Le tigri dell'AI

La storia della settimana

L’alfabeto latino ha ventisei lettere. Il cinese non si scrive con un alfabeto ma usa decine di migliaia di caratteri e ognuno è un piccolo disegno complicato, fatto di tanti tratti. Con ventisei forme semplici scrivi qualsiasi cosa. Con il cinese, ogni segno è una forma diversa da conservare.

All’inizio degli anni ‘70 la stampa dei quotidiani, in tutto il mondo, passa da pezzetti di metallo con inciso il carattere, alla stampa elettronica. In Cina è un problema molto più difficile da risolvere perché ogni carattere è un’informazione da conservare in memoria. Ventisei simboli semplici occupano pochissima memoria mentre migliaia di simboli complessi ne occupano una quantità enorme. Una memoria a cui il Paese semplicemente, non ha accesso in quel momento.

E mentre il Giappone sviluppa sistemi di seconda generazione e l’Europa e gli Stati Uniti macchine di terza generazione a tubo catodico, la Cina stampa ancora a caratteri di piombo.

Questo cambia nel 1976 quando Wang Xuan, un assistente di 29 anni dell’Università di Pechino, decide di cercare un’altra strada. Comincia a lavorare alla fotocomposizione laser, di cui al mondo non esiste ancora un solo prodotto commerciale. E per farlo non trova la memoria che gli manca, la rende non necessaria: comprime le informazioni sulla forma dei caratteri con un rapporto di cinquecento a uno e progetta un chip dedicato che le ricostruisce a settecento caratteri al secondo.

Funziona e diventa uno standard adottato in tutto il mondo.

Molti anni dopo, durante un evento universitario in cui Wang racconta la sua ricerca, un giovane dottorando rimane sbalordito da quella storia.

Si chiama Tang Jie e in quel momento sta decidendo cosa fare della propria vita: ha ricevuto diverse proposte di lavoro in Silicon Valley o ha la possibilità di entrare in una grande azienda tech cinese. Quello che lo attrae meno è fare il ricercatore in un laboratorio universitario. Ma è esattamente la strada che sceglie, ripensando a Wang: un uomo che negli anni Settanta, con hardware e software di gran lunga peggiori di quelli occidentali, da solo aveva recuperato quarant'anni di distacco.

Per i 15 anni successivi lavora alla Tsinghua University di Pechino, tra analisi di reti sociali e data mining. Poi nel 2019, insieme a una collega, fonda Zhipu: uno spinoff accademico senza modello di business e che inizialmente raccoglie poche attenzioni. L’anno dopo esce GPT-3. Non è ancora ChatGPT e non ha un’interfaccia da chatbot ma è uno dei primissimi LLM, modelli capaci di comprendere e generare testi fluidi e discorsivi, simili a quelli scritti da un essere umano.

Zhipu decide di puntare tutto proprio sulla tecnologia degli LLM, dei Large Language Model.

Nel dicembre 2021 il gruppo apre il progetto per addestrare un modello da 100 miliardi di parametri. Prima di iniziare comincia una lunga ricerca per capire come sono stati addestrati i modelli di quella scala ma non trova quasi niente.

Il gruppo parte lo stesso, e comincia a schiantarsi contro una quantità infinita di problemi: consumo di memoria anomalo, velocità di addestramento molto più lenta del previsto, mesi passati a fare debug.

Infine, nell’ottobre 2022 rilasciano il modello e, in appendice al paper, pubblicano anche un “diario dei disastri”: la cronologia, a partire dal dicembre 2021, di ogni cosa che si era rotta e di come l’avevano aggiustata.

Nel marzo 2023 Zhipu apre ChatGLM-6B e diventa immediatamente il modello su cui impara a lavorare un’intera generazione di sviluppatori cinesi.

Nel frattempo, alla Tsinghua University, compare un ragazzo di nome Yang Zhilin. È il batterista di un gruppo rock, gli Splay, e come ha incredibilmente ricostruito Alessandro Aresu nella sua ultima newsletter, viene introdotto al quarto minuto di questo rarissimo video di un loro concerto del 2014.

Yang era stato ammesso in quell’Università vincendo la medaglia d’oro alle Olimpiadi di Informatica del Guangdong. Nonostante questo decide di fare comunque il test d’ingresso, e viene ammesso anche così. Poi affronta il Gaokao, l’esame più duro al mondo, che ogni anno mette alla prova più di tredici milioni di studenti cinesi. Prende 667 su 750: il punteggio più alto di tutta la provincia e il terzo ticket diretto per l’Università.

Al secondo anno cambia corso e si iscrive a Computer Science, nel dipartimento di informatica gestito da Tang Jie, il fondatore di Zhipu, che nel 2015 sarà il suo relatore di tesi.

Dopo l’Università, entra in Google e poi si sposta in Meta. Infine, nel 2023 fonda Moonshot AI.

Moonshot nasce proprio mentre Zhipu, l’azienda di Tang Jie, rilascia il modello più importante per il settore AI cinese. E non è un caso.

ChatGPT era infatti uscito il 30 novembre 2022. Nell’anno successivo, in Cina, vengono annunciati oltre trecento modelli di grandi dimensioni: la stampa cinese la chiamerà 百模大战, la guerra dei cento modelli.

Da quella competizione emergono sei aziende, che vengono rinominate “le sei piccole tigri dei grandi modelli”, in cinese 大模型六小虎. Sono Zhipu, fondata da Tang Jie, Moonshot, fondata da Yang Zhilin, MiniMax, Baichuan, StepFun e 01.AI.

L’etichetta di “tigre” non descrive la tecnologia su cui stanno lavorando ma la loro anima di aziende finanziate da venture capital con l’ambizione di commercializzare i loro prodotti. Per questa ragione DeepSeek, che nasce da un hedge fund e non ha mai ricevuto finanziamenti esterni non è nella lista (la storia di DeepSeek e del suo fondatore Liang Wenfeng l’ho raccontata in questo episodio di Technicismi).

Le sei tigri non sono nate con la stessa strategia ma nel tempo l’open source è diventato lo standard di fatto dell’ecosistema cinese. Per due ragioni:

• La prima è la necessità: i controlli sull’export limitano l’accesso ai chip migliori e per questa ragione i laboratori cinesi non hanno la capacità di inferenza degli AI labs americani e quindi non possono competere sullo stesso mercato

• La seconda è la diffusione: I modelli open cinesi costano tra il 60% e il 90% in meno rispetto ai modelli di punta di Anthropic e OpenAI e questo ne garantisce la distribuzione. La quota di traffico su OpenRouter verso modelli cinesi è stabilmente sopra il 30% settimanale da mesi, con picchi al 46%, contro una media del 4,5% nella prima metà del 2025

C’è poi un effetto secondario che vale la pena sottolineare. Una startup europea, un’agenzia quotata del Sud-Est asiatico o uno sviluppatore latinoamericano possono usare un modello cinese tramite un host terzo, senza far transitare alcun dato su server cinesi. E questo abbatte anche acheventuali barriere politiche all’adozione.

Ma c’è un rovescio della medaglia.

I modelli migliorano quando le aziende che li sviluppano possono osservare come gli utenti li usano: dove falliscono, quali task ripetono, quali tool chiamano. Se il modello viene scaricato da un cloud americano o girato in locale dentro un’azienda, lo sviluppatore cinese originario non vede niente di tutto questo.

Ma anche questo paradossalmente potrebbe rappresentare un vantaggio: la settimana scorsa ho scritto che sempre di più pare che gli AI labs americani non si limitino a fornire la tecnologia ma vogliano assorbire tutto lo stack (osservare dove i clienti creano valore e ricostruirlo in casa). In quel pezzo avevo citato Coinbase, passata a GLM 5.2 e Kimi K2.7 per il lavoro interno e Microsoft che valutava DeepSeek V4 per Copilot: segnali di sfiducia verso i laboratori di frontiera e di fiducia verso l’open source.

Ma quel ritardo si sta accorciando. E questa settimana ne abbiamo avuto la conferma più netta.

Moonshot ha pubblicato Kimi K3. Duemilaottocento miliardi di parametri: il più grande modello open mai costruito, quasi il triplo del precedente. Sulla Frontend Code Arena (test alla cieca fatti da sviluppatori) arriva primo, davanti a Claude Fable 5. Sul punteggio complessivo resta dietro, ma di poco: secondo solo a Fable 5, ma con un balzo in avanti enorme rispetto al modello precedente.

Dopo il rilascio di Kimi, le azioni di aziende AI sono scese in tutto il mondo e diversi analisti hanno paragonato l’evento al “Deepseek moment” di qualche mese fa…

I numeri dicono che la strategia open source sta funzionando. In un anno la quota di traffico dei modelli americani su OpenRouter è passata da circa il 70% al 30%: i modelli cinesi processano oggi la maggioranza dei token della piattaforma. Lo Stanford HAI AI Index 2026 misura il divario tra i migliori modelli americani e cinesi al 2,7%, con investimenti privati cinesi circa ventitré volte inferiori. E addirittura i modelli di Cursor, che SpaceX ha accettato di comprare a giugno per 60 miliardi di dollari, sono in parte addestrati sopra la serie Kimi: uno dei prodotti di punta del software americano poggia su fondamenta cinesi.

C’è poi un altro segnale che conta più delle classifiche, ed è nel modo in cui si stanno muovendo gli americani.

Google ha rinviato di mesi il lancio di Gemini 3.5 Pro perché le capacità di programmazione non raggiungevano gli obiettivi interni. OpenAI ha presentato Sol dicendo che stabilisce un nuovo standard per intelligenza ed efficienza. Nei comunicati dei laboratori di frontiera le parole più ricorrenti sono diventate “efficienza” e “costo”.

Qualche mese fa in questa newsletter ho parlato di tokenmaxxing: la corsa a bruciare più token possibile. Quella corsa è finita in fretta perchè quello che è arrivato dopo, il “valuemaxxing”, è una competizione su quanto valore riesci a produrre per dollaro speso: è la partita cinese.

Ed è anche la storia che si ripete.

Esattamente come quell’assistente universitario che da solo si inventò un metodo nuovo per stampare i quotidiani, aggirando restrizioni che sembravano insormontabili, oggi le tigri fanno lo stesso con l’open source. È la mossa di chi non può vincere su un livello e allora lo rende merce indifferenziata e sposta la partita dove ha ancora qualcosa da dire…

Oggi due delle tigri sono quotate a Hong Kong, Ziphu, che nel 2025 ha realizzato circa $107 milioni di ricavi a fronte di $470 milioni di perdita, e MiniMax, che fattura $84 milioni a fronte di una perdita di $251 milioni. Moonshot vale oltre $20 miliardi dopo il round da $2 miliardi chiuso a maggio, con Alibaba e Tencent tra i finanziatori. Baichuan si è sgretolata, tutti i founder hanno lasciato e l’azienda si è riorientata sul verticale sanitario. 01.AI ha lasciato in larga parte la corsa ai modelli e vende AI sovrana a governi e grandi imprese seguendo l’esempio di Palantir. E infine StepFun, che collabora sempre di più con produttori di smartphone e di auto, integrando la sua tecnologia.

Questo episodio è supportato da Notion

Scrivo questa newsletter ogni settimana da 6 anni e nel tempo le cose sono diventate sempre più complicate da gestire: calendario editoriale, contratti sponsor, idee, bozze, scadenze tutto sparso su email, note iPhone o GDoc…

Notion è la piattaforma che mi permette di tenere tutto insieme: progetti, contenuti (e ora anche agenti AI) che lavorano nello stesso ambiente invece che in sistemi separati che non si parlano.

Per esempio con NotionAI ho automatizzato gran parte della gestione della relazione con i clienti senza dover uscire dal workspace.

Notion è già utilizzato da oltre 100 milioni di persone, inclusi team come Lovable, Figma e OpenAI.

E ora è disponibile anche in italiano:

Prova Notion con la versione gratuita

Se sei interessato a sponsorizzare gli episodi di questa newsletter, trovi tutte le informazioni qui.

Il toolkit di Technicismi

Le cose più interessanti che ho letto, ascoltato e guardato questa settimana:

• L’azienda che si guida da sola [Amjad Masad]: una self driving company non è un’azienda senza persone, ma con persone che decidono quali problemi affrontare e lasciano gli agenti tutto il resto. Per esempio, è stato risparmiato il 30% del tempo di review umano perché l’agente valuta il rischio e chiama un revisore umano solo quando necessario. E la cosa più importante: Replit ha appena cancellato un contratto SaaS a sette cifre (Salesforce?) perché l’app interna costruita con l’AI era migliore…

• Il complicatissimo processo di assunzione di Bending Spoons [Wall Street Journal]: un divertente articolo che mette in prospettiva come entrare in Bending sia ora più complicato che essere accettati ad Harvard

• Un framework per “regolare” l’AI [Demis Hassabis]: il capo di DeepMind propone di creare un’organizzazione, controllato dal Governo, gestito da esperti tecnici e finanziato dagli AI labs, per garantire uno sviluppo sicuro dell’intelligenza artificiale generale

• Perché all’AI piace così tanto il parallelismo negativo? [The Atlantic]: Il The Atlantic che fa il The Atlantic e prova a rispondere a una domanda apparentemente inspiegabile. La risposta è difficile da trovare ma il fenomeno potrebbe portare a un "collasso del modello", in cui l'AI perde il contatto con i dati umani originali

• Quanti lettori hanno i quotidiani italiani? [Mediastorm]: l’aggiornamento periodico di Lelio Simi sullo stato di salute delle testate / gruppi editoriali italiani. Il problema qui non è solo di modello di business ma anche (e forse soprattutto) editoriale…

• I 100 creator del 2026 [TIME]: ovviamente la lista è sbilanciata sugli USA ma mi vengono in mente nomi ben più noti di questi… della lista di quest’anno ne conosco letteralmente solo 8/9

Info

Se questo episodio ti è piaciuto, puoi cliccare sul cuoricino.

Se ti va di farmi sapere cosa pensi di questa newsletter, puoi commentare l’episodio rispondendo a questa email.

E, se puoi, condividila con chiunque la possa trovare utile o interessante!

Condividi

Per ricevere direttamente questa newsletter nella tua casella di posta (senza doverla leggere dall’app di Substack), puoi andare su technicismi.it e inserire il tuo indirizzo email.