Nvidia ha regalato dati sintetici a tutti

Nvidia, Meta e OpenAI offrono dati aperti mentre proteggono infrastrutture e pipeline proprietarie

Diecimila miliardi di token. Gratis. Sembrerebbe il più grande regalo che l’intelligenza artificiale abbia mai fatto al mondo—finché non si nota che ogni singolo token porta con sé una domanda: chi paga, e con quali interessi?

La scena è questa. NVIDIA apre gli archivi e rilascia oltre 10 trilioni di token di pre-training e milioni di campioni di post-training come parte dei dati aperti Nemotron. Meta presenta Muse Image, un modello che impara a cercare sul web per ancorare le immagini generate a fatti e informazioni in tempo reale. OpenAI, da parte sua, produce SWE-Bench Pro, benchmark generati programmaticamente dalla storia delle modifiche in repository pubblici e privati.

Tutto open, tutto condiviso, tutto magnifico.

Se non fosse per un dettaglio.

Il segreto vale più dei token

Bryan Catanzaro ha affermato che il segreto di ogni azienda è il suo fondamento. Lo ha detto mentre NVIDIA regalava montagne di dati sintetici e lanciava i primi personaggi sintetici di NVIDIA, ancorati a statistiche demografiche e geografiche ufficiali. Personae digitali che non sono semplici chatbot, ma simulazioni statisticamente rappresentative di popolazioni regionali. A giugno 2026, al VivaTech di Parigi, NVIDIA ha aggiunto il decimo paese alla collezione Nemotron-Personas, raggiungendo oltre 2,4 miliardi di persone sintetiche modellate su dati reali.

Fermiamoci un attimo. Un’azienda privata costruisce un simulacro demografico di quasi un terzo dell’umanità, lo offre in open access, e nel frattempo il suo dirigente di punta parla di coltivare un’IA diversificata e partecipativa. Cosa manca in questa fotografia?

Manca la risposta alla domanda scomoda: se il segreto di ogni azienda è il suo fondamento, qual è il segreto che NVIDIA sta proteggendo mentre distribuisce tutto il resto? La risposta potrebbe trovarsi nell’hardware che serve per addestrare modelli su quei token, o nelle pipeline proprietarie che trasformano i dati aperti in un vantaggio competitivo che nessun dataset pubblico potrà mai colmare da solo.

Auto-raffinamento: la scusa perfetta

Prendiamo. Durante l’addestramento con reinforcement learning, il modello ha iniziato a generare bozze, valutarle, cercare informazioni esterne e correggersi—non perché qualcuno lo avesse programmato per farlo, ma perché produceva immagini migliori e quindi ricompense più alte. Di per sé, un meccanismo elegante.

Il problema arriva quando leggi cosa fa Muse Image con le stanze fotografate: le ridisegna con prodotti reali presi dal web o da Facebook Marketplace. Non è più un generatore di immagini. È un agente di raccomandazione commerciale che si auto-ottimizza, e lo fa utilizzando un processo di auto-verifica che include ricerche web mirate a validare dettagli fattuali.

Meta non sta solo condividendo un modello. Sta addestrando un’infrastruttura di persuasione visiva che impara da sola a vendere. I dati aperti sono il carburante. La destinazione è un marketplace dove ogni immagine generata è un’inserzione potenziale.

Benchmark rotti, fiducia a pezzi

Nemmeno i test di valutazione si salvano. Il lavoro di OpenAI su valutazioni di codice ha portato alla luce quattro categorie di problemi che inquinano i benchmark: test eccessivamente severi, test a bassa copertura, e due tipi particolarmente subdoli. I prompt sottospecificati omettono requisiti che i test nascosti impongono e che non sono ragionevolmente deducibili; i prompt fuorvianti indirizzano il modello verso un comportamento sbagliato o contraddicono ciò che i test richiedono.

Ora, la domanda interessante non è se i benchmark siano imperfetti—è sempre stato così. La domanda è: perché OpenAI sceglie di dircelo proprio adesso? Un’azienda che ha costruito la sua reputazione su punteggi da capogiro improvvisamente scopre che i test erano taroccati? O sta preparando il terreno per un nuovo standard di valutazione che, guarda caso, premierà i suoi modelli?

Il meccanismo è noto. Prima si mina la credibilità dei benchmark esistenti, poi si offrono metriche alternative. E quando quelle metriche sono generate programmaticamente dalla storia di repository privati—dati che solo chi ha accesso a quei repository può verificare—il cerchio si chiude. La trasparenza diventa l’ennesimo strumento di controllo.

Intanto i regolatori dormono. Il GDPR non è stato scritto per governare popolazioni sintetiche che replicano distribuzioni statistiche reali. Le autorità antitrust non sanno come classificare aziende che regalano dati per vendere l’unica cosa che conta: l’infrastruttura per processarli. E noi continuiamo a credere che “open” significhi “libero”, quando invece significa “aperto a chi ha i soldi per entrarci”.

Quanti trilioni di token ci vorranno prima di capire che il prezzo lo stiamo già pagando?