Mark Chen, Chief Research Officer di OpenAI, ha affermato che l’azienda è vicina a modelli di IA capaci di condurre la propria ricerca, avvicinando sempre più la prospettiva di un’intelligenza artificiale generale.
Punti chiave:
- Chen ha sostenuto che le leggi di scaling restano valide, con il pretraining e catene di ragionamento più lunghe che continuano a spingere verso l’AGI.
- Ha detto che i modelli capaci di ricerca autosufficiente sono vicini, un cambiamento che rimodellerà il lavoro dei ricercatori umani.
- Chen ha indicato una crescente crisi di valutazione e il lifelong learning irrisolto come i maggiori ostacoli del settore.
Chen traccia il percorso verso l’AGI
Chen ha illustrato il suo pensiero in una recente intervista podcast, in cui cucinava davanti alla telecamera mentre spiegava la strategia di ricerca di OpenAI.
Ha respinto l’idea che lo scaling si sia arrestato. Questo argomento, ha detto, riemerge ogni volta che il settore incontra un nuovo collo di bottiglia.
L’azienda si trova su una curva esponenziale che tiene da quasi 10 ordini di grandezza, e poco lascia pensare che si spezzerà, ha sostenuto.
Chen ha indicato anche la scommessa di OpenAI sul ragionamento. Ha raccontato che, all’inizio, alcuni scettici interni all’azienda mettevano in dubbio il progetto o1, prima che Jakub Pachocki, Ilya Sutskever e pochi altri lo portassero avanti.
Ora si aspetta che i modelli affrontino compiti di ricerca che si estendono per settimane, producendo idee che superano i punti ciechi degli esperti umani.
La roadmap di OpenAI copre tre anni, ha indicato, e si conclude con modelli che gestiscono la ricerca end‑to‑end, dalla prima idea al risultato finale.
Da leggere anche: BitMine sfida il selloff con una scommessa su Ethereum da 43 milioni di dollari, la strategia vacilla
Perché l’idea del “vibe researcher” conta
Chen ha lanciato un termine che ha attirato l’attenzione: il vibe researcher.
In quel futuro, ha spiegato agli ascoltatori, i migliori ricercatori smettono di scrivere ogni riga di codice e invece guidano modelli che gestiscono esecuzione e pianificazione. Il lavoro umano si restringe a due compiti: porre domande pungenti e giudicare se una risposta abbia davvero gusto.
Questa visione poggia su basi fragili, e Chen non finge il contrario.
Ha avvertito di una crisi di valutazione, descrivendo team che inseguono punteggi di benchmark senza veri progressi, un’abitudine che etichetta come benchmaxxing. I test più vecchi sono ormai saturi, e quelli nuovi perdono valore quasi appena diventano pubblici.
Il lifelong learning resta il divario più difficile. Chen lo ha definito una capacità di base che il settore deve ancora sbloccare, pur riconoscendo che molti sforzi già mirano al problema.
Se quella traiettoria regge, ha suggerito Chen, la risorsa umana più scarsa si sposta dall’intelligenza grezza verso il giudizio e l’esperienza vissuta.
Chen ha già sostenuto tesi simili in passato. Intorno al lancio di GPT‑4.5 ha argomentato che il paradigma dello scaling può continuare, e ha a lungo insistito sul fatto che non ci siano prove che le leggi di scaling siano morte.
Da leggere dopo: CZ afferma che Binance era a pochi giorni dall’approvazione MiCA prima dell’intervento della politica