Geopolitica della copia – Puntata 5

L’intelligenza artificiale e la nuova copia cognitiva

Nel vecchio reverse engineering si smontava una macchina. Nell’intelligenza artificiale, invece, la macchina non si smonta soltanto: si interroga.

Non si apre necessariamente il motore, non si ruba per forza il progetto, non si copia sempre il codice. Si fa parlare il modello, si raccolgono le sue risposte, si osservano le sue scelte, si studiano i suoi errori, si ricostruisce il comportamento.

Nell’IA, il prodotto parla; e parlando insegna a essere imitato.

Questo cambia la natura della copia. Un motore, un telefono, una batteria, un’automobile possono essere comprati, aperti, misurati, sezionati, fotografati, riprodotti. Un modello linguistico, invece, è una macchina cognitiva accessibile attraverso output: risposte, classificazioni, traduzioni, codice, soluzioni matematiche, ragionamenti, decisioni stilistiche, preferenze implicite.

Il suo valore non sta solo nei pesi, nei dati, nell’architettura o nel codice; sta nel modo in cui risponde a milioni di domande possibili. E quel modo, se osservato abbastanza a lungo, diventa materiale di apprendimento.

Qui la copia entra in una fase nuova. Non replica soltanto una forma, ma un comportamento. Non comprime più soltanto il tempo del mercato; comprime il tempo necessario a produrre capacità cognitive artificiali.

Il paradosso è evidente. Gli Stati Uniti investono molto più della Cina nell’intelligenza artificiale, conservano un vantaggio nei semiconduttori più avanzati, nei grandi cloud, nei laboratori di frontiera, nella finanza privata, nella capacità di costruire enormi data center.

Lo Stanford AI Index 2025 registra per il 2024 un investimento privato in AI negli Stati Uniti pari a 109,1 miliardi di dollari, contro 9,3 miliardi in Cina: un divario superiore a dieci volte.

Eppure lo stesso rapporto rileva che il divario prestazionale tra i migliori modelli americani e i migliori modelli cinesi si è ridotto in modo drastico su diversi benchmark. Questo non significa che la Cina abbia superato gli Stati Uniti; significa qualcosa di più interessante per questa serie: il vantaggio di capitale non produce più automaticamente una distanza proporzionale di capacità.

La frontiera resta in larga misura americana, ma la rincorsa cinese costa meno di quanto dovrebbe costare secondo la vecchia aritmetica del capitale. È lo stesso schema visto nella manifattura, nelle piattaforme e nell’automobile elettrica: il primo paga il costo dell’esplorazione, il secondo studia la direzione già aperta, seleziona ciò che funziona, riduce il superfluo, comprime. Nell’IA questa compressione non riguarda componenti, margini o filiere. Riguarda il comportamento intelligente.

La parola tecnica è distillazione.

La distillazione non nasce come furto. Nella ricerca sull’apprendimento automatico è una tecnica normale: un modello più piccolo, meno costoso o più veloce viene addestrato a imitare gli output di un modello più grande e più capace. Il modello grande fa da insegnante; il modello piccolo da studente.

Lo studente non riceve necessariamente tutto ciò che l’insegnante “sa”; riceve esempi del modo in cui l’insegnante risponde. Da quegli esempi impara una parte del comportamento.

Hinton, Vinyals e Dean hanno formalizzato già nel 2015 questa idea di knowledge distillation come trasferimento di capacità da modelli più grandi a modelli più piccoli.

Quando avviene dentro lo stesso laboratorio, la distillazione è efficienza. Un gruppo addestra un modello enorme, costoso, difficile da usare in produzione; poi ne trasferisce parte delle capacità a modelli più piccoli, economici, rapidi, installabili, specializzati. È normale. È industriale. È utile.

Quando però la distillazione avviene interrogando massivamente modelli altrui, il significato cambia. Non si sta più ottimizzando una propria architettura; si sta estraendo comportamento da un sistema costruito da un concorrente.

Non si ruba il codice, non si entra necessariamente nei server, non si sottrae un file. Si usa l’interfaccia come miniera. Domanda dopo domanda, risposta dopo risposta, il modello bersaglio viene trasformato in generatore di dati sintetici per addestrare un altro modello.

Nei compiti verificabili, come matematica e codice, le risposte possono essere controllate automaticamente: un problema matematico ha un risultato, un programma può essere eseguito, un test unitario può dire se il codice funziona.

Nei compiti meno verificabili, come scrittura, sintesi, ragionamento o consulenza, la selezione passa attraverso giudizi umani, modelli-valutatori o confronti tra più risposte. È così che l’output di un modello di frontiera può diventare materia prima per un altro modello.

Il paper di Hinton, Vinyals e Dean sulla knowledge distillation, pubblicato nel 2015, definisce già il principio tecnico: trasferire capacità da un modello più grande a uno più piccolo addestrando il secondo sugli output del primo.

DeepSeek-R1 mostra poi la stessa logica in forma industriale: il rapporto tecnico del 2025 presenta modelli distillati più piccoli, basati su Qwen e Llama, addestrati a riprodurre capacità di ragionamento del modello principale.

La distillazione, quindi, non è un sospetto giornalistico; è una tecnica documentata. Il punto geopolitico nasce quando la stessa tecnica viene applicata non solo a modelli propri o aperti, ma agli output di modelli chiusi, interrogati su larga scala attraverso API, account intermedi, prompt automatizzati e raccolta sistematica delle risposte.

Nel vecchio reverse engineering si smontava una macchina. Nell’IA si fa parlare una macchina cognitiva finché produce abbastanza esempi da addestrarne un’altra. La differenza è radicale. Un motore copiato deve essere materialmente ricostruito; un modello interrogato produce già il materiale della propria imitazione.

La sua utilità è anche la sua vulnerabilità. Più un modello è bravo a rispondere, spiegare, correggere, ragionare, programmare, classificare, più può generare esempi preziosi. Il prodotto cognitivo non resta silenzioso. Insegna.

È per questo che le accuse di distillazione sono diventate uno dei punti più sensibili della competizione tra Stati Uniti e Cina. Secondo il Wall Street Journal, OpenAI e Microsoft hanno indagato sull’ipotesi che gruppi collegati a DeepSeek abbiano usato output dei modelli OpenAI per addestrare sistemi concorrenti.

Bloomberg ha riferito che funzionari e imprese statunitensi hanno considerato la distillazione non autorizzata come una possibile forma di estrazione competitiva. Queste accuse non provano da sole una genealogia tecnica completa dei modelli cinesi, e vanno trattate come accuse, non come sentenza. Ma indicano il punto geopolitico: nella nuova competizione, l’accesso all’output diventa una forma di accesso alla capacità.

Il tema non è soltanto giuridico. È strategico. Se un laboratorio spende decine o centinaia di milioni per costruire un modello di frontiera, e un concorrente può avvicinarsi alle sue prestazioni interrogandolo a grande scala, il vecchio vantaggio del primo arrivato si accorcia.

La rendita cognitiva del modello proprietario diventa meno protetta. Il confine tra uso legittimo, apprendimento, violazione contrattuale, estrazione competitiva e furto industriale diventa più difficile da tracciare.

Qui ritorna la logica della copia, ma in forma più sottile. Nel Novecento industriale, chi voleva imitare doveva accedere all’oggetto, alla fabbrica, alla macchina utensile, alla filiera. Nell’IA, spesso basta accedere al comportamento.

Non tutto è copiabile così: dati, architettura, infrastruttura, qualità dell’addestramento, capacità di allineamento, sicurezza, valutazione, inferenza restano decisivi. Ma una quota rilevante del valore cognitivo diventa osservabile proprio perché il modello deve rispondere per essere utile.

DeepSeek ha reso evidente il fenomeno perché ha incarnato insieme due elementi: prestazione e costo.

Il technical report di DeepSeek-V3 descrive un modello Mixture-of-Experts da 671 miliardi di parametri totali, con 37 miliardi attivati per token, addestrato su 14,8 trilioni di token; il rapporto indica 2,788 milioni di ore GPU H800 e un costo dichiarato di 5,576 milioni di dollari per il training ufficiale, precisando che il calcolo esclude ricerca preliminare, ablation studies e altri costi di sviluppo.

Il numero non va letto ingenuamente come costo totale dell’intera impresa DeepSeek, ma segnala una direzione: ottenere prestazioni elevate con forte disciplina di efficienza.

DeepSeek-R1 ha poi spostato l’attenzione sul ragionamento. Nel paper del 2025, DeepSeek descrive R1 come un modello capace di sviluppare capacità di ragionamento tramite reinforcement learning e presenta anche modelli distillati più piccoli basati su Qwen e Llama.

La cosa interessante non è soltanto che il modello cinese si avvicini a prestazioni americane su alcuni benchmark; è che l’intero pacchetto tecnico comunica una cultura: non massima abbondanza computazionale, ma ottimizzazione, distillazione, apertura dei pesi, riuso, riduzione dei costi, trasferimento di capacità verso modelli più piccoli.

Questa è la scarsità come disciplina tecnica.

I controlli americani sui chip hanno certamente colpito la Cina. Dal 2022 il Bureau of Industry and Security del Dipartimento del Commercio statunitense ha ristretto l’accesso cinese ai chip avanzati e agli strumenti per la manifattura di semiconduttori; le restrizioni successive hanno ridotto l’accesso alle GPU più performanti e hanno costretto Nvidia a progettare versioni depotenziate per il mercato cinese, come H800, poi colpite a loro volta da nuove restrizioni.

Il punto, però, è che la scarsità non produce soltanto ritardo. Può produrre anche una cultura tecnica diversa: usare meglio hardware meno potente, ridurre sprechi, ottimizzare architetture, comprimere inferenza, puntare su modelli open-weight, costruire catene di riuso.

La scarsità, naturalmente, non è magia. La Cina resta vulnerabile su litografia avanzata, memoria ad alta banda, software stack, produzione di GPU competitive, accesso a cluster giganteschi.

RAND ha insistito sul fatto che gli Stati Uniti mantengono un vantaggio strutturale nel compute complessivo e che i controlli all’export hanno imposto costi reali alla traiettoria cinese. Ma gli stessi controlli non sono barriere assolute: rallentano, complicano, costringono a deviazioni; non cancellano l’apprendimento.

E talvolta la deviazione diventa metodo.

DeepSeek-V3 non è importante perché dimostra che i chip non servono più. Sarebbe una sciocchezza. È importante perché mostra che, quando i chip migliori diventano più difficili da ottenere, il sistema cerca efficienza in altri punti: architettura MoE, Multi-head Latent Attention, mixed precision FP8, comunicazione più efficiente tra GPU, riduzione del costo di inferenza, distillazione del ragionamento.

L’abbondanza computazionale americana consente di spingere la frontiera; la scarsità cinese costringe a comprimere il percorso verso una prestazione sufficiente a competere.

Il confronto non è tra genio e imitazione. È tra due regimi di innovazione.

Il regime americano dispone di capitale, cloud, chip, laboratori di frontiera, talenti globali, grandi aziende capaci di spendere cifre enormi prima di monetizzare. Il regime cinese dispone di un mercato interno vasto, piattaforme, Stato strategico, domanda industriale, ingegneri, pressione competitiva, abitudine alla compressione e necessità di fare di più con meno. Uno produce frontiera; l’altro prova a rendere la frontiera meno costosa, più accessibile, più replicabile, più distribuita.

Qui la copia cognitiva diventa geopolitica. Non perché ogni modello cinese derivi da un modello americano, né perché la Cina non sappia innovare autonomamente. La questione è più precisa: nell’IA, il comportamento dei modelli di frontiera diventa una risorsa osservabile, e quindi comprimibile.

Chi arriva dopo può studiare output, benchmark, paper, modelli open-weight, dataset sintetici, API, errori pubblici, prompt, fallimenti, esempi di ragionamento. Il laboratorio dominante non espone più soltanto un prodotto; espone una parte del proprio modo di pensare artificiale.

Non tutto si trasferisce. La qualità profonda del dato, la scala del training, la gestione dell’inferenza, la sicurezza, l’allineamento, la robustezza, la memoria, l’integrazione nei prodotti, la fiducia degli utenti e il controllo dell’infrastruttura restano barriere potenti.

Ma la copia cognitiva non ha bisogno di trasferire tutto per essere destabilizzante. Le basta comprimere una parte sufficiente del vantaggio.

È lo stesso meccanismo visto in Shein, Temu e BYD, ma spostato sul piano del comportamento. Shein non deve inventare la moda per interrogarla; Temu non deve controllare ogni negozio per comprimere il margine; BYD non deve possedere tutta la storia dell’automobile per accorciare il ciclo elettrico.

Nell’IA, un concorrente non deve necessariamente possedere il modello originario per assorbirne una parte del comportamento.

Questa è la nuova soglia.

Nell’industria materiale, la copia dipendeva dall’osservabilità dell’oggetto. Nell’industria cognitiva, dipende dall’interrogabilità del modello. Più il modello è accessibile, più produce esempi; più produce esempi, più diventa addestratore involontario; più diventa addestratore involontario, più la distanza tra frontiera e rincorsa si accorcia.

Il paradosso è che i modelli più utili sono anche quelli più esposti. Un modello chiuso ma inutilizzabile non genera valore; un modello utile deve interagire, e interagendo lascia tracce.

Ogni API, ogni chatbot, ogni ambiente di coding, ogni assistente aziendale diventa potenzialmente una superficie di estrazione.

Le imprese americane lo sanno, per questo limitano scraping, vietano distillazione non autorizzata, monitorano account, chiudono accessi sospetti, controllano Paesi e intermediari. Ma la superficie resta ampia perché il prodotto è linguaggio, e il linguaggio circola.

Qui si vede il legame con la serie. La Cina ha imparato dall’oggetto, poi dalla fabbrica, poi dalla piattaforma, poi dal mercato. Nell’intelligenza artificiale può imparare dal comportamento.

Non sempre illegalmente, non sempre consapevolmente, non sempre da un solo modello; ma attraverso un ambiente globale in cui paper, benchmark, modelli open-weight, output sintetici, repository, API, comunità tecniche e dataset circolano con velocità superiore a quella della vecchia industria.

La frontiera cognitiva perde solitudine appena comincia a parlare.

Questo non assolve la Cina da pratiche estrattive, violazioni contrattuali o possibili appropriazioni indebite. Ma ridurre tutto alla categoria del furto impedisce di vedere il fenomeno più ampio.

La distillazione è una tecnica; l’estrazione competitiva è un uso strategico di quella tecnica; la compressione cognitiva è il suo effetto geopolitico. Il punto non è stabilire qui la colpevolezza di un singolo laboratorio. Il punto è capire perché l’IA rende più fragile la rendita del primo arrivato.

Il vantaggio americano resta reale. Ma diventa meno tranquillo.

Gli Stati Uniti possono costruire il modello migliore, addestrarlo su cluster più grandi, proteggerlo con capitale, cloud e chip. La Cina può non raggiungerlo subito, ma può ridurre rapidamente il divario utile: imitare comportamenti, ottimizzare architetture, rilasciare modelli aperti, abbassare il costo d’uso, spingere l’adozione nei mercati sensibili al prezzo, costringere i concorrenti occidentali a rivedere tariffe e strategie.

Dopo DeepSeek, i tagli di prezzo e la pressione sui costi di inferenza sono diventati parte della competizione globale, non un dettaglio tecnico.

La compressione, quindi, torna. Non più stagione, margine o ciclo industriale. Capacità cognitiva.[i]

Perché cambia l’oggetto copiato. Quando il potere era nella macchina, si copiava la macchina. Quando il potere era nella fabbrica, si copiava il processo. Quando il potere era nella piattaforma, si copiava l’ambiente di mercato. Quando il potere è nel modello, si copia il comportamento. Ogni volta la copia riduce il tempo durante il quale l’innovatore può restare solo.

Questa è la ferita geopolitica della frontiera.

Chi innova vuole rendita temporale: essere avanti abbastanza a lungo da trasformare il vantaggio tecnico in potere economico, politico e militare. Chi copia vuole ridurre quel tempo.

Non deve negare l’innovazione; deve impedirle di restare monopolio. Non deve superare immediatamente il primo; deve avvicinarsi abbastanza da comprimere prezzo, margine e durata del vantaggio.

Nelle economie finanziarizzate, questa compressione colpisce il cuore del sistema: l’aspettativa. Il futuro non vale per ciò che è; vale per ciò che il mercato crede potrà rendere.

Se la Cina modifica il prezzo atteso di una tecnologia, modifica anche il valore presente delle imprese che su quel prezzo hanno costruito debito, investimenti, piani industriali e capitalizzazione.

Il conflitto non è tra innovazione e imitazione. È tra durata della rendita e governo del prezzo.

Gli Stati Uniti restano il luogo dell’apertura. Inventano, finanziano, accumulano capitale, attirano talenti, costruiscono laboratori, producono shock tecnologici. Senza l’abbondanza americana, molta parte della frontiera contemporanea non esisterebbe.

La Cina, però, trasforma l’apertura altrui in pressione sul prezzo. Inserisce la tecnologia dentro un sistema di scala; lo Stato orienta, il mercato interno assorbe, le imprese competono, la manifattura produce, la logistica distribuisce, le piattaforme misurano, l’export scarica sovraccapacità, il prezzo apre mercati che la versione premium non raggiunge.

Il prezzo decide quanto dura la solitudine dell’innovatore.

Per questo la copia è geopolitica. Non perché ogni copia sia furto, non perché ogni imitazione sia illegittima, non perché l’innovazione non conti più. La copia è geopolitica perché decide quanto a lungo una potenza può restare sola davanti a una tecnologia.

Decide chi paga il costo della scoperta e chi raccoglie il beneficio della diffusione. Decide se il futuro resta premium o diventa accessibile.

L’America guarda al futuro e prova a finanziarlo. La Cina prova a governarne il prezzo. L’Europa prova a regolarne l’accesso.

Da questa triangolazione nasce la nuova competizione tecnologica. Non è più sufficiente chiedere chi inventa. Bisogna chiedere chi scala, chi distribuisce, chi riduce il costo, chi impone il formato, chi cattura i dati, chi controlla l’interfaccia, chi produce lo standard di fatto, chi modifica le aspettative finanziarie, chi rende normale ciò che ieri era frontiera.

La geopolitica della copia è questo: la lotta per trasformare l’innovazione altrui in tempo proprio, margine proprio, standard proprio.

Ma la sua forma più alta è ancora più precisa: è la lotta per governare il prezzo del futuro. E con esso, l’orientamento delle nostre vite.[ii]

[i] Bibliografia

• 2025. OpenAI Says It Has Evidence China’s DeepSeek Used Its Model to Train Rival AI. New York: Bloomberg.
• Bureau of Industry and Security. 2022. Commerce Implements New Export Controls on Advanced Computing and Semiconductor Manufacturing Items to the People’s Republic of China. Washington, DC: U.S. Department of Commerce.
• DeepSeek-AI. 2024. DeepSeek-V3 Technical Report. arXiv:2412.19437.
• DeepSeek-AI. 2025. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948.
• Gupta, R., Walker, L. and Reddie, A.W. 2024. Whack-a-Chip: The Futility of Hardware-Centric Export Controls. arXiv:2411.14425.
• Hinton, G., Vinyals, O. and Dean, J. 2015. Distilling the Knowledge in a Neural Network. arXiv:1503.02531.
• Maslej, N., Fattorini, L., Perrault, R., Gil, Y., Parli, V. et al. 2025. Artificial Intelligence Index Report 2025. Stanford, CA: Stanford Institute for Human-Centered Artificial Intelligence.
• RAND Corporation. 2025. China’s AI Models Are Closing the Gap, but America’s Real Advantage Lies Elsewhere. Santa Monica, CA: RAND Corporation.
• Wall Street Journal. 2025. OpenAI Probes Whether DeepSeek Improperly Used Its Data. New York: Dow Jones.

[ii] Bibliografia

• Akerlof, G.A. 1970. “The Market for ‘Lemons’: Quality Uncertainty and the Market Mechanism”. Quarterly Journal of Economics, 84(3), pp. 488-500.
• Bureau of Industry and Security. 2022. Commerce Implements New Export Controls on Advanced Computing and Semiconductor Manufacturing Items to the People’s Republic of China. Washington, DC: U.S. Department of Commerce.
• Draghi, M. 2024. The Future of European Competitiveness. Brussels: European Commission.
• European Commission. 2024. Artificial Intelligence Act. Brussels: European Commission.
• European Commission. 2024. Digital Markets Act and Digital Services Act implementation materials. Brussels: European Commission.
• Hayek, F.A. 1945. “The Use of Knowledge in Society”. American Economic Review, 35(4), pp. 519-530.
• Herskovits, M.J. 1948. Man and His Works: The Science of Cultural Anthropology. New York: Alfred A. Knopf.
• International Energy Agency. 2025. Global EV Outlook 2025. Paris: IEA.
• International Federation of Robotics. 2025. World Robotics 2025. Frankfurt: IFR.
• Kahneman, D. and Tversky, A. 1979. “Prospect Theory: An Analysis of Decision under Risk”. Econometrica, 47(2), pp. 263-291.
• Marshall, A. 1890. Principles of Economics. London: Macmillan.
• Maslej, N., Fattorini, L., Perrault, R., Gil, Y., Parli, V. et al. 2025. Artificial Intelligence Index Report 2025. Stanford, CA: Stanford Institute for Human-Centered Artificial Intelligence.
• 2025. Big Tech expected to spend more than $300 billion on AI in 2025. London: Reuters.
• 2025. OpenAI, Oracle and SoftBank announce Stargate AI infrastructure project. London: Reuters.
• Ricardo, D. 1817. On the Principles of Political Economy and Taxation. London: John Murray.
• Smith, A. 1776. An Inquiry into the Nature and Causes of the Wealth of Nations. London: W. Strahan and T. Cadell.
• Synergy Research Group. 2025. Cloud Market Share and Infrastructure Services Report. Reno: Synergy Research Group.
• Thaler, R.H. 1985. “Mental Accounting and Consumer Choice”. Marketing Science, 4(3), pp. 199-214.
• 2025. International Yearbook of Industrial Statistics 2025. Vienna: United Nations Industrial Development Organization.
• Williams, J.B. 1938. The Theory of Investment Value. Cambridge, MA: Harvard University Press.
• World Bank. 2025. Manufacturing, value added: World Development Indicators. Washington, DC: World Bank.