L’intelligenza artificiale potrebbe arrivare a svilupparsi a un ritmo molto superiore a quello attuale, raggiungendo in pochi mesi progressi che oggi richiederebbero anni. Ma questa corsa avrebbe comunque bisogno di poggiare su un’infrastruttura fisica: capacità di calcolo, data center, energia e, sempre più, piattaforme che integrano cloud, edge e reti di telecomunicazione.
È da questa tensione tra velocità del software e tempi dell’infrastruttura che emerge uno degli aspetti più interessanti del working paper What if automating AI R&D triggers an intelligence explosion?, pubblicato nell’ambito della Frontier AI Working Paper Series del Cambridge Programme on AI Science & Policy.
Il lavoro analizza uno scenario ancora fortemente incerto: l’automazione crescente della ricerca e sviluppo sull’AI potrebbe innescare un ciclo di miglioramento ricorsivo, nel quale sistemi sempre più capaci contribuiscono a sviluppare generazioni successive ancora più efficienti. Gli autori parlano di una possibile “intelligence explosion”, chiarendo però che le evidenze disponibili sono preliminari e che restano numerose incognite.
Indice degli argomenti
L’AI entra sempre più nei processi di ricerca e sviluppo
Il punto da cui parte l’analisi è la crescente capacità dei sistemi di frontiera di svolgere attività che fino a poco tempo fa erano affidate ai ricercatori. Secondo il paper, l’AI oggi assiste o esegue autonomamente parti rilevanti della pipeline di ricerca e sviluppo. Anthropic avrebbe visto la quota di codice approvato prodotto con sistemi AI passare da percentuali a una cifra a oltre l’80% tra gennaio 2025 e maggio 2026. La quota di attività di R&D completata autonomamente con una supervisione umana di alto livello sarebbe invece salita dall’1% al 26% tra marzo e agosto 2026.
Il salto qualitativo riguarda anche la durata delle attività che i sistemi riescono ad affrontare. Le soluzioni più avanzate sono ormai in grado, secondo gli studi richiamati nel lavoro, di completare compiti di ricerca che richiederebbero a specialisti umani da alcune ore a diversi giorni. Gli stessi autori invitano però alla cautela: i modelli continuano a commettere errori, possono non rispettare le istruzioni e i risultati ottenuti nei benchmark non si traducono automaticamente in un aumento equivalente della produttività reale.
La questione diventa quindi capire che cosa accadrebbe qualora l’automazione raggiungesse una parte molto più ampia della ricerca AI.
Il meccanismo dell’“intelligence explosion”
Lo scenario delineato si basa su un meccanismo ricorsivo. Sistemi più capaci aumenterebbero la quantità e la velocità del lavoro di ricerca disponibile; quel lavoro contribuirebbe a sviluppare sistemi ancora migliori, che a loro volta allargherebbero ulteriormente la capacità di R&D.
Il paper stima che, qualora sistemi di livello esperto potessero operare con costi di runtime comparabili a quelli attuali, la capacità computazionale disponibile oggi a un singolo sviluppatore di frontiera potrebbe sostenere una forza lavoro automatizzata equivalente ad almeno milioni di ricercatori. Nelle supplementary materials l’ordine di grandezza stimato oscilla tra circa 2 milioni e 200 milioni di ricercatori equivalenti, un intervallo molto ampio che gli stessi autori presentano come soggetto a forte incertezza.
Il paper suggerisce inoltre che, dopo una completa automazione della R&D e assumendo che alcuni parametri rimangano invariati, il ritmo del progresso potrebbe aumentare di dieci volte in circa un anno e mezzo. A quel punto, l’equivalente di un anno di avanzamento ai ritmi attuali potrebbe essere concentrato in circa cinque settimane. Si tratta però di un esercizio modellistico basato su dati limitati e su ipotesi che gli autori sottopongono a numerose cautele.
Il compute può frenare l’accelerazione
Qui il boom dell’AI si interseca direttamente con il tema delle infrastrutture digitali. La disponibilità di capacità computazionale potrebbe infatti trasformarsi in uno dei principali ostacoli all’accelerazione della ricerca.
Gli esperimenti necessari a individuare e testare miglioramenti software richiedono infatti capacità di calcolo. Le evidenze attualmente disponibili non permettono di stabilire se il compute finirà effettivamente per rappresentare un collo di bottiglia: molto dipenderà dalla quantità di risorse necessarie per sperimentare su sistemi di frontiera sempre più grandi e dalla possibilità di ricavare indicazioni affidabili attraverso test effettuati su scala inferiore.
Il tema emerge ancora più chiaramente dal confronto tra software e hardware. Un miglioramento algoritmico può essere integrato rapidamente nel processo di R&D, mentre l’espansione dell’infrastruttura fisica segue cicli di produzione e costruzione che possono durare anni. È per questo che il paper concentra l’attenzione soprattutto su una possibile accelerazione trainata dal software.
Inoltre che i modelli utilizzati per descrivere l’accelerazione non possono essere proiettati indefinitamente. Esistono vincoli fisici e computazionali e alcune attività devono necessariamente essere svolte in sequenza e L’hardware, si sottolinea, può operare soltanto entro determinati limiti fisici.
Data center, dalla capacità alla governance
La connessione con i data center va oltre la semplice disponibilità di server. Nella parte dedicata alle implicazioni di policy, il paper propone di rafforzare la supervisione dei data center utilizzati per attività automatizzate di ricerca e sviluppo AI.
Tra le ipotesi avanzate figurano procedure di risposta agli incidenti definite insieme agli operatori delle strutture e alle aziende di intelligenza artificiale, fino alla possibilità di predisporre strumenti per interrompere specifici workload di ricerca. Per alcune valutazioni o implementazioni particolarmente sensibili, gli autori richiamano anche l’impiego di ambienti isolati dalla rete, allo scopo di limitare l’esfiltrazione dei pesi dei modelli o di informazioni riservate.
Il data center assume così un ruolo che riguarda contemporaneamente capacità computazionale, sicurezza e governance dei modelli di frontiera. È un passaggio rilevante anche per l’Europa, dove l’espansione del compute destinato all’AI è diventata una componente della politica industriale e digitale.
L’Europa punta a triplicare la capacità
Il quadro descritto dai ricercatori di Cambridge si inserisce in una fase nella quale Bruxelles sta già cercando di aumentare significativamente la disponibilità di infrastrutture.
Con il Cloud and AI Development Act, la Commissione europea punta ad almeno triplicare la capacità dei data center dell’Unione nei prossimi cinque-sette anni, accelerando autorizzazioni e deployment e migliorando l’accesso a energia, terreni, acqua e finanziamenti. L’obiettivo dichiarato è assicurare una capacità di calcolo sufficiente a sostenere AI, servizi cloud e applicazioni ad alta intensità di dati.
La stessa logica caratterizza il piano per le AI Gigafactories. A luglio 2026 l’Ue ha avviato la procedura per realizzarne fino a sette, con un sostegno pubblico europeo e nazionale fino a 10 miliardi di euro e l’obiettivo di mobilitare almeno altri 20 miliardi di investimenti privati. Le strutture dovranno combinare processori specializzati, software, stack cloud, connettività ad alta velocità e data center ad alta efficienza energetica, mettendo a disposizione capacità per training, inference e fine-tuning dei modelli avanzati.
Energia, un altro limite fisico alla corsa dell’AI
A rendere ancora più evidente la distanza tra velocità del software e tempi dell’infrastruttura è la questione energetica.
Secondo l’International Energy Agency, nel 2025 la domanda mondiale di elettricità dei data center è cresciuta del 17%, mentre quella delle strutture maggiormente orientate all’AI è aumentata del 50%. L’Agenzia sottolinea inoltre che il consumo dipenderà dall’interazione tra miglioramenti dell’efficienza, aumento dell’adozione e sviluppo di applicazioni più complesse e intensive dal punto di vista computazionale.
Già nel rapporto Energy and AI del 2025, l’IEA stimava che i data center avessero consumato circa 415 TWh nel 2024, pari all’1,5% dell’elettricità mondiale, con una crescita media annua di circa il 12% dal 2017. Nello scenario base dell’Agenzia, l’elettricità necessaria ad alimentarli potrebbe superare i 1.000 TWh entro il 2030.
Per l’AI di frontiera, quindi, la disponibilità di compute finisce inevitabilmente per intrecciarsi con quella di potenza elettrica e con i tempi necessari a realizzare nuove infrastrutture.
Telco, cloud ed edge convergono sull’infrastruttura AI
Anche le reti entrano nel quadro, seppure con un ruolo diverso rispetto a quello del compute. Il collegamento emerge soprattutto dalla progressiva integrazione tra connettività, cloud ed edge computing.
Il progetto europeo EURO-3C, presentato dalla Commissione al Mobile World Congress 2026 e sostenuto con 75 milioni di euro nell’ambito di Horizon Europe, punta a costruire una grande infrastruttura federata Telco-Edge-Cloud. Bruxelles descrive il modello come l’integrazione delle reti di telecomunicazione, delle risorse edge e dell’infrastruttura cloud in un’unica piattaforma, avvicinando capacità di calcolo sicura e ad alte prestazioni agli utenti finali. Il consorzio riunisce 87 soggetti tra operatori tlc, cloud provider, software company, vendor e centri di ricerca.
È su questo terreno che l’accelerazione dell’AI incontra più direttamente il settore delle telecomunicazioni: il valore della rete tende a intrecciarsi con la capacità di distribuire il compute, collegare infrastrutture e portare elaborazione sempre più vicino ai luoghi in cui vengono generati e utilizzati i dati.
La corsa all’AI diventa una questione di sovranità digitale
La possibile “intelligence explosion” resta uno scenario, non una previsione. Lo stesso paper insiste sull’incertezza delle evidenze disponibili e sui molteplici fattori che potrebbero rallentare il processo, dalla scarsità di dati alle attività difficili da automatizzare fino ai tempi necessari per training ed esperimenti.
Il lavoro mette però in evidenza un problema già concreto: quanto più l’AI diventa dipendente da grandi quantità di capacità computazionale, tanto più il controllo delle infrastrutture che la rendono possibile acquista rilevanza economica e geopolitica.
Per l’Europa, il tema si lega direttamente alla sovranità digitale. Il Cloud and AI Development Act affianca infatti all’aumento della capacità un quadro europeo per valutare la sovranità di cloud e AI. EURO-3C punta a ridurre la dipendenza da fornitori di Paesi terzi attraverso un’infrastruttura europea integrata di connettività e calcolo.
Se l’automazione della ricerca dovesse davvero abbreviare radicalmente i cicli di sviluppo dell’intelligenza artificiale, la disponibilità e il controllo di compute, data center, energia, cloud ed edge diventerebbero quindi parte dello stesso dossier. Ed è proprio la diversa velocità con cui possono evolvere software e infrastrutture fisiche a rappresentare una delle variabili decisive dello scenario delineato dai ricercatori.
Partecipa alla community