La vecchia battuta descrive male la competizione nell’intelligenza artificiale: la Cina produce ricerca originale, offre numerosi modelli a pesi aperti e guida le installazioni di robot industriali. Gli Stati Uniti conservano vantaggi importanti, mentre l’Europa contribuisce con modelli, robotica e tecnologie per i semiconduttori. I confronti e le fonti sono approfonditi qui sotto.
Di Gianluigi Bonanomi. Verifica delle fonti: 1 ottobre 2026. Le date dei dati e degli esperimenti sono indicate nel testo.
Per anni abbiamo riassunto la geopolitica dell’innovazione con una battuta: l’America crea, la Cina copia, l’Europa regolamenta. Tre continenti, tre mestieri. La Silicon Valley inventa il futuro, Shenzhen lo riproduce a prezzo più basso, Bruxelles prepara il modulo per autorizzarlo.
Era una caricatura, naturalmente. Ma aveva un vantaggio: permetteva di sentirsi informati senza dover studiare troppo. Oggi quel vantaggio è diventato il suo difetto principale.
Provate a spiegare con quella frase un laboratorio cinese che pubblica su Nature una ricerca sul ragionamento dei modelli. Oppure un gruppo di Stanford che sviluppa capacità robotiche con il supporto hardware di Unitree. Oppure ASML, azienda olandese che produce sistemi fondamentali per fabbricare semiconduttori avanzati. Chi inventa? Chi copia? Chi rende possibile il lavoro degli altri?
L’intelligenza artificiale ci costringe a sostituire quella divisione del lavoro con una mappa più articolata. La mia tesi è questa: la Cina è ormai un produttore di innovazione originale e un protagonista dei modelli aperti; nella diffusione della robotica industriale possiede un primato misurabile. Questo non dimostra che sia prima in ogni forma di AI.
Prima di chiedere chi è avanti, decidiamo che cosa misuriamo
Un Paese può avere i migliori modelli per un determinato benchmark e dipendere dall’estero per i chip. Può installare moltissimi robot senza aver inventato tutti i loro componenti. Può produrre ricerca eccellente e riuscire meno bene a trasformarla in aziende globali.
Conviene distinguere almeno cinque competizioni: qualità dei modelli, disponibilità di sistemi aperti, infrastruttura di calcolo, capacità di industrializzazione e risultati economici delle applicazioni. La regolamentazione attraversa tutte queste dimensioni: non è un mestiere riservato a un continente.
Anche la parola “Europa” va usata con precisione. Un’azienda francese opera nell’Unione europea; un laboratorio svizzero è europeo, ma non appartiene all’UE. E un progetto può combinare ricercatori americani, hardware cinese e tecnologie europee.
Una fotografia documentata, con le date in vista
L’AI Index 2026 dello Stanford Institute for Human-Centered Artificial Intelligence conta 59 modelli rilevanti sviluppati negli Stati Uniti nel 2025 e 35 in Cina. Nello stesso quadro, la Cina guida per volume di pubblicazioni, citazioni e brevetti concessi; gli Stati Uniti conservano un vantaggio nei brevetti a maggiore impatto. Quantità di ricerca e qualità della ricerca, dunque, richiedono misure diverse.
Il capitolo sulle prestazioni tecniche descrive un forte restringimento della distanza tra modelli americani e cinesi. Nel confronto riportato a marzo 2026, il primo modello statunitense aveva un vantaggio del 2,7% nella metrica utilizzata. Ma sarebbe scorretto tradurlo in “è il 2,7% più intelligente”: è un risultato di classifica, dipendente dal metodo e dal campione. Non è neppure una classifica aggiornata a ottobre.
Il capitolo economico dello stesso rapporto mantiene gli Stati Uniti nettamente davanti negli investimenti privati. Avverte però che questa misura sottostima il finanziamento complessivo cinese, perché non rappresenta adeguatamente il ruolo dei fondi pubblici.
Possiamo già scartare due scorciatoie: “la Cina si limita a copiare” e “gli Stati Uniti hanno perso ogni vantaggio”. I dati non sostengono nessuna delle due.
DeepSeek: la prova che l’innovazione cinese non è soltanto commerciale
Quando ho scritto di DeepSeek come alternativa ai chatbot americani, la domanda naturale era: quanto è bravo questo nuovo concorrente? Oggi bisogna aggiungerne un’altra: quali idee sta introducendo?
Il rapporto tecnico di DeepSeek-V3, pubblicato inizialmente nel dicembre 2024, descrive un modello Mixture of Experts: 671 miliardi di parametri complessivi, circa 37 miliardi attivati per ogni token. In termini semplici, non mobilita tutta la sua capacità a ogni passaggio. Il progetto combina questa scelta con la Multi-head Latent Attention, che riduce il peso della memoria dell’attenzione, e con soluzioni per distribuire meglio il lavoro tra gli esperti.
La cifra dei 5,576 milioni di dollari, spesso trasformata nel costo di “tutta DeepSeek”, va letta correttamente. Il paper la calcola per l’addestramento ufficiale di V3, ipotizzando due dollari per ora di GPU H800 ed escludendo esplicitamente ricerca preliminare ed esperimenti di ablazione. Non è il bilancio totale dell’azienda e non è il costo complessivo di R1.
Il risultato interessante rimane: innovare significa anche ottenere più prestazioni dal calcolo disponibile. Progettazione del modello, gestione della memoria e organizzazione dell’infrastruttura fanno parte dell’invenzione.
R1: dal prodotto al contributo scientifico
Il lavoro DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning è stato pubblicato su Nature il 17 settembre 2025. È quindi un articolo sottoposto a revisione tra pari, non soltanto un annuncio aziendale.
La ricerca mostra come incentivare capacità di ragionamento attraverso l’apprendimento per rinforzo, soprattutto dove esistono risposte verificabili: matematica, programmazione, problemi scientifici. Il sistema riceve un segnale di ricompensa per i risultati e sviluppa strategie più efficaci. Non significa che impari dal nulla: parte da un modello preaddestrato. Inoltre, R1-Zero e R1 seguono percorsi diversi; il secondo include anche dati iniziali e fasi supervisionate.
È una distinzione essenziale. Raccontare che “un’AI cinese ha imparato da sola senza dati” sarebbe un’altra leggenda. Ma liquidare il lavoro come copia impedirebbe di vedere un contributo scientifico reale.
Il seguito del 2026: efficienza, memoria e multimodalità
Il caso non si è fermato a R1. Il 10 settembre 2026 DeepSeek ha annunciato V4.1-Flash, con comprensione visiva nativa e un’architettura asimmetrica. L’azienda dichiara 552 miliardi di parametri totali, con 8 miliardi attivi per l’ingresso e 16 per l’uscita, oltre a una riduzione della memoria della cache rispetto alla generazione precedente.
Sono caratteristiche e risultati dichiarati dal produttore: non bastano a proclamare un vincitore mondiale. Mostrano però dove si combatte: costo di esecuzione, memoria, velocità e capacità degli agenti, oltre alla qualità della risposta.
Modelli aperti: la Cina può essere avanti senza vincere ogni benchmark
Per capire questa partita bisogna distinguere open source e open weights, cioè pesi disponibili.
Scaricare i pesi consente di eseguire un modello su un’infrastruttura scelta dall’utilizzatore e, nei limiti della licenza, modificarlo. Ma non equivale a conoscere tutto il processo con cui è stato costruito.
La Open Source AI Definition 1.0 dell’Open Source Initiative richiede libertà di utilizzo, studio, modifica e condivisione, insieme alle componenti necessarie per modificarlo: informazioni sufficienti sui dati, codice e parametri. Non impone semplicisticamente di pubblicare ogni dato grezzo, ma richiede trasparenza sostanziale. Una licenza Apache sui pesi, da sola, non prova che l’intero sistema soddisfi questa definizione.
Per questo è più preciso parlare, in molti casi, di modelli a pesi aperti.
Il vantaggio possibile è strategico: il modello che molti sviluppatori possono adattare può diventare una base comune, anche quando un concorrente chiuso supera le sue prestazioni su alcuni test. Questa è un’interpretazione della dinamica competitiva, non una misura già acquisita del dominio cinese.
Immaginiamo una PMI che voglia interrogare i propri manuali senza inviarli a un servizio esterno. Oppure un produttore che debba adattare l’AI al lessico dei suoi macchinari. Un modello scaricabile offre una possibilità diversa dall’accesso a un chatbot. Restano i costi di server, integrazione, manutenzione e controllo dei risultati: “aperto” non significa “gratis da gestire”.
Otto esempi: dai modelli linguistici alla voce, ai video e agli agenti
I casi seguenti documentano capacità e scelte progettuali. Gli scenari aziendali indicati sono esempi di applicazione da sperimentare, non clienti o risultati economici inventati.
1. Qwen3: una famiglia, non un unico gigante. Il rapporto tecnico di Alibaba del maggio 2025 presenta modelli da 0,6 a 235 miliardi di parametri, modalità con e senza ragionamento esteso e supporto a 119 lingue e dialetti. La possibilità di scegliere dimensione e budget di ragionamento permette di progettare servizi diversi: classificare un messaggio e analizzare un problema complesso non richiedono necessariamente lo stesso impiego di risorse. Il supporto dichiarato a una lingua, comunque, va verificato sui propri testi.
2. Qwen3.6: modelli aperti del 2026 per il lavoro sul codice. Le schede ufficiali di Qwen3.6-27B e Qwen3.6-35B-A3B documentano pesi disponibili con licenza Apache 2.0. Il primo è denso, il secondo usa esperti con un sottoinsieme dei parametri attivato. Le applicazioni da testare comprendono l’analisi di un repository, la correzione di errori e la realizzazione di interfacce. Il punto industriale è poter scegliere anche il motore e l’infrastruttura dell’assistente di sviluppo.
3. Qwen3-VL: l’AI legge anche ciò che vede. Il paper del novembre 2025 descrive modelli che integrano testo, immagini e video. Esempi concreti da valutare: interpretare una schermata di software, confrontare grafici, cercare informazioni in un documento illustrato, descrivere passaggi di un video. Un’impresa manifatturiera potrebbe sperimentarlo sui manuali visuali. Serve però un test specifico: riconoscere un’immagine nei benchmark non certifica la corretta interpretazione di un disegno tecnico.
4. Qwen3-TTS: la voce entra nella stessa filiera. Il rapporto del gennaio 2026 presenta sintesi vocale multilingue, controllo della voce tramite descrizioni e clonazione da brevi campioni; modelli e tokenizer vengono rilasciati con licenza Apache 2.0. Gli impieghi possibili includono istruzioni vocali, materiali didattici accessibili e narrazioni multilingue. L’utilizzo della voce di una persona richiede una gestione appropriata del consenso. La concorrenza cinese riguarda ormai anche il modo in cui l’AI parla.
5. Kimi K2.5: coordinare lavoro, oltre a generare risposte. Nel rapporto tecnico del 2026, il team Kimi descrive un modello multimodale e Agent Swarm, un sistema che scompone attività complesse in sottoproblemi eseguiti in parallelo. Uno scenario da sperimentare è la preparazione di un dossier: ricerca, analisi di documenti e verifica di tabelle distribuite tra agenti. I vantaggi di velocità riportati nel paper valgono per gli esperimenti descritti, non per qualsiasi attività d’ufficio.
6. GLM-5: dalla richiesta al lavoro di ingegneria. Il titolo del paper del febbraio 2026, From Vibe Coding to Agentic Engineering, chiarisce l’ambizione. Il progetto lavora su ragionamento, programmazione e interazioni prolungate con strumenti, introducendo anche un’infrastruttura di apprendimento per rinforzo asincrona. Il caso d’uso da valutare è più ampio di “scrivimi una funzione”: affrontare una modifica software con analisi, implementazione e verifiche. Che il sistema riesca a farlo nel proprio ambiente resta da misurare.
7. Wan2.2: video generativi con pesi e codice disponibili. Il repository ufficiale documenta generazione da testo e da immagini, oltre a varianti per animazione e video guidati dall’audio. La versione TI2V da 5 miliardi di parametri supporta video a 720p ed è presentata come eseguibile anche su una GPU di fascia consumer compatibile. Possibili esperimenti: animare una fotografia di prodotto, produrre una bozza di spot, costruire uno storyboard. Disponibilità del modello e qualità finale del filmato rimangono due questioni distinte.
8. DeepSeek-V4.1-Flash: il costo della memoria come terreno competitivo. Nell’annuncio di settembre 2026, l’azienda insiste sulla riduzione della cache e sui costi degli agenti. Un agente che consulta molti documenti e strumenti può elaborare molto contesto: ottimizzarne la gestione diventa rilevante. La mia lettura è che la competizione stia spostandosi anche verso la quantità di lavoro utile ottenuta con le risorse disponibili.
Questa varietà smentisce l’immagine di un solo inseguitore cinese. Esiste un ecosistema che lavora su linguaggio, visione, voce, video e agenti. Per dimostrare una leadership complessiva nell’open AI servirebbero anche confronti aggiornati su adozione, licenze, prestazioni, modelli derivati e sostenibilità dell’ecosistema. Una lista di prodotti, da sola, non basta.
Robotica industriale: qui il primato cinese è già concreto
Il World Robotics 2026 dell’International Federation of Robotics, pubblicato il 24 settembre 2026, riporta questi dati per il 2025:
| Indicatore | Dato |
|---|---|
| Nuovi robot industriali installati in Cina | 354.000 |
| Quota cinese delle installazioni mondiali | 59% |
| Crescita delle installazioni cinesi sull’anno precedente | 20% |
| Quota dei produttori cinesi nel mercato interno | 55% |
| Installazioni negli Stati Uniti | Quasi 38.500 |
| Installazioni in Germania | Meno di 25.000 |
| Installazioni in Italia | Circa 7.800 |
La Cina installa dunque più robot industriali del resto del mondo complessivamente. Ed è sbagliato attribuire il risultato soltanto all’acquisto di macchine straniere: i fornitori locali rappresentano oltre metà del suo mercato.
Attenzione al significato: questi dati misurano installazioni industriali, non umanoidi, robot dotati di AI generativa o superiorità tecnica di ogni macchina cinese. I volumi assoluti risentono inoltre della dimensione della manifattura. Per valutare l’intensità dell’automazione servono anche indicatori rapportati agli addetti.
Il vantaggio che questi numeri suggeriscono è la scala delle occasioni di applicazione. La mia inferenza è che una vasta base produttiva possa facilitare sperimentazione e apprendimento industriale, quando dati e risultati vengono raccolti bene. Non basta installare una macchina per produrre automaticamente innovazione.
Umanoidi: guardiamo oltre i video dei robot che ballano
Unitree rende visibile un’altra componente della competizione: l’accessibilità dell’hardware. Nel catalogo ufficiale consultato per questo articolo, G1 parte da 13.500 dollari e R1 da 4.900. Sono prezzi pubblicizzati di partenza: non il costo completo di una soluzione produttiva con configurazione, importazione, integrazione e assistenza.
La possibilità di acquistare piattaforme a quei livelli di prezzo può ampliare l’accesso alla sperimentazione. È una conseguenza plausibile, non la prova che ogni robot sia pronto a lavorare autonomamente in un magazzino.
La distanza tra dimostrazione e prodotto si misura con domande molto meno spettacolari: quante volte fallisce? Quanto dura l’autonomia? Quanto spesso serve una persona? Come si comporta con un oggetto imprevisto? Quanto costa ogni operazione riuscita?
Nel video ufficiale di Unitree Robotics, G1 esegue un salto laterale con rotazione. È una dimostrazione di controllo motorio: le prestazioni acrobatiche e l’affidabilità in fabbrica richiedono verifiche diverse.
Sei casi industriali da osservare, con il loro livello di evidenza
La pagina ufficiale delle applicazioni industriali UBTECH presenta diversi casi. Sono descrizioni del fornitore: documentano attività e sperimentazioni, senza offrire da sole una verifica indipendente della produttività.
| Contesto | Attività descritta da UBTECH |
|---|---|
| SANY Renewable Energy | Walker S2 movimenta e ordina bulloni, trasferisce vassoi e recupera quelli vuoti. |
| BYD | Walker S1 svolge movimentazione e viene integrato con veicoli logistici autonomi e sistemi di fabbrica. |
| NIO | Walker S viene impiegato in attività di assemblaggio finale e controllo qualità. |
| Zeekr, gruppo Geely | Walker S Lite viene addestrato alla movimentazione di contenitori in un magazzino. |
| FAW-Volkswagen a Qingdao | Walker S Lite viene introdotto in scenari di ispezione della qualità. |
| Foxconn | Walker S2 e Wali U1500 collaborano nell’alimentazione dei componenti durante una validazione produttiva. |
Si aggiunge una collaborazione annunciata con Hitachi nel luglio 2026: il comunicato descrive test operativi e validazione di scenari in ambienti manifatturieri. È un esempio della differenza tra “prodotto presentato”, “test sul posto” e “soluzione con ritorno economico dimostrato”.
Questi casi interessano perché riguardano compiti precisi. L’innovazione industriale può avanzare spostando un vassoio, verificando un componente o alimentando una postazione. Non ha bisogno di assomigliare a un film di fantascienza.
Il filmato ufficiale di UBTECH Robotics presenta la sua fabbrica di robot. Come per gli altri materiali del produttore, una presentazione della linea non sostituisce dati indipendenti su continuità operativa e ritorno economico.
Dietro le acrobazie ci sono anche paper e algoritmi originali
Il lavoro KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills, indicato come contributo a NeurIPS 2025, affronta l’apprendimento di movimenti rapidi attraverso elaborazione dei dati di movimento e controllo adattivo. Viene sperimentato su Unitree G1. Il progetto ufficiale riporta tra le affiliazioni China Telecom e Shanghai Jiao Tong University: un caso concreto di ricerca sviluppata in istituzioni cinesi.
Il salto, qui, è dal movimento umano osservato a un comportamento compatibile con la fisica del robot. Un video di kung fu può essere spettacolo; il problema scientifico sottostante riguarda equilibrio, vincoli meccanici e trasferimento dalla simulazione al mondo reale.
Nel 2026, Scalable and General Whole-Body Control for Cross-Humanoid Locomotion presenta XHugWBC, sviluppato da ricercatori di Shanghai Jiao Tong University e Shanghai AI Laboratory. Gli autori riportano esperimenti su dodici umanoidi simulati e sette robot reali, cercando di trasferire un unico controllore tra corpi differenti.
Il valore potenziale è evidente: ridurre la necessità di ricominciare l’addestramento a ogni nuovo robot. È però un risultato sperimentale del paper, non una certificazione di versatilità illimitata. E non è corretto trattare automaticamente ogni preprint su arXiv come ricerca già sottoposta a revisione tra pari.
Il robot di Stanford con supporto hardware cinese
Uno degli esempi più istruttivi è HumanPlus, presentato a CoRL 2024. Il progetto di Stanford combina apprendimento in simulazione, imitazione del movimento umano e apprendimento di abilità da dimostrazioni. Gli autori ringraziano Unitree Robotics e Inspire-Robots per il supporto hardware e firmware.
Il paper documenta compiti come scaricare oggetti dagli scaffali, piegare una felpa e digitare. Sono capacità ottenute nelle condizioni degli esperimenti, non una promessa che il robot sappia gestire qualsiasi casa o magazzino.
Il video del team HumanPlus mostra le abilità autonome studiate nel progetto. È pubblicato da Zipeng Fu, autore della ricerca, e collegato dalla pagina ufficiale di Stanford HumanPlus.
Un secondo filmato dello stesso progetto mostra il robot mentre indossa una scarpa, si alza e cammina. Anche qui, il risultato va interpretato nelle condizioni sperimentali descritte dagli autori.
Qui l’etichetta nazionale diventa insufficiente: ricerca in un’università americana e contributi di aziende cinesi partecipano allo stesso risultato. Non serve attribuire la nazionalità agli autori sulla base dei cognomi. Serve seguire istituzioni, hardware, software e collaborazione.
La ricerca Open X-Embodiment rende il quadro ancora più internazionale: un insieme di dati raccolto da 21 istituzioni con 22 robot differenti, utilizzato per studiare il trasferimento delle capacità tra piattaforme. L’apertura, nella robotica, riguarda anche dati ed esperienze, oltre al modello linguistico.
Robotaxi: la Cina porta l’AI fuori dalla finestra della chat
Un altro caso concreto è Apollo Go di Baidu. Nei risultati ufficiali del secondo trimestre 2026, pubblicati il 18 agosto, l’azienda distingue attività diverse: servizi commerciali senza conducente a bordo a Dubai, test su strada a Londra con Uber e Lyft, sperimentazioni in Svizzera con PostBus.
Non sono tre modi di dire la stessa cosa. Una sperimentazione su strada non equivale a un servizio commerciale; nessuno dei due implica che il veicolo possa guidare ovunque e in qualsiasi condizione.
Il capitolo tecnico di Stanford documenta anche la diffusione di Waymo negli Stati Uniti e Apollo Go in Cina, ricordando il ruolo delle condizioni operative e del supporto umano da remoto. Il confronto richiede percorsi, aree autorizzate, esposizione al rischio e dati omogenei: i soli numeri delle corse non assegnano un primato generale nella sicurezza.
La Cina, comunque, è già presente nella trasformazione dell’AI in un servizio fisico. La sua innovazione non finisce nella risposta di un chatbot.
Anche la Cina regolamenta, e lo fa da anni
La parte meno discussa dello slogan è forse la più facile da smentire. La Cina ha introdotto le misure provvisorie per la gestione dei servizi di AI generativa, operative dal 15 agosto 2023.
Il testo riguarda i servizi offerti al pubblico nel territorio cinese e disciplina, tra l’altro, dati di addestramento, contenuti, informazioni personali e responsabilità. Per i servizi con caratteristiche di influenza sull’opinione pubblica o mobilitazione sociale prevede valutazioni di sicurezza e registrazione degli algoritmi. Non è un’identica disciplina per qualsiasi ricerca interna.
L’apertura dei pesi può quindi convivere con il controllo politico dei servizi. “Open” descrive l’accessibilità di alcune componenti tecnologiche, non il sistema politico nel quale vengono prodotte.
Anche le capacità vanno valutate insieme ai limiti: il preprint An Independent Safety Evaluation of Kimi K2.5, dell’aprile 2026, rileva nei test censura politica e bias, soprattutto in cinese, oltre a problemi di sicurezza in alcune categorie. È una valutazione preliminare su quel modello e quelle condizioni, non un giudizio indistinto su tutti i sistemi cinesi.
L’Europa ha problemi reali. Ma produce anche tecnologia
L’AI Act europeo è una parte rilevante della risposta europea, con regole basate sul rischio. Per dimostrare che sia la causa principale del ritardo industriale, però, servirebbe un’analisi causale: la contemporanea presenza di norme e debolezza competitiva non basta.
Tre esempi aiutano a evitare la caricatura opposta.
Mistral crea modelli e li apre. Il lancio di Mistral 3 del dicembre 2025 comprende modelli di diverse dimensioni e il rilascio di Mistral Large 3 con licenza Apache 2.0. È un’azienda francese che partecipa alla costruzione del motore, non soltanto alla sua disciplina.
ASML rende possibile una parte della filiera dei chip. I suoi sistemi di litografia ultravioletta estrema, EUV, sono una tecnologia europea centrale per la fabbricazione di semiconduttori avanzati. ASML descrive una tecnologia unica nel suo portafoglio industriale, sviluppata con partner e fornitori. Un mondo raccontato soltanto attraverso le applicazioni dei chatbot nasconde questi passaggi decisivi.
La robotica europea produce ricerca applicata. Nel lavoro Learning robust perceptive locomotion for quadrupedal robots in the wild, pubblicato su Science Robotics nel 2022, ricercatori dell’ETH di Zurigo, di KAIST e di Intel sviluppano un controllo che combina percezione esterna e sensori del robot per affrontare terreni difficili. La Svizzera non appartiene all’UE: è un esempio europeo e internazionale, non un risultato attribuibile interamente a Bruxelles.
Il video del Robotic Systems Lab dell’ETH di Zurigo accompagna il paper su Science Robotics e mostra il comportamento del quadrupede in ambienti difficili. Ricerca, protocollo e filmato possono così essere letti insieme.
Queste eccellenze non cancellano le difficoltà. La mia lettura è che la sfida europea riguardi la trasformazione della ricerca in prodotti adottati su larga scala, oltre a capitale, calcolo e integrazione industriale. Ma ridurre tutto alla burocrazia rende invisibili proprio le capacità sulle quali costruire.
Che cosa cambia per un’impresa italiana
Per chi guida un’azienda, una graduatoria geopolitica conta meno di una decisione concreta. Propongo quattro esperimenti, da intendere come suggerimenti operativi e non come risultati già osservati.
Confrontare i modelli sui propri documenti. Selezionare domande reali, definire risposte corrette e valutare alternative americane, cinesi ed europee con gli stessi criteri. Misurare errori, completezza, tempi e costo della revisione umana.
Separare modello e servizio. Un modello cinese eseguito su un server aziendale ha un’architettura di gestione dei dati diversa dallo stesso modello utilizzato attraverso un servizio esterno. Contano anche software, telemetria, aggiornamenti e componenti collegate: la posizione del server non esaurisce la valutazione.
Sperimentare un compito fisico circoscritto. Prima di cercare “il robot che fa tutto”, valutare movimentazione di un contenitore, ispezione di un pezzo o alimentazione di una postazione. Annotare interventi umani, guasti, operazioni riuscite e costo complessivo.
Chiedere prove del passaggio in produzione. Un paper dimostra ciò che è stato misurato nel suo protocollo; una dimostrazione mostra un comportamento; un progetto pilota verifica un ambiente; un impiego produttivo richiede continuità e sostenibilità. Tenere distinti questi livelli evita acquisti basati sul video più convincente.
Il rischio europeo: essere clienti con ottime regole
La vecchia battuta va aggiornata, ma non sostituita con una celebrazione speculare della Cina.
Le evidenze raccolte mostrano ricerca originale cinese, un’offerta ampia di modelli aperti, sperimentazioni robotiche e un primato nelle installazioni industriali. Mostrano anche vantaggi americani in investimenti privati e produzione di modelli rilevanti, oltre a contributi europei essenziali nella filiera tecnologica. Molti confronti restano dipendenti dalla metrica, dalla data e dall’applicazione.
La domanda utile diventa allora: chi riuscirà a trasformare queste capacità in lavoro affidabile, accessibile e conveniente?
Per l’Europa, a mio avviso, il pericolo maggiore è abituarsi a comprare il futuro costruito altrove, pur possedendo ricerca, imprese e competenze per contribuire a produrlo. Le regole possono accompagnare quella capacità. Non possono sostituirla.
E per capire dove sta andando l’AI, forse conviene guardare meno i robot che ballano e più quelli che, finita la musica, continuano a lavorare.
