Genesis Open Models, il Dipartimento dell’Energia USA lancia l’AI open per la ricerca scientifica

Il governo degli Stati Uniti entra ufficialmente nel campo dell’AI a pesi aperti, e lo fa puntando dritto alla scienza. Il Dipartimento dell’Energia americano, il DOE, ha annunciato il lancio della Genesis Open Models Initiative, un programma che vuole produrre una nuova classe di modelli fondativi open-weight pensati per accelerare la ricerca scientifica. Ad aprire la strada c’è Genesis-Science-1, il primo modello della famiglia, sviluppato insieme al laboratorio americano Arcee AI.

Non è un dettaglio da poco. Mentre la corsa ai sistemi più capaci resta dominata da modelli chiusi e proprietari, qui a muoversi è un’istituzione pubblica che sceglie la direzione opposta. L’obiettivo dichiarato è rilasciare i pesi dei modelli, cioè i parametri numerici che ne determinano il comportamento, perché chiunque possa scaricarli, ispezionarli e adattarli al proprio lavoro.

Se segui l’evoluzione dell’intelligenza artificiale, questa è una notizia che vale la pena capire nel dettaglio.

Cosa prevede l’iniziativa Genesis Open Models

Il DOE ha presentato la Genesis Open Models Initiative come una nuova classe di modelli fondativi a pesi aperti, progettati in modo specifico per far progredire la scoperta scientifica. Non si tratta quindi di un chatbot generalista in più, ma di modelli costruiti attorno al modo in cui si lavora davvero in un laboratorio, tra codice, simulazioni, dati sperimentali e ipotesi da verificare.

L’iniziativa nasce dentro un programma più ampio, la Genesis Mission, avviata con un ordine esecutivo nel novembre 2025. È una missione nazionale guidata dal Dipartimento dell’Energia che punta a raddoppiare, nell’arco di un decennio, la produttività e l’impatto della scienza e dell’ingegneria americane grazie all’intelligenza artificiale. A dirigerla è Darío Gil, sottosegretario per la scienza del DOE.

Il perno operativo sono i diciassette laboratori nazionali statunitensi, insieme alle grandi infrastrutture di calcolo, alle risorse di dati scientifici e a una rete di partner industriali e accademici. In pratica, l’idea è trasformare quel patrimonio pubblico in un motore di scoperta condiviso, offrendo a ricercatori, laboratori e comunità open science modelli potenti, trasparenti ed estensibili.

Gli ambiti indicati sono quelli in cui il calcolo scientifico fa la differenza: scoperta di nuovi materiali, sistemi energetici, modellazione dei sistemi terrestri, fusione nucleare, biologia e fisica delle alte energie. Rilasciando i modelli con pesi aperti, il DOE dichiara di voler creare un’infrastruttura comune per la scienza, fondata su riproducibilità e AI responsabile.

Il senso politico è chiaro tanto quanto quello tecnico. Un’agenzia federale sta dicendo che, per la ricerca finanziata con fondi pubblici, la trasparenza del modello non è un optional ma un requisito.

Genesis-Science-1, il primo modello costruito con Arcee AI

Il primo modello della nuova classe è Genesis-Science-1, spesso abbreviato in GS1. Il DOE lo descrive come un modello americano a pesi aperti e, allo stesso tempo, come un sistema di ricerca governato: non solo una rete neurale che genera testo, ma un ambiente capace di portare a termine flussi di lavoro di calcolo scientifico conservando una traccia riproducibile di ciò che ha fatto.

È un punto importante. In un laboratorio non basta arrivare a un risultato, serve poterlo rifare e verificare. Per questo il rilascio di GS1 non comprenderà solo i pesi del modello, ma anche un report tecnico e artefatti pubblici di dimostrazione, così che altri ricercatori possano esaminare e replicare il percorso.

Il partner industriale è Arcee AI, primo laboratorio a sostenere il programma. Arcee costruisce modelli open-weight dall’inizio alla fine, occupandosi di dati, architettura, pre-addestramento, post-addestramento, valutazione e distribuzione. Negli ultimi mesi ha scalato la sua famiglia Trinity fino a Trinity Large, un modello sparse mixture-of-experts da 400 miliardi di parametri, e proprio questa esperienza dovrebbe permettere di consegnare GS1 su tempi accelerati.

Come verrà addestrato Genesis-Science-1

La parte più interessante riguarda il metodo. Il calcolo scientifico raramente parte da un prompt pulito con una sola risposta corretta. Un ricercatore può ereditare un vecchio codice in Fortran, una campagna di simulazioni lasciata a metà, log di esecuzione contraddittori e diverse opzioni ragionevoli su cosa provare dopo.

Per questo GS1 verrà addestrato in quelli che il DOE chiama workbench scientifici, ambienti che riproducono queste condizioni di lavoro reali. Ogni workbench conterrà il codice, i dati, gli strumenti, la documentazione, i log, i risultati parziali e persino gli stati di errore necessari a ricostruire un flusso di ricerca. Le aree iniziali comprendono la modernizzazione di codice per il calcolo ad alte prestazioni, l’analisi sperimentale, le campagne di simulazione, la scienza dei materiali e i sistemi energetici.

Gli ambienti di addestramento potranno includere Python, Fortran, C e C++, MPI e OpenMP, CUDA e HIP, strumenti da riga di comando, notebook, pacchetti di simulazione e scheduler di calcolo. È l’ecosistema quotidiano di chi fa ricerca computazionale, non un banco di prova artificiale.

C’è poi un aspetto di controllo che merita attenzione. Il modello opererà attraverso un sistema di esecuzione governato: gli strumenti approvati gireranno in ambienti isolati e a più stadi, mentre il sistema terrà traccia dello stato dei compiti, salverà i progressi, gestirà tentativi e recuperi e registrerà prompt, chiamate agli strumenti, modifiche al codice, dataset e conclusioni di ogni esecuzione.

La supervisione umana resta centrale. Saranno le persone ad approvare le decisioni che riguardano sicurezza, pubblicazione e uso delle risorse, e GS1 non riceverà un accesso indiscriminato ai sistemi del DOE. Una corsa completa, spiega il dipartimento, dovrà andare dal piano al report finale, rivedere l’approccio quando cambiano le prove, recuperare dai fallimenti degli strumenti e lasciare una traccia che un altro ricercatore possa ispezionare.

Perché i pesi aperti contano per la scienza

Il DOE spiega con parole semplici perché ha scelto la via open-weight. Un laboratorio pubblico può avere bisogno di eseguire un modello dentro la propria infrastruttura, di conservarne una versione specifica per anni, di adattarlo a un campo molto specializzato e di operare senza dipendere in modo permanente da un’API esterna.

I pesi aperti rendono possibili questi requisiti, perché permettono a un’istituzione di detenere e far funzionare il modello in autonomia. Se ti sei mai chiesto perché un ente di ricerca dovrebbe preferire un modello scaricabile a un servizio in cloud, la risposta sta tutta qui: controllo, continuità e indipendenza.

Il dipartimento è però onesto sui limiti. I pesi aperti non eliminano la necessità di permessi, valutazioni, sandboxing, log di controllo e procedure di distribuzione disciplinate. La responsabilità di progettare e far rispettare questi controlli resta dell’istituzione che utilizza il modello. Apertura non significa assenza di regole, ma trasparenza dentro un quadro di governance.

Le dichiarazioni ufficiali inquadrano bene la posta in gioco. “Un Paese non può guidare nell’AI se tutto ciò in cui guida è chiuso”, ha affermato Mark McQuade, cofondatore e amministratore delegato di Arcee AI. Gil, dal canto suo, ha descritto GS1 come un modello addestrato sul lavoro reale dei laboratori nazionali e responsabile verso gli scienziati che quel lavoro lo fanno.

È una tesi che si inserisce in un dibattito più grande. La spinta pubblica verso i pesi aperti richiama quanto già visto con altri rilasci recenti, come i modelli open source in stile mixture-of-experts che stanno moltiplicando le opzioni per chi sviluppa. Del resto la stessa missione Genesis aveva già portato l’AI dentro i laboratori americani, e ora aggiunge un tassello dichiaratamente aperto.

Come partecipare e cosa cambia da qui in avanti

La Genesis Open Models Initiative non è solo un annuncio, ma un cantiere aperto. Il DOE ha attivato un portale di contribuzione ospitato dall’Argonne National Laboratory e invita università, laboratori nazionali, aziende, organizzazioni scientifiche senza scopo di lucro e centri di ricerca a mettere a disposizione dati, ambienti di ricerca, valutazioni e competenze tecniche.

Il programma 2026 prevede due canali di contribuzione. Il primo riguarda i dati per la fase di fondazione, cioè testo scientifico, codice, documentazione e collezioni strutturate utili al pre-addestramento, con domande da presentare entro il 14 agosto 2026. Il secondo riguarda dati e ambienti per il post-addestramento, come esempi di fine-tuning, ambienti di lavoro, compiti di reinforcement learning e valutazioni tenute da parte, con scadenza fissata al 25 agosto 2026.

Chi si candida dovrà indicare il canale, descrivere il lavoro scientifico e la sua importanza, spiegare quale materiale è pronto e nominare gli esperti disponibili a sostenerlo. Il modulo pubblico raccoglie solo descrizioni e metadati: nessun materiale scientifico viene trasferito durante la candidatura, e ciascun contributore stabilisce come i propri dati potranno essere trattati. La selezione passerà per cinque fasi di revisione, dalla congruità scientifica alla gestione dei diritti fino all’integrazione tecnica.

Per un pubblico italiano ed europeo, la portata del segnale conta più della singola scadenza. Un grande attore pubblico sta scommettendo che la competitività nell’AI scientifica passi dall’apertura e dalla riproducibilità, non dalla sola potenza bruta dei modelli chiusi. È un approccio che ricorda altri tentativi di avvicinare i sistemi di frontiera al mondo della ricerca, come quando OpenAI ha offerto i suoi modelli a decine di migliaia di ricercatori accademici, ma qui il baricentro si sposta verso il software libero e il controllo istituzionale.

Resta un tema di fondo che vale per chiunque lavori con questi strumenti: la vera differenza la fanno i flussi di lavoro, non le demo. Se vuoi capire come l’intelligenza artificiale stia già cambiando il metodo scientifico, puoi approfondire con la nostra guida su come i modelli AI stanno accelerando le scoperte nei laboratori. E se ti occupi di ricerca, formazione o sviluppo, tieni d’occhio Genesis-Science-1: quando i pesi saranno pubblici, sapremo davvero quanto vale un modello costruito per la scienza e giudicato dagli scienziati. Il consiglio, semplice, è iniziare a familiarizzare fin da ora con la logica dei modelli open-weight, perché è lì che si sta spostando una parte importante della partita.