Il piano di distillazione dell’IA di Garry Tan sfida il controllo dei laboratori di frontiera

Garry Tan ha proposto un netto cambiamento nel modo in cui gli Stati Uniti gestiscono la distillazione dell’IA, nonostante i laboratori di frontiera cerchino di limitarne la pratica. Il CEO di Y Combinator vuole che i più piccoli sviluppatori statunitensi di modelli open-weight apprendano dai principali modelli americani e rilascino più alternative nazionali. La sua posizione mette in discussione l’idea che le aziende di frontiera debbano controllare il modo in cui i clienti riutilizzano gli output dei modelli.

La proposta di distillazione dell’IA di Garry Tan è arrivata durante una crescente disputa sugli sviluppatori cinesi di IA. Anthropic afferma che DeepSeek, Moonshot AI e MiniMax hanno condotto campagne coordinate per estrarre capacità da Claude. La risposta di Tan non è vietare la tecnica di addestramento. Vuole che gli sviluppatori americani la utilizzino in un sistema nazionale.

Ciò ribalta il consueto argomento della sicurezza nazionale. OpenAI e Anthropic hanno descritto la distillazione non autorizzata come una scorciatoia che trasferisce capacità americane a concorrenti stranieri. Tan sostiene che le restrizioni potrebbero lasciare gli utenti americani dipendenti o da servizi statunitensi chiusi o da modelli cinesi open-weight. La disputa riguarda quindi più della semplice copia. Riguarda chi possa trasformare l’intelligenza di frontiera in un prodotto indipendente.

La distillazione dell’IA di Garry Tan creerebbe un’alternativa nazionale

Tan vuole che gli Stati Uniti rispondano alla concorrenza estera open-weight producendo più modelli americani open-weight, non limitandosi a bloccare gli sviluppatori stranieri.

La distillazione dei modelli addestra un sistema utilizzando risposte generate da un altro sistema più capace. Il sistema più grande agisce da insegnante, mentre un modello studente più piccolo apprende dai suoi output. Gli sviluppatori possono usare tali risposte come esempi di addestramento, materiale di valutazione o feedback per l’apprendimento per rinforzo.

La distillazione in sé non è né insolita né automaticamente abusiva. Le aziende di IA usano regolarmente i propri modelli di grandi dimensioni per addestrare prodotti più piccoli. Il conflitto inizia quando un’azienda interroga sistematicamente il servizio di un’altra senza autorizzazione, per poi usare le risposte nello sviluppo di un modello concorrente.

Tan ha tracciato una linea tra la tecnica e l’accesso ingannevole. Non sta chiedendo alle startup americane di rubare credenziali, nascondere reti coordinate di account o aggirare protezioni tecniche. Sta mettendo in discussione se i fornitori di modelli di frontiera debbano poter vietare l’addestramento competitivo attraverso i loro contratti di servizio.

In commenti riportati l’11 settembre 2026, Tan ha sostenuto quello che ha definito un “regime americano di distillazione”. I laboratori statunitensi più piccoli otterrebbero accesso legittimo ai sistemi di frontiera americani e userebbero i loro output per addestrare alternative open-weight. Open-weight significa che i parametri addestrati sono disponibili per essere scaricati ed eseguiti da altri, anche quando il dataset completo rimane privato.

L’argomento di Tan combina la politica della concorrenza con una tesi sulla proprietà della conoscenza. I modelli di frontiera hanno appreso da libri, software, siti web pubblici, discussioni e altro lavoro umano. Egli vede quindi una contraddizione quando i loro sviluppatori rivendicano un’ampia libertà di apprendere da materiale pubblico, ma limitano strettamente l’apprendimento a valle dagli output dei modelli.

“Controllare ciò che utenti e clienti fanno con le chiamate API a modelli a pesi chiusi sembra limitante”, ha dichiarato Tan a TechCrunch. Ha descritto l’accesso a un’intelligenza addestrata su dati pubblici come qualcosa di più vicino a un bene pubblico che a qualcosa bloccato dietro termini restrittivi.

La sua posizione non nega che la ricerca di frontiera richieda capitali. Tan ha affermato che le aziende che spingono in avanti le capacità dei modelli hanno bisogno di attività sostenibili. Ha inoltre sostenuto che i sistemi open-weight dovrebbero preservare la libertà e l’accesso degli utenti.

Questo equilibrio è al centro della sua proposta. Un quadro nazionale di distillazione dovrebbe remunerare il fornitore del modello insegnante, garantendo al contempo ai piccoli sviluppatori diritti di riutilizzo significativi. Senza tali diritti, l’accesso potrebbe trasformarsi in un normale programma di licenze che protegge gli operatori consolidati senza produrre concorrenti indipendenti.

Tan non ha fornito una struttura legale dettagliata, un protocollo tecnico o una formula di compensazione. Ha invece contestato il presupposto alla base delle attuali restrizioni. La sua proposta chiede se l’addestramento competitivo dei modelli debba essere trattato come estrazione vietata o come un modo normale per diffondere le capacità dell’IA.

Questa distinzione conta perché un programma di distillazione approvato apparirebbe molto diverso da un attacco. Potrebbe utilizzare partecipanti identificati, accesso negoziato, dataset documentati, requisiti di sicurezza e obblighi di valutazione. Tali condizioni preserverebbero la responsabilità verificabile, testando al tempo stesso se gli sviluppatori nazionali open-weight possano ridurre il divario di capacità.

Il cambiamento immediato è quindi politico piuttosto che tecnico. Un importante investitore in startup ha incoraggiato apertamente i laboratori americani ad adottare una pratica che i principali fornitori di modelli stanno cercando di limitare. Il suo intervento offre ai sostenitori dell’open-weight una risposta diretta all’affermazione secondo cui i controlli sulla distillazione siano necessari per la leadership degli Stati Uniti.

Perché i laboratori americani open-weight sono sotto pressione

Gli sviluppatori americani open-weight affrontano una crescente stretta strategica tra API nazionali chiuse e modelli capaci rilasciati da aziende cinesi.

Una startup che si basa su un modello chiuso riceve un accesso comodo, ma non controlla i pesi sottostanti. Il fornitore può rivedere il comportamento del modello, modificare le politiche di accesso, introdurre nuove restrizioni o ritirare una versione. La startup deve accettare queste dipendenze competendo in mercati dove il comportamento del modello plasma direttamente il suo prodotto.

I modelli open-weight offrono una struttura operativa diversa. Gli sviluppatori possono distribuirli nella propria infrastruttura privata, ottimizzarli per compiti specifici e valutare versioni determinate prima di un aggiornamento. Possono anche verificare in che modo le modifiche influenzano un prodotto senza attendere un fornitore esterno di API.

Questi vantaggi contano per le aziende che gestiscono documenti sensibili, flussi di lavoro regolamentati o software proprietario. Un team può mantenere il proprio ambiente di inferenza più vicino ai propri dati e conservare una versione di modello scelta. Ha comunque bisogno di solide misure di sicurezza, valutazione e governance, ma acquisisce il controllo sulla distribuzione.

Il problema è che addestrare un modello di frontiera da zero richiede vaste risorse computazionali, ricercatori specializzati e grandi dataset. I laboratori statunitensi più piccoli non possono semplicemente replicare ogni investimento effettuato da OpenAI, Anthropic, Google o Meta. La distillazione offre un percorso più breve verso capacità selezionate senza ricreare l’intero processo di addestramento dell’insegnante.

Gli sviluppatori cinesi di modelli open-weight hanno aumentato la pressione. DeepSeek, Moonshot, Alibaba e altri laboratori hanno rilasciato modelli che gli sviluppatori possono scaricare, adattare o utilizzare tramite servizi economici. Qualunque siano stati i metodi impiegati per produrre ciascun modello, la loro disponibilità offre ai costruttori americani alternative che il mercato nazionale non ha fornito con continuità.

Questo crea una contraddizione politica. I funzionari statunitensi vogliono limitare la dipendenza dalla tecnologia cinese, ma controlli rigorosi sulla distillazione nazionale possono ridurre il numero di alternative americane. Bloccare un percorso di trasferimento delle capacità non fornisce automaticamente ai laboratori statunitensi più piccoli le risorse necessarie per addestrare sistemi competitivi in modo indipendente.

La proposta di Tan punta a quel divario. Se le startup americane possono apprendere dai modelli nazionali di frontiera attraverso un processo approvato, possono produrre modelli governati da entità statunitensi e utilizzati nell’infrastruttura americana. Il risultato non garantirebbe la parità tecnica, ma potrebbe ampliare la base di fornitori disponibili.

La pressione raggiunge anche gli acquirenti aziendali. Le organizzazioni raramente vogliono che l’intero flusso di lavoro basato sull’IA sia legato a un unico fornitore. I team di approvvigionamento valutano disponibilità, gestione dei dati, stabilità del modello, latenza, costi di migrazione e capacità di operare durante interruzioni del servizio.

Un mercato open-weight diversificato offre a questi acquirenti un’altra opzione. Possono usare un’API di frontiera per il lavoro più impegnativo, assegnando al contempo compiti ripetibili a modelli controllati localmente. La distillazione può aiutare ad addestrare questi sistemi più piccoli attorno a capacità specifiche, sebbene le prestazioni debbano essere misurate sul carico di lavoro reale dell’acquirente.

Questo è particolarmente rilevante quando le aziende costruiscono sistemi di conoscenza duraturi. Una base di conoscenza ricercabile può sopravvivere a qualsiasi singolo contratto per un modello. Mantenere l’architettura delle informazioni separata da un singolo fornitore rende più gestibili i futuri cambiamenti dei modelli.

Gli sviluppatori devono inoltre distinguere tra proprietà del modello e qualità dell’applicazione. I pesi aperti non garantiscono automaticamente risposte affidabili, un buon retrieval o una distribuzione sicura. Offrono soltanto ai costruttori un controllo più diretto sull’artefatto del modello. Il prodotto circostante determina comunque se quel controllo generi valore pratico.

Il punto più forte di Tan non è quindi che ogni startup abbia bisogno di un modello open-weight. È che gli sviluppatori americani hanno bisogno di un’opzione credibile al di fuori di pochi fornitori chiusi. Senza di essa, gli Stati Uniti potrebbero guidare la ricerca di frontiera offrendo al tempo stesso una scelta nazionale limitata alle aziende che richiedono il controllo del modello.

I laboratori di frontiera vedono la distillazione come una minaccia di estrazione

OpenAI e Anthropic considerano la distillazione competitiva un problema economico e di sicurezza, perché può trasferire capacità preziose senza trasferire costi di sviluppo o garanzie.

Anthropic ha tracciato il confine più netto nel febbraio 2026. L’azienda ha affermato di aver identificato campagne coordinate di DeepSeek, Moonshot e MiniMax che hanno generato oltre 16 milioni di interazioni con Claude tramite circa 24.000 account fraudolenti.

Secondo le conclusioni di Anthropic sulla distillazione, le campagne hanno utilizzato servizi proxy e account coordinati per evitare il rilevamento. I prompt si sono concentrati su aree quali coding, utilizzo di strumenti, ragionamento agentico e valutazione dei modelli. Anthropic ha attribuito le campagne utilizzando dati di rete, metadati delle richieste, schemi infrastrutturali e informazioni provenienti da partner del settore.

Queste cifre restano conclusioni di Anthropic e non una verifica pubblica indipendente. I dataset di addestramento esatti delle aziende nominate non sono completamente disponibili per l’esame da parte di soggetti esterni. Tuttavia, il comportamento degli account descritto da Anthropic va oltre la normale sperimentazione dei clienti.

Anthropic opera inoltre una distinzione importante che talvolta scompare dal dibattito politico. Definisce la distillazione un metodo di addestramento legittimo e ampiamente utilizzato. La sua obiezione riguarda i concorrenti che acquisiscono capacità tramite accesso ingannevole, frode sugli account, elusione delle restrizioni regionali o altre condotte proibite.

L’azienda afferma che una rete proxy ha gestito più di 20.000 account fraudolenti nello stesso momento. Sistemi di questo tipo possono distribuire le richieste tra più servizi e sostituire gli account dopo che i fornitori li bloccano. Ciò rende l’attribuzione e l’applicazione delle regole più difficili rispetto al rilevamento di un singolo cliente che effettua un numero insolitamente elevato di chiamate.

La posizione contrattuale di OpenAI è altrettanto restrittiva. Il suo attuale contratto di servizio in genere impedisce ai clienti di utilizzare gli output per sviluppare modelli di IA concorrenti, salvo gli utilizzi consentiti definiti. Vieta inoltre gli attacchi di estrazione dei modelli e i tentativi di aggirare le protezioni di accesso.

Questi contratti offrono ai provider di frontiera uno strumento di applicazione diretta nei confronti dei clienti. Un’azienda può sospendere gli account o revocare l’accesso alle API senza dover prima dimostrare in tribunale una violazione del copyright. Questo è importante perché lo status giuridico più ampio dell’apprendimento dagli output dei modelli resta irrisolto.

La preoccupazione economica è semplice. I laboratori di frontiera investono in ricerca, infrastrutture di calcolo, preparazione dei dati, test di sicurezza e operazioni di prodotto. Se un concorrente può interrogare il servizio finito e trasferirne i comportamenti più preziosi in un altro modello, evita gran parte di quella spesa iniziale.

L’argomento della sicurezza va oltre la perdita commerciale. Anthropic afferma che un modello distillato potrebbe riprodurre capacità senza conservarne le salvaguardie del modello insegnante. Se i suoi pesi vengono poi rilasciati, il provider originale non può ritirare il modello, monitorarne gli utenti o correggere ogni copia distribuita.

Nella sua successiva posizione sui modelli open-weight, Anthropic ha sostenuto che la distillazione potrebbe portare le capacità di frontiera cinesi a pochi mesi di distanza dai sistemi statunitensi. Ha chiesto interventi contro l’estrazione su scala industriale, respingendo al contempo un divieto generalizzato dei modelli open-weight.

Questa distinzione avvicina Anthropic a Tan, su una questione, più di quanto suggerisca la loro retorica. Entrambi accettano un ruolo per l’AI open-weight. Entrambi riconoscono inoltre usi legittimi della distillazione. Il loro disaccordo riguarda chi debba autorizzare l’addestramento tra aziende diverse e quanto controllo debba mantenere il provider originario.

Tan parte dal rischio di un potere privato concentrato. Anthropic parte dai rischi del furto di capacità e della distribuzione irreversibile. Ciascuna parte considera quindi un attore diverso come la minaccia principale.

Per Tan, restrizioni eccessive proteggono gli operatori già affermati e riducono la concorrenza americana nell’open-weight. Per i provider di frontiera, un accesso permissivo consente ai rivali di appropriarsi di capacità costose e rimuovere i controlli di sicurezza. Un regime nazionale praticabile dovrebbe affrontare entrambe le preoccupazioni, anziché dichiararne una immaginaria.

L’argomento del bene pubblico si scontra con contratti e sicurezza

La domanda più difficile non è se la distillazione funzioni, ma se gli Stati Uniti possano autorizzarla senza normalizzare l’estrazione ingannevole o indebolire gli incentivi a finanziare la ricerca di frontiera.

L’argomento di Tan sul bene pubblico ha una forza intuitiva perché l’AI di frontiera non è emersa da conoscenze aziendali isolate. Gli sviluppatori di modelli hanno addestrato sistemi su enormi raccolte di espressione umana. Autori, programmatori, ricercatori, educatori e comunità online hanno creato gran parte del materiale che ha reso utili i moderni modelli linguistici.

Questa storia complica le affermazioni secondo cui le informazioni generate dai modelli meritino un controllo assoluto a valle. Editori e creatori hanno già contestato le aziende di AI per l’addestramento senza consenso. Tan applica un analogo argomento di equità alle aziende che ora desiderano una protezione contrattuale contro altri modelli che apprendono attraverso i loro servizi.

Tuttavia, la simmetria morale non risolve la questione giuridica. Le informazioni pubblicamente accessibili non sono automaticamente esenti da restrizioni legate a copyright, contratti, privacy o banche dati. Allo stesso modo, ricevere una risposta API non concede necessariamente il permesso di raccogliere milioni di risposte per un addestramento competitivo.

Un sistema nazionale di distillazione dovrebbe definire l’accesso legittimo. Tale definizione non può dipendere soltanto dal fatto che l’azienda partecipante sia americana. Furto di credenziali, false identità, creazione massiva di account ed elusione deliberata restano pratiche ingannevoli indipendentemente dalla nazionalità dello sviluppatore.

Dovrebbe inoltre distinguere l’uso ordinario del prodotto dall’estrazione sistematica. Questo confine è tecnicamente difficile. Un’azienda che valuta migliaia di prompt per la sicurezza può assomigliare a un’azienda che costruisce dati di addestramento, soprattutto quando entrambe testano capacità ristrette su vasta scala.

Il ricercatore della Brookings Kyle Chan ha descritto questa sfida di rilevamento come la ricerca di aghi in un grande pagliaio. La risposta federale ha incluso processi proposti per identificare attori stranieri che estraggono caratteristiche chiave da modelli americani chiusi. Tuttavia, identificare traffico sospetto è più facile che dimostrare esattamente come sia stato addestrato un altro modello.

La stessa incertezza riguarderebbe i partecipanti nazionali approvati. Un laboratorio di frontiera potrebbe offrire un accesso limitato alla distillazione, trattenendo al contempo le proprie capacità più forti di ragionamento, programmazione o biologia. Gli sviluppatori più piccoli potrebbero ricevere un’autorizzazione formale ma informazioni insufficienti per creare modelli competitivi.

Prezzo e capacità potrebbero diventare un’altra barriera, anche senza pubblicare termini commerciali specifici. I provider di frontiera controllano i propri limiti API e la propria infrastruttura. Se l’addestramento approvato richiede volumi enormi di query, le condizioni di accesso potrebbero comunque favorire le aziende ben finanziate.

I test di sicurezza presentano un compromesso distinto. Gli sviluppatori open-weight possono ispezionare, sottoporre a fine-tuning e distribuire un modello rilasciato senza il permesso del suo creatore. Ciò sostiene la ricerca e il controllo locale, ma significa anche che lo sviluppatore originale non può revocare in modo affidabile il sistema dopo aver scoperto una grave vulnerabilità.

Un quadro nazionale potrebbe richiedere valutazioni prima del rilascio. Potrebbe anche creare regole graduate in base alle capacità, anziché trattare tutti i modelli allo stesso modo. Un piccolo modello specializzato non dovrebbe affrontare gli stessi requisiti di un sistema con capacità avanzate nel cyber o nella biologia.

Eppure i test non eliminano il problema della distribuzione. I benchmark possono non rilevare nuove capacità e gli utenti possono sottoporre i pesi a fine-tuning dopo il rilascio. Una volta che le copie circolano, le restrizioni successive hanno una portata limitata.

La proposta rischia anche di indebolire gli incentivi agli investimenti. La ricerca di frontiera resta costosa anche quando i costi esatti non sono pubblici. Se ogni capacità di successo deve diventare immediatamente materiale di addestramento per i concorrenti, le aziende private potrebbero ridurre l’accesso esterno o ritardare i rilasci.

Tan non sostiene che i laboratori di frontiera debbano scomparire. Vuole che restino finanziati, mentre gli sviluppatori open-weight ricevono una libertà significativa. Il meccanismo mancante è come dividere i rendimenti tra l’insegnante e lo studente senza lasciare all’insegnante il potere di veto sulla concorrenza reale.

Le licenze sono una possibile strada, ma i dettagli ne determinerebbero il valore. Una licenza potrebbe autorizzare specifici usi di addestramento, richiedere attribuzione, vietare l’accesso ingannevole e stabilire obblighi di sicurezza. Potrebbe anche trasformarsi in una costosa barriera d’ingresso che soltanto le aziende già affermate possono superare.

Un programma di ricerca supervisionato offre un altro modello. I partecipanti potrebbero accedere agli output di frontiera in ambienti controllati, documentare i propri metodi di addestramento e pubblicare risultati di valutazione prima di rilasciare i pesi. Un simile programma fornirebbe prove sul fatto che la distillazione nazionale produca alternative utili e più sicure.

Nessuno dei due approcci risolve la più ampia disputa sulla proprietà. I laboratori di frontiera possono sostenere che il comportamento del modello rifletta ricerca proprietaria, anche quando il materiale di addestramento proveniva da fonti pubbliche. I sostenitori dell’apertura possono rispondere che le capacità comportamentali non dovrebbero diventare proprietà privata permanente solo perché un’azienda ha concentrato la conoscenza sottostante.

Il conflitto ricorda le precedenti controversie sulla compatibilità software e il controllo delle piattaforme, ma i modelli di AI introducono una maggiore incertezza. Un sistema studente non copia una semplice interfaccia. Assimila un comportamento statistico che può includere conoscenza generale, ragionamento specializzato, errori e schemi di sicurezza.

La conclusione scettica è inevitabile. Tan ha individuato un autentico problema competitivo, ma non ha ancora dimostrato che un regime americano di distillazione possa offrire solidi modelli aperti in modo legale e sicuro. Finché uno sviluppatore non testerà l’idea attraverso un programma trasparente, essa resterà una tesi politica piuttosto che un modello operativo.

Tre segnali mostreranno se il piano di Tan può funzionare

La fase successiva dipende da impegni concreti di sviluppatori americani, laboratori di frontiera e responsabili politici, piuttosto che da un altro giro di argomentazioni sull’apertura.

Il primo segnale è se un credibile sviluppatore statunitense di open-weight adotterà pubblicamente la distillazione tra aziende diverse. L’annuncio dovrebbe identificare i modelli insegnanti, la base autorizzativa, le capacità previste e le condizioni di rilascio. Usare silenziosamente dati sintetici non metterebbe alla prova la proposta di Tan, perché la questione centrale riguarda un accesso competitivo legittimo.

Un progetto trasparente avrebbe inoltre bisogno di valutazioni comparative. Gli sviluppatori dovrebbero testare lo studente rispetto al suo modello base, all’insegnante e ad altri sistemi open-weight. Tali risultati dovrebbero coprire carichi di lavoro reali, anziché una piccola raccolta di benchmark da titolo.

Se un simile modello ottenesse buoni risultati con un’autorizzazione documentata, l’argomento di Tan acquisterebbe forza. Dimostrerebbe che la distillazione nazionale può ampliare la scelta di modelli senza ricorrere ad account nascosti o credenziali rubate. Se nessun laboratorio serio tenterà il processo, la proposta apparirà scollegata dalle realtà commerciali e giuridiche.

Il secondo segnale è se un provider di frontiera creerà una licenza o partnership esplicita per la distillazione. Il semplice accesso alle API non basta, perché i contratti attuali spesso limitano lo sviluppo di modelli concorrenti. Un programma significativo deve consentire a un partecipante indipendente di addestrare e rilasciare qualcosa in grado di competere.

Le salvaguardie del provider saranno importanti. Verifica dell’identità, monitoraggio del traffico, limiti alle capacità e valutazioni pre-rilascio potrebbero distinguere l’addestramento legittimo dalle operazioni descritte da Anthropic. Regole chiare aiuterebbero inoltre gli sviluppatori a capire quale condotta attiva l’applicazione delle restrizioni.

Questo segnale indebolirebbe la tesi di Tan se il programma esistesse soltanto sulla carta. Autorizzazioni ristrette, output limitati o condizioni che impediscono una distribuzione pratica conserverebbero l’attuale struttura di mercato. Un quadro di successo deve offrire allo sviluppatore studente una reale indipendenza.

Il terzo segnale è come i responsabili politici statunitensi definiranno l’estrazione di modelli. Il Congresso e le agenzie federali stanno esaminando l’accesso straniero ai sistemi americani di AI, mentre le aziende di frontiera condividono maggiori informazioni sulle minacce. Un linguaggio ampio potrebbe includere ricerca legittima e concorrenza nazionale insieme ad attacchi ingannevoli.

Una politica mirata si concentrerebbe su frodi, reti di account non autorizzati, aggiramento delle protezioni, credenziali rubate ed estrazione di capacità sensibili. Potrebbe preservare spazio per la distillazione su licenza e lo sviluppo indipendente di open-weight. Questo risultato rafforzerebbe l’affermazione centrale di Tan secondo cui la sicurezza nazionale e l’apertura nazionale non devono essere in conflitto.

Un divieto più ampio sposterebbe la politica nella direzione opposta. Se l’addestramento competitivo basato sugli output dei modelli fosse trattato come intrinsecamente illecito, i laboratori americani open-weight avrebbero meno percorsi per ridurre il divario. Gli sviluppatori si affiderebbero quindi all’addestramento indipendente, alla collaborazione con provider consenzienti o a modelli open-weight stranieri.

I lettori dovrebbero osservare questi segnali in quest’ordine. Per prima cosa, cercare uno sviluppatore disposto a costruire in modo trasparente. In secondo luogo, verificare se un laboratorio di frontiera concede diritti utili. In terzo luogo, esaminare se la politica distingue l’estrazione ingannevole dall’apprendimento autorizzato.

Il dibattito sulla distillazione AI di Garry Tan non si risolverà decidendo se l’apertura sia sempre positiva o sempre pericolosa. Il test pratico è se i laboratori americani possano produrre modelli utilizzabili in modo indipendente rispettando le regole di accesso e verificando i rischi gravi.

Nei prossimi mesi, ponetevi tre domande ogni volta che appare un modello open-weight nazionale: chi ha fornito i suoi output di addestramento, quale autorizzazione regolava quell’accesso e quali valutazioni sostengono le sue affermazioni di sicurezza? Risposte chiare trasformerebbero la proposta di Tan in una strategia competitiva praticabile. L’assenza di risposte lascerebbe gli Stati Uniti con la stessa scelta tra API nazionali concentrate e sistemi open-weight stranieri.