OpenAI assume Driscoll, mentre a Wuzhen si accende il dibattito sui pesi aperti

OpenAI ha confermato l'assunzione lunedì 2 novembre, con la copertura arrivata il 3 novembre. Dan Driscoll, 26esimo segretario dell'Esercito statunitense, ricopre un ruolo di nuova creazione: senior counselor per la modernizzazione della sicurezza nazionale. Consiglierà su come l'AI avanzata possa rafforzare la sicurezza nazionale e informatica. Lavorerà anche con i vertici di OpenAI e con partner esterni, secondo The Next Web.

Il tempismo non è casuale. OpenAI ha passato l'anno a posizionarsi come fornitore AI predefinito del governo statunitense. Questa assunzione le compra una persona, non un prodotto.

Driscoll ha lasciato il Pentagono a settembre dopo mesi di tensione con il segretario alla Difesa Pete Hegseth, ha riportato il Wall Street Journal, in sintesi di The Next Web. È un ex ufficiale dell'Esercito e compagno di corso alla facoltà di legge del vicepresidente JD Vance. Come segretario dell'Esercito ha supervisionato quasi 3.000.000.000 di soldati e più di 265.000 civili dell'Esercito, ha detto OpenAI. Ha anche ricoperto il ruolo di direttore ad interim dell'ATF, secondo il suo stesso racconto.

The Decoder aggiunge un dettaglio da tenere a mente. Durante il suo mandato Driscoll ha spinto la modernizzazione AI in tutto l'Esercito, incluso Project ARIA. Quell'iniziativa ha portato strumenti di AI nella pianificazione di bilancio, nella logistica e nel dispiegamento tattico dei modelli. È esperienza negli appalti, non solo nella politica. The Decoder nota anche che ha presentato le dimissioni alla fine di agosto 2026 tra attriti con Hegseth. Hegseth ha ripetutamente rimosso ufficiali di alto rango o bloccato promozioni contro le obiezioni di Driscoll, secondo il report. Driscoll mantiene rapporti solidi con entrambi i partiti al Congresso, secondo AP.

"I requisiti di sicurezza nazionale stanno cambiando più in fretta che in qualsiasi momento degli ultimi cinquant'anni", ha detto Driscoll in una dichiarazione.

Sam Altman l'ha inquadrata in termini di export. "Gli Stati Uniti hanno un'opportunità straordinaria di lavorare con altri paesi per diffondere l'adozione dell'AI democratica", ha detto l'amministratore delegato. OpenAI ha detto che l'assunzione si fonda su Daybreak, il suo programma di resilienza informatica con gli alleati. L'azienda ha aperto Daybreak all'Ucraina e l'ha proposto alle utility negli Stati Uniti.

La storia dei contratti sotto l'annuncio

Il contesto conta più del titolo del ruolo. A febbraio 2026 OpenAI ha accettato di dispiegare i suoi modelli sulla rete classificata del Dipartimento della Difesa. L'accordo è arrivato dopo che il rapporto tra la rivale Anthropic e il Pentagono si era rotto, ha riportato Rachel Metz per Bloomberg. Il racconto di The Decoder è più diretto. Il Pentagono ha classificato Anthropic come "rischio della catena di approvvigionamento" dopo che l'amministratore delegato Dario Amodei si è rifiutato di togliere dai suoi contratti le restrizioni sulla sorveglianza di massa e sulle armi autonome. Altman ha annunciato il proprio accordo lo stesso giorno. Anthropic sta ancora combattendo la sua causa contro il Pentagono in tribunale, secondo The Next Web.

La lotta per la sicurezza nazionale tra i due laboratori, quindi, non riguarda solo le capacità. Riguarda i termini dei contratti e chi scriverà le regole per l'uso militare dell'AI. La rete di rapporti di Driscoll al Congresso è l'asset che OpenAI sta comprando.

Nulla di tutto questo tocca direttamente i pesi aperti. Stabilisce il clima per tutto il resto. Lo stesso governo che sceglie un fornitore per la rete classificata dà forma anche alla discussione se i pesi dei modelli vadano pubblicati o no.

Tsai porta la tesi aperta a Wuzhen

Il 3 novembre il presidente di Alibaba Joe Tsai ha sostenuto l'AI open source al Wuzhen Summit, ha riportato il South China Morning Post. L'ha inquadrata contro la resistenza statunitense. È lo stesso giorno della notizia su Driscoll e la stessa settimana di una raffica di rilasci a pesi aperti da laboratori europei e cinesi.

I resoconti pubblici non riportano gli argomenti specifici di Tsai oltre quell'inquadramento. Il pezzo del SCMP va letto come segnale di posizionamento, non come proposta politica dettagliata. Il storico di Alibaba sui pesi aperti è la domanda più concreta, e i resoconti pubblici non la risolvono.

Ciò che è pubblico mostra un ecosistema che si muove senza aspettare permessi. Le note di rilascio di GitHub per PSSA v0.5.0, un progetto di modello linguistico non transformer pubblicato il 31 ottobre, descrivono un baseline transformer con parametri equivalenti. Descrivono anche un convertitore da Qwen3 a PSSA con un forward pass del teacher in puro Rust. Le note elencano una loss cross-entropy più temperatura-KL verificata con test alle differenze finite, e backend nativi CUDA accanto a WebGPU. È un progetto su scala amatoriale, ma la checklist ingegneristica è il tipo di cosa che un tempo richiedeva un laboratorio.

Il sistema di prova di Anthropic, e perché conta per i pesi aperti

Anthropic ha pubblicato il 3 novembre una ricerca che descrive FlashProve, un sistema basato su zkSNARK per dimostrare che una risposta proviene da un modello specifico. I numeri dell'azienda: per Llama 4 Maverick, un mixture of experts da 400.000.000.000 di parametri, una singola H100 genera prove a circa 110 token al secondo. La dimensione della prova è di circa 19 MB per richiesta da 1.024 token, usando pesi quantizzati a 4 bit e aritmetica intera nel prefill. È circa 70-95 volte il tempo GPU necessario per eseguire il modello stesso su vLLM, dice Anthropic.

Anthropic è esplicita sulla motivazione. Un utente che interroga un modello oggi non può verificare che le risposte provengano dal modello specifico che uno sviluppatore dichiara stia rispondendo. Un servizio di routing potrebbe sostituire di nascosto un altro modello per ragioni di costo. Un attaccante potrebbe manomettere il flusso di token. Il sistema si impegna su un modello e nasconde i suoi pesi; nascondere l'architettura non è un obiettivo. Codice, prove in Lean e documentazione sono rilasciati sotto Apache 2.0.

L'angolo dei pesi aperti è indiretto ma reale. Se l'inferenza può essere verificata crittograficamente, l'argomento che i pesi chiusi servano per la fiducia si indebolisce. Se non può, ogni checkpoint aperto diventa più difficile da garantire. Anthropic definisce questo un progresso intermedio, non un programma concluso.

Cosa dicono i benchmark sul divario

Sul fronte della modellazione, il preprint più recente è GSLM2, inviato ad arXiv il 31 ottobre da Yosuke Higuchi, Tom Fizycki e 15 coautori. Il lavoro riguarda i modelli di linguaggio parlato. Gli autori dicono che questi sono indietro rispetto ai modelli testuali in capacità ed efficienza di scaling dei dati. Il loro encoder, SpidR 2.0, induce unità discrete a più livelli di astrazione. Un modello multi-stream le predice congiuntamente.

I numeri principali: dati di addestramento fino a 6.000.000 di ore e scale del modello fino a 6.500.000.000 di parametri. Il divario rispetto ai modelli testuali su sWuggy, sBLIMP e tSC si è ridotto di circa due ordini di grandezza tra parlato letto e conversazionale. Codice di addestramento e checkpoint sono open source.

Altrove il quadro è meno lusinghiero per la sola scala. FrontierMat, inviato il 30 ottobre, è un benchmark di 330 problemi tratti dalla ricerca accademica e industriale di frontiera. I campi sono aerospazio, semiconduttori, intelligenza incarnata e fusione nucleare, ciascuno validato da sperimentatori ed esperti di settore. Il modello generalista più forte segna solo il 53,7%. Su problemi appaiati, le domande cross-scale segnano 8,7 punti sotto quelle single-scale. Metà dei problemi è risolta da al massimo un modello. I modelli falliscono soprattutto approvando ciò che è plausibile invece di ciò che è stato osservato, scrivono gli autori.

Uno studio di adattamento al dominio nello stesso paper porta un modello a pesi aperti dal 36,7% al 55,4%. Usa pretraining continuato con meta-pesi e self-distillation scalare-modulare, eguagliando il modello proprietario più forte, senza cali sui benchmark generali. È uno dei dati più utili per chi discute di aperto contro chiuso.

Il lavoro sull'efficienza continua a ridurre il costo di esecuzione dei modelli

Un preprint del 30 ottobre sul pruning dei mixture of experts sostiene che gli output degli esperti mostrano ridondanza strutturata. Tra modelli e categorie di task, il rango stabile e il rango efficace in entropia degli output degli esperti restano molto sotto il numero nominale di esperti. Gli autori propongono due metodi di pruning, PEEP e DCEP. Con il 75% e il 50% di esperti mantenuti su DeepSeek-V2-Lite e Qwen3-30B-A3B battono i baseline allo stato dell'arte sulla maggior parte dei benchmark.

Altri due paper spingono in direzioni diverse. Uno, inviato il 29 ottobre, valuta il riconoscimento delle emozioni vocali nei modelli con capacità audio. Trova che quando audio e testo sono in disaccordo, le probabilità di errore aumentano ogni volta che l'audio è presente, su eNTERFACE'05, MELD e CMU-MOSEI. I classificatori supervisionati sulle stesse feature si comportano in modo opposto. Un altro, anch'esso inviato il 29 ottobre, testa come i modelli linguistici anticipano la sensazione degli esiti nel gioco d'azzardo o nel trading azionario. Trova quello che gli autori chiamano amplificazione del guadagno al silicio: i modelli valutano i guadagni più intensamente delle perdite equivalenti, invertendo la canonica avversione alle perdite.

Nessuno di questi chiude la discussione sui pesi aperti. Mostrano però che la frontiera della ricerca è affollata di affermazioni piccole e verificabili, non di una sola grande.

Il bilancio della sicurezza

OpenAI si è mossa anche sulle proprie difese il 3 novembre. The Decoder ha riportato che l'azienda ha quadruplicato i pagamenti del bug bounty. Le vulnerabilità critiche nei prodotti principali come ChatGPT o Codex ora valgono fino a 30.000 dollari per i ricercatori esterni. Le scoperte eccezionali valgono fino a 100.000 dollari e, con bonus di qualità, fedeltà e campagna, il totale può arrivare a circa 172.000 dollari. Chi ha segnalato una vulnerabilità negli ultimi 30 giorni riceve la differenza in retroattivo. Uno sprint di sicurezza affiancherà la società Cathedral agli ingegneri di OpenAI. Durante l'ultimo sprint, il 25% degli ingegneri di prodotto di OpenAI ha lavorato a trovare vulnerabilità, secondo l'azienda.

Se i pesi aperti rendano quel lavoro più facile o più difficile è esattamente la domanda a cui nessun numero risponde. La pubblicazione di Epoch AI sui modelli a pesi aperti e il divario delle patch, datata 29 ottobre, non è riassunta qui.

Chiara è la direzione. Un ex segretario dell'Esercito ora consiglia un laboratorio di frontiera. Un dirigente cinese porta in pubblico la tesi dell'open source. Un laboratorio statunitense pubblica prove crittografiche che un dato modello ha prodotto un dato token. E un benchmark costruito su problemi reali di ricerca industriale dice che il miglior modello generalista ne azzecca ancora meno del 54%.

La questione dei pesi aperti si deciderà negli uffici appalti e nelle aule di tribunale tanto quanto nei commenti su arXiv. Sui dati di questa settimana, entrambe le parti stanno assumendo.