{"id":15177,"date":"2026-06-10T16:56:17","date_gmt":"2026-06-10T14:56:17","guid":{"rendered":"https:\/\/www.spiare.com\/blog\/?p=15177"},"modified":"2026-06-10T16:56:23","modified_gmt":"2026-06-10T14:56:23","slug":"agi-entro-il-2030-deepmind-avverte-il-mondo-non-e-pronto","status":"publish","type":"post","link":"https:\/\/www.spiare.com\/blog\/agi-entro-il-2030-deepmind-avverte-il-mondo-non-e-pronto\/","title":{"rendered":"AGI entro il 2030: DeepMind avverte il mondo non e’ pronto"},"content":{"rendered":"\n

AGI. <\/em>Demis Hassabis, CEO di Google DeepMind, ha dichiarato il 5 giugno 2026 alla Stanford Graduate School of Business che l’intelligenza artificiale generale arriver\u00e0 entro il 2030, avvertendo che la societ\u00e0 ha poco tempo per prepararsi alle conseguenze.<\/strong><\/p>\n\n\n\n

L’annuncio non arriva da un ricercatore accademico che specula in un convegno di nicchia. Arriva da Demis Hassabis, il neuroscienziato e game designer britannico che ha fondato DeepMind nel 2010, venduto a Google nel 2014, e guidato la creazione di AlphaGo, AlphaFold e Gemini. Quando Hassabis parla di AGI, il settore ascolta \u2014 e anche chi si occupa di sicurezza dovrebbe farlo.<\/p>\n\n\n\n

La dichiarazione \u00e8 netta: l’AGI, ovvero un sistema artificiale capace di eguagliare o superare le capacit\u00e0 intellettuali umane su un ampio spettro di compiti, arriver\u00e0 entro il 2030, “pi\u00f9 o meno un anno”. Pochi giorni fa, parlando alla Stanford Graduate School of Business, Hassabis ha aggiunto che il 2026 rappresenta gi\u00e0 un punto di svolta: gli agenti AI hanno raggiunto una concreta utilit\u00e0 operativa, e il percorso verso l’AGI \u00e8 ora pi\u00f9 leggibile che in passato. Come riportato da HWUpgrade<\/a>, il CEO di DeepMind ha usato parole esplicite: “La societ\u00e0 deve ascoltare questo, perch\u00e9 non abbiamo molto tempo per prepararci a ci\u00f2 che significa. Sar\u00e0 enormemente profondo.”<\/em><\/p>\n\n\n\n

\n\n\n\n

Cos’\u00e8 l’AGI e perch\u00e9 la definizione conta<\/h2>\n\n\n\n

Prima di capire cosa cambia, vale la pena chiarire cosa si intende davvero per AGI \u2014 perch\u00e9 la confusione terminologica \u00e8 parte del problema.<\/p>\n\n\n\n

L’intelligenza artificiale “stretta” (o ANI, Artificial Narrow Intelligence) \u00e8 quella che gi\u00e0 usiamo: sistemi che eccellono in un compito specifico, come riconoscere immagini, tradurre testi, giocare a scacchi. ChatGPT, Gemini, Claude \u2014 tutti sistemi ANI, per quanto sofisticati. L’AGI \u00e8 qualcosa di diverso: un sistema che apprende, si adatta, ragiona e risolve problemi in domini sconosciuti, come farebbe un essere umano \u2014 o meglio.<\/p>\n\n\n\n

Il problema, come sottolinea Malo Bourgon del Machine Intelligence Research Institute, \u00e8 che non esiste una definizione univoca e condivisa di AGI. E questa ambiguit\u00e0 non \u00e8 un dettaglio tecnico: significa che alcuni attori del settore potrebbero dichiarare di aver raggiunto l’AGI senza che il resto della comunit\u00e0 sia d’accordo, creando una narrativa mediatica sganciata dalla realt\u00e0 tecnica. Shaw Walters di Eliza Labs sostiene gi\u00e0 oggi che i modelli attuali siano AGI. Elon Musk prevede il raggiungimento per il 2026. Sam Altman di OpenAI parla di agenti AI nella forza lavoro gi\u00e0 quest’anno. Dario Amodei di Anthropic indica un orizzonte simile.<\/p>\n\n\n\n

Contro questa corsa alle dichiarazioni, i dati dicono altro. A marzo 2026, la ARC Prize Foundation ha rilasciato il benchmark ARC-AGI-3<\/strong>, specificamente progettato per testare la capacit\u00e0 di apprendimento adattivo in ambienti sconosciuti \u2014 la caratteristica definitoria dell’AGI. I modelli migliori di Google, OpenAI, Anthropic e xAI hanno ottenuto punteggi inferiori all’1%. I partecipanti umani: 100%. Il divario \u00e8 abissale.<\/p>\n\n\n\n

\n

Quando arriver\u00e0 l’AGI? Le previsioni dei principali leader del settore (2026)<\/p>\n\n\n

\n
Elon MuskxAI \/ SpaceX<\/span><\/div>\n
\n
2026<\/div>\n <\/div>\n
2026<\/div>\n<\/div>\n\n\n
\n
Shaw WaltersEliza Labs \u2014 “gi\u00e0 ora”<\/span><\/div>\n
\n
\u22642026<\/div>\n <\/div>\n
\u22642026<\/div>\n<\/div>\n\n\n
\n
Sam AltmanOpenAI<\/span><\/div>\n
\n
2027\u201328<\/div>\n <\/div>\n
2027\u201328<\/div>\n<\/div>\n\n\n
\n
Demis HassabisGoogle DeepMind<\/span><\/div>\n
\n
2029\u201331<\/div>\n <\/div>\n
entro 2030<\/div>\n<\/div>\n\n\n
\n
Dario AmodeiAnthropic<\/span><\/div>\n
\n
2029\u201332<\/div>\n <\/div>\n
entro 2032<\/div>\n<\/div>\n\n\n
\n
Scettici del settoreARC Prize, MIRI ecc.<\/span><\/div>\n
\n
oltre 2035<\/div>\n <\/div>\n
> 2035<\/div>\n<\/div>\n\n\n
\n 2026<\/span>2028<\/span>2030<\/span>2032<\/span>2035+<\/span>\n<\/div>\n\n

Fonti: dichiarazioni pubbliche 2025\u20132026. Le barre indicano l’orizzonte temporale stimato, non una data precisa.<\/p>\n<\/div>\n\n\n\n

\n\n\n\n

Il 2030 come soglia: ottimismo o campanello d’allarme?<\/h2>\n\n\n\n

Hassabis non \u00e8 un visionario na\u00eff. Ha 49 anni, un dottorato in neuroscienza cognitiva a Cambridge, e ha costruito sistemi che hanno battuto i campioni del mondo a Go e risolto il problema del folding proteico che la biologia non riusciva a risolvere in 50 anni. Quando dice che l’AGI \u00e8 “a pochi anni”, non lo dice per compiacere gli investitori.<\/p>\n\n\n\n

La sua preoccupazione centrale non riguarda la tecnologia. Riguarda la preparazione. “Quando guarderemo indietro a questo periodo, penso che tra forse 10 anni realizzeremo che eravamo ai piedi della singolarit\u00e0”, ha dichiarato. E ha aggiunto che i prossimi anni saranno “molto critici” per determinare la direzione di questa transizione \u2014 se la societ\u00e0 avr\u00e0 abbastanza tempo per adeguarsi, o se sar\u00e0 travolta senza strumenti adeguati.<\/p>\n\n\n\n

\u00c8 una distinzione fondamentale. Hassabis non sta dicendo che l’AGI \u00e8 pericolosa di per s\u00e9. Sta dicendo che l’impreparazione lo \u00e8. E su questo punto, chi si occupa di sicurezza \u2014 in senso tecnico, operativo, professionale \u2014 sa che il problema non \u00e8 l’evento, ma la finestra di reazione.<\/p>\n\n\n\n

\n\n\n\n

Cosa cambia nella sorveglianza e nella sicurezza con l’AGI<\/h2>\n\n\n\n

Qui il discorso tocca direttamente il mondo TSCM e la sicurezza delle informazioni aziendali.<\/p>\n\n\n\n

Oggi, le tecnologie di sorveglianza \u2014 microspie ambientali<\/a>, intercettatori GSM\/IMSI, spyware di tipo Pegasus o Graphite, sistemi di tracking Bluetooth<\/a> \u2014 sono strumenti nelle mani di operatori umani, con costi, limiti operativi e necessit\u00e0 di prossimit\u00e0 fisica o accesso digitale. L’AGI cambia questa equazione in modo radicale.<\/p>\n\n\n\n

Un sistema AGI potrebbe, in linea di principio, autonomizzare l’intera catena della raccolta intelligence: identificare il bersaglio, selezionare il vettore d’attacco ottimale, pianificare l’inserimento del dispositivo o dello spyware, analizzare in tempo reale l’audio\/video intercettato, correlare i dati con fonti OSINT, produrre un rapporto di intelligence senza intervento umano. Non si tratta di fantascienza. Si tratta dell’estensione logica delle capacit\u00e0 che i sistemi agentic AI stanno gi\u00e0 dimostrando nel 2026.<\/p>\n\n\n\n

\n

Potresti essere interessato a Come intercettare microspia? Tecniche e Strumenti<\/a><\/p>\n<\/blockquote>\n\n\n\n

Il professor Alessandro Curioni, uno dei massimi esperti italiani di cyber-intelligence, ha pi\u00f9 volte osservato che la vera rivoluzione non sta nella potenza di fuoco dei singoli strumenti, ma nell’automazione della catena decisionale. Quando l’AGI entrer\u00e0 nella filiera della sorveglianza offensiva, il costo di un’operazione di intelligence mirata croller\u00e0 \u2014 e con esso le barriere d’ingresso per attori non statuali, criminalit\u00e0 organizzata, concorrenza sleale di livello industriale.<\/p>\n\n\n\n

\n

La catena di sorveglianza offensiva: oggi vs era AGI<\/p>\n

Come cambia ogni fase dell’operazione con l’automazione AGI \u2014 e dove rimane indispensabile l’ispezione TSCM<\/p>\n\n\n

\n\n
\n
1. Selezione bersaglio<\/div>\n
Analisi OSINT, profilo vulnerabilit\u00e0<\/div>\n <\/div>\n
\u2192<\/div>\n\n
\n
2. Vettore d’attacco<\/div>\n
Scelta dispositivo, accesso fisico o digitale<\/div>\n <\/div>\n
\u2192<\/div>\n\n
\n
3. Inserimento<\/div>\n
Installazione microspia o spyware<\/div>\n <\/div>\n
\u2192<\/div>\n\n
\n
4. Raccolta dati<\/div>\n
Audio, video, traffico digitale<\/div>\n <\/div>\n
\u2192<\/div>\n\n
\n
5. Intelligence<\/div>\n
Analisi, correlazione, report finale<\/div>\n <\/div>\n<\/div>\n\n\n
\n\n
\n
Oggi \u2014 operatore umano necessario<\/div>\n
Ogni fase richiede decisione umana<\/div>\n
Costi elevati, accesso fisico difficile<\/div>\n
Dispositivi con signature RF nota<\/div>\n
Analisi manuale, tempi lunghi<\/div>\n
Attori: servizi di Stato, grandi aziende<\/div>\n <\/div>\n\n
\n
Era AGI \u2014 automazione della catena<\/div>\n
Pipeline end-to-end automatizzata<\/div>\n
Costi drasticamente ridotti<\/div>\n
Vettori nuovi, non ancora catalogati<\/div>\n
Analisi e correlazione in tempo reale<\/div>\n
Attori: chiunque abbia una motivazione<\/div>\n <\/div>\n<\/div>\n\n\n
\n La bonifica TSCM professionale rimane l’unica risposta non sostituibile dall’AI\n<\/div>\n\n\n
\n
\n
Ispezione fisica<\/div>\n
Rileva ci\u00f2 che nessun algoritmo sa cercare<\/div>\n <\/div>\n
\n
Analisi RF broadband<\/div>\n
Identifica segnali anomali non catalogati<\/div>\n <\/div>\n
\n
Competenza aggiornata<\/div>\n
Conosce le nuove superfici d’attacco<\/div>\n <\/div>\n<\/div>\n\n\n
\n Polinet S.r.l.<\/strong> \u2014 Licenza ex Art. 28 T.U.L.P.S. | NATO NCAGE AL332 | MEPA\/Consip | dal 2001 → spiare.com<\/a>\n<\/div>\n\n<\/div>\n\n\n\n

Per un’azienda, un dirigente, uno studio professionale, questo significa che il modello di rischio cambia strutturalmente. Non si tratta pi\u00f9 di proteggersi da attori con risorse da intelligence di Stato. Si tratta di proteggersi da minacce che, entro pochi anni, potrebbero essere accessibili a chiunque abbia una motivazione e una connessione internet.<\/p>\n\n\n\n

\n\n\n\n

Il problema dell’attribuzione: quando l’AGI nasconde le tracce<\/h2>\n\n\n\n

Uno degli aspetti pi\u00f9 insidiosi dell’AGI applicata alla sorveglianza \u00e8 l’attribuzione. Oggi, un’operazione di intercettazione ambientale lascia tracce fisiche \u2014 il dispositivo, il segnale RF, il vettore di installazione. Un’analisi TSCM professionale pu\u00f2 rilevare queste tracce, classificarle, e in molti casi risalire all’autore o almeno alla tipologia dell’operatore.<\/p>\n\n\n\n

Con l’AGI, questo scenario si complica. Sistemi sufficientemente avanzati potrebbero progettare vettori di attacco completamente nuovi, non catalogati nei database esistenti, adattando le tecniche in tempo reale per eludere i pattern di rilevamento noti. La difesa diventa un problema di scoperta continua, non di verifica rispetto a firme note.<\/p>\n\n\n\n

\u00c8 lo stesso problema che la comunit\u00e0 di cybersecurity affronta con il malware polimorfico \u2014 ma esteso all’ambiente fisico. E la risposta \u00e8 la stessa: non esiste uno strumento automatico che sostituisca la valutazione tecnica di un esperto qualificato, che conosce non solo gli strumenti ma il contesto operativo in cui operano.<\/p>\n\n\n\n

Come spiega Francesco Polimeni, specialista TSCM di Polinet S.r.l. con oltre 20 anni di esperienza operativa: “L’AGI non cambia i principi fondamentali della counter-surveillance \u2014 cambia la velocit\u00e0 e l’autonomia con cui le minacce evolvono. Chi si affida a procedure standardizzate imparate cinque anni fa sar\u00e0 cieco rispetto alle nuove superfici d’attacco. La risposta non \u00e8 tecnologica: \u00e8 competenza aggiornata e ispezione fisica sistematica.”<\/em><\/p>\n\n\n\n

\n

Potresti essere interessato a Servizi di Bonifica Microspie<\/a><\/p>\n<\/blockquote>\n\n\n\n

\n\n\n\n

Il benchmark ARC-AGI-3 e il problema della misurazione<\/h2>\n\n\n\n

Vale la pena soffermarsi sul benchmark ARC-AGI-3 della ARC Prize Foundation, perch\u00e9 \u00e8 uno dei pochi strumenti scientificamente rigorosi in questo dibattito. Mentre i CEO fanno previsioni, i ricercatori misurano \u2014 e i risultati sono sobri.<\/p>\n\n\n\n

Il test \u00e8 progettato per valutare qualcosa di molto specifico: la capacit\u00e0 di un sistema di apprendere nuove regole da pochissimi esempi e applicarle correttamente in contesti mai visti. \u00c8 una capacit\u00e0 che gli esseri umani esercitano quasi inconsciamente. Per i modelli attuali, \u00e8 un muro. Punteggi inferiori all’1% per i sistemi pi\u00f9 avanzati del pianeta non sono un risultato deludente \u2014 sono un segnale che stiamo ancora usando paradigmi di apprendimento fondamentalmente diversi da quelli biologici.<\/p>\n\n\n\n

Questo non invalida le previsioni di Hassabis. Significa che il percorso verso l’AGI richieder\u00e0 probabilmente discontinuit\u00e0 architetturali significative, non solo pi\u00f9 potenza di calcolo o pi\u00f9 dati. E che i tempi sono genuinamente incerti \u2014 sia per chi li ritiene imminenti che per chi li considera lontani.<\/p>\n\n\n\n

Per chi lavora nella sicurezza, questa incertezza ha un’implicazione pratica: non \u00e8 prudente n\u00e9 pianificare come se l’AGI arrivasse domani, n\u00e9 ignorarne l’impatto perch\u00e9 “ci vorr\u00e0 ancora molto”. La finestra di preparazione \u00e8 adesso, quando il rischio \u00e8 ancora gestibile.<\/p>\n\n\n\n

\n

Benchmark ARC-AGI-3 (marzo 2026) \u2014 capacit\u00e0 di apprendimento adattivo in contesti sconosciuti<\/p>\n\n\n

\n
\n

Migliori modelli AI (Google, OpenAI, Anthropic, xAI)<\/p>\n

< 1%<\/p>\n

punteggio medio sul benchmark<\/p>\n <\/div>\n

\n

Partecipanti umani<\/p>\n

100%<\/p>\n

punteggio medio sul benchmark<\/p>\n <\/div>\n<\/div>\n\n\n

\n
Umani<\/div>\n
\n
100%<\/div>\n <\/div>\n
100%<\/div>\n<\/div>\n\n
\n
GPT-4o (OpenAI)<\/div>\n
\n
<1%<\/div>\n <\/div>\n
<1%<\/div>\n<\/div>\n\n
\n
Gemini (Google)<\/div>\n
\n
<1%<\/div>\n <\/div>\n
<1%<\/div>\n<\/div>\n\n
\n
Claude (Anthropic)<\/div>\n
\n
<1%<\/div>\n <\/div>\n
<1%<\/div>\n<\/div>\n\n
\n
Grok (xAI)<\/div>\n
\n
<1%<\/div>\n <\/div>\n
<1%<\/div>\n<\/div>\n\n

Il benchmark ARC-AGI-3 misura la capacit\u00e0 di apprendimento adattivo in ambienti mai visti \u2014 la caratteristica definitoria dell’AGI. Fonte: ARC Prize Foundation<\/a>, marzo 2026.<\/p>\n<\/div>\n\n\n\n

\n\n\n\n

Tre scenari per la sicurezza aziendale nei prossimi cinque anni<\/h2>\n\n\n\n

Senza pretese di previsione, \u00e8 utile mappare tre scenari possibili sulla base delle informazioni disponibili.<\/p>\n\n\n\n

Scenario 1 \u2014 AGI debole (2028-2032):<\/strong> i sistemi raggiungono capacit\u00e0 AGI in domini ristretti ma non generalizzano pienamente. L’impatto sulla sorveglianza \u00e8 incrementale: automazione parziale dell’analisi, migliore evasione dei sistemi di rilevamento, costi operativi inferiori per gli attori malevoli. Risposta: aggiornamento continuo dei protocolli TSCM, formazione specialistica annuale.<\/p>\n\n\n\n

Scenario 2 \u2014 AGI generale (2028-2031, scenario Hassabis):<\/strong> un sistema raggiunge la capacit\u00e0 di operare autonomamente su compiti complessi e diversificati. La filiera della sorveglianza offensiva si automatizza parzialmente. Emergono nuove tipologie di dispositivi progettate dall’AI che sfuggono ai pattern di rilevamento tradizionali. Risposta: bonifica ambientale con cadenza molto pi\u00f9 frequente, adozione di analisi spettrale broadband continua, protocolli zero-trust per le comunicazioni sensibili.<\/p>\n\n\n\n

Scenario 3 \u2014 AGI rapida con effetti sistemici:<\/strong> la transizione \u00e8 pi\u00f9 veloce del previsto e genera disruption nei mercati del lavoro, nelle infrastrutture e nei sistemi di sicurezza pubblica. In questo scenario, la domanda di intelligence privata e counter-surveillance professionale aumenta significativamente, sia per attori istituzionali che per grandi aziende. Risposta: strutturazione di contratti di presidio continuativo, non solo ispezioni una tantum.<\/p>\n\n\n\n

\n\n\n\n

Cosa fare adesso: le priorit\u00e0 concrete<\/h2>\n\n\n\n

L’AGI non \u00e8 ancora qui. Ma le sue precondizioni \u2014 sistemi agentic, automazione dei processi cognitivi, riduzione dei costi computazionali \u2014 sono gi\u00e0 operative. Le aziende e i professionisti che si occupano di sicurezza devono agire su tre livelli.<\/p>\n\n\n\n

Il primo \u00e8 la valutazione del rischio attuale. Qual \u00e8 il perimetro fisico e digitale delle informazioni sensibili? Esistono dispositivi di sorveglianza gi\u00e0 installati che una bonifica professionale non ha ancora rilevato? La risposta a questa domanda non pu\u00f2 essere “probabilmente no” \u2014 deve essere basata su un’ispezione TSCM certificata con strumentazione calibrata.<\/p>\n\n\n\n

Il secondo \u00e8 la formazione del personale. La superficie d’attacco pi\u00f9 vulnerabile in qualsiasi organizzazione \u00e8 quella umana. I collaboratori che gestiscono informazioni sensibili devono conoscere i vettori di attacco correnti \u2014 non quelli di cinque anni fa.<\/p>\n\n\n\n

Il terzo \u00e8 la pianificazione della continuit\u00e0. Se l’AGI arriva nei tempi indicati da Hassabis, le organizzazioni che avranno definito protocolli di sicurezza adattivi saranno in grado di rispondere. Quelle che si affideranno a procedure statiche saranno esposte.<\/p>\n\n\n\n

\n\n\n\n

Conclusione: il valore dell’ispezione fisica nell’era dell’AI<\/h2>\n\n\n\n

La dichiarazione di Hassabis ha ricevuto attenzione mediatica per le sue implicazioni economiche e filosofiche \u2014 lavoro, identit\u00e0, futuro dell’umanit\u00e0. Meno attenzione ha ricevuto per le sue implicazioni di sicurezza operativa. Ed \u00e8 precisamente qui che si gioca la partita per aziende, professionisti e istituzioni che trattano informazioni riservate.<\/p>\n\n\n\n

Nessun sistema AI \u2014 oggi o domani \u2014 pu\u00f2 sostituire l’ispezione fisica di un ambiente da parte di uno specialista TSCM qualificato. La tecnologia pu\u00f2 automatizzare l’analisi, ma non pu\u00f2 vedere ci\u00f2 che non \u00e8 stato programmato per cercare. E nell’era dell’AGI, ci\u00f2 che non \u00e8 stato programmato per cercare sar\u00e0 esattamente ci\u00f2 che un attore sofisticato utilizzer\u00e0.<\/p>\n\n\n\n

La finestra per prepararsi \u00e8 aperta. Non \u00e8 detto che lo resti a lungo.<\/p>\n\n\n\n

\n\n

Domande frequenti<\/h2>\n\n\n
\n

Cos’e’ l’AGI e quando potrebbe arrivare?<\/h3>\n

L’AGI (Artificial General Intelligence) e’ un sistema di intelligenza artificiale capace di ragionare, apprendere e risolvere problemi come un essere umano su qualsiasi tipo di compito, non solo in domini specifici. Demis Hassabis, CEO di Google DeepMind, ha dichiarato il 5 giugno 2026 alla Stanford Graduate School of Business che l’AGI arrivera’ entro il 2030. Il settore e’ tuttavia profondamente diviso sulle tempistiche e non esiste ancora una definizione tecnica condivisa.<\/p>\n<\/div>\n\n\n

\n

Quali rischi porta l’AGI per la sicurezza aziendale?<\/h3>\n

Un sistema AGI potrebbe automatizzare l’intera catena della sorveglianza offensiva: dalla selezione del bersaglio all’analisi dei dati intercettati, passando per la scelta del vettore d’attacco e l’installazione del dispositivo. Questo ridurrebbe drasticamente i costi operativi e abbasserebbe le barriere d’ingresso per attori malevoli, rendendo le minacce di intercettazione accessibili non piu’ solo a servizi di Stato o grandi organizzazioni, ma potenzialmente a chiunque.<\/p>\n<\/div>\n\n\n

\n

Una bonifica TSCM e’ ancora utile nell’era dell’intelligenza artificiale?<\/h3>\n

Assolutamente si’. Nessun sistema AI puo’ sostituire l’ispezione fisica di un ambiente condotta da uno specialista TSCM certificato. Anzi, con l’avanzare dell’intelligenza artificiale i vettori d’attacco diventeranno piu’ sofisticati e meno standardizzati, progettati per eludere i sistemi di rilevamento automatici. La competenza umana aggiornata \u2014 unita ad analisi RF broadband e strumentazione calibrata \u2014 rimane l’unica risposta efficace.<\/p>\n<\/div>\n\n\n

\n

Cos’e’ il benchmark ARC-AGI-3 e cosa misura?<\/h3>\n

Il benchmark ARC-AGI-3, rilasciato dalla ARC Prize Foundation a marzo 2026, e’ progettato per misurare la capacita’ di apprendimento adattivo in ambienti mai visti: la caratteristica considerata definitoria dell’AGI. I risultati sono significativi: i modelli piu’ avanzati di Google, OpenAI, Anthropic e xAI hanno ottenuto punteggi inferiori all’1%, mentre i partecipanti umani hanno raggiunto il 100%. Un divario che evidenzia come i sistemi attuali siano ancora lontani dall’intelligenza generale.<\/p>\n<\/div>\n\n\n

\n

Cosa fa Google DeepMind nel campo dell’intelligenza artificiale?<\/h3>\n

Google DeepMind e’ il laboratorio di ricerca AI di Google, fondato nel 2010 da Demis Hassabis e acquisito da Google nel 2014. Ha sviluppato AlphaGo \u2014 il primo sistema a battere un campione mondiale di Go \u2014 AlphaFold, che ha risolto il problema del protein folding dopo 50 anni di ricerca biologica, e la famiglia di modelli Gemini. E’ considerato uno dei principali laboratori di ricerca sull’intelligenza artificiale al mondo.<\/p>\n<\/div>\n\n<\/div>\n\n\n\n