🔧 2.3.4 — Il collo di bottiglia fisico

2.3.4 — Il collo di bottiglia fisico

Il prossimo salto sta nella fisica che sostiene il modello. L'embargo sulle GPU avanzate ha costretto la Cina a spremere efficienza da hardware meno performante, trasformando il watt in metrica competitiva (🌊 ff.135.2 Onda anomala energetica). Mark Zuckerberg annuncia la costruzione di Hyperion, un data center AI da 5 GW^[1] — cinque volte più grande degli attuali. Nuovi display per realtà mista avvicinano il metaverso all'uso quotidiano: livelli informativi sovrapposti al mondo reale, sempre attivi e contestuali.

E Hyperion è solo una cella di un alveare che cresce a vista d'occhio. Secondo il report energetico 2026 di Bloom Energy il carico elettrico dei datacenter statunitensi salirà a 144 GW nel 2028, quasi il doppio degli 80 GW del 2025^[13]: in tre anni l'AI aggiunge alla rete americana l'equivalente di decine di grandi centrali. Il dato più rivelatore è però geografico — il solo Texas arriverà a 40 GW, circa il 30% del totale nazionale. Il datacenter diventa così la nuova industria pesante: come l'acciaieria dell'Ottocento, sceglie dove insediarsi in base alla disponibilità di energia a basso costo. Il Texas, dove l'elettricità è abbondante e a buon mercato, è la nuova Pittsburgh dell'AI. È la stessa tensione che Altman aveva fotografato: con 10 GW di calcolo l'AI può curare il cancro oppure fare da tutor a ogni studente del mondo, ma non entrambi — se il limite è l'energia, bisogna scegliere a cosa darla (🌊 ff.135.2 Onda anomala energetica).

Lo stesso vale per l'energia di accumulo: senza batterie più economiche e dense, l'AI resta una promessa costosa. La traiettoria è chiara: catene industriali orientate a chimiche più abbondanti e meno dipendenti da materiali critici, con il baricentro produttivo che si sposta verso soluzioni scalabili per rete elettrica, mobilità e datacenter (⛏️ ff.42.1 Minerali preziosi?). Per contestualizzare il consumo: un cheeseburger McDonald's equivale all'energia di 80.000 richieste ChatGPT^[2]. La vera corsa, quindi, riguarda il sistema integrato chip + elettricità + storage + interfaccia.

Dentro quel sistema integrato, il pezzo che si muove più in fretta è il silicio dedicato all’inferenza. Cerebras rinuncia a tagliare il wafer in tanti chip e ne ricava un solo pezzo di silicio, con la memoria SRAM a bordo — 44 GB di SRAM su un singolo WSE‑3: velocità nell’ordine delle migliaia di token al secondo, che SemiAnalysis descrive come «letteralmente fuori scala» rispetto agli acceleratori che misura abitualmente^[14]. Il vantaggio è di banda: quella SRAM eroga 21 PB/s, «migliaia di volte» più di quanto offra la HBM, e regge il throughput anche ad alta interattività, fino a livelli che la stessa newsletter definisce «semplicemente impossibili» per gli acceleratori basati su HBM — la famiglia a cui appartengono GPU e TPU. Il conto torna solo finché il modello sta sul wafer: verso l’esterno restano 150 GB/s, una frazione di quanto mettono in campo i concorrenti sulla rete. Con un’avvertenza che vale la pena tenere: il paragone che l’azienda propone, dataflow sul wafer contro banda scale-up fuori package di Nvidia, per SemiAnalysis «non è like-for-like». Il dato più citato viene dall’azienda stessa: a settembre 2025 Cerebras dichiarava il suo sistema CS-3 21 volte più veloce del DGX B200 Blackwell di Nvidia^[38], misurando la latenza totale di Llama 3 70B in uno scenario di ragionamento, con dati ricavati proprio da SemiAnalysis. Il numero da guardare resta la velocità percepita, i millisecondi che separano la domanda dalla prima parola della risposta, e si moltiplica lungo la catena: un agente che lavora per ore in autonomia incatena centinaia di chiamate al modello prima di restituire qualcosa di utile (🤖 ff.144.3 Agenti autonomi e Moltbook).

La conferma industriale è arrivata da OpenAI il 12 febbraio 2026. GPT‑5.3‑Codex‑Spark gira sul Wafer‑Scale Engine di Cerebras e consegna oltre 1.000 token al secondo^[15]; su benchmark agentici come SWE‑Bench Pro e Terminal‑Bench 2.0 dà risposte più capaci di GPT‑5.1‑Codex‑mini chiudendo i task «in una frazione del tempo»^[16], e SemiAnalysis registra picchi fino a 2.000 token al secondo per utente^[14]. Le proporzioni vanno tenute: OpenAI lo annuncia come research preview per i soli abbonati Pro e come «versione più piccola» del Codex, e SemiAnalysis precisa che sotto c’è gpt‑oss‑120B messo a punto sulle tracce di GPT‑5.3‑Codex, circa dieci volte più piccolo del modello pieno: sul wafer gira una versione distillata, non il frontier model. Il contratto, però, non è una preview: a dicembre 2025 Cerebras e OpenAI hanno firmato un accordo quadro per 750 MW di capacità di inferenza consegnati a tranche fra 2026 e 2028, con opzione per ulteriori 1,25 GW^[14]. La posta si legge nei conti del gigante che quella capacità non la vende: in tre mesi NVIDIA ha incassato 57 miliardi di dollari guadagnandone 36, con un margine del 75%, e per comprarla servirebbe vendere tutte le aziende svizzere quotate a Zurigo — Rolex, Nestlé, ABB, Novartis comprese (🍫ff.139.1 Svizzero? No, NVIDIA). Il fossato comprende anche il software: dal Jetson Orin Nano — una specie di Lego per l’intelligenza artificiale — fino a Omniverse, NVIDIA ha passato anni a costruire l’ambiente in cui girano simulazione e robotica (🎮 ff.37.3 Non provi NVIDIA?). Un concorrente che vince sui millisecondi per token intacca una sola tessera di quel castello, per ora la più visibile.

C'è chi al collo di bottiglia risponde scavando dentro il silicio. Extropic propone un'intelligenza «termodinamica»: al bit binario, 0 o 1, sostituisce il p-bit probabilistico, che campiona il movimento casuale di atomi ed elettroni — il rumore termico^[17]. In ogni chip il calore è l'avversario da dissipare; un'architettura che lo usa come sorgente di calcolo mette in discussione l'astrazione digitale dal substrato fisico, lo stesso azzardo che anima i sistemi quantistici (⚛️ ff.98.4 Sistemi quantistici). Chi guarda in alto sposta invece il problema fuori dall'atmosfera: Starcloud prepara capacità di datacenter in orbita, con GPU NVIDIA H100 a energia solare e costi energetici stimati dieci volte inferiori^[18]. Lassù il sole non tramonta mai e il raffreddamento diventa un problema di altra natura. Le due scommesse muovono dallo stesso vincolo — l'energia a terra è ormai il tetto dell'AI (💸 ff.135.1 I costi dell'Intelligenza Artificiale) — e lo aggrediscono in versi opposti: verso il basso, nel rumore atomico del chip; verso l'alto, nell'orbita a pannelli solari (♻️ ff.42.2 Inquinano o spingono la transizione?). Resta la domanda che entrambe si portano dietro: trasformare il calore in risorsa o spedire il calcolo in orbita risolve il limite fisico, o lo sposta soltanto?

Elon Musk porta la scommessa di Starcloud alla scala di un’industria. Sulla Terra, osserva, la produzione di chip cresce in modo esponenziale e quella di elettricità resta piatta; nel podcast di Dwarkesh Patel, a febbraio 2026, prevede che entro 36 mesi, forse 30, lo spazio sarà il posto più economico dove mettere l’AI^[22], perché fuori dall’atmosfera un pannello solare rende circa cinque volte tanto. Un milione di tonnellate in orbita all’anno, a 100 kilowatt per tonnellata, chiede almeno 100 GW di solare e altrettanti di chip: circa diecimila lanci di Starship, calcola Patel, uno ogni ora. Già a novembre 2025 Musk aveva scritto che Starship potrebbe portare 100 GW all’anno in orbita terrestre alta entro quattro o cinque anni^[23], «se risolviamo le altre parti dell’equazione». L’ostacolo maggiore, dice, è uno scudo termico riutilizzabile: il conto poggia sui razzi che tornano a terra, l’idea con cui Musk ha abbattuto i costi e ci ha fatto tornare a sognare la Luna (💻 ff.50.3 La stagnazione tecnologica).

Fra l’orbita e il substrato termico c’è una terza strada, molto più vicina. A maggio 2026 Nvidia e il costruttore PulteGroup si sono alleati con la startup Span per montare mini datacenter sulle pareti delle case nuove^[39]. Ogni unità contiene 16 GPU Nvidia Blackwell, 4 CPU AMD EPYC e 3 TB di RAM, e usa la capacità elettrica che l’impianto di casa lascia inutilizzata per far girare l’inferenza AI.

Il collo di bottiglia è anche fisico, nel senso più letterale. Le strade si rompono, i marciapiedi si sgretolano, i cantieri restano aperti per anni. Sidewalk AI, progetto del MIT Senseable Lab di Carlo Ratti, usa l'intelligenza artificiale per mappare lo stato di salute dei marciapiedi in tempo reale — crepe, avvallamenti, accessibilità — trasformando dati grezzi in priorità di intervento. Il secondo tassello sono i robot da cantiere: Figure AI collabora con BMW per velocizzare le linee di produzione, ma lo stesso principio si applica alle infrastrutture urbane, dove un robot può operare di notte, senza straordinari e senza fermare il traffico. In attesa della rivoluzione robotica completa, c'è chi ha già trovato una via poetica: a Lione, lo street artist Ememem pratica il flacking, riempiendo le buche stradali con mosaici colorati secondo il principio giapponese del kintsugi — l'arte di riparare con l'oro (🤤 ff.110.4 Robot e AI: opportunità).

Per le infrastrutture conta valorizzare quello che esiste già: nella Bergamasca un tornante ceduto per le piogge ha chiuso per mesi l’unica strada verso la Val Seriana (🏛️ ff.110.1 Tutte le strade portano alle buche di Roma). Sulla rete elettrica Gridware fissa a un palo della luce, con quattro viti, una scatola di sensori: microfoni e altri rilevatori ascoltano l’ambiente e un modello di machine learning a bordo segnala le anomalie^[24], per intercettare guasti e incendi sul nascere. Nel 2021 ha raccolto un seed da 5,3 milioni di dollari, con 130 investitori a bussare alla porta, mentre in California e in Texas la corrente spariva per lunghi tratti. Danny Crichton, che allora la raccontava su TechCrunch, nel 2025 guarda ai dati dello Stato americano, sparsi fra comuni, contee, Stati e decine di agenzie: un ex direttore dei dati del Pentagono ha descritto il processo kafkiano servito solo a standardizzare i formati per integrare due database^[25]. Nessuna agenzia sa farlo in casa, e Washington si affida a Palantir.

Il collo di bottiglia fisico ha anche un calendario. Per far arrivare entro il 25 dicembre i pacchi sotto l’albero di miliardi di persone, Amazon si fa aiutare da 150 mila lavoratori stagionali assunti sotto le feste, quasi il doppio di tutti i dipendenti di Nike (🧝 ff.6.2 Gli elfi di Amazon). Per riempirli, il Time aveva messo in fila le 100 migliori invenzioni del 2021^[55]. Il sistema di Mobilus Labs tiene in contatto chi lavora in situazioni ad alto rischio, come i cantieri, senza microfoni o auricolari dedicati: il suono passa attraverso le ossa. Gli smart glasses ThinkReality A3 di Lenovo mostrano fino a cinque monitor virtuali^[56]. Sfoglini ha ingegnerizzato un formato di pasta nuovo, i Cascatelli, curando la «forchettabilità», la durezza con gli angoli retti e la varietà di consistenza con strutture svolazzanti; Adidas e Allbirds hanno fatto uscire in edizione limitata una scarpa che, fra produzione e spedizione, emette 2,94 kg di CO₂ equivalente (🎁 ff.6.1 100 regali da mettere sotto l’albero).

Il picco lo detta la spesa. Ogni festività ha la sua, e quando non basta se ne inventa una nuova: Black Friday, Cyber Monday, i saldi di inizio anno e, in Asia, il giorno dei single dell’11 novembre, creato da Alibaba. Negli Stati Uniti il Natale vale una stima di 1.000 miliardi di dollari di vendite, il Cyber Monday 9,4 miliardi^[20], circa l’1% delle spese natalizie. Il giorno dei single è passato dai 38 miliardi del 2019 a 139 miliardi di vendite fra Alibaba e JD nel 2021^[21] (🛒 ff.6.3 L’avvento delle spese, nel mondo).

Per reggere quel picco servono anche i mezzi, e Amazon li possiede. La sua flotta conta circa 40.000 motrici, oltre 30.000 furgoni col suo marchio e una compagnia aerea di circa 99 velivoli^[40], con più di 390.000 autisti delle ditte in appalto e, secondo l’azienda, 9 miliardi di articoli consegnati nel 2024. A quella scala anche uno sfidante veloce resta minuscolo: Zipline, nata nel 2016 per portare sangue in Ruanda coi droni, gestisce consegne pari allo 0,1% di quelle di Amazon, più rapide e con meno emissioni (🩸 ff.102.4 Dal sangue ad Amazon).

Il cantiere infinito è un dato strutturale. Lo Stato fatica a finanziare la manutenzione del costruito, e gli eventi climatici estremi — come l’alluvione di Valencia — non aiutano. Intorno a noi si moltiplicano cantieri sorvegliati da pensionati, talmente lenti da diventare spettacolo: il dipartimento dei trasporti della Pennsylvania ha messo in streaming il cantiere dell’interstate I-95, in stile Grande Fratello. Ma dietro l’ironia c’è un precipizio di produttività^[3]. McKinsey certifica che la produttività nell’edilizia è bloccata ai livelli degli anni 2000^[4] — ferma mentre ogni altro settore accelerava. Eppure l’America sapeva essere veloce: in 138 giorni dall’idea, Apollo 8 atterrò sulla Luna^[5]. La distanza tra quella velocità e un cantiere autostradale del 2024 misura esattamente il costo della complessità burocratica accumulata in sessant’anni (🚧 ff.110.2 Un cantiere infinito).

Gli anziani che sorvegliano i cantieri hanno un nome italiano, umarell, e da maggio 2024 anche un torneo: la newsletter Scope of Work ha lanciato il Campionato Mondiale di Umari^[26], con gare di schizzi, appunti e testi liberi su un cantiere. Per gli organizzatori guardare è un atto di rispetto verso i materiali, le macchine e i muscoli da cui nasce l’ambiente costruito. A New York quei muscoli lavorano accanto ai robot. Monumental Labs, il principale fabbricante di arte in pietra del Nord America^[27], fa fresare i modelli digitali da robot CNC a sette assi fino a un decimo di millimetro dalla superficie, poi gli scalpellini rifiniscono a mano. Per la Frick Collection ha consegnato in due mesi più di cento modiglioni scolpiti^[28]; la missione dichiarata è abbassare con robot e AI il costo della pietra, «il materiale da costruzione più verde del mondo». È il programma del manifesto tecno-ottimista di Marc Andreessen: rendere scontato ogni oggetto fisico (➕ ff.81.1 Il tecno-ottimismo).

C'è poi un punto che nel dibattito pubblico viene spesso rimosso: la tecnologia non è neutra nemmeno quando sembra solo “utile”. Ogni interfaccia decide cosa rendere visibile e cosa far sparire; ogni automazione sposta potere da una persona a un protocollo; ogni scorciatoia cognitiva può liberare tempo o ridurre autonomia, dipende da come è disegnata. La promessa giusta è aumentare lucidità nelle scelte ad alto impatto: cosa automatizzare, cosa mantenere umano, cosa misurare davvero. Chip, batterie e modelli sono solo metà della storia; l'altra metà è governance quotidiana dell'attenzione. Una buona tecnologia non ti toglie il giudizio: ti restituisce margine per esercitarlo meglio, con meno rumore e più responsabilità. Sul lato strumentale — l’AI come generalista tascabile — il riferimento è 🛠️ ff.123.1 L'AI con il coltellino svizzero; sul lato industriale — come una singola azienda incarna e accelera il pattern — vale 💃🏻 ff.129.3 Il valzer di Tesla.

Un cheeseburger McDonald's equivale all'energia di 80.000 richieste ChatGPT. Mark Zuckerberg annuncia Hyperion, un data center AI da 5 GW — cinque volte più grande degli attuali. Chip, batterie e modelli sono solo metà della storia; l'altra metà è governance quotidiana dell'attenzione. Una buona tecnologia non ti toglie il giudizio: ti restituisce margine per esercitarlo meglio.

Ma c’è chi sfida persino la narrativa dominante sulla crisi. Nato in Francia a metà Ottocento, il positivismo è il collante culturale della tecnica: additato come miope, è indubbiamente la base della società tecnologica in cui viviamo. La presunta stagnazione post-1971 — il mantra che “non si inventa più nulla” — è per Works in Progress una grande balla^[6]: il PIL non cattura il progresso perché con la tecnologia raggiungiamo di più spendendo meno, in un deflazionario decremento di consumi. La gratuità digitale è strutturale: il valore dei servizi digitali può raggiungere 25.000€ all’anno per utente^[7] — soldi che non spendiamo e non entrano nelle buste paga, ma di cui dovremmo tenere conto nel calcolo del progresso. Nonostante passiamo un quarto della nostra giornata davanti a uno schermo, siamo particolarmente tirchi online. L’aumento di potenza di calcolo degli ultimi trent’anni è stato come ottimizzare inchiostro e scrittura: ora, con AI e generazioni più native digitali, possiamo finalmente scrivere i libri. È ora, sostiene il Progressive Policy Institute, di “spaccare” il Grande Ristagno (🖶 ff.59.1 Altro che stagnazione!).

Si può studiare la tecnologia con una teoria evoluzionistica: come una specie evolve in base a pressioni esterne, così lo sviluppo tecnologico va di pari passo con accettazione e blocchi della società. La co-evoluzione tecnologica. QWERTY è tutt’altro che l’ottimo nella disposizione dei caratteri di una tastiera, ma ci siamo adattati e ora cambiarla è un casino. Un altro esempio di interazione società-tecnologia: il blocco nucleare post Fukushima e il revisionismo post invasione Ucraina^[8]. Se volete approfondire il tema, suggerisco il libro Come saremo^[9], di Telmo Pievani e Luca de Biase (🗃️ ff.59.2 Pressioni sociali e burocrazia).

Anche gli standard elettrici sono passati per quella selezione. Nel 1893, per illuminare l’Esposizione universale di Chicago, General Electric chiese 554.000 dollari in corrente continua, quella di Edison; George Westinghouse vinse offrendo 399.000 dollari in corrente alternata^[41], e il 16 novembre 1896 l’alternata delle cascate del Niagara accese Buffalo. Si combatté anche sulle parole: Edison e la sua compagnia bollarono il sistema rivale come «corrente del boia»^[42], e le società di Edison procurarono la dinamo Westinghouse per la prima esecuzione sulla sedia elettrica. Nel 1892 Edison lasciò l’illuminazione, quando la sua Edison General Electric si fuse nella General Electric. Un secolo dopo la continua rientra dalla porta di servizio: computer, LED, celle solari e auto elettriche funzionano così, e le linee ad alta tensione in continua portano elettricità lontano perdendone meno. Scott Anthony cerca lo schema di queste rotture in Epic Disruptions, undici innovazioni dalla polvere da sparo all’AI generativa^[43], passando per la stampa, il transistor e l’iPhone.

Se la co-evoluzione blocca le innovazioni tramite resistenza sociale, la “deflazione mentale” le blocca ancor prima — nella testa dei ricercatori. Aristotle, il modello AI di HarmonicMath, ha risolto il problema di Erdős #124, rimasto aperto per 30 anni: l’AI raggiunge gli apici della matematica pura. Professori come Aryeh Kontorovich dell’Università di Ben-Gurion si chiedono se valga ancora la pena scrivere paper. La deflazione mentale è analoga a quella economica: se domani un’idea costerà meno, non ha senso investirci oggi. L’effetto è paralizzante: chi può competere con un sistema che risolve in secondi ciò che ha richiesto trent’anni di lavoro umano? (🧮 ff.140.3 Deflazione mentale e crisi accademica).

Eppure la deflazione mentale potrebbe essere il prezzo di un’accelerazione senza precedenti. Un laboratorio alimentato da AI si auto-gestisce e scopre nuovi materiali 10 volte più velocemente dei ricercatori umani^[10]: un sistema che progetta gli esperimenti, li esegue e li analizza senza intervento. Come l’AI generativa ha reso la creazione di immagini un gioco da ragazzi, così i laboratori autonomi rendono la scoperta di materiali un processo iterativo a ciclo chiuso. Resta da capire se il ricercatore umano servirà ancora come esecutore, o solo come giudice — lo stesso dilemma che la medicina pone già, dove agenti GPT che impersonano medici e pazienti producono diagnosi migliori dei modelli allenati su tutta la letteratura scientifica (🩼 ff.98.2 Simulare Doctor House).

Su quella scommessa il capitale ha già preso posizione. Periodic Labs, fondata da Liam Fedus, ex OpenAI, ed Ekin Dogus Cubuk, ex DeepMind, ha raccolto 300 milioni di dollari^[44] guidati da Andreessen Horowitz, a una valutazione fino a 1,5 miliardi, per scoprire materiali nuovi con l’AI. Intanto il metodo si capovolge: un modello a diffusione ha progettato al contrario leghe bimetalliche che catalizzano la decomposizione dell’ammoniaca^[45], reazione chiave per ricavarne idrogeno. Lo studio, sul Journal of the American Chemical Society, parte dalla proprietà voluta, l’energia con cui il catalizzatore trattiene l’azoto, e trova candidati economici, validati in teoria e in laboratorio^[46]. In Corea un operatore neurale informato dalla fisica, PINO, addestrato su 20 materiali ha previsto le proprietà di altri 60^[47]. La newsletter lo aveva visto fare ai farmaci: un’AI allenata a predire le proprietà dei legami chimici senza risolverne le equazioni quantistiche, 720 volte più in fretta (💊 ff.4.2 E quella del prossimo farmaco innovativo).

Il ricercatore umano ha limiti misurabili: nella memoria di lavoro teniamo circa quattro variabili, mentre la conoscenza cresce del 5% l’anno^[29], ricorda Exponential View di Azeem Azhar. L’A-Lab, presentato su Nature, affida quel carico alle macchine nella sintesi allo stato solido di polveri inorganiche: calcoli, dati storici della letteratura e machine learning pianificano gli esperimenti, i robot li eseguono, modelli linguistici addestrati sulla letteratura propongono le ricette. In 17 giorni di lavoro continuo ha realizzato 36 composti su 57 bersagli^[30], ossidi e fosfati scelti fra i dati di stabilità del Materials Project e di Google DeepMind; l’articolo è stato aggiornato con una correzione degli autori nel gennaio 2026. Per scalare serve una lingua comune. Secondo Lee Cronin, che lavora alla «chemputation» con il suo laboratorio e con Chemify, digitalizzare la chimica richiede un sistema universale per leggerla e scriverla, con correzione degli errori^[31].

In biologia il ciclo si è chiuso a maggio 2025. FutureHouse ha presentato Robin, un sistema multi-agente che genera ipotesi, propone esperimenti, interpreta i risultati e aggiorna le ipotesi^[32], e lo ha messo al lavoro sulla degenerazione maculare secca, la principale causa di cecità nei paesi sviluppati. Robin ha indicato il ripasudil, un inibitore della rho chinasi già in uso clinico e mai proposto per questa malattia. Agli umani sono rimasti gli esperimenti al banco e la stesura finale; il progetto è durato circa 10 settimane^[33], e Samuel Rodriques avverte che solo trial clinici molto più lunghi diranno se è una cura. Recursion porta lo stesso ciclo in fabbrica, con fino a 2 milioni di esperimenti a settimana per un archivio proprietario di oltre 50 petabyte^[34], per ridurre il 90% di fallimenti della scoperta tradizionale dei farmaci. Prima ancora, Sakana AI aveva presentato un AI Scientist capace di scrivere un paper con 15 dollari (🔭 ff.102.3 Automatizzare la ricerca scientifica).

La scoperta guidata dall’AI scende anche sotto terra, dove stanno i metalli che il collo di bottiglia fisico consuma. Earth AI, fondata nel 2016, abbina un modello che prevede la posizione dei giacimenti a una propria piattaforma di perforazione. Il primo risultato è un deposito di molibdeno ad alto tenore, il metallo delle leghe d’acciaio, trovato al secondo tentativo di perforazione contro una media di settore di 200, per un costo di scoperta di 2 milioni di dollari contro circa 218^[35]. I numeri vengono da Not Boring di Packy McCormick, che in Earth AI ha investito. Anthony Pompliano consiglia The War Below di Ernest Scheyder^[36], che nel sottotitolo nomina la posta: litio, rame e la battaglia globale per alimentare le nostre vite. Sul litio la Cina pesa per il raffinamento chimico, di cui controlla l’80%, prima ancora che per le miniere (⛏️ ff.42.1 Minerali preziosi?).

Il primo vero terremoto è arrivato dal sottosuolo della biologia strutturale. Per mezzo secolo, determinare la forma tridimensionale di una proteina richiedeva mesi di cristallografia a raggi X e milioni di dollari. Poi DeepMind ha rilasciato AlphaFold e in pochi mesi ha predetto la struttura dell'intero proteoma umano — circa ventimila proteine — estendendo poi il catalogo a oltre trecentocinquantamila proteine di altri organismi. Da cinquant'anni di tentativi a un database universale in un anno: un cambio di paradigma nel modo in cui la scienza interroga la materia vivente. La farmacologia, la bioingegneria e persino l'agricoltura ne sono state ridisegnate (🧬 ff.4.1 La struttura delle proteine).

Ma AlphaFold è solo una metà della storia. L’altra metà si legge in un grafico che assomiglia a una cascata: il prezzo per sequenziare il DNA è crollato negli ultimi vent’anni di un fattore centomila. Un altro pezzo fondamentale di come la biologia, nel prossimo decennio, sconvolgerà le nostre vite esattamente come fatto dai PC negli ultimi venti. Oggi sequenziare un intero genoma umano costa meno dell’ultimo iPhone — circa 1.000 dollari. Quella curva di costo è il segnale più chiaro che la biologia sta seguendo la stessa traiettoria dell’informatica: ciò che ieri era ricerca di frontiera, domani sarà routine. Avete già prenotato il vostro test? (📉 ff.4.4 DNA meglio dei microchip!).

Da allora la cascata non si è fermata. A ottobre 2025 PacBio ha annunciato una chimica che porta il suo genoma HiFi sotto i 300 dollari per chi sequenzia su grande scala^[48], fino al 40% in meno, e legge anche la 5hmC, un segno epigenetico. Il collo di bottiglia si sposta sul capire cosa si legge. Il 98% del genoma non codifica proteine ed è decisivo per orchestrare l’attività dei geni: AlphaGenome di DeepMind prende fino a un milione di lettere di DNA e ne predice migliaia di proprietà regolatorie^[49], stimando l’effetto di una mutazione dal confronto fra sequenza alterata e originale. PromoterAI, presentato su Science, riconosce le varianti dei promotori che sregolano l’espressione dei geni^[50]: per gli autori valgono il 6% del carico genetico delle malattie rare, dove l’esoma da solo diagnostica una minoranza dei pazienti. Nel dogma della biologia, DNA → RNA → proteine, AlphaFold aveva risolto l’ultimo anello; questi modelli lavorano sul primo (📙 ff.66.1 Il dogma fondamentale).

Il passo successivo è la cellula intera. State, il primo modello di cellula virtuale dell’Arc Institute, è addestrato sulle perturbazioni di oltre 100 milioni di cellule^[51]: prevede come cambia il trascrittoma quando si altera un gene o si somministra un farmaco, distingue gli effetti delle perturbazioni il 50% meglio dei modelli esistenti e trova con precisione doppia i geni espressi in modo diverso. Gladstone Institutes e NVIDIA ci aggiungono il tempo: MaxToki, addestrato su circa 175 milioni di cellule e 100 milioni di traiettorie dalla nascita a oltre 90 anni, predice come invecchiano le cellule umane^[52], e alcuni fattori di invecchiamento del cuore indicati dal modello sono stati confermati in vivo. Sul software NVIDIA la sua inferenza corre 400 volte più veloce.

Dai modelli alle cure la strada resta lunga. A maggio 2024 AlphaFold 3 ha esteso la previsione a struttura e interazioni di tutte le molecole della vita, migliorando di almeno il 50% quelle fra proteine e altre molecole^[53]; nella stessa settimana un editing CRISPR fatto direttamente nel corpo migliorava la vista in 11 dei 14 pazienti trattati per una cecità ereditaria. Al mondo le persone curate con una terapia CRISPR erano allora circa 250, nonostante l’approvazione FDA della prima, contro l’anemia falciforme che colpisce 20 milioni di persone (🩹 ff.81.4 Terapie geniche). Un’altra via passa dalla fisica: molecole di aminocianina, colpite dalla luce del vicino infrarosso, vibrano all’unisono e squarciano la membrana delle cellule tumorali^[54]. Su Nature Chemistry questi «martelli pneumatici molecolari» eliminano in vitro le cellule di melanoma umano e lasciano senza tumore la metà dei topi trattati.

E se AlphaFold ha ridisegnato la biologia, un altro modello DeepMind sta ridisegnando la meteorologia. GraphCast — presentato da Demis Hassabis — batte i modelli fisici tradizionali nella previsione del tempo^[11] sulla maggioranza delle metriche a medio raggio, a una frazione del costo computazionale. I centri meteo nazionali girano simulazioni numeriche su supercomputer dedicati; un modello statistico addestrato su quarant’anni di rianalisi ERA5 produce la stessa qualità di previsione a dieci giorni in meno di un minuto su una singola TPU. Come argomentato in ff.119.1 (intelligenze aliene), l’AI non replica meccanismi: ne inventa di propri. La meteorologia, materia che per secoli ha richiesto equazioni di Navier-Stokes risolte numericamente, si sta riducendo a un problema di pattern statistici ad alta dimensionalità. Il modus operandi della scienza si sposta verso la fisica statistica. Se ciò vale per l’atmosfera, vale probabilmente per ogni sistema dinamico — compreso, presumibilmente, il clima stesso.

La stessa logica torna nella chimica degli enzimi, ma con un avvertimento onesto. Uno studio pubblicato su Nature (2025) sugli enzimi progettati computazionalmente mostra tassi catalitici iniziali bassi^[12]: i modelli generativi producono enzimi che funzionano, ma richiedono un’intensa ottimizzazione sperimentale per raggiungere l’efficienza degli enzimi naturali selezionati dall’evoluzione. Il risultato è più utile di un successo totale: dice dove siamo davvero. AlphaFold legge strutture; la progettazione de novo le inventa; ma inventare una proteina plausibile non significa ancora inventarne una efficiente. La linea di ricerca, già visibile nel paragrafo sul laboratorio auto-gestito, si specializza ora su un asse preciso: dall’accuratezza strutturale all’efficacia funzionale. La prossima frontiera, oltre al fold, è la chimica cinetica che lo abita — e qui, ancora per un po’, gli umani servono al banco di laboratorio.

Il banco di laboratorio può essere anche il piano di una cucina. Nel marzo 2026 l’autore del blog Dynomight ha chiesto a una serie di modelli linguistici di prevedere quanto in fretta si raffredda il suo caffè^[19], o meglio l’acqua bollente versata in una tazza. La domanda era precisa: 226,8 grammi d’acqua appena bollita, una tazza di ceramica da 0,57 chili a temperatura ambiente, aria ferma a 20 °C, e un’equazione della temperatura in funzione dei secondi, accurata soprattutto nei primi cinque minuti. È lo stesso gioco di vincoli che FF aveva proposto a GPT chiedendogli la dieta perfetta con 100 grammi di proteine, 40 di fibre e circa 2.200 kcal (👌 ff.92.4 La dieta perfetta (secondo GPT)). Una risposta giusta da trovare ragionando, scrive l’autore, non c’è: contano la conduzione fra acqua, tazza, aria e tavolo, i moti convettivi, l’evaporazione, l’irraggiamento infrarosso, e mancano dettagli come la forma della tazza, il tipo di ceramica o l’umidità dell’aria. Serve “gusto”, cioè scegliere quali fattori pesano di più e cosa supporre.

Sei modelli hanno risposto, tutti con uno o due termini esponenziali: uno rapido, il calore che passa dall’acqua alla tazza, e uno lento, quello che da acqua e tazza finisce nell’aria. Secondo le loro curve nei primi minuti l’acqua perde tanto calore quanto nel resto dell’ora. DeepSeek e Grok hanno girato a vuoto senza mai dare un’equazione, facendosi pagare lo stesso. Poi l’esperimento: la stanza a 20 °C, un termometro digitale nella tazza, una lettura gridata ogni cinque secondi e trascritta di corsa da un aiutante, poi intervalli sempre più lunghi, fino a cinque minuti. Dopo cinque secondi l’acqua segna 94,4 °C, dopo cinque minuti 65,2, dopo un’ora 30,7. Le previsioni sono tutte accettabili e nessuna ottima. La migliore è probabilmente quella di Claude 4.6 Opus, che per una tazza ha speso 0,61 dollari di token, contro gli 11 centesimi di GPT 5.4 e meno di un centesimo di Qwen3.

L’autore si era stupito di quanto, secondo i modelli, la temperatura crollasse all’inizio e calasse piano dopo. La tazza vera è scesa ancora più in fretta nei primi minuti e ancora più piano verso la fine: se si dovesse mescolare la sua intuizione con quella dei modelli, conclude, alla sua andrebbe dato peso zero. Chiama il tutto un progetto di scienze da scuola media, e la morale sta in una riga: i modelli forse ci toglieranno la matematica, il controllo fine dei movimenti un po’ più tardi. Sulla prima metà FF ci era arrivato guardando la scuola, dove gli studenti vanno sempre peggio in matematica e l’AI sempre meglio (👨‍🏫 ff.78.1 Scuola di vita?). Sulla seconda, sostenendo che al crescere dell’automazione l’uomo dovrà rifugiarsi nella fisiologia, il suo substrato naturale (🦴 ff.145.1 L’uomo all’osso).

Se AlphaFold ha dato occhi molecolari alla biologia, la visione artificiale ha dato occhi letterali alle macchine. Da quando GPT ha integrato input visivi, l'intelligenza artificiale non si limita più a leggere testo: interpreta immagini, decifra grafie illeggibili, localizza oggetti nascosti in una scena. Un utente di Home Assistant ha collegato GPT-4 Vision alle telecamere di sicurezza di casa, e ora le usa per ritrovare gli oggetti^[37]. Cognizione e vista — i due pilastri del nostro successo evoluzionistico — convergono ora in un sistema artificiale che, in molti compiti percettivi, supera la mediana umana. Resta da vedere cosa faranno le macchine con ciò che vedono, e chi deciderà i confini di quello sguardo (🤖 ff.71.2 ChatGPT (ti) vede).

Ma la tecnologia non si misura solo in parametri e benchmark: si misura anche in energia consumata, in contesto compreso e in chilometri percorsi senza conducente. Partiamo dall'elefante nella stanza cripto: si stima che il consumo energetico per mantenere operativa la blockchain di Bitcoin sia pari a quello dell'intera Finlandia (🇫🇮 ff.1.5 Il consumo energetico di Bitcoin). Il dato è impressionante, eppure fuorviante se lo si isola dal contesto: una quota crescente del mining utilizza energia rinnovabile — idroelettrica in Islanda, geotermica in El Salvador, solare nel Texas occidentale — e il trasferimento digitale di valore evita costi ecologici tangibili legati al trasporto fisico di denaro, oro e documenti. Ogni sistema energetico va confrontato con l'alternativa che sostituisce.

La smart TV sarà pure il modo più tradizionale e comodo di fruire contenuti, sempre più provenienti da piattaforme online. Eppure le dimensioni non contano come ci si aspetterebbe: gli smartphone generano introiti ben superiori alla vendita di televisori e PC messi insieme. Gli accessori per smartphone superano di gran lunga le vendite di tablet, wearable, console e altri dispositivi tech. Il multiverso digitale, per ora, è relegato a uno schermo piccolissimo — quello che teniamo in tasca e guardiamo un quarto della giornata (📱 ff.8.3 Schermi piccoli).

Il peso degli schermi piccoli si riflette anche nella distribuzione dei ricavi dell’AI. Circa metà del fatturato API di Anthropic proviene da soli due strumenti: GitHub Copilot e Cursor, per un totale di 1,4 miliardi di dollari tra i due. La concentrazione è rivelatrice: l’intelligenza artificiale genera valore soprattutto dove scrive codice — e chi controlla l’interfaccia di programmazione controlla il flusso economico dell’intera catena.

Lo stesso principio — il contesto è tutto — si applica al salto generazionale dell'intelligenza artificiale. Quando GPT-4 ha sostituito la versione 3.5 nel motore di ChatGPT, centocinquanta pagine di analisi di Microsoft Research ne hanno documentato la superiorità qualitativa: ragionamento multimodale, capacità di seguire istruzioni complesse, comprensione di sfumature emotive che la versione precedente ignorava del tutto (🥃 ff.54.1 Il contesto: l'amaro dell'impotenza). Il miglioramento è stato esponenziale — il tipo di curva che, osservata dal basso, sembra piatta e poi verticale. GPT-3 sapeva riassumere; GPT-4 sa riscrivere un messaggio usando solo parole che iniziano con la lettera A, mantenendo il senso emotivo intatto. È la differenza tra un traduttore meccanico e un interprete che coglie il sottotesto: un cambio di categoria cognitiva.

I dati sulla guida autonoma cominciano a parlare con una chiarezza difficile da ignorare. Con cinquantasette milioni di miglia di dati raccolti, Waymo registra l’ottantacinque per cento in meno di lesioni gravi e il settantanove per cento in meno di lesioni complessive rispetto ai guidatori umani. È ormai una statistica da flotta operativa, e il divario con la guida umana si allarga a ogni trimestre.

E quando l'intelligenza artificiale esce dallo schermo e sale su quattro ruote, il futuro si misura in yuan al chilometro. A Wuhan — sì, la stessa Wuhan — 3 taxi su 100 sono già robotaxi Baidu: dieci chilometri per quattro yuan, circa 0,55 dollari, un quinto del costo di un taxi convenzionale (🚕 ff.102.2 Wuhan: dal Covid a Baidu). La flotta di cinquecento veicoli raddoppierà entro fine anno, e le proiezioni McKinsey indicano che per il 2035 i taxi autonomi cresceranno di dieci volte, raggiungendo ricavi paragonabili a quelli di Apple. Il filo che lega questi tre fenomeni è lo stesso: l'energia di Bitcoin, i parametri di GPT-4 e i chilometri dei robotaxi sono tutti indicatori di densità tecnologica — quanto lavoro utile un sistema riesce a comprimere in un'unità sempre più piccola di tempo, spazio o costo. La vera misura del progresso è il rapporto tra complessità gestita e risorse impiegate. E quel rapporto, in tutti e tre i casi, sta migliorando più in fretta di quanto il dibattito pubblico riesca a registrare.