconoscendo sia le vere innovazioni sia il lavoro ancora da svolgere.
Una delle chiarificazioni più importanti di Karpathy riguarda la terminologia sugli agenti AI. Quando i leader del settore dichiarano che “il 2025 sarà l’anno degli agenti”, intendono generalmente che gli agenti AI diventeranno un focus di attenzione, investimenti e prime implementazioni. Questo è sicuramente vero: vediamo già un forte interesse per i sistemi agentici, con aziende come OpenAI che rilasciano strumenti come Operator, in grado di controllare browser e svolgere compiti per conto degli utenti. Tuttavia, Karpathy sostiene che, sebbene il 2025 possa davvero essere l’anno in cui gli agenti attireranno l’attenzione generale, lo sviluppo e la diffusione di agenti davvero utili, affidabili e di valore economico richiederanno un intero decennio. Questa distinzione è cruciale perché separa i cicli di hype dalla reale maturazione tecnologica. Il “decennio degli agenti” rappresenta il periodo in cui infrastrutture, best practice, meccanismi di sicurezza e modelli di integrazione per i sistemi agentici verranno sviluppati e raffinati. In questo decennio, gli agenti passeranno da dimostrazioni impressionanti a strumenti affidabili di cui aziende e individui si serviranno per compiti critici. Questa tempistica rispecchia i pattern storici di adozione tecnologica: Internet divenne un tema centrale negli anni ’90, ma solo negli anni 2000 e 2010 ha realmente trasformato l’economia. Allo stesso modo, gli agenti AI potrebbero catalizzare l’attenzione nel 2025, ma il loro vero impatto economico si dispiegherà nel decennio successivo.
Karpathy traccia un interessante parallelo tra gli agenti AI nel mondo digitale e i robot umanoidi in quello fisico. Entrambi rappresentano tentativi di creare sistemi generalisti in grado di svolgere compiti arbitrari tramite un’interfaccia progettata dall’uomo: per gli agenti, browser web e tastiera/mouse; per i robot, un corpo umano dotato di sensori e attuatori. Questo confronto chiarisce perché gli agenti digitali potrebbero raggiungere l’utilità pratica più rapidamente dei robot fisici, nonostante le opportunità di mercato del mondo fisico siano potenzialmente maggiori. L’intuizione chiave è che manipolare informazioni digitali costa circa mille volte meno che manipolare la materia fisica. Un agente AI può svolgere milioni di compiti su Internet con costi computazionali minimi, mentre un robot umanoide deve muoversi fisicamente nello spazio, manipolare oggetti e superare i vincoli della fisica. Questa differenza di costo rende probabile che gli agenti digitali raggiungano la viabilità economica e la diffusione molto prima dei robot umanoidi. Tuttavia, Karpathy osserva che, sul lungo periodo, il mercato del mondo fisico potrebbe superare quello digitale. Il knowledge work—dominio degli agenti digitali—è certamente un mercato rilevante, ma l’automazione fisica potrebbe trasformare manifattura, edilizia, logistica e molti altri settori. L’attuale focus sugli agenti digitali riflette non solo la fattibilità tecnica, ma anche l’opportunità economica immediata nell’automazione del lavoro cognitivo. Con la maturazione degli agenti digitali, le risorse e le competenze acquisite accelereranno probabilmente anche l’avanzamento nella robotica fisica, creando un mondo misto dove gli umani supervisioneranno l’automazione di basso livello sia nel digitale che nel fisico.
Man mano che le organizzazioni implementano agenti AI, la sfida di orchestrare più agenti, gestirne le interazioni e garantirne l’affidabilità diventa sempre più centrale. È qui che piattaforme come FlowHunt giocano un ruolo essenziale nel panorama delle infrastrutture AI emergenti. FlowHunt permette ai team di costruire, testare e distribuire workflow AI complessi che sfruttano più agenti e modelli in sinergia. Invece di trattare ciascuna capacità AI in isolamento, FlowHunt consente di creare pipeline di automazione sofisticate che combinano ricerca, generazione di contenuti, analisi e decision making in sistemi coerenti. La piattaforma affronta molte delle sfide di scaffolding individuate da Karpathy come critiche per il decennio degli agenti. Offrendo strumenti per la progettazione, il monitoraggio e l’ottimizzazione dei workflow, FlowHunt contribuisce a colmare il divario tra capacità AI impressionanti e applicazioni pratiche di valore economico. Nel corso del decennio degli agenti, le piattaforme che sapranno orchestrare efficacemente sistemi agentici saranno sempre più preziose, permettendo alle organizzazioni di massimizzare il valore degli investimenti in AI mantenendo controllo, trasparenza e affidabilità.
Uno dei contributi più stimolanti di Karpathy alla discussione sull’AI è la distinzione tra il modo in cui apprendono gli animali e quello in cui apprendono i large language model. Questo quadro fornisce un’importante chiave di lettura sia per le capacità che per i limiti dei sistemi attuali. Gli animali, esseri umani inclusi, nascono con una quantità enorme di intelligenza innata, codificata nel DNA grazie a milioni di anni di evoluzione. Un cucciolo di zebra, ad esempio, riesce a stare in piedi e camminare poche ore dopo la nascita: una capacità che richiede una comprensione sofisticata dell’equilibrio, del controllo motorio e della percezione spaziale. Questa conoscenza non viene appresa, ma ereditata tramite processi evolutivi. L’apprendimento degli animali consiste principalmente nell’affinare istinti, adattarsi all’ambiente specifico e sviluppare abilità all’interno dell’ereditarietà evolutiva. Al contrario, i large language model apprendono con un processo radicalmente diverso. Invece di ereditare conoscenze evolutive, gli LLM sono addestrati su enormi quantità di testo online usando la previsione del token successivo: imparano cioè a prevedere la parola successiva in una sequenza. Questo approccio si è rivelato molto efficace nel cogliere pattern della conoscenza e del linguaggio umano, ma opera tramite un meccanismo che Karpathy descrive come più simile a “fantasmi o spiriti” che all’apprendimento biologico. Gli LLM non possiedono la conoscenza incarnata ed evolutiva degli animali; hanno invece assorbito pattern dai testi generati dagli umani. Questa distinzione ha profonde implicazioni per la comprensione sia dei punti di forza che dei limiti degli attuali sistemi AI.
Un limite critico degli LLM attuali, secondo Karpathy, è la propensione alla memorizzazione piuttosto che alla generalizzazione. Sebbene questi modelli mostrino prestazioni impressionanti nei benchmark e nelle applicazioni pratiche, gran parte del loro successo deriva dall’aver già visto pattern simili in fase di training, piuttosto che da una reale comprensione e generalizzazione. Una vera generalizzazione significherebbe la capacità di applicare principi appresi a situazioni nuove e significativamente diverse dai dati di addestramento. Qui entrano in gioco benchmark come l’ARC Prize (Abstraction and Reasoning Corpus), pensati proprio per testare la generalizzazione e non la memorizzazione. La distinzione tra memorizzazione e generalizzazione non è solo teorica, ma fondamentale per raggiungere l’AGI. Un sistema che memorizza può funzionare bene su compiti simili ai dati di training, ma fallirà di fronte a problemi realmente inediti. Ottenere una vera generalizzazione richiede meccanismi di apprendimento radicalmente diversi rispetto a quelli usati nell’addestramento LLM. Lo scetticismo di Karpathy sul percorso attuale verso l’AGI deriva in parte dalla consapevolezza che abbiamo costruito motori di memorizzazione impressionanti, ma non abbiamo ancora svelato il segreto della vera generalizzazione. I modelli sono “fantasmi” nel senso che hanno assorbito pattern dalla conoscenza umana, ma mancano della profonda comprensione e del ragionamento flessibile tipici dell’intelligenza biologica. Passare dalla memorizzazione alla generalizzazione richiederà non solo dati migliori o modelli più grandi, ma nuovi approcci all’apprendimento che incorporino principi simili a quelli dei sistemi biologici che sviluppano comprensione tramite l’interazione con il mondo.
Il reinforcement learning (RL) è diventato un punto centrale per molti laboratori AI impegnati nella corsa verso l’AGI, con aziende come OpenAI e DeepMind che investono massicciamente in approcci basati su RL. Tuttavia, Karpathy esprime notevole scetticismo sul RL come percorso principale verso l’AGI, pur riconoscendone il potenziale. La sua critica si concentra su alcuni limiti fondamentali degli approcci RL attuali. In primis, individua il problema della “supervisione che passa attraverso una cannuccia”: il rapporto segnale-rumore nel RL è estremamente basso, cioè la quantità di apprendimento reale che si ottiene per unità di calcolo è piuttosto ridotta. Questa inefficienza diventa sempre più problematica con il crescere della complessità dei domini. In secondo luogo, Karpathy sottolinea la difficoltà legata alle ricompense basate sul risultato nei sistemi RL. Quando un modello riceve feedback solo sull’esito finale, fatica a imparare dai passaggi intermedi. Si pensi a un esempio semplice: se un modello ragiona su un problema matematico con diversi passaggi intermedi errati ma arriva comunque alla risposta giusta, l’intero processo viene premiato, compresi i ragionamenti sbagliati. Questo crea un segnale di apprendimento rumoroso che può rafforzare pattern di ragionamento errati. Le ricompense di processo cercano di ovviare fornendo feedback sui passaggi intermedi, ma introducono ambiguità: se un modello compie cinque passaggi corretti ma arriva a una risposta finale sbagliata, il segnale di ricompensa è contraddittorio—i passaggi erano buoni, ma il risultato globale è errato. Questa ambiguità rende l’apprendimento difficile. Lo scetticismo di Karpathy non significa che il RL sia inutile; piuttosto, ritiene che non sia la leva principale per raggiungere l’AGI. Si dichiara “long agentic interaction ma short reinforcement learning”, ovvero più fiducioso nell’interazione agentica che nel reinforcement learning. Questa posizione, pur controcorrente rispetto all’entusiasmo del settore, riflette una profonda comprensione delle sfide tecniche nell’estendere il RL verso una vera intelligenza generale.
Se Karpathy è scettico sul reinforcement learning come via maestra per l’AGI, cosa ritiene più promettente? La sua risposta guarda verso l’interazione agentica e i world model. Invece di apprendere da dataset statici o da ricompense di outcome, gli agenti potrebbero imparare tramite l’interazione con ambienti simulati o reali, sviluppando modelli sempre più sofisticati di come funziona il mondo. Questo approccio ha precedenti storici nella ricerca AI. Il successo di DeepMind nella creazione di sistemi capaci di padroneggiare giochi complessi come Go si basa molto su agenti che giocano tra loro in ambienti simulati, migliorando progressivamente tramite l’interazione e non solo tramite supervisione umana. I world model rappresentano una direzione particolarmente promettente. Un world model è, in sostanza, una rappresentazione appresa del funzionamento del mondo—fisica, causalità e dinamiche che governano gli esiti. Un agente dotato di world model può ragionare sulle conseguenze delle sue azioni prima di compierle, pianificare a più passi e trasferire la conoscenza da un dominio all’altro più efficacemente rispetto a sistemi privi di world model. Lavori recenti di aziende come DeepMind (Genie), NVIDIA (Cosmos), Meta (V-JEPA) e Wayve (GAIA-2) testimoniano un crescente interesse nella ricerca sui world model. Questi sistemi imparano a prevedere come evolveranno le scene visive in base alle azioni dell’agente, creando una sorta di “parco giochi” dove gli agenti possono sperimentare e apprendere. Il vantaggio di questo approccio è che imita più da vicino il modo in cui i sistemi biologici imparano: tramite interazione con l’ambiente e sviluppo di una comprensione causale. Invece di memorizzare pattern dai testi, gli agenti imparano sperimentando attivamente e osservando le conseguenze. Questo approccio affronta più direttamente il problema della generalizzazione, poiché la comprensione dei rapporti causali e delle dinamiche mondiali si trasferisce più facilmente a situazioni nuove rispetto ai pattern memorizzati.
Karpathy fa riferimento al suo lavoro su “system prompt learning”, un concetto che rappresenta un’importante evoluzione nel modo di pensare all’addestramento e all’adattamento dei sistemi AI. Il system prompt learning si basa sull’idea che buona parte del comportamento e delle capacità di un sistema AI possa essere modellata tramite la progettazione attenta del prompt di sistema—cioè delle istruzioni e del contesto forniti al modello all’inizio dell’interazione. Invece di richiedere costosi retraining o fine-tuning, il system prompt learning suggerisce la possibilità di adattare e migliorare i sistemi AI ottimizzando i prompt che ne guidano il comportamento. Questo concetto ha profonde implicazioni per il decennio degli agenti. Man mano che le organizzazioni implementeranno agenti per vari compiti, avranno bisogno di meccanismi per adattarli a domini, settori e casi d’uso specifici senza doverli riaddestrare completamente. Il system prompt learning offre un approccio scalabile a questa esigenza. Con una progettazione accurata dei prompt di sistema che incorporano conoscenza di dominio, specifiche dei compiti e linee guida comportamentali, sarà possibile creare agenti specializzati a partire da modelli generalisti. Questo metodo si integra anche con il concetto di scaffolding: quell’insieme di infrastrutture e strumenti che si collocano tra le capacità grezze dei modelli e le applicazioni pratiche. Il system prompt learning fa parte di questo layer di scaffolding, consentendo alle organizzazioni di massimizzare il valore dei modelli AI senza richiedere competenze tecniche profonde nell’addestramento. Karpathy osserva che diversi recenti lavori scientifici stanno “andando nella direzione giusta” esplorando il system prompt learning e concetti affini, a conferma che questa strada sta guadagnando attenzione nella comunità di ricerca.
Forse l’intuizione più importante dell’analisi di Karpathy è l’enfasi sul “problema dello scaffolding”—ossia il divario tra le capacità grezze dei modelli e le applicazioni pratiche, realmente di valore economico. Questo concetto, a volte chiamato anche “model overhang”, riconosce che i modelli di frontiera attuali possiedono capacità che superano di gran lunga ciò che è stato realmente implementato e monetizzato. L’intelligenza è già contenuta nei modelli, ma gli strumenti, le infrastrutture, i sistemi di memoria e i modelli di integrazione necessari per sfruttarla pienamente sono ancora in fase di costruzione. Questo scaffolding comprende molti elementi: API e interfacce robuste per accedere ai modelli, sistemi di memoria che permettano agli agenti di mantenere il contesto e apprendere dall’esperienza, strumenti di monitoraggio e osservabilità del comportamento degli agenti, meccanismi di sicurezza per prevenire abusi, pattern di integrazione con i sistemi aziendali esistenti e interfacce utente che rendano le capacità agentiche accessibili anche a chi non possiede competenze tecniche. Il decennio degli agenti sarà in gran parte dedicato a costruire questo scaffolding. Aziende e ricercatori svilupperanno best practice per il deployment degli agenti, creeranno strumenti e piattaforme che rendano lo sviluppo agentico accessibile, definiranno standard di sicurezza e integreranno i sistemi agentici nell’ecosistema tecnologico più ampio. Questo lavoro è meno affascinante della creazione di nuove architetture di modello o dei breakthrough, ma è assolutamente essenziale per trasformare le capacità AI in valore reale. L’accento posto da Karpathy sullo scaffolding riflette una comprensione matura dello sviluppo tecnologico: le capacità di frontiera sono necessarie ma non sufficienti per l’impatto nel mondo reale. Le aziende e piattaforme che riusciranno a costruire efficacemente questo layer di scaffolding cattureranno molto valore durante il decennio degli agenti, anche senza sviluppare i modelli più avanzati.
Oltre alle sfide tecniche di scaffolding e generalizzazione, Karpathy individua altre categorie di lavoro fondamentali prima di arrivare all’AGI. La sicurezza rappresenta una preoccupazione critica. Man mano che gli agenti AI diventano più capaci e autonomi, garantire che operino in modo sicuro e affidabile è sempre più importante. Questo include la prevenzione dei jailbreak (tentativi di manipolare l’agente per ignorare le regole), la difesa contro attacchi di poisoning (tentativi di corrompere i dati di training o il comportamento dell’agente) e lo sviluppo di meccanismi di allineamento robusti per assicurare che gli agenti perseguano gli obiettivi desiderati. Il lavoro sociale rappresenta un’altra dimensione fondamentale. Il deployment di agenti AI sempre più capaci avrà profonde implicazioni su occupazione, istruzione, disuguaglianze e strutture sociali. Sviluppare politiche, regolamenti e quadri sociali adeguati per l’integrazione dell’AI richiederà il contributo di policymaker, eticisti, scienziati sociali e della società nel suo complesso. Questo lavoro non può essere affrettato e probabilmente si estenderà ben oltre il decennio degli agenti. L’integrazione con il mondo fisico presenta ulteriori sfide: sebbene gli agenti digitali possano operare esclusivamente online, molte applicazioni di valore richiedono interazione con sistemi fisici—controllo di robot, gestione di processi produttivi, coordinamento logistico. Questo richiederà non solo AI capace, ma anche sensori, attuatori e infrastrutture adeguate. Anche la ricerca fondamentale resta ampia: nonostante le capacità odierne, rimangono domande aperte su come ottenere una vera generalizzazione, come costruire sistemi che ragionino su causalità e controfattuali, come creare agenti in grado di apprendere e adattarsi continuamente e come scalare questi approcci alla complessità del mondo reale. La tempistica di 10+ anni di Karpathy riflette l’entità del lavoro residuo su tutti questi fronti.
Scopri come FlowHunt automatizza i tuoi flussi di lavoro AI e SEO — dalla ricerca e generazione di contenuti fino alla pubblicazione e all’analisi — tutto in un’unica piattaforma.
L’analisi di Karpathy si distingue per il suo posizionamento deliberato tra due estremi: l’ottimismo sfrenato degli entusiasti che vedono l’AGI arrivare in pochi anni, e lo scetticismo di chi nega i reali progressi raggiunti. Descrive le proprie tempistiche come “cinque o dieci volte più pessimistiche” rispetto a quelle che si sentono normalmente nei raduni del settore AI, ma “estremamente ottimistiche” rispetto allo scetticismo diffuso sul potenziale dell’AI. Questa prospettiva bilanciata si fonda su diverse osservazioni. Primo, i progressi nei large language model degli ultimi due anni sono stati davvero notevoli. Le capacità dimostrate da modelli come GPT-4, Claude e altri rappresentano un autentico salto in avanti. La possibilità di ragionare in modo complesso, scrivere codice, analizzare documenti e assistere in compiti creativi sarebbe sembrata fantascienza solo pochi anni fa. Questi progressi sono reali e non vanno sottovalutati. Secondo, resta però un’enorme quantità di lavoro tra le dimostrazioni impressionanti e sistemi affidabili e di valore economico. Le sfide di generalizzazione, sicurezza, integrazione e deploy non sono banali e non possono essere superate solo con miglioramenti incrementali. Terzo, la tendenza del settore AI ai cicli di hype fa sì che le aspettative siano spesso disallineate con la realtà. Quando viene rilasciato un nuovo modello dalle capacità impressionanti, media e investitori tendono spesso a proiettare queste capacità in un impatto immediato. Questo schema si è ripetuto più volte nella storia dell’AI, con cicli di entusiasmo seguiti da delusione. La visione bilanciata di Karpathy mira ad evitare sia l’errore dell’ottimismo eccessivo sia quello di negare i progressi reali. La sua tempistica di 10+ anni per l’AGI va intesa non come una previsione definitiva, ma come una valutazione realistica della portata del lavoro necessario, basata su una profonda esperienza nello sviluppo AI.
Pur sottolineando le sfide tecniche che ci attendono, è importante riconoscere l’enorme opportunità economica rappresentata dal decennio degli agenti. Anche se una vera AGI dovesse arrivare tra più di 10 anni, lo sviluppo di agenti AI sempre più capaci e utili genererà un grande valore economico. Le aziende che sapranno implementare agenti per customer service, content creation, analisi dati, sviluppo software e molti altri compiti otterranno vantaggi competitivi. Interi settori saranno trasformati con l’automazione del lavoro cognitivo di routine. Emergeranno nuovi modelli di business legati allo sviluppo, deployment e gestione degli agenti. Le aziende e le piattaforme che costruiranno il layer di scaffolding—strumenti, infrastrutture e best practice per lo sviluppo agentico—cattureranno molto valore. Qui FlowHunt si posiziona come infrastruttura essenziale per la nascente economia degli agenti. Offrendo strumenti che facilitano la creazione, il test, il deploy e la gestione dei workflow AI, FlowHunt consente alle organizzazioni di partecipare al decennio degli agenti senza richiedere una profonda expertise nello sviluppo AI. L’opportunità economica non dipende dall’arrivo dell’AGI: deriva dallo sviluppo di agenti sempre più capaci e utili che risolvono problemi aziendali reali.
L’analisi di Karpathy offre importanti spunti su come le organizzazioni dovrebbero pianificare la strategia e gli investimenti in AI. Primo, suggerisce di concentrarsi sulle applicazioni e sul valore immediato, piuttosto che puntare tutto su breakthrough AGI. Le aziende che prospereranno nel decennio degli agenti saranno quelle che implementeranno agenti per compiti pratici, imparando dal deploy nel mondo reale e migliorando costantemente i sistemi. Secondo, sottolinea l’importanza delle infrastrutture e degli strumenti. Le aziende che costruiranno il layer di scaffolding—piattaforme, strumenti e best practice che rendono lo sviluppo agentico accessibile—probabilmente cattureranno più valore di chi si concentra solo sui modelli. Lo scaffolding è il collo di bottiglia che impedisce alle capacità attuali di tradursi in valore economico. Terzo, suggerisce che il percorso verso l’AGI prevedrà approcci multipli e paradigmi diversi, non un’unica svolta. Lo scetticismo di Karpathy verso il reinforcement learning come unica strada, unito all’entusiasmo per l’interazione agentica e i world model, indica che i progressi arriveranno esplorando contemporaneamente più direzioni. Le organizzazioni dovrebbero restare flessibili e non puntare tutto su un’unica soluzione. Quarto, evidenzia l’importanza della sicurezza, dell’affidabilità e dello sviluppo responsabile. Con agenti sempre più autonomi, garantire che operino in modo sicuro e allineato con i valori umani è sempre più importante. Chi investirà presto in sicurezza e affidabilità sarà meglio posizionato sul lungo periodo.
La valutazione di Andrej Karpathy secondo cui l’AGI è ancora distante oltre 10 anni, mentre il prossimo decennio sarà quello degli “agenti”, offre una prospettiva realistica e sfumata sullo stato attuale e sul futuro dell’intelligenza artificiale. La sua analisi riconosce sia i reali breakthrough nei large language model, sia il lavoro ancora necessario in termini di scaffolding, generalizzazione, sicurezza e integrazione. La distinzione tra “anno degli agenti” e “decennio degli agenti” coglie una verità importante: sebbene nel breve termine gli agenti AI attireranno l’attenzione generale, il loro vero impatto economico e la loro maturazione si dispiegheranno in un arco di tempo più lungo. Il suo framework che distingue il modo in cui apprendono animali e LLM illumina sia le capacità sia i limiti dei sistemi attuali, mentre lo scetticismo verso il reinforcement learning e l’entusiasmo per interazione agentica e world model indicano direzioni di ricerca promettenti. Ancora più importante, l’accento di Karpathy sul problema dello scaffolding—il divario tra capacità grezze e applicazioni pratiche—identifica il vero collo di bottiglia dello sviluppo AI
Karpathy distingue tra le impressionanti capacità degli LLM e una vera intelligenza artificiale generale. Sebbene i modelli attuali mostrino prestazioni notevoli, resta ancora molto lavoro da fare in termini di scaffolding, integrazione, sicurezza e raggiungimento di una reale generalizzazione invece che semplice memorizzazione. Si posiziona tra gli ottimisti e i pessimisti estremi.
L’'anno degli agenti' si riferisce al momento in cui gli agenti AI diventano un focus di attenzione e delle prime implementazioni. Il 'decennio degli agenti' rappresenta invece tutto il ciclo di sviluppo necessario per creare agenti realmente utilizzabili, di valore e capaci di diffondersi economicamente nei vari settori industriali.
Gli animali sono dotati di intelligenza evolutiva innata e imparano solo in minima parte. Gli LLM apprendono tramite la previsione del token successivo sui dati Internet, risultando più simili a 'fantasmi' che ad animali. Questo approccio ha limiti nella generalizzazione e richiede uno scaffolding diverso per diventare più simile al metodo di apprendimento degli animali.
Karpathy sostiene che le ricompense basate sui risultati nel RL hanno un basso rapporto segnale-rumore e faticano con i passaggi intermedi. Le ricompense di processo aiutano ma restano limitate. Crede che l’interazione agentica e i world model siano approcci più promettenti per ottenere una vera generalizzazione.
Arshia è una AI Workflow Engineer presso FlowHunt. Con una formazione in informatica e una passione per l'IA, è specializzata nella creazione di workflow efficienti che integrano strumenti di intelligenza artificiale nelle attività quotidiane, migliorando produttività e creatività.
Crea workflow intelligenti per agenti AI che imparano e si adattano. FlowHunt ti aiuta a orchestrare processi AI complessi, dalla ricerca al deployment.
Esplora le preoccupazioni di Jack Clark, co-fondatore di Anthropic, sulla sicurezza dell'IA, la consapevolezza situazionale nei grandi modelli linguistici e il ...
Immergiti nell’intervista di Dario Amodei al podcast di Lex Fridman, dove discute delle leggi di scaling dell’IA, delle previsioni sull’intelligenza a livello u...
Scopri come un minuscolo modello da 7 milioni di parametri supera Gemini, DeepSeek e Claude usando ragionamento ricorsivo e deep supervision. Approfondisci l'ap...
Consenso Cookie
Usiamo i cookie per migliorare la tua esperienza di navigazione e analizzare il nostro traffico. See our privacy policy.
