In una newsletter dedicata ai modelli open, un ricercatore che ha partecipato alla creazione dei modelli Olmo presso Ai2 paragona l’attuale ecosistema ai grandi software liberi, come il sistema operativo Linux. Secondo lui, questo paragone non rende pienamente conto della dinamica di questi modelli, il cui futuro economico rimane incerto.
L’analogia più spesso avanzata si scontra con una distinzione. Un modello linguistico open nel senso stretto, cioè fornito con la sua ricetta completa di addestramento, i suoi dati e il suo codice, si avvicinerebbe a un sistema operativo libero. I modelli a pesi aperti, che forniscono solo i parametri appresi e il codice per farli funzionare, assomigliano di più a versioni precise di un software installato in un progetto.
I pesi di un modello hanno in media una durata di vita breve, ma rimangono utilizzati a lungo, come molti software molto impiegati. Ecco perché, secondo l’autore, molte aziende continuano a far funzionare i loro flussi di lavoro su Llama 3, mentre i comportamenti agentici, dove un modello concatenava azioni in modo autonomo, si sono sviluppati diversi anni dopo. La ricetta open, illustrata oggi da Olmo e dai suoi predecessori, come Pythia di EleutherAI, è un processo costoso in risorse che qualsiasi azienda può riprendere, modificare e rilanciare per produrre un nuovo insieme di pesi. I miglioramenti apportati dalla comunità sui dati o sul codice di addestramento possono, nei casi migliori, alimentare la generazione successiva.
È in questo quadro che Nvidia investe fortemente in modelli quasi open. Per i suoi modelli Nemotron, l’azienda pubblica tutti i dati che può diffondere legalmente, così come il codice di addestramento. L’autore vi vede la volontà di un mondo dove molte persone potrebbero costruire le proprie « macchine a token », affinché l’intelligenza non sia monopolizzata, un mondo che presuppone una forte domanda di inferenza da parte di molte aziende. Un token è un’unità di testo processata da un modello, e l’inferenza designa l’uso del modello per produrre risposte.
Un’economia esigente
Lo sviluppo di modelli competitivi rimane estremamente costoso, ma l’accesso a questa corsa è rimasto più ampio nell’industria di quanto molti avrebbero immaginato, secondo l’autore. Egli nota che la maggior parte degli osservatori considera l’addestramento troppo caro e la ricetta open troppo in ritardo perché un nuovo laboratorio centrato su una parte dell’addestramento degli LLM sia sostenibile. Gli abbandoni di Databricks e di 01.ai gli sembrano tuttavia casi isolati piuttosto che il segno di una tendenza generale.
Due traiettorie si delineano. Nella prima, l’approccio funziona: secondo Wired, Nvidia dedicherebbe 26 miliardi di dollari a questa impresa, e se questa scommessa riesce, la domanda per i suoi chip e i suoi profitti supererebbero il costo di costruzione dei modelli. L’autore stima che l’ecosistema open dipenderà sempre più dal finanziamento di Nvidia nei prossimi anni, e che la remunerazione economica di questi modelli dovrà, alla fine, essere proporzionale ai ricavi generati dalle API di Anthropic e OpenAI.
Due traiettorie possibili
Nella seconda, se nessuna di queste vie finanziarie si concretizza, i modelli open seguirebbero un percorso diverso dai modelli closed più avanzati, incentrato sull’efficienza, la modificabilità e la specializzazione. L’autore considera questo scenario come il più probabile: i modelli open rimarrebbero molto utili, ma occuperebbero soprattutto una « lunga coda » di fronte ai modelli closed, che detengono posizioni dominanti in domini come il lavoro di conoscenza, la scoperta di farmaci o lo sviluppo software. Questa lunga coda potrebbe prendere la forma di agenti specializzati, dispiegati in loco, su dati privati e compiti ripetitivi.
L’autore sottolinea anche che l’addestramento diventa più complesso e più astratto. L’attuale ascesa dei modelli open si basa in gran parte sul post-addestramento, cioè l’adattamento di modelli come DeepSeek V4 Flash, Inkling Small o GLM 5.X a compiti agentici precisi, spesso tramite un fine-tuning, o regolazione fine. Tinker, secondo lui l’interfaccia di regolazione fine più popolare oggi, illustra questa pratica. Ma la capacità di addestrare un modello di base per farne un ragionatore agentico generale diventa, secondo lui, altrettanto opaca delle pratiche di pre-addestramento su larga scala di alcuni anni fa. Il vocabolario abituale, fondato su pre-addestramento, mid-addestramento e post-addestramento, potrebbe evolvere verso pre-addestramento, addestramento al ragionamento e post-addestramento.
Il numero di attori che pubblicano modelli di base diminuisce, e alcuni editori sperimentano licenze a condivisione di ricavi per l’uso dei loro modelli in prodotti o per l’inferenza, come quelle di Kimi-K3 e di Qwen3.8-2.4T-A95B. Infine, l’autore evoca il caso di Meta, che potrebbe diffondere i suoi pesi sotto licenza open: secondo lui, la pubblicazione di Muse Spark 1.2, un modello molto performante, frenerebbe la crescita dei ricavi di Anthropic e OpenAI, che si basano sulla vendita di token. Nvidia vuole insegnare a ciascuno a pescare token, mentre Meta inonda il mercato di token.
