Ajax AI di PewDiePie sfida il controllo di OpenAI con un agente privato domestico

PewDiePie ha presentato Ajax, un modello di IA da 9 miliardi di parametri per computer domestici, dopo che OpenAI avrebbe sospeso il suo account due volte durante lo sviluppo. Il progetto PewDiePie Ajax AI è pensato per alimentare Odysseus, il suo spazio di lavoro self-hosted dedicato a un assistente autonomo e sempre disponibile.

L’annuncio genera un conflitto più netto rispetto a un semplice lancio tecnologico da celebrità. Ajax promette automazione locale privata con meno rifiuti, ma PewDiePie afferma che OpenAI abbia limitato proprio il processo usato per addestrarlo.

Il risultato contrappone lo sviluppo indipendente di modelli locali ai controlli imposti dai fornitori commerciali di IA. Colloca inoltre Ajax accanto ad assistenti self-hosted come OpenClaw e Hermes Agent di Nous Research.

Ajax, tuttavia, non è un prodotto finito e testato in modo indipendente. La sua pagina pubblica ora afferma che il modello arriverà quando sarà pronto, senza una data di rilascio precisa. Prestazioni, sicurezza, requisiti hardware e comportamento in materia di privacy restano quindi questioni aperte.

Il modello PewDiePie Ajax AI è stato presentato, ma non ancora rilasciato

Ajax trasforma Odysseus da uno spazio di lavoro neutrale rispetto ai modelli in un progetto costruito attorno al proprio assistente locale.

PewDiePie ha presentato Ajax in un video pubblicato in concomitanza con l’annuncio del progetto del 2 ottobre. Secondo l’Ajax model page che accompagna il lancio, si tratta di una versione ottimizzata di Qwen3.5-9B.

Un modello sottoposto a fine-tuning riceve addestramento aggiuntivo per specifici comportamenti o attività. Nel caso di Ajax, queste attività ruotano attorno all’uso degli strumenti all’interno dello spazio di lavoro Odysseus.

La pagina descrive Ajax come un “always on agent” in grado di cercare, navigare sul web, accedere alle email e lavorare con un calendario. Afferma inoltre che queste attività quotidiane possano svolgersi in privato.

Questa formulazione è rilevante perché un agente fa più che rispondere a domande. Può pianificare passaggi, scegliere strumenti e agire attraverso servizi connessi con supervisione limitata.

La proposta di PewDiePie va quindi oltre la chat privata. Ajax dovrebbe fornire il livello di ragionamento per un assistente che resta attivo e completa attività in un ambiente controllato dall’utente.

Odysseus fornisce lo spazio di lavoro circostante. Il suo repository pubblico descrive il progetto come self-hosted, ossia eseguito dagli utenti su infrastrutture sotto il loro controllo.

Questa combinazione separa l’interfaccia dal modello. Odysseus gestisce l’ambiente di lavoro, mentre Ajax viene addestrato a muoversi tra gli strumenti disponibili al suo interno.

Il progetto rappresenta inoltre un cambiamento nel lavoro pubblico di PewDiePie. Felix Kjellberg resta noto soprattutto per YouTube, ma ha documentato sempre più spesso esperimenti di programmazione, Linux e self-hosting.

Il suo pubblico offre ad Ajax una distribuzione insolita per un piccolo progetto di IA. La maggior parte dei modelli addestrati in modo indipendente deve prima conquistare l’attenzione degli sviluppatori per raggiungere gli utenti generici.

Ajax parte dal vantaggio opposto. Milioni di persone conoscono il suo creatore, anche se pochi hanno valutato il modello o installato il suo spazio di lavoro.

L’annuncio, però, non equivale a un rilascio generale. Secondo le prime notizie, la pagina di Ajax mostrava inizialmente un conto alla rovescia. Ora afferma che PewDiePie pubblicherà il modello quando sarà pronto.

Questo cambiamento introduce una prima importante precisazione. Ajax esiste come progetto di sviluppo dimostrato, ma i potenziali utenti non possono ancora verificare il rilascio pubblico completo descritto nell’annuncio.

PewDiePie ha dichiarato che nel suo programma restavano ulteriore reinforcement learning, quantizzazione e benchmarking. Il reinforcement learning modifica il comportamento mediante feedback, mentre la quantizzazione comprime un modello per renderlo adatto a hardware meno esigente.

Ogni passaggio può modificare il comportamento del modello finale. Un modello funzionante durante lo sviluppo può differire dal pacchetto che verrà infine offerto agli utenti domestici.

Il rinvio del rilascio è quindi più di un dettaglio di calendario. Lascia le promesse centrali di Ajax dipendenti da documentazione, pesi scaricabili, test riproducibili e installazioni reali.

Perché il ban di OpenAI sulla distillazione è diventato la storia principale

Le due sospensioni di account riportate espongono il confine tra la personalizzazione consentita di un modello e l’addestramento di un potenziale concorrente usando output proprietari.

PewDiePie afferma che OpenAI lo abbia sospeso due volte mentre sviluppava Ajax. Nel suo video mostra un’email che, a quanto pare, indica la “distillation” come motivo di una disattivazione dell’account.

La distillazione dei modelli addestra un modello più piccolo usando le risposte di un modello più capace. Il sistema più piccolo apprende schemi da tali output senza riprodurre l’architettura completa del modello più grande.

La tecnica in sé non è intrinsecamente vietata. OpenAI ha persino pubblicato un workflow integrato per la distillazione dei modelli per utilizzare determinati output di OpenAI al fine di migliorare modelli OpenAI più piccoli.

La disputa riguarda la destinazione di tali output. I termini pubblicati da OpenAI vietano di usare gli output per sviluppare modelli in concorrenza con OpenAI.

Secondo PewDiePie, il suo account è stato ripristinato dopo il primo incidente. Afferma che il secondo ban sia seguito a un’altra esecuzione destinata a creare dati iniziali per Ajax.

I dati iniziali forniscono esempi in grado di ancorare un processo di addestramento più ampio. Possono consistere in prompt, risposte preferite, tracce di utilizzo degli strumenti o dimostrazioni del comportamento di ragionamento desiderato.

OpenAI non ha reso pubblici esempi provenienti dall’account di PewDiePie. L’email disponibile, come descritta nel video e nelle prime notizie, non rivela il metodo di rilevamento né il dataset contestato.

L’assenza di queste prove limita qualsiasi conclusione definitiva. PewDiePie presenta i ban come una risposta alla distillazione, ma gli osservatori esterni non possono esaminare l’attività dell’account interessato né la revisione dell’applicazione delle regole.

Ciononostante, l’azione riportata si inserisce in un conflitto più ampio del settore. Le aziende che sviluppano modelli frontier considerano l’estrazione su larga scala sia una questione di proprietà intellettuale sia una minaccia al proprio vantaggio tecnico.

La distillazione può trasferire comportamenti utili in un modello più piccolo ed economico. Questo la rende preziosa per l’efficienza, ma commercialmente sensibile quando insegnante e studente appartengono a fornitori diversi.

PewDiePie inquadra la questione secondo un criterio differente. Sostiene che le aziende di IA abbiano addestrato sistemi usando enormi quantità di materiale umano esistente, per poi limitare il modo in cui i clienti possono riutilizzare l’output generato.

Questa critica trova eco tra i sostenitori dei modelli aperti. Essi si chiedono se i principali fornitori possano rivendicare un ampio accesso ai dati pubblici imponendo al contempo controlli ristretti sulla sperimentazione a valle.

Tuttavia, il paragone non risolve la questione contrattuale. Le controversie su dati di addestramento, copyright, proprietà degli output e termini di servizio coinvolgono diritti e teorie giuridiche differenti.

Gli utenti possono possedere singoli output secondo i termini di un fornitore pur accettando limiti sul loro utilizzo. Proprietà e uso consentito del servizio non sono sempre identici.

L’incertezza crea un rischio pratico per gli sviluppatori indipendenti. Un progetto che dipende dall’API di un altro fornitore può perdere l’accesso prima di completare il proprio lavoro di addestramento o valutazione.

Può anche affrontare dubbi sulla provenienza del dataset dopo il rilascio. Sviluppatori, distributori e utenti aziendali potrebbero voler vedere prove dei sistemi che hanno generato gli esempi di addestramento.

Per Ajax, la storia del ban plasma ora le aspettative prima ancora dei benchmark. Il progetto viene giudicato in parte come una sfida al controllo dei fornitori, non semplicemente come un altro fine-tuning di Qwen.

Questa attenzione aiuta PewDiePie a spiegare perché i modelli locali siano importanti. Alza inoltre lo standard di trasparenza previsto quando Ajax diventerà scaricabile.

Un agente locale senza censure sostituisce i limiti del fornitore con la responsabilità dell’utente

Rimuovere i rifiuti del modello offre agli utenti maggiore controllo, ma un agente dotato di strumenti può trasformare una risposta non sicura in un’azione esterna.

La pagina di Ajax afferma che il comportamento di rifiuto del modello è stato “ablated” per un’esperienza meno limitata. L’ablazione rimuove o sopprime caratteristiche apprese associate a comportamenti indesiderati.

PewDiePie afferma di aver usato un sistema open source chiamato Heretic per automatizzare il processo. L’obiettivo dichiarato era ridurre i rifiuti senza danneggiare le capacità più ampie del modello.

“Uncensored” resta un’etichetta imprecisa. Può significare meno rifiuti su argomenti controversi, addestramento alla sicurezza più debole o minori restrizioni sull’uso degli strumenti.

Queste differenze diventano cruciali quando un modello controlla email, un browser o un calendario. Un chatbot può produrre una risposta dannosa, mentre un agente può anche inviare, eliminare, programmare o divulgare informazioni.

PewDiePie afferma che Ajax non è progettato per fornire istruzioni pericolose e concretamente attuabili. Descrive inoltre un limite contro l’agevolazione di danni ad altre persone o a sé stessi.

Queste dichiarazioni suggeriscono che Ajax manterrà alcuni confini comportamentali. Mostrano anche perché “uncensored” non dovrebbe essere interpretato come totale assenza di restrizioni.

Il profilo di sicurezza reale dipenderà da più fattori del solo modello. Odysseus dovrà determinare a quali strumenti Ajax possa accedere, quali azioni richiedano conferma e come le credenziali restino isolate.

Un modello privato con autorizzazioni di account illimitate può creare un rischio personale maggiore rispetto a un modello ospitato con integrazioni più ristrette. L’esecuzione locale cambia chi gestisce le protezioni, non il fatto che siano necessarie.

L’email offre un esempio semplice. Un assistente potrebbe riassumere privatamente una casella di posta, ma comunque interpretare male un messaggio malevolo e seguire istruzioni integrate al suo interno.

Questo attacco è chiamato prompt injection, in cui contenuti non attendibili tentano di sovrascrivere le istruzioni previste per un agente. La navigazione web e l’analisi dei documenti espongono ripetutamente gli agenti a questo rischio.

L’accesso al calendario presenta pericoli minori ma comunque significativi. Un agente potrebbe divulgare un evento privato, invitare il destinatario sbagliato o accettare un’istruzione nascosta in una pagina web.

Lo stesso compromesso emerge nell’accesso ai file. L’elaborazione locale può evitare che i documenti vengano inviati a un modello remoto, ma autorizzazioni ampie possono esporre ogni cartella accessibile.

Gli utenti hanno quindi bisogno di controlli al confine degli strumenti. Il progetto più solido concederebbe il minimo accesso necessario e richiederebbe approvazione prima di azioni rilevanti.

Anche i registri di audit sono importanti. Un utente dovrebbe poter vedere cosa ha letto l’agente, quale strumento ha selezionato e quali informazioni hanno lasciato la macchina.

La rimozione dei rifiuti a livello di modello non risponde a queste questioni operative. Ajax potrebbe comportarsi in modo coerente in chat pur restando inaffidabile durante lunghe catene di utilizzo degli strumenti.

La scelta di PewDiePie di Qwen3.5-9B rende il funzionamento locale più plausibile rispetto all’uso di un modello di dimensioni frontier. I file del modello Qwen ufficiali totalizzano circa 19,3 GB prima della compressione successiva.

Le versioni quantizzate possono ridurre i requisiti di memoria rappresentando i pesi con meno bit. Questo può rendere il modello accessibile su più sistemi consumer, con una possibile perdita di qualità.

I requisiti effettivi restano non confermati finché Ajax non verrà distribuito. L’idoneità dell’hardware dipende dal formato di quantizzazione, dalla lunghezza del contesto, dal motore di inferenza, dal carico di lavoro degli strumenti e dalla velocità di risposta accettabile.

“Funziona a casa” può quindi descrivere diverse esperienze. Potrebbe significare un funzionamento fluido su una workstation recente, un’inferenza più lenta su un laptop o un offloading parziale verso altro hardware.

L’affermazione sulla privacy richiede una precisione simile. L’inferenza locale protegge il contenuto dei prompt da un fornitore remoto di modelli, ma le ricerche web, i server email e i calendari coinvolgono comunque servizi esterni.

Anche telemetria, aggiornamenti, estensioni e connettori di terze parti possono trasmettere dati. Una valutazione credibile della privacy deve seguire l’intero flusso di lavoro, non solo il modello linguistico.

I lettori che valutano Ajax dovrebbero distinguere tre affermazioni: meno rifiuti, inferenza locale ed esecuzione privata delle attività. Ciascuna richiede prove e protezioni diverse.

Ajax entra in una corsa affollata per gli agenti AI self-hosted

La distinzione più chiara di Ajax è un modello addestrato per un unico spazio di lavoro, mentre le alternative consolidate puntano su una scelta più ampia di modelli e su un’infrastruttura per agenti più matura.

OpenClaw si presenta già come un assistente che funziona sulla macchina dell’utente e si collega a email, calendari, piattaforme di messaggistica e altri strumenti. Supporta sia modelli locali sia ospitati.

Questo approccio neutrale rispetto al modello riduce la dipendenza da un unico modello linguistico. Gli utenti possono cambiare fornitore senza sostituire l’ambiente dell’agente circostante.

Hermes Agent segue una strada correlata. Nous Research descrive Hermes Agent come un sistema autonomo con memoria persistente, strumenti, integrazioni di messaggistica e un ciclo di apprendimento.

Hermes può essere eseguito localmente o su infrastruttura remota. La sua documentazione supporta inoltre diversi endpoint di modelli, offrendo agli utenti opzioni in termini di prestazioni, privacy e complessità operativa.

Odysseus e Ajax sembrano essere più strettamente abbinati. Ajax viene addestrato specificamente per utilizzare gli strumenti di Odysseus, anziché fungere da modello generico inserito in applicazioni non correlate.

Questa specializzazione può essere utile. I modelli più piccoli spesso ottengono risultati migliori quando gli esempi di addestramento corrispondono agli schemi, agli strumenti e ai modelli di interazione esatti che incontrano dopo il deployment.

Un agente per il calendario non deve eccellere in ogni benchmark accademico. Deve identificare lo strumento corretto, fornire argomenti validi, confermare le azioni rischiose e riprendersi dagli errori.

PewDiePie aveva già descritto questo obiettivo nella community di Odysseus. Ha sottolineato l’esecuzione diretta degli strumenti per richieste pratiche, piuttosto che un ragionamento lungo orientato ai benchmark.

Questo focus potrebbe rendere Ajax reattivo su hardware con risorse limitate. Potrebbe anche ridurre la flessibilità che gli utenti si aspettano da un assistente generico.

OpenClaw e Hermes beneficiano di community più ampie, storie operative più lunghe e cataloghi di integrazioni più vasti. Ajax beneficia dell’allineamento tra il suo modello e lo spazio di lavoro a cui è destinato.

Il confronto dipenderà in ultima analisi dall’affidabilità, non dal branding. Un agente domestico deve completare azioni di routine ripetutamente senza inventare dati o modificare silenziosamente l’intento dell’utente.

L’accuratezza nelle chiamate agli strumenti sarà particolarmente importante. Ajax deve selezionare l’operazione corretta e produrre parametri compatibili con le interfacce di Odysseus.

La stabilità nel lungo periodo rappresenta un’altra sfida. Un agente sempre attivo deve gestire memoria, attività ripetute, credenziali scadute, siti web che cambiano e richieste di rete fallite.

La qualità dei modelli locali può inoltre variare molto in base all’attività. Un modello da 9 miliardi di parametri può gestire flussi di lavoro familiari, pur faticando con richieste ambigue o problemi insoliti.

I modelli ospitati più grandi offrono spesso un ragionamento più solido e conoscenze più ampie. Richiedono però anche l’invio dei prompt a un fornitore esterno e l’accettazione delle sue politiche di accesso.

Il mercato emergente non è quindi una semplice gara tra privacy e intelligenza. Coinvolge controllo, qualità del modello, hardware, manutenzione, sicurezza e profondità delle integrazioni.

Gli sviluppatori possono spesso tollerare la complessità iniziale della configurazione in cambio di visibilità e personalizzazione. Gli utenti mainstream si aspettano invece che aggiornamenti, gestione delle credenziali e ripristino funzionino senza interventi tecnici.

Il pubblico di PewDiePie potrebbe portare nuovi utenti verso il self-hosting. Questa opportunità aumenta anche le conseguenze di istruzioni di installazione poco chiare o di impostazioni predefinite eccessivamente permissive.

Nella community sono già emerse preoccupazioni per la sicurezza riguardo alle pratiche di sviluppo di Odysseus. Le discussioni nel repository hanno richiesto controlli più rigorosi sulle release, test e protezione del branch principale.

Queste discussioni non dimostrano che il software non sia sicuro. Mostrano che i contributori riconoscono la maggiore posta in gioco quando utenti poco esperti installano software per agenti in rapida evoluzione.

Un processo di rilascio stabile dovrebbe distinguere le versioni revisionate dallo sviluppo attivo. Artifact firmati, autorizzazioni documentate e build riproducibili rafforzerebbero ulteriormente la fiducia degli utenti.

Ajax necessita anche di confronti indipendenti con il suo modello base. Senza di essi, i lettori non possono sapere se il fine-tuning abbia migliorato l’uso degli strumenti o se la rimozione dei rifiuti abbia indebolito capacità non correlate.

Le valutazioni utili dovrebbero includere attività ordinarie, prompt avversari, strumenti non funzionanti e contenuti web dannosi. Un singolo punteggio in classifica non può rappresentare queste condizioni.

Il confronto più solido per Ajax AI esaminerà quindi l’intero sistema. L’intelligenza del modello conta, ma un assistente autonomo ha successo grazie a un’esecuzione affidabile e a un accesso controllato.

Cosa osservare prima di installare Ajax

Ajax diventerà una release significativa nel panorama degli agenti locali solo quando i suoi file, le valutazioni e i controlli di sicurezza potranno essere esaminati al di fuori della dimostrazione di PewDiePie.

Il primo segnale è il pacchetto del modello pubblico. Gli utenti dovrebbero cercare pesi scaricabili, termini di licenza, una model card, opzioni di quantizzazione e indicazioni chiare sull’hardware.

Una model card dovrebbe identificare la base Qwen, l’approccio di addestramento, gli usi previsti, i limiti noti e i risultati delle valutazioni. Dovrebbe inoltre spiegare il significato di “uncensored”.

La documentazione del dataset conta a causa della controversia con OpenAI. Ajax non deve rivelare ogni dettaglio privato dello sviluppo, ma dovrebbe descrivere l’origine e il filtraggio degli esempi di addestramento.

Queste informazioni aiuterebbero gli utenti a valutare sia l’incertezza legale sia la qualità del modello. Distinguerrebbero inoltre i dettagli di sviluppo verificati dalle affermazioni fatte durante un video.

Il secondo segnale è il testing indipendente all’interno di Odysseus. I revisori dovrebbero valutare i flussi di lavoro relativi a ricerca, browser, email, calendario, memoria e file in prove ripetute.

I test dovrebbero registrare tassi di completamento, azioni errate, comportamento di conferma e recupero dopo un errore. I confronti con il modello originale Qwen3.5-9B rivelerebbero cosa ha aggiunto l’addestramento di Ajax.

OpenClaw e Hermes Agent forniscono punti di riferimento utili, anche se i confronti diretti richiedono modelli e hardware equivalenti. Altrimenti, la capacità del modello può essere scambiata per qualità del framework.

I test di sicurezza dovrebbero includere prompt injection provenienti da email e pagine web. Dovrebbero anche esaminare se le informazioni private possano passare da uno strumento all’altro senza approvazione esplicita.

L’addestramento di Ajax volto a ridurre i rifiuti merita una valutazione separata. I revisori devono verificare se risponde più liberamente a richieste innocue senza diventare più facile da manipolare durante l’uso degli strumenti.

Il terzo segnale è la maturità delle release di Odysseus. Un pacchetto affidabile necessita di build versionate, documentazione di installazione, controlli delle autorizzazioni, procedure di aggiornamento e un chiaro processo di segnalazione dei problemi di sicurezza.

Gli utenti dovrebbero sapere se le estensioni eseguono codice arbitrario. Dovrebbero inoltre sapere dove vengono archiviate le credenziali e quali richieste di rete avvengono per impostazione predefinita.

Uno spazio di lavoro AI locale può rafforzare la privacy quando viene configurato con attenzione. Può anche concentrare l’accesso a informazioni sensibili in un unico processo di alto valore.

Questa tensione spiega perché Ajax conta al di là del suo creatore. L’AI per i consumatori si sta spostando dalla conversazione passiva verso sistemi che monitorano il contesto e completano azioni.

I fornitori ospitati controllano attualmente gran parte di questa transizione. Gestiscono i modelli più potenti, stabiliscono le regole d’uso e possono sospendere l’accesso quando gli utenti oltrepassano i limiti contrattuali.

I progetti locali offrono una configurazione diversa. Gli utenti ottengono controllo sui modelli e sui dati, ma devono assumersi una maggiore responsabilità per sicurezza, aggiornamenti e giudizio operativo.

PewDiePie Ajax AI offre a questa alternativa un sostenitore molto visibile. I ban di OpenAI rendono l’argomento emotivamente convincente, ma non dimostrano che Ajax sia pronto per lavori sensibili.

Il rilascio ritardato potrebbe favorire il progetto se produrrà documentazione più chiara e test più robusti. Rilasciare rapidamente genererebbe attenzione, ma sarà l’affidabilità a determinare se gli utenti continueranno a utilizzarlo.

I lavoratori della conoscenza dovrebbero adottare la stessa cautela che userebbero con qualsiasi software che riceve accesso a email, calendari o documenti. Iniziate con autorizzazioni limitate e dati non critici.

Gli sviluppatori dovrebbero ispezionare log, comportamento di rete, dipendenze e policy predefinite degli strumenti. Dovrebbero inoltre testare i casi di errore prima di consentire azioni non supervisionate.

Chiunque sia interessato agli assistenti privati può prima mappare quali informazioni dovrebbero rimanere locali. Una base di conoscenza AI strutturata può chiarire quali fonti servano a un assistente e chi dovrebbe potervi accedere.

La domanda centrale non è più se un creatore possa eseguire il fine-tuning di un modello compatto. È se Ajax possa combinare il controllo locale con azioni affidabili e verificabili.

Osservate, in quest’ordine, il pacchetto di rilascio, i test indipendenti dell’agente e i controlli di sicurezza di Odysseus. Insieme, questi segnali mostreranno se Ajax farà progredire l’AI domestica o resterà un esperimento convincente.

Se intendete provare il modello PewDiePie Ajax AI, definite le sue autorizzazioni prima di misurarne la personalità. Assegnategli inizialmente account usa e getta e attività reversibili. Esaminate ogni azione esterna finché il suo comportamento non diventa prevedibile. Poi confrontatene privacy, velocità e tasso di completamento con un assistente ospitato nello stesso flusso di lavoro. Il controllo locale ha un valore reale, ma solo quando chi gestisce il sistema comprende a cosa l’agente può accedere.