Lo Zhejiang amplia il programma AI-for-Science a ricerca, industria e servizi pubblici

Lo Zhejiang ha rinnovato la propria spinta per integrare l’intelligenza artificiale nella ricerca scientifica, nonostante l’ampio divario tra le ambizioni politiche e i risultati verificati. Un flash di 36Kr diffuso tramite RSSHub ha messo in evidenza il sostegno della provincia ai modelli fondazionali scientifici e alla scoperta assistita dall’IA in molteplici discipline.

L’annuncio sembra indicare una nuova svolta politica. È più corretto interpretarlo come l’ultimo segnale di un programma già articolato su diversi livelli della pianificazione provinciale. Nel 2025 lo Zhejiang ha pubblicato un piano d’azione dedicato all’IA per la scienza, rafforzando poi questa direzione attraverso l’agenda governativa del 2026.

La vera notizia, quindi, non è un’ulteriore adesione governativa all’IA. Lo Zhejiang sta cercando di trasformare la sua combinazione insolitamente densa di sviluppatori di modelli, università, laboratori, produttori e comunità open source in un’infrastruttura di ricerca condivisa.

Questa strategia crea un conflitto verificabile. I documenti programmatici promettono accesso ampio, collaborazione aperta e scoperte scientifiche più rapide. I progressi reali dipendono da un lavoro complesso sui dati di ricerca, sulla capacità di calcolo, sulla validazione scientifica, sulla sicurezza e sugli incentivi alla cooperazione tra istituzioni.

Il flash di 36Kr diffuso tramite RSSHub riflette un programma politico più ampio

L’ultimo titolo è importante perché collega l’agenda dello Zhejiang per l’ambiente imprenditoriale con un piano di attuazione già esistente per l’IA applicata alla scienza.

Il flash afferma che la leadership provinciale dello Zhejiang sostiene l’uso dell’IA nella scoperta scientifica e nell’innovazione tecnologica. Descrive inoltre un programma più ampio di “AI Plus” che comprende industria, consumi, cultura, servizi pubblici e governance sociale.

RSSHub è il canale di distribuzione associato al contenuto, mentre 36Kr è la piattaforma editoriale. Nessuna delle due organizzazioni ha creato la politica. L’attore istituzionale è il governo provinciale dello Zhejiang e il programma di riferimento va oltre un singolo aggiornamento mediatico.

La distinzione è importante per i lettori che arrivano attraverso la parola chiave principale rsshub 36kr. Il flash offre un segnale sintetico dell’evento, ma non mostra l’intera storia della politica, i suoi obiettivi né le questioni irrisolte relative all’attuazione.

Il piano d’azione scientifico dedicato dello Zhejiang è stato pubblicato nel luglio 2025 da dodici dipartimenti provinciali. Copre il periodo dal 2025 al 2027.

Il piano definisce l’IA per la scienza come l’uso dell’intelligenza artificiale per sostenere la ricerca scientifica e accelerare le scoperte. Si concentra su tre priorità provinciali: intelligenza artificiale, salute e scienze della vita, nuovi materiali ed energia.

Entro il 2027, lo Zhejiang vuole creare le basi informatiche, di dati e di modelli necessarie alla ricerca assistita dall’IA. Questi livelli sono collegati, ma ciascuno presenta problemi di attuazione differenti.

L’infrastruttura informatica fornisce la capacità di elaborazione necessaria per addestrare i modelli, eseguire simulazioni e analizzare dataset scientifici. L’infrastruttura dei dati comprende raccolta, governance, annotazione, accesso e riutilizzo tra organizzazioni.

L’infrastruttura dei modelli riguarda i modelli fondazionali scientifici. Questi sistemi vengono addestrati su informazioni specifiche di un determinato settore e adattati a compiti come la previsione molecolare, la progettazione di materiali o l’analisi della letteratura scientifica.

La provincia ha fissato diversi obiettivi misurabili per il 2027. Intende sviluppare almeno quattro modelli fondazionali scientifici e creare almeno otto scenari applicativi di riferimento.

Il piano prevede inoltre oltre venti casi rappresentativi relativi alla proprietà intellettuale dei dati scientifici. Mira a sostenere più di 1.000 aziende tecnologiche attraverso il programma più ampio.

Questi obiettivi rendono l’iniziativa più concreta di quanto suggerisca il breve flash. Offrono inoltre un modo per distinguere l’infrastruttura effettivamente completata dagli annunci promozionali.

Il rapporto di lavoro del 2026 dello Zhejiang aggiunge un ulteriore livello. Il documento sostiene lo sviluppo di modelli fondazionali scientifici presso Zhejiang Lab e di una comunità open source internazionale intorno a ModelScope.

Il rapporto chiede inoltre scenari integrati nei settori manifatturiero, dei trasporti e dei servizi pubblici. Ciò dimostra che lo Zhejiang considera i modelli scientifici parte di un sistema regionale di IA più ampio.

La provincia non parte da una mappa istituzionale vuota. Hangzhou ospita importanti realtà nello sviluppo di modelli, nel cloud computing, nell’e-commerce, nella robotica e nella ricerca.

Tuttavia, la concentrazione geografica non produce automaticamente collaborazione scientifica. Laboratori, aziende, ospedali e università spesso conservano i dati secondo regole tecniche, giuridiche e istituzionali incompatibili.

La prima sfida della politica è quindi il coordinamento. Lo Zhejiang deve trasformare organizzazioni vicine tra loro in una rete di ricerca funzionante, senza indebolire gli standard scientifici o le legittime protezioni dei dati.

La politica dello Zhejiang sull’IA mette sotto pressione l’infrastruttura di ricerca

Il piano dello Zhejiang esercita la maggiore pressione sulle istituzioni di ricerca che controllano dati preziosi ma non hanno incentivi sufficienti a renderli riutilizzabili.

L’IA scientifica dipende da molto più dei modelli linguistici generalisti. I ricercatori hanno bisogno di dataset di alta qualità, strumenti specializzati, esperimenti riproducibili ed esperti di settore capaci di riconoscere risultati plausibili ma errati.

Un modello per i materiali non può produrre scoperte utili a partire da misurazioni incoerenti e prive delle condizioni sperimentali. Un modello biomedico non può combinare in modo sicuro dati ospedalieri senza controlli chiari su privacy, consenso e accesso.

Gli obiettivi della provincia in materia di dati riconoscono una parte del problema. Tuttavia, il conteggio dei casi di proprietà intellettuale legati ai dati non mostra se gli scienziati possano effettivamente individuare, comprendere e riutilizzare le informazioni sottostanti.

I dati di ricerca spesso arrivano in formati progettati per un singolo laboratorio o strumento. I metadati possono essere incompleti, la terminologia può variare e i risultati sperimentali negativi potrebbero non entrare mai nei repository condivisi.

Questi limiti incidono sulla qualità dei modelli. Un modello fondazionale scientifico può riprodurre lacune e distorsioni presenti nel materiale di addestramento, anche quando il suo output appare tecnicamente sofisticato.

Il problema aumenta quando le istituzioni considerano i dati un asset strategico. Le università vogliono ottenere riconoscimento attraverso le pubblicazioni, le aziende proteggono i segreti commerciali, gli ospedali tutelano le informazioni sui pazienti e i laboratori competono per i finanziamenti.

La strategia open source dello Zhejiang cerca di ridurre alcune di queste barriere. I modelli aperti possono diminuire la dipendenza da un singolo fornitore e consentire ai ricercatori di esaminare o modificare parti del sistema.

L’accesso aperto non elimina i costi. I ricercatori hanno ancora bisogno di risorse di calcolo, ingegneria dei dati, valutazione specialistica, sicurezza informatica e personale in grado di mantenere i modelli dopo la conclusione di un progetto pilota.

Anche le piccole aziende affrontano la stessa tensione. L’accesso ai pesi dei modelli può ridurre le barriere software, ma l’esecuzione di un sistema specializzato può comunque richiedere hardware costoso e competenze scientifiche rare.

La provincia ha già collegato lo sviluppo dell’IA alle comunità open source e a meccanismi di sostegno. I programmi locali hanno incluso voucher per il calcolo e sussidi per i token destinati ad alcuni sviluppatori.

Misure di questo tipo possono aiutare i team ad avviare gli esperimenti. Non garantiscono però che un prototipo superi le fasi di approvvigionamento, revisione normativa, integrazione o validazione indipendente.

La pressione raggiungerà anche gli enti finanziatori della ricerca. Dovranno decidere se sostenere nuove piattaforme di IA, singoli progetti scientifici, dataset condivisi o attività di replica.

Finanziare modelli visibili può produrre annunci rapidi. Finanziare la pulizia dei dati, la progettazione di benchmark e la documentazione degli esperimenti falliti genera meno pubblicità, ma spesso crea un valore di ricerca più duraturo.

Anche le università devono adeguare i propri incentivi. I ricercatori vengono normalmente premiati per articoli, brevetti, finanziamenti e citazioni, non per la gestione di dataset o la valutazione del modello di un altro team.

Una politica efficace dello Zhejiang sull’IA deve affrontare questo disallineamento. Altrimenti, le istituzioni annunceranno collaborazioni continuando a mantenere comportamenti che impediscono una condivisione significativa.

Gli sviluppatori dovrebbero verificare se la provincia pubblicherà interfacce tecniche, regole di licenza, dataset per i benchmark e protocolli di valutazione. Saranno questi dettagli a determinare la possibilità per i team esterni di partecipare.

Gli acquirenti aziendali dovrebbero cercare prove del funzionamento dei modelli tra istituzioni diverse. Le prestazioni all’interno di un singolo laboratorio dicono poco sull’affidabilità in presenza di strumenti, popolazioni o condizioni operative differenti.

I lavoratori della conoscenza dovrebbero prestare attenzione perché lo stesso problema infrastrutturale compare nelle organizzazioni ordinarie. L’IA diventa più utile quando le informazioni sono strutturate, tracciabili, aggiornate e collegate al contesto originario.

La pressione, quindi, non riguarda soltanto gli scienziati. Lo Zhejiang sta verificando se una politica regionale possa coordinare il lavoro informativo poco appariscente ma indispensabile per creare sistemi di IA utili.

I modelli fondazionali scientifici hanno bisogno di qualcosa in più dell’accesso aperto

Il compromesso centrale è chiaro: lo Zhejiang vuole un accesso ampio ai modelli, ma l’affidabilità scientifica richiede controlli più rigorosi rispetto alla distribuzione di un normale chatbot.

I modelli fondazionali scientifici apprendono schemi da grandi raccolte di dati di ricerca. Possono quindi supportare attività specializzate attraverso l’adattamento, l’uso di strumenti o il collegamento a sistemi sperimentali.

Nella ricerca sui materiali, un modello potrebbe classificare i composti candidati prima della sintesi in laboratorio. In medicina, potrebbe organizzare la letteratura o individuare schemi da sottoporre a ulteriori valutazioni cliniche.

Nella ricerca energetica, i modelli possono contribuire alla previsione, alla simulazione e all’ottimizzazione dei sistemi. Nelle scienze della Terra, possono elaborare osservazioni che supererebbero le capacità dell’analisi manuale.

Questi impieghi possono ridurre i costi della ricerca e aiutare gli studiosi a dare priorità agli esperimenti. Non trasformano però l’output del modello in una prova scientifica.

Una previsione diventa utile solo dopo un’adeguata validazione. A seconda del settore, ciò può richiedere esperimenti controllati, dataset esterni, misurazioni fisiche, revisione tra pari o sperimentazioni cliniche prospettiche.

Questo crea una tensione diretta con la diffusione rapida. I programmi politici spesso premiano il numero di modelli, progetti pilota, utenti o aziende partecipanti.

La scienza premia invece le prove che resistono ai tentativi di falsificazione. Un modello ampiamente distribuito può comunque essere scientificamente debole se i team non ne verificano le ipotesi e le modalità di fallimento.

L’accesso open source può migliorare il controllo perché un numero maggiore di ricercatori può esaminare i componenti e riprodurre i risultati. Può anche diffondere sistemi prima che esistano garanzie e documentazione adeguate.

Il confronto corretto non è tra aperto e chiuso considerati isolatamente. È tra un’infrastruttura trasparente e verificabile e sistemi i cui limiti restano poco chiari.

Lo Zhejiang ha ragioni pratiche per favorire l’apertura. La provincia comprende grandi aziende tecnologiche, piccoli produttori, università e sviluppatori indipendenti con livelli diversi di capacità tecnica.

Un livello comune di modelli e strumenti può ridurre il lavoro duplicato. Componenti condivisi possono inoltre aiutare le organizzazioni più piccole ad adattare i sistemi di ricerca senza dover addestrare tutto da zero.

Tuttavia, la provincia deve definire cosa comprende il termine “aperto”. Pesi dei modelli, codice di addestramento, documentazione dei dataset, risultati delle valutazioni, licenze e rapporti sulla sicurezza forniscono forme di accesso differenti.

Pubblicare i pesi senza documentazione sui dati di addestramento limita l’interpretabilità scientifica. Pubblicare un benchmark senza casi di fallimento rappresentativi può creare una fiducia fuorviante.

Esiste anche un rischio di ottimizzazione delle metriche. I team potrebbero adattare i sistemi per ottenere buoni risultati nelle valutazioni pubbliche senza migliorarne l’affidabilità in contesti di ricerca non familiari.

La valutazione indipendente diventa quindi essenziale. I progettisti dei test dovrebbero essere separati, sul piano organizzativo, dagli sviluppatori dei modelli quando i risultati influenzano finanziamenti, approvvigionamenti o dichiarazioni pubbliche.

Ricerche recenti confermano questa cautela. Un benchmark sulla sicurezza di laboratorio ha valutato diciannove modelli avanzati linguistici e linguistico-visivi in diversi compiti di sicurezza scientifica.

Nessuno dei modelli valutati ha superato il 70% di accuratezza nell’identificazione dei pericoli. Lo studio comprendeva 765 domande a scelta multipla, 404 scenari realistici e 3.128 attività a risposta aperta.

Questi risultati non invalidano la ricerca assistita dall’IA. Dimostrano perché un modello fluente non dovrebbe controllare procedure di laboratorio con conseguenze rilevanti senza la supervisione di esperti e misure di sicurezza specializzate.

Una separata analisi dei rischi descrive le vulnerabilità relative a modelli, pianificazione, strumenti, azioni e memoria. Tali rischi diventano più gravi quando i sistemi di IA possono influenzare esperimenti fisici.

Gli errori fattuali possono indirizzare i ricercatori verso ipotesi non valide. I malfunzionamenti degli strumenti possono compromettere l’analisi, mentre agenti scarsamente controllati possono compiere azioni oltre l’ambito previsto.

I dati scientifici sensibili costituiscono un’ulteriore fonte di esposizione. Cartelle cliniche biomediche, processi chimici proprietari e scoperte non pubblicate possono fuoriuscire a causa di controlli degli accessi deboli o delle interazioni con i modelli.

Il piano dello Zhejiang richiede pertanto un modello di governance multilivello. L’assistenza bibliografica a basso rischio non dovrebbe essere soggetta agli stessi controlli della sperimentazione chimica o biologica autonoma.

La revisione umana deve restare significativa. Uno scienziato che si limita ad approvare una raccomandazione opaca senza avere il tempo o le evidenze necessari per valutarla non garantisce una supervisione efficace.

La tracciabilità è altrettanto importante. I ricercatori dovrebbero poter identificare quali dati, versione del modello, prompt, strumenti e trasformazioni hanno prodotto un risultato.

Senza questa documentazione, i team non possono riprodurre i risultati né indagare sui malfunzionamenti. L’IA scientifica diventa così un generatore di output anziché uno strumento di ricerca affidabile.

Il linguaggio della politica provinciale sostiene la scoperta scientifica, ma non dovrebbe essere interpretato come una prova che i foundation model scientifici stiano già scoprendo conoscenze validate.

I modelli sono candidati a diventare infrastrutture. Il loro valore dipenderà dagli standard di valutazione, dalla qualità della documentazione, dall’integrazione con gli esperimenti e dalla disponibilità a pubblicare risultati negativi.

La promessa di scoperte più rapide incontra un’agenda di ricerca più ristretta

L’IA può aumentare la produzione scientifica concentrando al contempo, e silenziosamente, l’attenzione sulle domande che i dati esistenti rendono più facili da studiare.

Questo è il rischio più importante che manca in un semplice riepilogo di rsshub 36kr. Una ricerca più rapida non produce automaticamente una scienza più ampia o originale.

I sistemi di IA funzionano meglio dove i dati di addestramento sono abbondanti, digitalizzati e compatibili. Ciò può indirizzare le risorse verso campi consolidati con risultati facilmente misurabili.

I problemi che riguardano condizioni rare, materiali insoliti, archivi incompleti o costosi esperimenti fisici potrebbero ricevere meno attenzione. I loro dati forniscono segnali più deboli ai modelli attuali.

I ricercatori possono inoltre convergere su strumenti e dataset simili. Quando molti team utilizzano lo stesso foundation model, le sue assunzioni possono influenzare quali ipotesi sembrano promettenti.

Uno studio di Nature del 2026 ha esaminato la ricerca potenziata dall’IA in un’ampia raccolta di articoli di scienze naturali. Ha rilevato un aumento dell’impatto scientifico insieme a una contrazione del focus della ricerca.

La lezione non è che gli scienziati debbano evitare l’IA. È che le metriche di produttività possono nascondere un calo della varietà delle domande esplorate.

Gli obiettivi dello Zhejiang sottolineano modelli, scenari applicativi, casi d’uso dei dati e aziende servite. Questi indicatori misurano l’attività, ma non misurano pienamente l’originalità scientifica.

La provincia dovrebbe inoltre verificare se i sistemi finanziati producono ipotesi innovative, repliche indipendenti, risultati negativi utili e scoperte in campi poco rappresentati.

La diversità scientifica richiede più di output diversificati dei modelli. Richiede che istituzioni, metodi, dataset e tradizioni intellettuali differenti conservino spazio per il dissenso.

La questione è direttamente collegata ai finanziamenti. Se le sovvenzioni favoriscono i progetti con risultati generati rapidamente dall’IA, i ricercatori potrebbero evitare domande più lente, basate su dataset incerti.

Gli approvvigionamenti possono creare una pressione simile. Le istituzioni potrebbero standardizzarsi su un unico modello perché l’integrazione è più semplice, anche quando approcci alternativi migliorerebbero la resilienza scientifica.

I sistemi open source possono ridurre la concentrazione dei fornitori. Tuttavia, un ecosistema nominalmente aperto può comunque concentrarsi attorno a un modello dominante, a una piattaforma cloud o a un benchmark.

La stessa base tecnologica dello Zhejiang rende questa preoccupazione particolarmente rilevante. DeepSeek e Qwen forniscono alla regione asset riconoscibili nel campo dei modelli, mentre ModelScope offre un canale di distribuzione e collaborazione.

Questi punti di forza possono accelerare l’adozione. Possono anche rendere le istituzioni locali meno propense a testare architetture o metodi di ricerca radicalmente diversi.

La risposta appropriata non è una frammentazione artificiale. La provincia dovrebbe sostenere l’interoperabilità, benchmark indipendenti e sovvenzioni che mettano a confronto più approcci tecnici.

La valutazione dovrebbe inoltre includere esperti di settore che non siano sviluppatori di modelli. Un modello può ottenere buoni risultati tecnici producendo però output che gli scienziati giudicano banali, pericolosi o impossibili da validare.

I legami con il settore manifatturiero offrono una strada per test più solidi. La base industriale dello Zhejiang crea contesti reali per la ricerca su materiali, processi, energia e controllo qualità.

Per esempio, nel marzo 2026 la provincia ha istituito un’alleanza per l’IA e i nuovi materiali. Tra gli obiettivi dichiarati figurano un database provinciale sui materiali e almeno tre modelli di progettazione.

L’alleanza prevede inoltre di sostenere almeno venti progetti di ricerca e commercializzazione. Questi progetti possono verificare se i modelli condivisi superano la fase dimostrativa e arrivano a un lavoro industriale ripetibile.

La commercializzazione non equivale al successo scientifico. Tuttavia, gli ambienti operativi fanno emergere problemi legati a dati incoerenti, variazioni delle apparecchiature, latenza, manutenzione e adozione da parte degli utenti.

Le prove migliori combineranno metriche scientifiche e operative. Un modello utile per i materiali dovrebbe migliorare la selezione dei candidati, mantenere la tracciabilità e funzionare in strutture diverse.

La replica indipendente è importante anche in questo caso. I risultati riportati da uno sviluppatore di modelli o da un’azienda partecipante dovrebbero essere considerati affermazioni da verificare finché altri team non li riproducono.

Lo stesso standard vale per i progetti pilota sostenuti dal governo. Il sostegno ufficiale può fornire risorse e coordinamento, ma non può sostituire la verifica scientifica.

Esiste inoltre una competizione regionale più ampia. Shanghai, Jiangsu, Guangdong e altre giurisdizioni cinesi stanno sviluppando i propri programmi e piattaforme applicative di IA per la scienza.

Questa competizione può generare più sperimentazione. Può anche premiare obiettivi d’impatto e infrastrutture duplicate anziché standard compatibili e prove condivise.

Il vantaggio dello Zhejiang non deriverà dall’annuncio di un altro modello. Deriverà dalla capacità di dimostrare che istituti di ricerca e aziende possono riutilizzare sistemi validati oltre i confini organizzativi.

Questo risultato resta incerto. I documenti attuali definiscono direzione, scadenze e obiettivi numerici, ma offrono poche prove pubbliche sulle prestazioni tra istituzioni diverse.

I lettori dovrebbero quindi distinguere tre fasi: impegno politico, implementazione operativa e contributo scientifico validato. Lo Zhejiang ha chiaramente raggiunto la prima e sta avanzando nella seconda.

La terza fase richiede prove pubblicate. In loro assenza, il numero di modelli e gli annunci di progetti pilota restano indicatori di attività, non prove di scoperta.

Cosa osservare dopo il titolo di RSSHub 36Kr

Tre segnali mostreranno se lo Zhejiang sta costruendo un’infrastruttura scientifica o assemblando una raccolta di progetti pilota di IA destinati a durare poco.

Il primo segnale è costituito dalle prove tecniche pubbliche relative ai foundation model scientifici della provincia. L’obiettivo dello Zhejiang per il 2027, pari ad almeno quattro modelli, fissa una scadenza chiara.

Occorre cercare model card dettagliate, descrizioni dei dataset, licenze, metodi di valutazione, casi di errore e repliche indipendenti. Un annuncio privo di questi materiali offre pochi elementi per una valutazione scientifica.

Le prove provenienti da più istituzioni rafforzerebbero il caso a favore della politica. Prestazioni elevate riportate soltanto dallo sviluppatore lascerebbero irrisolto il problema centrale della verifica.

Il secondo segnale è capire se gli otto scenari applicativi di benchmark previsti sopravvivranno oltre le dimostrazioni finanziate. I casi più solidi collegheranno i modelli a esperimenti reali o a sistemi operativi.

Occorre osservare l’uso ripetuto, i miglioramenti misurati nella ricerca e l’adozione al di fuori del team di progetto originario. Un progetto pilota che termina con il finanziamento indebolirebbe le affermazioni sull’infrastruttura condivisa.

La ricerca sui materiali è un primo test utile. Lo Zhejiang dispone già di domanda industriale, organizzazioni di ricerca, sviluppatori di modelli e una nuova alleanza destinata a coordinare dati e commercializzazione.

Le scienze della vita offriranno un test più rigoroso, perché privacy, sicurezza ed evidenze cliniche aumentano il costo degli errori. I progressi in questo ambito dovrebbero essere giudicati con maggiore cautela.

Il terzo segnale è capire se lo Zhejiang pubblicherà regole operative per l’accesso ai dati e l’attribuzione. I venti casi di proprietà intellettuale relativi ai dati previsti dal piano d’azione offrono un punto di partenza.

Regole utili devono spiegare chi può accedere ai dataset scientifici, a quali condizioni e con quali controlli di audit. Dovrebbero inoltre definire il riconoscimento e la remunerazione dei contributori dei dati.

Se le istituzioni possono contribuire con informazioni senza perdere il riconoscimento o legittimi diritti commerciali, il livello dei dati può espandersi. Se le regole restano vaghe, i dataset di valore resteranno isolati.

Questi segnali dovrebbero essere letti insieme. I modelli non possono migliorare senza dati accessibili, e gli scenari applicativi non possono scalare senza modelli affidabili.

Il titolo di rsshub 36kr è quindi un avvertimento utile, non la prova definitiva. Indirizza i lettori verso un esperimento provinciale dall’ampiezza istituzionale insolitamente vasta.

Per gli sviluppatori, la domanda immediata è se lo Zhejiang rilascerà componenti che soggetti esterni possano testare e ampliare. L’accesso dovrebbe includere la documentazione, non soltanto file scaricabili.

Per gli acquirenti aziendali, la questione chiave è la portabilità. Un sistema che funziona solo all’interno di una dimostrazione sovvenzionata crea rischi di integrazione anziché capacità riutilizzabile.

Per i ricercatori, la questione decisiva è il valore scientifico. Revisioni bibliografiche o classifiche di candidati più rapide sono importanti, ma non sostituiscono ipotesi originali e risultati validati.

Per i knowledge worker, l’esperimento dello Zhejiang offre una lezione più ampia. Le prestazioni dell’IA dipendono dalla qualità, dalla provenienza, dalle autorizzazioni e dalla struttura delle conoscenze che circondano un modello.

La provincia ha fissato obiettivi numerici e collegato l’IA alla propria agenda per l’innovazione. Ora deve fornire prove trasparenti che tali obiettivi producano una capacità di ricerca affidabile.

Lo Zhejiang pubblicherà dati di valutazione sufficienti perché ricercatori esterni possano verificare le sue affermazioni, oppure i progressi resteranno visibili soprattutto attraverso il numero di modelli e gli aggiornamenti delle politiche? È questa la domanda da seguire oltre il prossimo flash di RSSHub 36Kr.