Cosa viene dopo l’AGI: DeepMind descrive quattro percorsi verso la superintelligenza
Il saggio di Tim Genewein del DeepMind Institute mappa quattro strade dall'AGI alla superintelligenza: scala, nuovi paradigmi, agenti coordinati e automiglioramento.

Il 19 novembre 2026 il DeepMind Institute ha pubblicato un saggio che rimette al centro una domanda scomoda: che cosa succede quando l’intelligenza artificiale supera il livello umano generale? Il pezzo, firmato dal ricercatore di Google DeepMind Tim Genewein e intitolato What comes after AGI?, sostiene che il regime oltre l’AGI sta passando dalla speculazione filosofica alla ricerca empirica e alle scelte di governance.
Non è una previsione, e il testo lo ripete più volte: l’esito è definito “lontano dall’essere certo”. Ma il valore del saggio sta nel metodo, perché prova a mappare con ordine le strade che potrebbero portare dall’AGI alla superintelligenza artificiale, spesso indicata con la sigla ASI.
Che cosa intende DeepMind per superintelligenza
Il saggio tratta l’intelligenza come un continuum, non come una soglia. L’AGI di livello umano è solo un punto su una scala molto più lunga. Se vuoi un ripasso del concetto di partenza, trovi una spiegazione completa nella nostra guida a cos’è l’AGI.
Un sistema ASI, secondo Genewein, è un sistema che supera in modo costante interi gruppi di esperti umani su compiti che a loro richiedono anni, usando meno risorse e meno tempo. Gli esempi citati sono concreti: eguagliare in una frazione del tempo il progresso scientifico di un intero campo di ricerca, oppure avanzare nella progettazione di chip quanto fanno in un anno le grandi aziende del settore.
C’è però una condizione importante. Per parlare di superintelligenza il sistema deve essere competente su quasi tutti i compiti di interesse umano, non solo in ambiti ristretti. Gli scacchi, il Go, la previsione delle strutture proteiche e la dimostrazione di teoremi sono già territori in cui le macchine superano le persone, ma restano esempi di intelligenza stretta.
Gli autori ricordano che i limiti teorici superiori dell’intelligenza sono matematicamente noti, mentre lo spazio che separa l’AI di livello umano da quei limiti è, nelle loro parole, in gran parte inesplorato.
La “industrializzazione cognitiva” prima delle quattro strade
Prima di descrivere i percorsi, il saggio introduce un’idea che chiama industrializzazione cognitiva. Anche se i modelli di frontiera si fermassero, i guadagni di efficienza potrebbero da soli cambiare la scala di ciò che l’AI può fare. Il ragionamento si regge su tre fattori che, negli ultimi dieci anni, si sono moltiplicati tra loro.
Hardware, algoritmi e investimenti
Il primo fattore è l’hardware: la potenza di calcolo per dollaro cresce di circa 1,5 volte l’anno. Il secondo è l’efficienza algoritmica: il calcolo necessario per addestrare un modello a un livello fisso di prestazioni scende di circa 3-6 volte l’anno, mentre l’efficienza in inferenza sale di circa 3 volte. Il terzo è la spesa in hardware per l’AI, che cresce di circa 2,5 volte l’anno.
Messi insieme, secondo il saggio, questi ritmi portano a una crescita della potenza di calcolo effettiva globale di almeno 10 volte l’anno. Un carico di lavoro che oggi costa un miliardo di dollari in token potrebbe costarne circa mille tra dieci anni. Il testo cita anche uno studio di Epoch secondo cui il prezzo al consumatore per ottenere un dato punteggio in un benchmark è sceso di oltre 13 volte l’anno dal 2023.
La conseguenza, sempre secondo gli autori, è che la popolazione effettiva di agenti AI potrebbe crescere più di mille volte entro il 2030 e più di un miliardo di volte in dieci anni, nei limiti dei vincoli di costruzione e degli ostacoli algoritmici. Sono estrapolazioni, non certezze, e il testo lo dichiara.
A questo si aggiungono i vantaggi strutturali dell’intelligenza digitale: velocità di elaborazione, memoria di lavoro, indipendenza dal supporto fisico, replicazione senza perdite e condivisione dell’esperienza a banda elevata.
I quattro percorsi dall’AGI alla ASI
Il cuore del saggio è l’elenco dei quattro percorsi, approfonditi nel rapporto tecnico “From AGI to ASI”, disponibile su arXiv. Sono percorsi che si possono combinare, e il punto è proprio questo.
1. Scalare modelli e dati
La strada più nota è anche la più discussa. Le leggi di scala collegano le prestazioni a calcolo di addestramento, dati e calcolo in fase di test. Sono però estrapolazioni valide solo entro limiti conosciuti. Il saggio elenca tre colli di bottiglia: l’esaurimento dei dati, il cosiddetto “data wall”, con rimedi come simulazioni, ambienti di apprendimento per rinforzo e calcolo in fase di test per generare nuovi dati; i rendimenti decrescenti della scala, perché ogni passo lineare di capacità richiede un calcolo moltiplicativo; e i limiti fisici ed economici, come centrali elettriche, reti, fonderie e interconnessioni.
2. Cambi di paradigma tecnologico
Il paradigma attuale si basa su grandi trasformer addestrati a prevedere il simbolo successivo, poi rifiniti per il ragionamento e per seguire le istruzioni. Secondo il testo, il modello potrebbe persino eseguire algoritmi di apprendimento nel contesto, senza essere riaddestrato.
Restano però lacune: apprendimento continuo, modellazione del mondo, presa di decisioni, efficienza nell’uso dei dati e capacità di inventare concetti davvero nuovi. I ricercatori sono divisi tra chi pensa bastino estensioni semplici e chi ritiene necessari cambi profondi.
3. Coordinare molti agenti
La terza strada guarda a gruppi di migliaia o milioni di istanze di AGI che lavorano come un agente collettivo o come un’economia virtuale di agenti. L’idea è che una superintelligenza possa nascere dalla coordinazione, non solo dalla singola macchina. Il saggio usa un’immagine efficace: una conferenza di centomila astronomi tolemaici, probabilmente, non avrebbe formulato la relatività generale.
La questione aperta riguarda le “leggi di scala multi-agente”. Le prime ricerche mostrano miglioramenti su alcuni compiti, ma le inefficienze di coordinamento producono rendimenti decrescenti. Il testo segnala anche i rischi di disinformazione, manipolazione e collusione tra agenti.
4. Automiglioramento ricorsivo
È la strada più delicata: l’AI che automatizza il miglioramento delle AI future, un’idea discussa fin da I. J. Good e Ray Solomonoff. Il saggio individua tre meccanismi, che ricalcano l’evoluzione genetica, culturale e sociale: miglioramento di codice e architetture, miglioramento dei dati, con AlphaZero come esempio, e miglioramento a livello di gruppo, con ruoli specializzati negli insiemi di agenti.
Le cautele sono chiare. Questi cicli possono bloccarsi senza buoni segnali di verifica, e se producano una crescita “fuori controllo” è definita in gran parte una questione empirica. Il progresso dovrebbe essere più rapido dove la verifica è automatica, come nelle dimostrazioni matematiche. Un esempio recente è AlphaProof Code, che ha verificato formalmente il codice del protocollo Signal.
Perché bloccare una sola strada non basta
Una delle conclusioni più interessanti riguarda le politiche di contenimento. I quattro percorsi si rafforzano a vicenda e, se uno si ferma, la concorrenza economica e geopolitica sposterebbe lo sforzo sugli altri. Limitare un solo ingrediente, per esempio il calcolo di addestramento, non fermerebbe i progressi.
Anzi, sopprimere una dimensione rischia di creare un “overhang” di capacità: quando il vincolo viene rimosso, i salti possono essere improvvisi. È un messaggio che dialoga con le proposte di governance di frontiera, come quella di Hassabis per un organismo di standard sull’AI di frontiera.
Lo scenario positivo descritto è un passaggio graduale dall’AGI esperta al regime superumano, con accelerazioni in medicina, materiali ed energia pulita. Ma anche senza svolte di frontiera, l’industrializzazione cognitiva potrebbe ridisegnare il lavoro della conoscenza e l’economia.
La raccomandazione operativa è sintetica: “modellare, misurare, prevedere e ripetere”. Servono accesso ai modelli di frontiera, grande capacità di calcolo per le valutazioni e nuovi benchmark, con uno sforzo interdisciplinare tra laboratori e istituzioni nazionali e globali.
Cosa devi tenere a mente
Il DeepMind Institute precisa che i suoi pezzi sono spunti di discussione, riflettono le idee dell’autore e non vanno letti come la posizione ufficiale di Google. Anche per questo il saggio è utile: non annuncia un prodotto, ma offre una griglia per ragionare sui prossimi anni.
Per chi lavora con l’AI, il messaggio pratico è che il costo dell’intelligenza sta crollando e il numero di agenti attivi potrebbe esplodere, con effetti diretti su professioni, strumenti e filiere. Se vuoi inquadrare il tema più in generale, leggi il nostro approfondimento sulla superintelligenza artificiale, tra scenari e rischi.
Il nostro consiglio è di leggere il saggio originale e il rapporto tecnico, e di seguire le prossime pubblicazioni del DeepMind Institute. Tieni d’occhio anche i nostri aggiornamenti: continueremo a raccontare cosa significa, concretamente, per te e per il tuo lavoro.
Tutta l'AI della settimana, in 5 minuti, nella tua email
- Le guide e le notizie della settimana, divise per rubrica
- Solo ciò che conta, verificato e spiegato in italiano
- Niente spam, ti cancelli con un clic
Daniele Della Corte
Fondatore di IntelligenzaArtificiale.net · Consulente SEO e AI dal 2008
Prima della pubblicazione controlla fonti, numeri e nomi, e risponde personalmente di quello che leggi. Lavora con l'intelligenza artificiale da oltre 7 anni: ha fondato BeProud.ai e ha progettato la redazione di questo sito.
Consulenza AIVuoi applicare l'AI al tuo lavoro? Ti aiuto a scegliere cosa automatizzare e a realizzarlo.
Scopri la consulenza
