I software di scacchi sono anche diventati alleati della preparazione di chi gioca per mestiere e di chi vuole imparare: possono simulare diversi livelli di gioco, fare analisi delle partite e, in generale, possono essere usati per imparare, da soli o con la guida di maestri umani. Questa dinamica dovrebbe tranquillizzare un po’ chi teme che smetteremo di pensare delegando tutto alle intelligenze artificiali.

Ma c’è un’altra lezione importante che proviene dal mondo degli scacchi e di cui dovremmo provare a far tesoro.

Stockfish, l’intelligenza artificiale scacchistica più forte del mondo, è un software libero e completamente gratuito: il suo è un codice aperto e scaricabile, e perfino modificabile da chiunque lo desideri, anche in questo preciso momento; l’applicazione funziona su qualsiasi smartphone moderno (se usata insieme a un’altra applicazione, sempre gratuita, che genera l’interfaccia grafica, cioè la scacchiera).

Non solo. Dal 2013 Stockfish si appoggia a Fishtest, un sistema informatico in cui migliaia di persone mettono a disposizione il tempo di calcolo dei propri computer per far giocare alla macchina partite di prova (puoi farlo anche tu, volendo).

A oggi sono stati usati, grazie a questo calcolo distribuito, più di ventimila anni di tempo di calcolo (cioè di lavoro simultaneo di migliaia di computer) e più di dieci miliardi di partite, servite solo a verificare le modifiche al codice.

Una proposta di miglioramento del codice di Stockfish viene accettata solo quando dimostra di rendere il motore davvero più forte. Non c’è un proprietario unico di questo modello e non c’è una scatola nera: i fondatori del progetto si sono fatti da parte da tempo e nonostante questo Stockfish ha continuato a migliorare, anche senza di loro. Dal 2020, poi, gran parte della sua potenza di gioco arriva da una rete neurale altamente efficiente (Nnue), anch’essa aperta e allenata su dati condivisi.

L’ecosistema delle ia generative, invece, si muove su binari molto diversi. I modelli più famosi sono scatole nere vere e proprie, in cui codice e dati restano completamente chiusi, la potenza di calcolo è concentrata nelle mani di poche aziende e quello che accade dentro ai modelli non possiamo né vederlo né verificarlo.

E anche i colossi che mettono a disposizione i cosiddetti modelli open weights, come la Meta o la Alibaba, non rilasciano vero software libero: i dati di addestramento, infatti, restano segreti. E l’infrastruttura per costruirli rimane un oligopolio da aziende miliardarie.

Non solo: in tutti i casi ci viene ripetuto che questo è l’unico modo possibile per sviluppare il settore, perché i costi sono altissimi. È una versione dei fatti che fa molto comodo a chi ci dice, per esempio, che servono sempre più data center.

Certo, un conto è far giocare in parallelo partite di prova in un insieme di regole chiuse come gli scacchi, un altro è addestrare un modello generativo che si nutre di linguaggio umano, richiede un’enorme mole di lavoro (umano pure quello) per filtrare e correggere le risposte e vuole migliaia di schede grafiche sincronizzate senza troppo ritardo fra loro.

Però, quando l’addestramento più costoso è già stato fatto e i pesi (i parametri numerici che permettono a un modello di intelligenza artificiale di funzionare) sono pubblici, tutto il resto diventa più leggero. Migliaia di persone mettono già a punto alcuni modelli aperti come Llama o Qwen su schede grafiche ordinarie, perché adattare un modello costa una frazione dell’addestrarlo da capo.

E l’idea di far girare un modello spezzandolo fra i computer di tante persone, come BitTorrent o come Stockfish, appunto, non è un miraggio.

Lanciata dal progetto Petals, viene oggi ripresa e riscritta da reti di comunità che la tengono viva, tipo Kwaai Ai, che purtroppo non hanno molta pubblicità.

È l’idea hacker di appropriarsi del lavoro tecnologico già fatto per costruirci sopra. E non è illegale né eticamente discutibile: è così che funziona il progresso umano.

Anche l’addestramento dei modelli da zero sta smettendo di essere un monopolio di chi può permettersi grandi data center centralizzati. La Prime Intellect ha addestrato in modo decentralizzato modelli da dieci e da trentadue miliardi di parametri, distribuendo il calcolo fra macchine sparse su continenti diversi con tecniche che riducono al minimo la comunicazione fra le schede, e la sua ultima generazione di modelli supera i cento miliardi di parametri.

Perfino i colossi non addestrano più i modelli di frontiera in un solo data center: Google ha addestrato il suo Gemini più grande su diversi data center insieme, e ha mostrato di poter allenare un modello distribuendolo su quattro regioni diverse con una banda di rete alla portata di una normale connessione internet.

Un limite materiale esiste, perché unire le macchine via internet ha dei tempi di latenza (cioè dei rallentamenti di poche decine di millisecondi), ma non è un muro invalicabile dal punto di vista tecnologico né una legge di natura: è, più che altro, un problema di coordinamento, di capitali e di volontà politica.

Insomma: si può distribuire parte del lavoro sui nostri computer mentre si costruisce l’infrastruttura pubblica per il resto, che è quello di cui avremmo bisogno: una potenza di calcolo enorme, finanziata dal pubblico, dove i dati siano tracciabili e i modelli aperti per davvero.

Se oggi non abbiamo intelligenze artificiali generative aperte e indipendenti, non è per un destino tecnologico inevitabile. È perché abbiamo lasciato che a governare l’infrastruttura e i dati fossero le aziende che ci guadagnano, invece di trattare questi strumenti per quello che potrebbero essere: un bene comune da costruire e governare insieme.