L'angolazione. AI's L'aumento segue leggi regolari come quelle della fisica: più potenza di calcolo, algoritmi migliori e più dati portano a miglioramenti prevedibili, e la lunghezza del compito che un modello di frontiera può completare da solo è raddoppiata all'incirca ogni quattro mesi dal 2023.
L'intelligenza artificiale generale (AGI) non è un interruttore che si accende da un giorno all'altro. È una scala, e per quanto riguarda il lavoro digitale e ben definito, la stiamo percorrendo velocemente. Per il lavoro innovativo, aperto e fisico, invece, la scala è ancora ripida.
Il trucco
Chiedere a un chatbot di scrivere un sonetto, correggere il codice o spiegare i risultati delle analisi del sangue è quasi magico. Il trucco funziona perché si vede solo il palcoscenico. Dietro le quinte non c'è nessun mago. Ci sono tre manopole e una bolletta della luce.
- Il primo indicatore è "compute": quanti calcoli vengono eseguiti per addestrare un modello.
- Il secondo aspetto riguarda gli algoritmi: quanto in modo intelligente viene utilizzato ciascun calcolo.
- Il terzo elemento sono i dati: la quantità di testo, codice e video da cui il modello apprende.
Dal 2024 si è aggiunto un quarto parametro: il tempo di elaborazione, ovvero il tempo di calcolo impiegato da un modello per ragionare prima di fornire una risposta. Aumentando uno qualsiasi di questi parametri, le prestazioni migliorano in modo sorprendentemente prevedibile.
La prevedibilità è la vera rivelazione. Isaac Newton ci ha dato leggi che descrivono come si muovono le cose. AI I ricercatori hanno scoperto leggi che descrivono come l'intelligenza, almeno quella delle macchine, migliori con le risorse. Come Newton's Le leggi funzionano perfettamente entro i loro limiti e si infrangono ai margini. Questo brano parla di entrambe: delle leggi e dei limiti.
Mojo's Legge: la legge di scalatura neurale
Nel gennaio 2020, un team di OpenAI guidato da Jared Kaplan ha dimostrato che un modello linguistico's L'errore, la sua "perdita", diminuisce secondo una legge di potenza regolare della potenza di calcolo utilizzata per addestrarlo. Scritto in termini semplici, è quasi deludente:
L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050L è la perdita, C è il calcolo di addestramento e C_c è una costante. L'esponente è tutto. Con α a circa 0.05, moltiplicare il calcolo per 10 riduce la perdita solo dell'11% circa, perché 10 elevato alla potenza di meno 0.05 è circa 0.89. Ogni passo di dieci volte porta a un miglioramento simile e modesto, all'infinito, finché non si esaurisce qualcos'altro. Kaplan's Il team ha trovato leggi di potenza corrispondenti per la dimensione del modello e i dati.
Due anni dopo, l'articolo di DeepMind su Chinchilla (Hoffmann e colleghi, marzo 2022) ha corretto la ricetta. A parità di budget, parametri e token di addestramento dovrebbero crescere insieme, il che si traduce in circa 20 token di dati di addestramento per parametro . Chinchilla, con 70 miliardi di parametri addestrati su 1.4 trilioni di token, ha superato un modello quattro volte più grande addestrato sulla stessa potenza di calcolo.
Ecco la parte che la maggior parte delle persone non coglie. Piccoli miglioramenti nella funzione di perdita producono grandi, a volte improvvisi, salti in ciò che un modello può effettivamente fare, perché molte funzionalità funzionano solo quando il modello azzecca quasi tutto. Una legge semplice alla base può sembrare magia in superficie.
E i parametri si moltiplicano. Se la potenza di calcolo necessaria per l'addestramento dei modelli di frontiera cresce di circa 5 volte all'anno (Epoch AI) e algoritmi migliori dimezzano la potenza di calcolo necessaria per ottenere lo stesso risultato ogni 8 mesi circa (Ho e colleghi, 2024), la potenza di calcolo effettiva del modello migliore cresce di circa 14 volte all'anno, perché 2 elevato alla potenza di 12/8 è circa 2.8 e 5 per 2.8 fa 14. Questa è l'aritmetica di Mojo, non una cifra misurata, ma spiega perché i modelli di ogni anno sembrano appartenere a una specie diversa.
Cosa indicano effettivamente i quadranti?
Tutti e quattro i quadranti continuano a girare, ma il quadrante dei dati si sta avvicinando al suo finecorsa.
Calcolare. Epoch AI Si stima che la potenza di calcolo necessaria per l'addestramento dei modelli di frontiera sia cresciuta di circa 5 volte all'anno dal 2020, mentre i costi di addestramento sono aumentati di circa 3.5 volte all'anno. Nel 2020, GPT-3 è stato addestrato con circa 3 × 10^23 operazioni; nel 2023, GPT-4 con circa 2 × 10^25 operazioni.
Epoch's La stima più alta per un'esecuzione nel 2026, OpenAI's GPT-6 Astra ha una potenza di calcolo di circa 9 × 10^26, e non è ancora stata confermata alcuna esecuzione a 10^27. Epoch ha stimato che l'addestramento di Grok 4 nel 2025 ha consumato circa 310 gigawattora di elettricità e ha avuto un costo di circa 490 milioni di dollari.
Algoritmi. Uno studio del 2024 condotto da Anson Ho e colleghi ha rilevato che la potenza di calcolo necessaria per raggiungere un livello fisso di prestazioni del modello linguistico si dimezza all'incirca ogni 8 mesi, sebbene una maggiore potenza di calcolo svolgesse comunque la maggior parte del lavoro.
Dati. Questo è il quadrante con un fermo. Epoca AI stima lo stock di pubblico testo scritto da esseri umani con circa 300 trilioni di token e prevede che saranno completamente utilizzati per l'addestramento tra il 2026 e il 2032. Ora ci troviamo all'interno di questo intervallo temporale. I laboratori si stanno rivolgendo a dati sintetici, dati con licenza, video e alle tracce di ragionamento dei modelli stessi.
Tempo di riflessione. Il nuovo parametro. Nel settembre 2024, OpenAI o1 ha dimostrato che consentire a un modello di ragionare più a lungo in fase di risposta aumenta gradualmente la precisione: in una competizione matematica del 2024 ha ottenuto un punteggio del 74% con un solo tentativo e del 93% quando è stato in grado di campionare e riordinare 1,000 tentativi, contro il 12% di GPT-4o. Uno studio del 2024 ha scoperto che un uso oculato della potenza di calcolo per l'inferenza ha permesso a un piccolo modello di batterne uno 14 volte più grande.
Riccardo Sutton's Nel saggio del 2019 "La lezione amara" avevo previsto tutto ciò: negli scacchi, nel Go, nel linguaggio naturale e nella visione artificiale, i metodi generali che utilizzano una maggiore potenza di calcolo hanno sempre avuto la meglio sulle conoscenze ingegnose acquisite manualmente. A distanza di sei anni, la lezione è ancora amara.
Cosa dice la fisica riguardo ai limiti?
Le leggi del software di cui sopra si basano sull'hardware, e l'hardware risponde alle leggi della fisica. Tre numeri inquadrano l'intero dibattito.
I chip continuano a diventare più veloci, ma non con la stessa rapidità di un tempo. La legge di Moore, secondo cui il numero di transistor raddoppia all'incirca ogni due anni, ha subito un rallentamento; Jensen Huang di Nvidia l'ha addirittura dichiarata morta nel 2022.
Eppure Nvidia's I chip per data center hanno aumentato le prestazioni a 16 bit, caratterizzate da un'elevata densità, da circa 125 trilioni di operazioni al secondo sul V100 (2017) a circa 4,000 trilioni sul Rubin (2026), ovvero circa 32 volte in nove anni, secondo le specifiche del produttore. La maggior parte del miglioramento è derivata da una progettazione specializzata e da calcoli matematici a bassa precisione, non da transistor più piccoli.
Epoch AI analisi hardware per l'apprendimento automatico ottenendo un risparmio sui costi circa doppio ogni 2.1 anni.
Il tuo cervello è incredibilmente efficiente. Secondo il National Institute of Standards and Technology (NIST) statunitense, un cervello umano consuma circa 20 watt. Una scheda grafica Nvidia H100 ne consuma circa 700. Open Philanthropy stima che la potenza di calcolo grezza del cervello umano si aggiri intorno alle 10¹⁵ operazioni al secondo, più o meno la stessa che una H100 è in grado di erogare. Il confronto è improponibile, ma la differenza di efficienza è reale e dimostra quanto margine di miglioramento ci sia ancora nell'hardware.
Esiste un limite inferiore. Il principio di Landauer, proposto nel 1961 e confermato sperimentalmente nel 2012, stabilisce l'energia minima necessaria per cancellare un bit di informazione a temperatura ambiente: circa 3 × 10⁻²¹ joule. I chip odierni utilizzano energie di molti ordini di grandezza superiori. La fisica non rappresenta ancora il limite invalicabile. Lo sono le centrali elettriche.
L'Agenzia Internazionale per l'Energia's Energia e 2025 AI Secondo un rapporto, nel 2024 i data center hanno utilizzato circa 415 terawattora di elettricità, pari a circa l'1.5% del consumo mondiale.'s in totale, e si prevede che entro il 2030 si raggiungeranno circa 945 terawattora.
Per ogni domanda, i numeri sono bassi e in calo: Google ha misurato un consumo medio di 0.24 wattora per un prompt di testo su Gemini nel maggio 2025, leggermente inferiore a quello di Epoch AI.'s Una stima di circa 0.3 wattora per una tipica query ChatGPT all'inizio di quell'anno, e Google ha segnalato una riduzione di 33 volte del consumo energetico per richiesta nell'arco di 12 mesi.
Il problema sta nel paradosso di Jevons: man mano che ogni query diventa più economica, ne poniamo miliardi in più.
L'orologio Mojo Horizon: per quanto tempo può durare? AI funziona da solo?
Nel 2019, GPT-2 ha gestito attività di circa 3 secondi. Nell'aprile 2026, METR's stima iniziale per Anthropic's L'anteprima di Claude Mythos è durata più di 16 ore.
Si tratta di un aumento di circa 21,000 volte in sette anni. Quando ho tracciato una linea di tendenza per ogni nuovo record, l'orizzonte temporale è raddoppiato circa ogni 6 mesi tra il 2019 e il 2026 e circa ogni 4.1 mesi dal 2023. L'aggiornamento di METR di gennaio 2026 ha indicato un tempo di raddoppio post-2023 di circa 4.3 mesi, quindi la nostra analisi indipendente concorda.
Estendendo la linea successiva al 2023, a puro scopo illustrativo, si arriva a una settimana lavorativa di 40 ore verso la fine del 2026 e a un mese lavorativo di 167 ore nella seconda metà del 2027.
Ora, alcune precisazioni, perché sono importanti.
- Innanzitutto, un tasso di successo del 50% non è sinonimo di affidabilità; con un tasso di successo dell'80%, gli orizzonti temporali si riducono notevolmente.
- In secondo luogo, si tratta di software autonomi e compiti di ricercaNon lavori disordinati con colleghi, clienti e oggetti fisici.
- In terzo luogo, il metro di misura stesso si sta guastando: METR afferma che le sue stime superiori alle 16 ore non sono affidabili e ha smesso di aggiornare attivamente la sua classifica nel settembre 2026.
Quando il righello si esaurisce prima che l'oggetto da misurare sia completo, questo è di per sé un segnale.
Perché i parametri di riferimento continuano a scendere?
Perché i modelli stanno migliorando e perché i benchmark sono degli obiettivi. Entrambe le affermazioni sono vere, e la seconda è il motivo per cui tratto ogni classifica con attenzione.
Il caso più eclatante è ARC-AGI-3, lanciato dalla Fondazione Premio ARC il 25 marzo 2026 come una serie di puzzle interattivi senza istruzioni, che gli esseri umani risolvono facilmente. Al lancio, il migliore AI ha ottenuto lo 0.51%. Il 3 settembre 2026, ARC Prize ha verificato OpenAI.'s GPT-6 Astra ha raggiunto il 62.7% con la sua configurazione di test standard. (Le affermazioni virali del 98%-99% provenivano da una configurazione diversa che ARC Prize non considera standard.) Un benchmark progettato per durare anni ha perso gran parte del suo margine di miglioramento in circa sei mesi.
Altrove lo schema si ripete. La codifica su SWE-bench Verified è passata dal 4.4% nel 2023 a circa il 96% nei risultati riportati dai fornitori nel 2026, il che significa che non distingue più i modelli migliori. Nel luglio 2025, Google DeepMind's Gemini Deep Think ha risolto cinque dei sei problemi delle Olimpiadi Internazionali di Matematica, ottenendo un punteggio di 35 su 42 secondo la valutazione ufficiale, un risultato degno di una medaglia d'oro.
L'obiettivo qui è Goodhart's Legge: quando una misura diventa un obiettivo, cessa di essere una buona misura. I laboratori si addestrano verso benchmark famosi; le domande dei test si insinuano nei dati di addestramento. Questo non rende i progressi falsi. Significa che le misure oneste sono quelle che sembrano un lavoro reale, come METR's orizzonti temporali, e quelli ancora difficili per le macchine e facili per le persone, come ARC-AGI-3 e l'umanità's Ultimo esame senza strumenti, dove il miglior punteggio ufficiale è stato del 38.3%.
Quindi, quanto è vicina l'AGI?
Più vicini sugli schermi che nella realtà, e più vicini di quanto la maggior parte delle persone al di fuori del settore immagini. Ma "AGI" ha significati diversi per persone diverse, ed è questo uno dei motivi per cui il dibattito gira a vuoto.
Definizioni. Il framework "Levels of AGI" di Google DeepMind (Morris e colleghi, 2023) valuta i sistemi su due assi: le loro prestazioni e la loro generalità, e classificava i chatbot dell'epoca come AGI "emergente". I responsabili dei laboratori parlano di sistemi in grado di svolgere il lavoro più redditizio dal punto di vista economico; Dario Amodei di Anthropic descrive "un paese di geni in un data center". Gli scettici la definiscono come un apprendimento dall'esperienza simile a quello umano, cosa che i modelli attuali non sono in grado di fare.
Previsioni.
I leader del laboratorio sono più aggressivi: nel gennaio 2026, Anthropic's Dario Amodei ha scritto che il potente AI Potrebbero volerci uno o due anni. Demis Hassabis ha affermato nel 2023 che potrebbe arrivare entro un decennio. Yann LeCun, che ha lasciato Meta e ha raccolto 1.03 miliardi di dollari per un nuovo laboratorio, definisce i modelli linguistici di grandi dimensioni un vicolo cieco, e Richard Sutton sostiene che imitano anziché imparare.
Le tre porte di Mojo. Invece di un unico traguardo, ne seguo tre, ognuno con un test misurabile.
| cancello | Test | Situazione attuale, novembre 2026 | Mojo's read |
|---|---|---|---|
| 1. Autonomia digitale | AI completa una settimana di lavoro reale di sviluppo software o di ricerca con elevata affidabilità | 50% orizzonte oltre le 16 ore; orizzonti affidabili molto più brevi; rottura della misurazione | Plausibile entro 1-3 anni |
| 2. Novità | Livello umano nei puzzle facili per persone e per chi non ha familiarità con le macchine (ARC-AGI-3) | Migliore verificato 62.7%; umani 100% | Chiusura rapida; possibile entro 1 o 2 anni |
| 3. Il mondo fisico | Robot che svolgono lavori fisici generici a un costo competitivo. | Risulta economicamente competitivo per circa lo 0.3% delle attività fisiche (Anthropic, settembre 2026). | Un decennio o più |
Il mio verdetto: la metà digitale dell'intelligenza artificiale generale (AGI) è una possibilità concreta prima del 2030. La metà fisica, quella che piega il bucato, ripara le caldaie e si prende cura dei malati, è molto più lontana. Moravec's Il paradosso persiste: ciò che è difficile per noi è facile per le macchine, e ciò che è facile per noi è difficile per loro. Chiunque affermi che l'intelligenza artificiale generale arriverà in una data precisa sta cercando di vendervi qualcosa.
Richiedi controllo
| Richiesta | Chi ce la fa | MY | Mojo's read |
|---|---|---|---|
| Le leggi di scala rimangono valide | AI laboratori, Epoch AI | 4 Strong | La perdita continua a diminuire con la potenza di calcolo; il quadrante dei dati è il rischio vincolante |
| AI significa “sbattere contro un muro” | Gli scettici, periodicamente | 0 Non ha retto | Gli orizzonti e i parametri di riferimento stringenti hanno continuato a crescere fino al 2026. |
| Gli orizzonti temporali dei compiti raddoppiano ogni 4-7 mesi | METR | 4 Strong | Confermato dalla nostra esperienza; intervalli di misurazione superiori a 16 ore |
| AI battere gli umani a livello delle Olimpiadi di matematica | Google DeepMind | 4 Strong | Certificazione ufficiale Gold Standard, luglio 2025 |
| L'intelligenza artificiale generale (AGI) arriverà entro il 2027. | Alcuni responsabili di laboratorio | 1 Rivendicazione | Dipende dalla definizione; la metà digitale sarà presto plausibile |
| I LLM sono un vicolo cieco | Yann LeCun | 1 Rivendicazione | Un'opinione di minoranza seria; nessun risultato finora mostra un limite invalicabile. |
| AI Il consumo energetico per query è minimo. | Google, OpenAI | 3 promettenti | Autodichiarazione, ma coerente con Epoch AI's stima indipendente |
| I dati di addestramento si esauriranno | Epoca AI | 3 promettenti | Si è aperta la finestra temporale dal 2026 al 2032; la questione aperta riguarda i dati sintetici. |
Il contro-angolo
L'obiezione più forte alla mia interpretazione è che sto confondendo un parametro di misurazione con l'oggetto in sé. Gli orizzonti temporali e i parametri di riferimento sono test elaborati dai ricercatori, e i modelli vengono sempre più addestrati per superare tali test.
Il balzo dallo 0.5% al 62.7% su ARC-AGI-3 in sei mesi potrebbe dire di più sulla rapidità con cui i laboratori riescono a ottimizzare per un bersaglio famoso che sull'intelligenza generale. L'implementazione nel mondo reale, la sperimentazione clinica in Kenya e gli studi degli sviluppatori trattati altrove in questa serie, mostrano spesso miglioramenti molto inferiori a quelli promessi dai benchmark.
Prendo la cosa sul serio, ed è per questo che i miei cancelli richiedono un funzionamento affidabile per tutta la settimana e perché il cancello fisico rimane ben lontano. Ma la tendenza è sopravvissuta a diversi cambiamenti di parametro di valutazione in sette anni. Quando ogni nuovo test fallisce più rapidamente del precedente, la spiegazione più probabile è che ciò che viene misurato stia effettivamente migliorando.
La parte umana
Mojo's Previsioni
- Una stima pubblicata da METR o da un valutatore indipendente comparabile mette un modello's 50% dell'orizzonte temporale superiore a 40 ore entro il 31 dicembre 2027. Probabilità: 60%.
- Un punteggio pari o superiore all'85% su ARC-AGI-3's La configurazione standard del test è verificata da ARC Prize entro il 31 dicembre 2027. Probabilità: 55%.
- Epoch AI Si stima che entro il 31 dicembre 2027 saranno eseguite oltre 10^27 sessioni di addestramento. Probabilità: 85%.
Tutti e tre i risultati verranno inseriti nel Mojo Forecast Ledger e saranno valutati pubblicamente.
Dove verrà discusso questo argomento in futuro
FAQ
Che cosa sono AI leggi di scala?
Sono regole empiriche che dimostrano che un modello's L'errore diminuisce in modo prevedibile, secondo una legge di potenza, quando si aggiungono risorse di calcolo, dati o parametri per l'addestramento. Kaplan e colleghi li hanno descritti nel 2020; DeepMind's La carta cincillà li ha perfezionati nel 2022.
Quanto è veloce AI in miglioramento?
A cura di METR's misura, la lunghezza della frontiera delle attività software AI Il numero di completamenti con successo del 50% è raddoppiato all'incirca ogni quattro mesi dal 2023, passando da pochi minuti nel 2023 a oltre 16 ore nel 2026.
Quando raggiungeremo l'AGI?
I ricercatori intervistati stimano una probabilità del 50% che le macchine superino gli esseri umani in ogni compito entro il 2047; alcuni responsabili di laboratorio affermano che ciò avverrà entro pochi anni. Mojo prevede che la metà digitale avverrà prima del 2030 e la metà fisica molto più tardi.
Quanta energia serve? AI usare?
Secondo le stime dell'AIE, nel 2024 i data center hanno consumato circa 415 TWh, pari a circa l'1.5% del consumo energetico globale, cifra destinata a salire a circa 945 TWh entro il 2030. Un tipico messaggio di un chatbot consuma all'incirca da 0.2 a 0.3 wattora.
Will AI Dati esauriti?
Epoch AI Si prevede che lo stock di testi pubblici scritti da esseri umani, circa 300 trilioni di token, sarà completamente utilizzato tra il 2026 e il 2032, spingendo i laboratori verso dati sintetici e con licenza.
Cos'è l'orologio Mojo Horizon?
AIMOJO's tracciatore METR's AI Misurazioni su orizzonti temporali, con la nostra analisi di tendenza, aggiornate ogni volta che vengono pubblicate nuove misurazioni.
- Kaplan et al., Leggi di scala per modelli linguistici neurali (Jan 2020)
- Hoffmann et al., Addestramento di modelli linguistici di grandi dimensioni ottimizzati per il calcolo (Chinchilla) (Marzo 2022)
- Epoch AI, tendenze nell'intelligenza artificiale (aggiornato a febbraio 2026) e Risorse di formazione Grok 4 (Settembre 2025)
- Ho et al., Progressi algoritmici nei modelli linguistici (Marzo 2024)
- Villalobos e altri, Finiremo i dati? (Giugno 2024)
- OpenAI, Imparare a ragionare con i modelli lineari di apprendimento (settembre 2024) e Snell et al., Scalatura del calcolo in fase di test (Aug 2024)
- Richard Sutton, La lezione amara (Marzo 2019)
- Pagine dei prodotti Nvidia: A100, H100, Annuncio della piattaforma Rubin (Jan 2026)
- Epoch AI, tendenze nell'hardware per l'apprendimento automatico (Nov 2023)
- NIST, Informatica ispirata al cervello (Marzo 2023)
- Open Philanthropy, quanta potenza di calcolo serve per eguagliare il cervello umano?
- landò's principio (Panoramica della proposta del 1961 e dell'esperimento del 2012)
- IEA, Energia e AI (2025), come riassunto in Impatto ambientale dell'intelligenza artificiale
- Elsworth et al., Misurazione dell'impatto ambientale di AI inferenza (Google) (agosto 2025) e Epoch AI, quanta energia consuma ChatGPT? (Feb 2025)
- Kwa et al., Misurazione AI Capacità di completare compiti lunghi (METR) (marzo 2025), METR Time Horizon 1.1 (gennaio 2026) e Pagina sugli orizzonti temporali di METR
- Premio ARC, lancio di ARC-AGI-3 (marzo 2026) e Verifica GPT-6 Astra (Settembre 2026)
- Stanford HAI, AI Indice 2025 and AI Indice 2026
- Google DeepMind, Gemini Deep Think IMO gold (Lug 2025)
- Morris et al., Livelli di AGI (Nov 2023)
- Dario Amodei, Macchine della Grazia Amorevole (ottobre 2024) e L'adolescenza della tecnologia (Jan 2026)
BONUS: Ottieni i nostri 200$ "AI "Mastery Toolkit" GRATIS se ti registri!
