Google DeepMind e l’RSI: è stata superata l’ultima frontiera dell’IA?

@haider1 scrive che tre nuovi modelli sarebbero arrivati nell’arco di sei settimane e vi vede un « sign of early RSI ». La sua formulazione completa è significativa:

"google is definitely using some form of RSI to progress this quickly" @haider1

Questa frase si spinge molto in là, ma non afferma che Google abbia « reached RSI » nel senso di un ciclo autonomo completo. Parla di « some form of RSI » e di un segnale precoce, vale a dire un’ipotesi su meccanismi interni di produttività, automazione o iterazione accelerata.

L’elenco fornito da @lender980 illustra il ritmo osservato, con annunci che vanno da Gemini 3.7 Flash del 13 agosto a Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 e altre versioni rilasciate tra la fine di agosto e l’inizio di settembre. Questa frequenza può effettivamente suggerire un’organizzazione dello sviluppo più rapida.

Può tuttavia essere spiegata da diversi fattori più convenzionali:

• varianti di prodotti simili pubblicate in date diverse;
• una maggiore potenza di calcolo dedicata all’addestramento e alle valutazioni;
• team e pipeline di ingegneria più efficienti;
• modifiche al ragionamento, alla velocità o ai costi;
• una strategia commerciale di rilascio accelerato.

@JakeKAllDay propone proprio una spiegazione convenzionale per il passaggio da Gemini 3.7 a 3.8:

"i like gemini but the jump from 3.7 vs 3.8 is mostly just a boost in juice/thinking effort. 3.8 med ~ equals 3.7 high on thinking effort. its partially masked by a ~10% speed up in tps." @JakeKAllDay

La sua argomentazione non dimostra l’assenza di capacità interne più avanzate. Ricorda tuttavia che il ritmo dei lanci, o un miglioramento visibile dei prodotti, non è sufficiente per diagnosticare un auto-miglioramento ricorsivo.

Un’iterazione più rapida è un possibile segnale operativo, non la dimostrazione di una RSI autonoma e chiusa.

Il paradosso di @haider1: vede un segnale precoce, poi dubita che la RSI sia già stata raggiunta

Uno degli aspetti più interessanti della discussione è che @haider1 si ritrova su entrambi i fronti del dibattito. Il 6 settembre interpreta gli output di Gemini come un segnale di «RSI precoce». Il 12 settembre, sotto il post di @kimmonismus, contesta logicamente l’idea che la RSI sia già stata raggiunta, alla luce dei prodotti pubblici.

"in realtà l'ho detto qualche giorno fa, ma non sono ancora sicuro di come possa accadere, visto che i modelli di google sono ancora parecchio indietro nella programmazione quindi, se google sostiene di aver raggiunto la RSI, allora openai e anthropic probabilmente hanno raggiunto qualcosa di simile molto prima" @haider1

Questa obiezione prende di mira direttamente il divario tra una spettacolare ipotesi sulle capacità interne e l’esperienza degli utenti con i modelli Gemini per la programmazione. Se Google avesse effettivamente chiuso un ciclo di miglioramento ricorsivo altamente performante, perché i suoi modelli pubblici non dominerebbero chiaramente le attività di programmazione, ragionamento o lavoro agentico rispetto ai concorrenti spesso considerati leader?

@kimmonismus risponde formulando un’ipotesi strategica:

"La domanda è se Google possa semplicemente rinunciare a offrire ai consumatori una tecnologia all'avanguardia e investire invece tutto nella RSI." @kimmonismus

È una possibilità. I laboratori non rendono necessariamente pubbliche le loro capacità migliori, in particolare per ragioni di sicurezza, costi, affidabilità o concorrenza. Ma in questa discussione nessun dato conferma che Google abbia deliberatamente trattenuto una tecnologia all’avanguardia e funzionante per privilegiare un ciclo RSI interno.

Il divario tra le capacità interne di Google e i suoi prodotti pubblici è concepibile, ma in questo caso rimane una possibile spiegazione, non un fatto accertato.

I prodotti Gemini restano al centro delle obiezioni degli scettici

Diversi partecipanti non respingono l’idea che Google disponga di una ricerca di altissimo livello. Contestano piuttosto il salto logico che consiste nel trasformare questa forza scientifica in una prova della RSI.

Sotto il post di @lyraxana, @DeepLearn007 evidenzia questo divario tra ricerca e prodotto:

"Google possiede una ricerca straordinaria: dopotutto, ha aperto la strada ai Transformer con il meccanismo di Self-Attention e ha condotto gran parte della ricerca iniziale sul RL che alimenta gli LLM. Ma ha avuto difficoltà nel tradurre la ricerca in prodotti. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli muove una critica simile, basata più direttamente sull’uso dei modelli pubblici:

"Voglio crederci, ma conoscendo i loro modelli pubblici faccio fatica. :) Siamo un po' tornati ai tempi di Bard rispetto agli altri modelli di fascia alta." @VibeDevolli

@kimmonismus gli risponde senza fornire nuovi elementi:

"A dire il vero: GDM è ancora in gara" @kimmonismus

La risposta è ragionevole, nella misura in cui Google DeepMind rimane uno dei principali attori dell’IA. Tuttavia, non risponde alla domanda sollevata: quali prestazioni pubbliche, pubblicazioni tecniche o prove operative consentirebbero di passare da un’azienda competitiva a un’azienda che ha raggiunto la RSI?

@Politas180 condensa questa obiezione in una frase particolarmente incisiva:

"Se avessero davvero chiuso il ciclo, Gemini sarebbe già il modello che lascio in esecuzione durante la notte. Non lo è. Scriverlo tutto in maiuscolo non cambia le cose." @Politas180

Si tratta del giudizio di un utente, non di un benchmark accademico. Tuttavia, riflette un punto condiviso da diversi partecipanti: oggi nessuna esperienza pubblica con Gemini fornisce una prova evidente di un vantaggio decisivo compatibile con un ciclo di auto-miglioramento ricorsivo già completato.

La distinzione tecnica decisiva: assistenza alla ricerca contro RSI end-to-end

La risposta più solida della discussione viene da @MTorygreen. Non nega né i progressi di Google né il potenziale impatto dell’IA sulla ricerca e sull’addestramento dei modelli futuri. Pone semplicemente la domanda essenziale: dove si colloca ancora l’intervento umano?

"Sarei cauto nel definire qualcosa come RSI finché non sapremo dove si trova ancora il collo di bottiglia umano. Se il modello genera esperimenti migliori, migliora il codice e contribuisce a progettare il successivo ciclo di addestramento, è un risultato enorme. Ma c'è ancora un grande divario tra questo e un sistema che migliora ricorsivamente se stesso end-to-end." @MTorygreen

Questa distinzione è essenziale per interpretare le indiscrezioni sull’AGI di Google DeepMind.

Un sistema può contribuire a:

1. generare ipotesi di ricerca;
2. scrivere o correggere una parte del codice di addestramento;
3. proporre architetture o dati sintetici;
4. accelerare le valutazioni;
5. aiutare gli ingegneri a scegliere il successivo ciclo di addestramento.

Tutto ciò può accelerare notevolmente il lavoro di un laboratorio. Ma una RSI forte richiederebbe di più: i risultati dovrebbero essere selezionati, convalidati, integrati, addestrati e distribuiti con un intervento umano sufficientemente ridotto da consentire al sistema di migliorare autonomamente le proprie capacità in modo cumulativo.

Occorrerebbe quindi sapere dove intervengono ancora le convalide, le decisioni architetturali, i controlli di sicurezza, i compromessi relativi alle risorse di calcolo, l’accesso ai dati e l’esame dei risultati. Il thread non fornisce alcuna risposta a queste domande.

Per questo l’argomentazione di @MTorygreen è la meglio corroborata: la discussione suggerisce una possibile automazione, ma non documenta un ciclo di miglioramento autonomo end-to-end.

Una narrazione strategica non sostituisce una dimostrazione tecnica

@kimmonismus aggiunge al suo post riferimenti a Demis Hassabis, Sergey Brin, Reuters e all’importanza strategica della RSI nella competizione per l’AGI. Questi elementi possono spiegare perché una tecnologia del genere interesserebbe a Google. Non dimostrano che sia stata realizzata.

Il fatto che Google DeepMind consideri l’AGI, l’automazione della ricerca o il miglioramento dei modelli come priorità è coerente con la strategia di tutti i grandi laboratori. Un’ambizione industriale non costituisce una convalida tecnica.

@kimmonismus afferma inoltre che tratterà l’argomento nella sua newsletter Superintelligence. La pagina si presenta come un briefing sull’IA pensato per «vincere il futuro» e dichiara oltre 160.000 abbonati giornalieri. Questo posizionamento spiega l’interesse per l’argomento, ma non fornisce ulteriori dati indipendenti sulla voce.

Perché la voce merita comunque di essere presa sul serio

L’assenza di prove pubbliche non significa che l’intero caso sia privo di fondamento. Due segnali strategici verificabili spiegano perché oggi la voce trovi un terreno particolarmente fertile.

Innanzitutto, nell’agosto 2026 Google ha annunciato che Demis Hassabis sarebbe diventato Chair di Google DeepMind e Chief Scientist di Alphabet. Il gruppo precisa che questo nuovo ruolo dovrebbe consentirgli di dedicare la sua «piena attenzione» a plasmare il futuro dell’AGI. L’annuncio ufficiale è disponibile sul blog di Google.

Inoltre, Reuters ha riferito il 12 agosto 2026 che Sergey Brin stava orientando gli sforzi di Google verso il miglioramento ricorsivo autonomo nell’ambito della riorganizzazione delle sue attività di IA. Il reportage descrive la RSI come un ambito sufficientemente strategico da incidere sull’allocazione delle risorse e sulla struttura dei team. Ciò non conferma che sia stato realizzato un ciclo funzionante. Conferma, invece, che il tema esiste a livello strategico all’interno di Google e non soltanto nelle speculazioni su X. Il reportage di Reuters è consultabile qui.

La distinzione è decisiva. Disponiamo di solidi indizi che Google voglia accelerare l’auto-miglioramento dei propri sistemi. Non disponiamo di prove pubbliche che abbia superato la soglia che i social network chiamano già “RSI”.

Se Google dispone davvero di un ciclo di RSI, la corsa all’IA cambia natura

È qui che questa storia diventa più importante di una semplice voce su un modello. Un vero ciclo di RSI non sarebbe soltanto «un Gemini più intelligente». Cambierebbe il processo che produce i prossimi Gemini.

1. Il ritmo del progresso diventerebbe esso stesso una capacità competitiva

Finora, la corsa tra Google, OpenAI e Anthropic è stata letta soprattutto attraverso generazioni successive di modelli, benchmark e lanci di prodotti. Un ciclo di auto-miglioramento sposterebbe la competizione a un livello superiore: la velocità con cui un laboratorio può migliorare la propria macchina di ricerca.

Se un sistema contribuisce a individuare gli esperimenti utili, scrive una quota crescente del codice, analizza automaticamente i fallimenti e propone il successivo addestramento, il laboratorio non guadagna soltanto qualche punto nei benchmark. Accorcia il ciclo tra due generazioni. In questo scenario, confrontare i modelli pubblici in un determinato momento diventa meno informativo che misurare il tasso di progresso interno.

È anche ciò che rende interessante la cadenza di Gemini, senza però farne una prova. Tre versioni ravvicinate non dimostrano nulla di per sé. Ma se questa cadenza deriva da una profonda automazione della R&S, diventa un indicatore di un vantaggio più strutturale.

2. Il miglior modello di Google potrebbe non diventare mai un prodotto pubblico

L’ipotesi avanzata da @kimmonismus merita di essere esaminata: Google potrebbe riservare i suoi sistemi più avanzati alla ricerca interna anziché renderli immediatamente disponibili ai consumatori.

Questa strategia avrebbe una logica economica. Un modello interno in grado di migliorare i dati, il codice di addestramento, le valutazioni o le architetture può avere più valore come moltiplicatore di R&S che come chatbot commercializzato con qualche settimana di anticipo. Il prodotto pubblico potrebbe quindi mostrare un apparente ritardo, celando al contempo un’infrastruttura interna molto più avanzata.

Ciò spiegherebbe il paradosso centrale del thread, ma solo se un giorno emergessero elementi indipendenti a confermarlo. Per il momento, è un’ipotesi coerente, non una spiegazione dimostrata.

3. Il compute diventerebbe capitale di ricerca capace di migliorare il proprio rendimento

Una RSI anche solo parziale potrebbe modificare l’economia del calcolo. Oggi, un maggior numero di GPU consente soprattutto di eseguire più esperimenti, addestrare modelli più grandi o servire più utenti. In un ciclo di miglioramento automatizzato, una parte del compute serve anche a progettare modi migliori di utilizzare il compute futuro.

In altre parole, il calcolo non finanzia più soltanto un modello. Finanzia un processo che cerca di rendere più efficiente il ciclo successivo. Se questo ciclo funziona davvero, il vantaggio dei gruppi che dispongono dei cluster più grandi, dei chip migliori, di energia e di un’integrazione verticale potrebbe ampliarsi.

Google si trova in una posizione particolarmente favorevole in questo ambito grazie alle sue TPU, ai suoi data center, ai suoi team di ricerca e alla sua capacità di implementare i risultati in un’infrastruttura globale. Ciò non garantisce alcuna RSI. Spiega però perché una svolta di questo tipo in DeepMind avrebbe conseguenze industriali sproporzionate.

4. OpenAI e Anthropic sarebbero spinte verso una maggiore segretezza e un uso interno più intenso

Se un attore dimostrasse che un sistema migliora concretamente il processo che costruisce il suo successore, i concorrenti avrebbero scarso interesse a rispondere soltanto con un lancio pubblico. Cercherebbero anch’essi di trasformare i loro modelli migliori in ricercatori, ingegneri, valutatori e operatori interni.

La conseguenza visibile potrebbe essere paradossale: più le capacità interne diventano strategiche, meno i modelli pubblici raccontano l’intera competizione. I benchmark rivolti al grande pubblico rimarrebbero importanti, ma descriverebbero un livello di prodotto. La vera competizione si giocherebbe sulla qualità degli agenti interni, sull’automazione degli esperimenti, sul rendimento del compute e sulla capacità di trasformare un’idea in un addestramento affidabile.

Per questo l’obiezione «Gemini pubblico non è il numero uno, quindi Google non può avere una RSI» è insufficiente. Ma l’argomento opposto è altrettanto debole: «Gemini progredisce rapidamente, quindi Google ha la RSI». Entrambi confondono il prodotto osservabile con l’infrastruttura di ricerca che lo produce.

5. La sicurezza e la regolamentazione dovrebbero monitorare una capacità, non una parola

Il termine RSI è troppo vago per diventare, da solo, una soglia normativa utile. La domanda corretta è più concreta: quali attività di ricerca può svolgere un sistema senza intervento umano, con quale tasso di successo e per quanti cicli consecutivi?

Indicatori più pertinenti sarebbero la capacità di modificare il codice di addestramento, progettare e selezionare esperimenti, diagnosticare i risultati, proporre un’architettura successiva, gestire le risorse di calcolo e mantenere un miglioramento misurabile nel corso di più iterazioni.

Un laboratorio potrebbe possedere diversi elementi di questa catena senza disporre di una RSI autonoma end-to-end. È probabilmente questa zona intermedia a essere più rilevante nel breve termine. Può già accelerare notevolmente il progresso, concentrare il vantaggio nelle mani di pochi attori e complicare le valutazioni di sicurezza, senza assomigliare al «ciclo esponenziale» spesso immaginato quando il termine RSI circola su X.

Ciò che il lettore deve ricordare da questa serie di post

La voce sulla RSI di Google DeepMind si basa su tre livelli di informazione che non devono essere confusi:

• @lyraxana ha pubblicato un messaggio di congratulazioni ambiguo, senza menzionare né la RSI né l’AGI.
• @haider1 aveva precedentemente interpretato il ritmo di Gemini come un «sign of early RSI», ovvero un’ipotesi circoscritta su una possibile automazione accelerata.
• @kimmonismus ha collegato questi segnali a una voce più precisa secondo cui Google DeepMind avrebbe raggiunto la RSI, pur riconoscendo che si tratta ancora di una voce.

Il thread lascia diverse domande senza risposta:

• Che cosa voleva dire realmente @lyraxana?
• Quali elementi verificabili ne attestano l'affidabilità come fonte di indiscrezioni sull'IA?
• Quali dati permetterebbero di distinguere una pipeline di sviluppo automatizzata da un auto-miglioramento ricorsivo completo?
• I modelli pubblici di Google sottostimano le reali capacità interne o riflettono più direttamente lo stato dei suoi sistemi?
• Il ritmo degli annunci su Gemini deriva da un'IA più autonoma, da team migliori, da una maggiore capacità di calcolo o da una strategia di pubblicazione?

La conclusione più rigorosa è quindi meno spettacolare della voce iniziale. Google può benissimo accelerare i propri processi interni, utilizzare l'IA per migliorare il codice, gli esperimenti e gli addestramenti, e investire fortemente nell'AGI. Ma nessun elemento pubblico di questo thread dimostra che Google DeepMind abbia raggiunto un auto-miglioramento ricorsivo completo, né tantomeno che il messaggio di @lyraxana si riferisse precisamente a questa idea.