Costruire un solo grande «modello del mondo» oppure molti modelli locali è, sotto la superficie tecnica, una domanda vecchia di ottant’anni: dove vive la conoscenza che serve per agire. Un saggio pubblicato il 10 luglio 2026 da Thinking Machines Lab la rimette al centro e schiera l’AI dalla parte del distribuito. Vale la pena prenderlo sul serio, perché l’argomento non è di gusto ma di teoria dell’informazione.

Cosa sostiene Thinking Machines

Il saggio — The future worth building is human — parte da una tesi netta: l’AI deve estendere la volontà e il giudizio umani, non prenderne il posto. L’argomento a sostegno è epistemico e viene da due economisti. Michael Polanyi e Friedrich Hayek: la conoscenza produttiva è in gran parte tacita, locale, effimera, custodita da chi l’ha acquisita lavorando — «sappiamo più di quanto sappiamo dire». Un modello addestrato al centro non può raggiungere quel sapere disperso; per questo, argomentano, servono sistemi distribuiti, personalizzati da chi li usa, con le organizzazioni che codificano i propri valori direttamente nei pesi. Due strozzature lo impediscono oggi: un canale di comunicazione troppo stretto — «una piccola casella di testo e una lunga attesa» — e metriche di valutazione inadeguate. Con una crescita che si tiene: l’interattività cresce con l’intelligenza, perché lo stesso addestramento che rende il modello più capace lo rende un collaboratore migliore. La battuta che riassume il pezzo: l’industria ha fatto progressi enormi nell’insegnare alle macchine a pensare; su cosa debbano pensare deve restare a noi.

Cosa promette un world model

Sull’altro versante c’è l’ambizione tecnica del world model. Nella sua forma pulita l’idea risale al lavoro di David Ha e Jürgen Schmidhuber del 2018: dare a un agente un modello interno e predittivo delle dinamiche del mondo, su cui immaginare le conseguenze delle proprie azioni e pianificare «nella testa» prima di agire nella realtà. Yann LeCun l’ha messa al centro del suo programma per un’intelligenza autonoma nel 2022, con le architetture predittive a spazio latente (JEPA): non prevedere ogni pixel, ma le regolarità che contano. In molte delle sue incarnazioni recenti la direzione è la stessa — un unico modello generale che catturi «come funziona il mondo», sul quale far poggiare la pianificazione.

Il problema di Hayek

Qui i due versanti si toccano, e non pacificamente. Un world model universale è, per definizione, il tentativo di centralizzare la conoscenza del mondo in un solo modello. È esattamente la mossa che Hayek, nel 1945, dichiarava impossibile. The Use of Knowledge in Society non è un pamphlet politico: è un argomento sull’informazione. La conoscenza rilevante per le decisioni — le circostanze particolari di tempo e di luogo — non è mai data a una mente sola in forma completa; è dispersa fra molti, spesso non articolabile, e cambia più in fretta di quanto qualsiasi centro possa raccoglierla. È il «problema della conoscenza»: la ragione per cui la pianificazione centrale fallisce non per cattiva volontà ma per un limite informativo. Polanyi aggiunge la dimensione tacita: gran parte del saper fare non si lascia scrivere, e perciò non entra in nessun dataset. Il canale stretto di cui si lamenta Thinking Machines — la casella di testo — è proprio la strozzatura da cui quel sapere locale dovrebbe passare per entrare nel modello centrale. Non ci passa, o ci passa impoverito.

Implicazioni

Ne segue una biforcazione progettuale. Da un lato, world model sempre più grandi che puntano a includere tutto: catturano bene le regolarità che generalizzano — la fisica ingenua, i pattern ricorrenti — ma la loro mappa resta più sottile del territorio proprio dove il territorio è fatto di dettaglio tacito e locale. Dall’altro, l’AI distribuita che Thinking Machines propone: modelli portati vicino a dove la conoscenza vive, specializzati nei pesi da chi la possiede, con canali di interazione più larghi di una casella di testo. È anche la logica pratica dell’AI on-premise — tenere il modello accanto al dato e al dominio invece di spedire tutto a un centro — l’approccio su cui noze imposta il proprio lavoro: https://www.noze.it/insights/open-intelligence-secure-governance/. La scelta fra i due poli non è solo tecnica: decide chi possiede il sapere codificato nei pesi, e quanto potere si concentra in chi addestra il modello unico.

Limiti

Tre onestà. La prima: la contrapposizione è meno netta di come la si racconta. Un world model cattura davvero regolarità che generalizzano, e non tutta la conoscenza è tacita; c’è uno strato di mondo che si lascia modellare al centro. La disputa riguarda lo strato locale e tacito, non ogni cosa. La seconda: «distribuito» ha i suoi costi. Coordinare molti modelli che dissentono è più difficile che interrogarne uno, e Thinking Machines ne fa una virtù — un ecosistema che compete e impara — ma resta un problema aperto di allineamento fra le parti. La terza: «il futuro degno di essere costruito è umano» è una scelta di valore, non un teorema. L’argomento di Hayek dice dove la conoscenza può stare, non dove deve stare; che si voglia lasciare all’uomo il «su cosa pensare» è una preferenza, forte e difendibile, ma da difendere come tale.

Immagine di copertina: Friedrich Hayek nel 1981 — LSE Library, nessuna restrizione di copyright nota — https://commons.wikimedia.org/wiki/File:Friedrich_August_von_Hayek_1981.jpg