In questo articolo Indice dei contenuti 3 sezioni
Non tutta la corsa all’intelligenza artificiale si gioca dentro enormi data center. Ce n’è un’altra, molto più vicina a chi usa questi strumenti ogni giorno, che punta a creare modelli abbastanza leggeri da girare con meno memoria e meno potenza di calcolo, persino su dispositivi modesti. La Cina si è ritagliata un ruolo di primo piano proprio in questo campo con famiglie come Qwen o MiniCPM. Eppure, mentre quella sfida continua a spingersi verso il basso, alcuni dei suoi colossi tecnologici hanno cominciato a muoversi nella direzione opposta, puntando su modelli colossali con numeri che fino a poco tempo fa sembravano fuori scala.
Kimi K3: centinaia miliardi di miliardi di parametri e oltre
Le cifre aiutano a capire fin dove si sia spinta questa escalation. DeepSeek V3 è arrivato con 671 miliardi di parametri totali, mentre Moonshot AI ha portato Kimi K2 fino a mille miliardi. Nel 2026 il salto ha preso ancora più velocità, con Kimi K3 che tocca quota 2.800 miliardi e Alibaba che ha collocato Qwen3.8 Max a 2.400 miliardi. Si tratta però di valori complessivi, e quella parola conta parecchio perché non vuol dire che tutti quei parametri entrino in gioco a ogni passaggio dell’elaborazione.
Qui entra in scena un’architettura tutt’altro che nuova. Nel 2023 un’analisi indipendente aveva ipotizzato che GPT 4 potesse sfruttare un design chiamato Mixture of Experts, o MoE, anche se OpenAI non ha mai confermato pubblicamente questo dettaglio. Il principio è piuttosto semplice. Invece di far lavorare l’intera rete a ogni passaggio, il sistema ne attiva solo una porzione. Qwen3.8 Max è un esempio perfetto perché mette insieme 2.400 miliardi di parametri ma ne utilizza circa 95 miliardi per ogni passaggio. In pratica sono giganti che non ragionano mai con tutto il loro peso nello stesso momento.
Più grande non vuol dire automaticamente migliore
Il numero di parametri descrive le dimensioni di un modello, ma non funziona come una classifica automatica di intelligenza o precisione. DeepMind lo aveva dimostrato già nel 2022 con Chinchilla, un sistema da 70 miliardi di parametri capace di superare Gopher, che ne contava 280 miliardi, in quasi tutte le prove valutate a parità di budget di calcolo per l’addestramento. Chinchilla, tra l’altro, era stato allenato con circa quattro volte più dati. A pesare in modo decisivo sul risultato sono anche l’architettura, la quantità e la qualità dei dati e le risorse di calcolo a disposizione.
Le due strade, del resto, servono a scopi diversi. I sistemi compatti danno il meglio quando bisogna contenere memoria, potenza e costi, oppure portare l’IA direttamente su smartphone e computer personali. Quelli di grande scala inseguono invece una capacità più ampia di affrontare compiti impegnativi e variegati, anche se questo richiede un’infrastruttura molto più pesante. La scommessa cinese non punta a sostituire una categoria con l’altra ma a presidiare entrambi gli estremi, con soluzioni leggere dove conta l’efficienza e piattaforme enormi dove vale la pena pagare il prezzo della crescita.
La nuova frontiera dei 10.000 miliardi
Il prossimo traguardo è già sul tavolo. Alibaba ha confermato il 22 settembre che Qwen 4 è in fase di addestramento e ha anticipato che la sua tabella di marcia per Qwen 4.5 e Qwen 5 prevede modelli compresi tra 5.000 e 10.000 miliardi di parametri. Anche ByteDance starebbe inseguendo una scala simile secondo indiscrezioni di stampa, sebbene l’azienda non abbia confermato nulla in modo ufficiale.
Un confronto diretto tra i sistemi cinesi più recenti e quelli statunitensi, però, al momento non è possibile. OpenAI e Anthropic non indicano il numero di parametri nelle specifiche pubbliche di GPT 5.6 Sol e Claude Fable 5.1.
Fonte: TecnoAndroid
