AI cinese a quattro mesi dagli USA: gli open-weight sfidano il freno di Amodei

🤖 Cosa cambia

• Mozilla stima in circa 4,4 mesi il divario tra i migliori modelli open-weight e la frontiera chiusa, ma la distanza varia molto secondo benchmark e hardware.
• Otto dei dieci modelli più utilizzati su OpenRouter risultano open-weight e sette sono cinesi, con prezzi di inferenza nettamente inferiori ai frontier model USA.
• Pechino interpreta il “pace the frontier” di Amodei anche come strumento competitivo, mentre chip, HBM e litografia diventano il secondo fronte della stessa corsa.

Il vantaggio statunitense nell’intelligenza artificiale non è scomparso, ma sul fronte open-weight sta diventando molto più corto e molto più costoso da difendere. La nuova versione dello State of Open Source AI di Mozilla stima in circa 4,4 mesi il ritardo dei migliori modelli aperti rispetto alla frontiera proprietaria, mentre piattaforme cinesi come Kimi, DeepSeek e GLM stanno comprimendo contemporaneamente il divario nelle capacità e il costo dell’inferenza. La misura non significa che Pechino sia a quattro mesi dagli Stati Uniti in ogni area dell’AI: hardware, training, benchmark agentici e modelli che possono essere eseguiti su una singola macchina mostrano differenze molto più ampie. Ma rende politicamente più difficile la proposta di Dario Amodei di rallentare la frontiera: un accordo occidentale ha poco valore se l’inseguitore sta recuperando proprio grazie a modelli più economici, scaricabili e sempre più competitivi.

Mozilla misura il ritardo degli open-weight in circa 4,4 mesi

Il dato nasce dallo State of Open Source AI 1.1 pubblicato da Mozilla utilizzando informazioni aggiornate al 1 settembre 2026. Il report incrocia benchmark indipendenti, traffico OpenRouter, dati METR e una rilevazione su circa 1.400 sviluppatori. Applicando una regressione ai dati METR sul cosiddetto task horizon, Mozilla stima che i modelli open raggiungano capacità già ottenute dalla frontiera chiusa circa 4,4 mesi prima. La misura è coerente con una precedente stima di Epoch AI vicina ai quattro mesi, ma va interpretata correttamente. Il task horizon non misura “l’intelligenza” in astratto: valuta quanto lunga, in termini di tempo umano necessario, possa essere un’attività completata correttamente dal modello con una determinata probabilità. Secondo Mozilla, i sistemi proprietari di frontiera stanno affrontando task equivalenti a 8-12 ore di lavoro umano, mentre la parte open-weight raggiungerebbe capacità analoghe pochi mesi dopo.

La convergenza emerge anche da benchmark più tradizionali. Nel set utilizzato dal report, il migliore modello aperto risultava a soli tre punti dal leader chiuso nell’Artificial Analysis Intelligence Index, pur costando circa il 60% del prezzo; rispetto a Claude Fable 5 il ritardo scendeva a due punti con circa il 30% del costo. Su Terminal-Bench 2.1, GLM-5.2 di Z.ai risultava a meno di un punto da Claude Opus 4.7 e circa quattro punti da Opus 4.8, con un costo per test inferiore a un quinto. È qui che la notizia diventa industrialmente interessante: un modello non deve essere il migliore assoluto per cambiare il mercato, deve essere abbastanza vicino e molto più economico.

Il dato dei quattro mesi non significa che l’open-weight abbia già raggiunto la frontiera

Mozilla stesso inserisce però limiti importanti. Quando il confronto viene ristretto ai modelli che possono essere eseguiti su un singolo server o addirittura su una singola GPU, il divario torna ad allargarsi significativamente. Il miglior modello open capace di stare su un server ottiene nel report un punteggio di 52,6, mentre quello compatibile con una singola GPU scende a 40, cioè rispettivamente circa 10 e 23 punti sotto la frontiera. Kimi K3 rende evidente il problema: il checkpoint nativo MXFP4 occupa circa 1,56 TB distribuiti su 96 shard e la configurazione di serving considerata da Mozilla richiede decine di acceleratori. “Open-weight” significa quindi che i pesi possono essere scaricati, non che una PMI possa necessariamente eseguire il modello su una workstation.

È una distinzione cruciale anche per l’Europa. Per una startup italiana, utilizzare un endpoint che serve Kimi, DeepSeek o GLM può essere drasticamente più economico rispetto a una API frontier americana, ma il controllo infrastrutturale resta al provider se il modello viene consumato come servizio. L’autonomia aumenta realmente quando l’organizzazione può eseguire il sistema on-premise o presso un cloud europeo, accettando però i costi di GPU, memoria, networking e personale necessari. È il paradosso centrale dell’open-weight: la libertà giuridica di possedere i pesi non elimina automaticamente il costo economico di farli funzionare.

Leggi anche: Dario Amodei chiede di rallentare l’AI tra sicurezza, bolla finanziaria e intelligenza artificiale di Stato

Sette degli otto grandi modelli open più usati arrivano dalla Cina

Il vantaggio cinese appare ancora più evidente quando si guarda all’utilizzo invece che al benchmark. Mozilla rileva che otto dei dieci modelli con il maggior volume di token su OpenRouter ad agosto erano open-weight e sette di questi erano sviluppati in Cina. È un dato più importante delle classifiche sintetiche perché descrive ciò che gli sviluppatori stanno realmente utilizzando. Per molti workload, un sistema leggermente inferiore al leader ma cinque volte più economico è una scelta economicamente migliore.

È anche qui che il tema della sovranità tecnologica europea diventa meno astratto. Un’azienda può voler ridurre la dipendenza da OpenAI, Anthropic o Google e scoprire che l’alternativa più competitiva non è europea ma cinese. Questo crea una nuova asimmetria: l’open-weight riduce il lock-in contrattuale verso il provider statunitense, ma può introdurre dipendenze da architetture, toolchain, licenze e modelli sviluppati in un altro ecosistema geopolitico. Per chi opera nell’Unione europea entrano inoltre in gioco AI Act, protezione dei dati, sicurezza della supply chain e tracciabilità del modello. Open-weight non equivale automaticamente né a open source completo né a maggiore sicurezza: Mozilla sottolinea che nessuna delle 16 release aperte considerate fornisce l’intera ricetta di dati e training richiesta dalla definizione più rigorosa di open source AI.

Pechino legge il “pace the frontier” come un possibile freno alla concorrenza cinese

La convergenza spiega anche la risposta arrivata dalla stampa statale cinese alla proposta di Dario Amodei. In un editoriale del China Daily, la richiesta di coordinare i principali frontier lab per rallentare selettivamente lo sviluppo viene descritta non soltanto come iniziativa di sicurezza, ma come una possibile risposta alla crescente competitività cinese. Il giornale sostiene che un framework globale che escludesse la Cina sarebbe difficilmente definibile globale e collega la proposta agli export control sui chip e alle accuse occidentali di distillazione illecita. È una posizione politica della stampa statale cinese, non una dimostrazione delle motivazioni di Anthropic. I rischi descritti da Amodei rimangono documentati da incidenti con agenti, capacità cyber e problemi di allineamento. Ma la corsa USA-Cina sul compute rende impossibile separare completamente sicurezza e concorrenza. Un limite applicato soltanto ai laboratori occidentali può creare spazio competitivo per i concorrenti cinesi; un accordo che includa Pechino richiede invece verifiche su training, compute e capacità che oggi nessuna delle due potenze sembra pronta ad affidare completamente all’altra.

La distillazione diventa il nuovo fronte della guerra sui modelli

Il secondo nodo riguarda come i modelli cinesi abbiano ridotto così rapidamente il divario. Stati Uniti e aziende americane hanno accusato più volte laboratori cinesi di utilizzare output dei modelli occidentali per addestrare sistemi propri attraverso tecniche di distillazione. Mozilla tratta la questione con maggiore prudenza rispetto alla narrativa politica: distingue chiaramente ciò che è documentato da ciò che rimane attribuito. Anthropic sostiene di avere rilevato decine di milioni di interazioni riconducibili a laboratori come Moonshot e Alibaba, ma l’asserzione più forte secondo cui Kimi K3 sarebbe stato addestrato direttamente su output di Claude Fable 5 non dispone, nel report Mozilla, di forensics sui pesi in grado di dimostrarla definitivamente. Esistono segnali suggestivi: K3 tende in alcuni test a identificarsi come Claude, mostra correlazioni anormalmente elevate con i risultati dei modelli Anthropic e presenta comportamenti agentici simili. Nessuno di questi elementi, preso singolarmente, dimostra la distillazione. È una distinzione fondamentale perché la guerra tecnologica sta rapidamente trasformando similitudini statistiche e comportamentali in argomenti di politica industriale. Pechino ha respinto le accuse e minacciato contromisure, mentre Washington utilizza sicurezza e protezione della proprietà intellettuale per giustificare controlli più severi.

Jensen Huang avverte che anche il muro dei chip potrebbe durare meno del previsto

Il problema per gli Stati Uniti è che il vantaggio sull’AI poggia ancora su un secondo livello: semiconduttori e apparecchiature di produzione. La Cina può sviluppare modelli efficienti, ma resta molto più indietro nella litografia avanzata rispetto all’ecosistema ASML-TSMC occidentale. Anche su questo fronte, però, Jensen Huang invita a non considerare permanente il distacco. In una recente intervista, il CEO di Nvidia ha stimato che Pechino potrebbe arrivare a sistemi di litografia avanzata propri entro il 2030, definendo il risultato una questione di tempo grazie alla capacità cinese di industrializzare tecnologie su larga scala. La previsione è aggressiva e non equivale a una roadmap verificata. La Cina dispone oggi di strumenti domestici molto inferiori alle piattaforme EUV più avanzate di ASML e persino nella litografia immersion DUV esistono dubbi sulla produzione ad alto volume dei sistemi più recenti. Costruire uno scanner avanzato richiede sorgenti luminose, ottiche, metrologia, stage wafer e reticle con precisioni estreme e una supply chain che non si ricrea semplicemente aumentando gli investimenti. Ma il significato strategico della dichiarazione di Huang è un altro: gli export control possono guadagnare tempo, non garantire un monopolio tecnologico permanente.

Gli Stati Uniti stanno localizzando anche la memoria AI

Washington sta quindi lavorando sul lato opposto della stessa equazione: aumentare la quantità di componenti strategici prodotta direttamente sul territorio americano. SK Hynix ha già avviato in Indiana un investimento superiore a 4 miliardi di dollari per creare la prima base statunitense dedicata all’advanced packaging delle memorie HBM di nuova generazione. L’impianto di West Lafayette dovrebbe aprire la cleanroom nell’ottobre 2028 e iniziare la produzione di massa nella seconda metà del 2029, utilizzando wafer prodotti in Corea e completando negli Stati Uniti packaging e testing. Le indiscrezioni su possibili colloqui tra SK Hynix e Intel per ulteriore capacità produttiva negli Stati Uniti non sono state confermate dalle due aziende e vanno quindi mantenute nel territorio delle trattative riportate dalla stampa. Il progetto Indiana è invece concreto e mostra il punto industriale: nella corsa AI la memoria HBM è ormai strategica quanto gli acceleratori. Un cluster può disporre delle GPU più potenti del mercato, ma senza abbastanza memoria ad alta banda non riesce ad alimentarle efficacemente. Localizzare la supply chain AI significa quindi localizzare GPU, packaging, HBM, energia e data center insieme.

Continua con:

• USA e Cina rifiutano di rallentare l’AI: la sicurezza cede alla corsa per il compute
• Dario Amodei chiede di rallentare l’AI: il nodo è chi controlla davvero la frontiera

Il vantaggio cinese non è aver già superato gli USA ma rendere il recupero economicamente sostenibile

Il dato più importante del report Mozilla non è quindi la cifra “quattro mesi” presa isolatamente. È la combinazione tra ritardo ridotto, costi inferiori, distribuzione open-weight e adozione reale degli sviluppatori. La frontiera statunitense continua a mantenere vantaggi significativi, soprattutto sui sistemi più avanzati e sui task agentici complessi. Ma un mercato non viene conquistato necessariamente dal prodotto che ottiene il benchmark migliore. Se un modello cinese arriva al 90-95% delle capacità richieste spendendo una frazione del prezzo e può essere ospitato autonomamente, molte aziende non hanno un motivo economico per acquistare sempre il leader americano. Per startup e PMI europee questo può tradursi in un costo di sviluppo molto più basso. Per Washington significa invece che la superiorità nei frontier model produce meno potere se i concorrenti riescono a replicarne abbastanza velocemente una quota rilevante delle capacità. È qui che il dibattito sul “pace the frontier” cambia natura. Rallentare può avere senso dal punto di vista della sicurezza. Ma non è possibile rallentare una frontiera globale attraverso un accordo tra tre aziende americane quando modelli cinesi recuperano in pochi mesi, i pesi circolano e la stessa Cina considera gli export control una ragione per accelerare l’autosufficienza. La sfida non è quindi soltanto costruire il modello più intelligente. È decidere chi riesce a produrre abbastanza capacità, al costo più basso e senza dipendere dall’infrastruttura dell’avversario. Ed è precisamente questo il terreno sul quale Cina e Stati Uniti stanno ormai combattendo la vera guerra industriale dell’intelligenza artificiale.