Richard Sutton: lo scaling AI non basta, serve un cambio di metodo

Richard Sutton, professore di informatica all’Università di Alberta e vincitore del premio Turing 2024 insieme ad Andrew Barto per il reinforcement learning, ha espresso la sua opinione secondo cui il solo aumento della capacità computazionale non è sufficiente a garantire ulteriori progressi nell’intelligenza artificiale. La scienza dell’AI, afferma, è “lontana dall’essere finita”.

Sutton, che studia il reinforcement learning da decenni – un metodo di apprendimento basato sul tentativo e sull’errore con ricompense – ha espresso queste considerazioni in un post su X. La sua opinione assume particolare peso data la sua autorevolezza nel campo, essendo l’autore del saggio “The Bitter Lesson”, considerato fondamentale per lo sviluppo dello scaling.

Richard Sutton: perché è importante

Nel suo saggio del 13 marzo 2019, Sutton sosteneva che, in settant’anni di ricerca, i metodi generali basati sul calcolo hanno superato ampiamente quelli fondati sulla conoscenza umana codificata, citando esempi come il successo negli scacchi (Kasparov nel 1997), nel Go, nel riconoscimento vocale e nella visione artificiale. La sua conclusione era che il successo richiede di abbandonare le idee preconcette su come pensiamo.

Il post odierno segue un’iniziativa avviata da Sutton a luglio 2026 con la fondazione di Oak Lab a Toronto, un laboratorio focalizzato sullo sviluppo di agenti capaci di apprendere direttamente dall’esperienza, piuttosto che basarsi su dataset pre-elaborati. L’esperienza reale, sottolinea il laboratorio, è intrinsecamente rumorosa e richiede una revisione delle basi degli algoritmi di apprendimento. Questa posizione si allinea con le argomentazioni presentate nel suo saggio del 2019, in cui Sutton sollecita metodi generali.

Dall’altra parte, troviamo i due amministratori delegati dei laboratori più avanzati nel settore. Sam Altman, durante un evento a Stanford a giugno 2026, ha dichiarato che “scommettere contro lo scaling dei modelli linguistici, a questo punto, mi sembra piuttosto sbagliato”. Dario Amodei, in un’intervista ad aprile 2026, ha affermato che “non c’è una fine dell’arcobaleno” e che “non vediamo niente che rallenti”, esprimendo la sua convinzione che l’aumento della potenza di calcolo abbia ancora molto potenziale.

Sutton e i due amministratori delegati operano da posizioni distinte. Sutton ha appena aperto un laboratorio dedicato a metodi alternativi, mentre Altman guida OpenAI e Amodei dirige Anthropic, entrambe aziende che sviluppano modelli basati sulla strategia che difendono.

Le due tesi possono essere conciliabili: finora il progresso è stato trainato dal calcolo e dai dataset, ma l’ultimo salto in avanti, quello dei modelli capaci di ragionare, ha richiesto anche una scelta metodologica. Questi modelli producono una catena di passaggi intermedi prima di fornire una risposta e vengono addestrati con il reinforcement learning: ricevono un premio per la risposta corretta e una penalità proporzionale ai token di ragionamento utilizzati, ovvero i frammenti di testo in cui il modello scompone ogni passaggio. Questo meccanismo è stato introdotto con o1, il primo modello di ragionamento di OpenAI, lanciato nel settembre 2024, ed è proprio il campo per cui Sutton ha ricevuto il premio Turing.

Il saggio del 2019 indicava inoltre la ricerca e l’apprendimento come i due metodi che continuano a migliorare con l’aumento della capacità di calcolo. Pertanto, si può interpretare che il calcolo abbia amplificato un’idea metodologica efficace.

Cosa cambia e quali sono gli effetti

OpenAI ha raccolto 122 miliardi di dollari in marzo 2026, portando la sua valutazione a 852 miliardi (poi aumentata a 1.250 con una nuova tranche da 11 miliardi). Questi ingenti capitali vengono investiti principalmente in chip e data center, spesso finanziati tramite debito. A metà ottobre, le obbligazioni di CoreWeave, fornitore di capacità computazionale, sono entrate in difficoltà, destando preoccupazione in un’altra grande banca nazionale.

Se il calcolo si rivelerà sufficiente, questo debito potrà essere ripagato con modelli sempre migliori. In caso contrario, una parte della spesa potrebbe essere destinata a capacità che non saranno utilizzate dal progresso tecnologico, anche se una cambiamento metodologica richiederebbe comunque cluster di calcolo per essere validata.

Lo stesso vale per la sovranità tecnologica: l’Europa ha definito un pacchetto di misure a giugno che mira a triplicare la capacità dei data center in cinque-sette anni, con particolare attenzione alle gigafactory di calcolo. Se gli algoritmi contano, i paesi che partono con meno risorse computazionali rispetto agli Stati Uniti e alla Cina potrebbero avere maggiori opportunità di quanto suggerisca la corsa ai megawatt.

La riserva è seria: sono necessari ricercatori e capitali per testare le idee su larga scala. Se il salto in avanti richiederà più calcolo, lo scaling avrà retto; altrimenti, un metodo diverso ne uscirà rafforzato insieme alla visione di Sutton.

Fonte e approfondimento su Richard Sutton: articolo originale.

* Contenuto realizzato con l'ausilio di sistemi di intelligenza artificiale.