Il primo modello di SSI di Ilya Sutskever potrebbe arrivare ad agosto, dice Gavin Baker
Safe Superintelligence ha passato più di due anni rivelando poco su ciò che sta costruendo. Questo silenzio potrebbe presto cambiare. Gavin Baker, managing partner e chief
Il primo modello di SSI di Ilya Sutskever potrebbe arrivare ad agosto, secondo Gavin Baker
Introduzione
Safe Superintelligence Inc. è rimasta per oltre due anni estremamente riservata riguardo al proprio lavoro di ricerca.
Questo silenzio potrebbe stare per cambiare.
Gavin Baker, socio amministratore e chief investment officer di Atreides Management, ha dichiarato in una recente conversazione con l'investitore e podcaster Patrick O'Shaughnessy che SSI ha comunicato l'intenzione di pubblicare un modello ad agosto.
Questa affermazione ha subito attirato l'attenzione, perché SSI non aveva mai annunciato pubblicamente una data specifica per il rilascio di un modello.
SSI è stata fondata nel 2024 dall'ex chief scientist di OpenAI Ilya Sutskever, insieme a Daniel Gross e Daniel Levy, ed è costruita attorno a una missione insolitamente focalizzata. Il suo sito web descrive ancora oggi l'azienda come un laboratorio in "sprint diretto" verso un unico obiettivo e un unico prodotto: la superintelligenza sicura.
Questo rende qualsiasi discussione sul primo modello particolarmente significativa.
Tuttavia, fin dall'inizio è necessario chiarire una distinzione fondamentale:
Al 7 agosto 2026, SSI non ha ancora pubblicato alcun annuncio ufficiale sul proprio sito web che confermi il rilascio di un modello ad agosto.
La tempistica di agosto proviene dalle dichiarazioni di Baker, non da un comunicato ufficiale di SSI.
Se le informazioni di Baker sono accurate, questa sarebbe la prima volta che il mondo intravede i risultati tecnologici di uno dei laboratori di IA all'avanguardia più misteriosi e seguiti.
Il primo modello pubblico di SSI potrebbe vedere la luce ad agosto
Questa dichiarazione cruciale è emersa quasi di sfuggita nel corso di una discussione più ampia su infrastrutture IA, domanda di semiconduttori, apprendimento continuo e apprendimento efficiente in termini di campioni.
Baker ritiene che se i modelli fossero in grado di apprendere in modo efficiente dopo il deployment, invece di dipendere principalmente da un massiccio pre-addestramento, il panorama economico dell'IA all'avanguardia potrebbe subire cambiamenti significativi.
Nell'illustrare questa possibilità, ha affermato che SSI ha indicato che "pubblicherà" un modello ad agosto.
Questa affermazione lascia molti interrogativi aperti.
Non ci dice:
- Come si chiama il modello
- Se sarà disponibile pubblicamente per il download
- Se sarà accessibile tramite API
- Se sarà un'anteprima di ricerca o un prodotto commerciale
- Se sarà un modello linguistico in senso tradizionale
- Se utilizzerà l'architettura Transformer
- Se supporterà l'apprendimento continuo
- Se sarà la "superintelligenza sicura" che SSI persegue
- Se la tempistica di agosto rimarrà invariata
L'articolo originale interpreta questa dichiarazione come il primo rilascio di un modello da parte di SSI.
È un'interpretazione ragionevole, ma la forma specifica del rilascio rimane sconosciuta.
SSI si è sempre descritta in modo diverso dalle normali aziende di prodotti IA
La dichiarazione di missione ufficiale di SSI è insolitamente diretta.
L'azienda afferma di essere stata creata per perseguire la superintelligenza sicura, senza essere distratta da:
- Cicli di prodotto
- Pressioni commerciali a breve termine
- Overhead gestionale
- Molteplici linee di prodotto concorrenti
La sua roadmap pubblica non è una serie di chatbot, strumenti di programmazione, prodotti di ricerca o servizi enterprise.
La sua roadmap dichiarata è la superintelligenza sicura stessa.
Ecco perché l'affermazione di agosto ha generato così tante speculazioni.
Se SSI pubblicasse un modello tradizionale all'avanguardia prima di raggiungere la superintelligenza, ciò potrebbe indicare che la strategia di prodotto dell'azienda è cambiata.
Se il modello fosse semplicemente una dimostrazione del lavoro di ricerca che SSI sta svolgendo, il rilascio potrebbe avere lo scopo di mostrare i progressi, piuttosto che lanciare un'ampia piattaforma commerciale.
Attualmente, entrambe le interpretazioni rimangono speculative.
L'apprendimento continuo è la storia più importante dietro le dichiarazioni di Baker
La frase sul rilascio del modello è emersa durante la discussione di Baker su apprendimento continuo e apprendimento efficiente in termini di campioni.
Questi due ambiti di ricerca potrebbero essere più importanti per l'economia dell'IA di qualsiasi risultato benchmark.
Cos'è l'apprendimento continuo?
I modelli foundation tipici vengono addestrati in grandi fasi distinte.
Il processo semplificato è il seguente:
- Raccolta di un corpus di addestramento molto ampio.
- Pre-addestramento del modello su quel corpus.
- Fine-tuning o post-addestramento del modello.
- Deployment del modello.
- Creazione periodica di nuove versioni del modello tramite addestramento aggiuntivo.
Un modello già distribuito può utilizzare le informazioni nella sua finestra di contesto o nella memoria esterna, ma i suoi pesi sottostanti generalmente non vengono aggiornati continuamente da ogni interazione.
L'apprendimento continuo persegue un obiettivo molto più ambizioso.
Un sistema di apprendimento continuo acquisisce costantemente nuove capacità o conoscenze nel tempo, senza dover essere ricostruito da zero e senza dimenticare catastroficamente le conoscenze esistenti.
Questo richiede di risolvere diverse sfide:
- Apprendere da un flusso ininterrotto di nuove esperienze
- Distinguere il feedback utile dal rumore
- Evitare l'oblio catastrofico
- Prevenire che interazioni malevole compromettano il modello
- Mantenere l'allineamento mentre il modello cambia
- Valutare sistemi il cui comportamento si evolve nel tempo
- Controllare quali esperienze sono autorizzate ad aggiornare il modello
Pertanto, un modello in grado di apprendere continuamente nel mondo reale sarebbe molto più di un chatbot con memoria a lungo termine.
Cos'è l'apprendimento efficiente in termini di campioni?
L'efficienza dei campioni si riferisce alla capacità di apprendere da un numero minore di esempi.
Gli esseri umani di solito possono comprendere una nuova regola dopo aver visto una o due dimostrazioni.
Gli attuali modelli all'avanguardia richiedono spesso quantità estremamente grandi di dati di addestramento e potenza di calcolo per ottenere ampi miglioramenti delle capacità.
Un modello con maggiore efficienza dei campioni potrebbe estrarre più valore di apprendimento da ogni singolo elemento:
- Interazioni degli utenti
- Risultati degli strumenti
- Osservazioni ambientali
- Simulazioni
- Esperimenti
- Correzioni
- Dimostrazioni
Se l'apprendimento continuo e l'efficienza dei campioni migliorassero insieme, il ruolo del pre-addestramento potrebbe cambiare.
Invece di costruire quasi tutte le capacità prima del deployment, i laboratori potrebbero addestrare un robusto modello foundation e poi lasciare che migliori attraverso l'esperienza.
L'ipotesi di Baker: l'addestramento potrebbe diventare una parte minore del fabbisogno computazionale dell'IA
Baker collega questa direzione di ricerca alla domanda di semiconduttori.
La sua visione di base è:
Pre-addestramento massiccio una tantum
↓
Deployment del modello
↓
Il modello apprende in modo efficiente dalle esperienze del mondo reale
↓
Riduzione della necessità di ripetuti riaddestramenti giganteschi
In questo scenario, il pre-addestramento tradizionale all'avanguardia potrebbe diventare una parte minore del fabbisogno computazionale totale dell'IA.
L'inferenza e l'apprendimento continuo potrebbero diventare più importanti.
com/cms-assets/image/2026/08/978abe63-4b06-4c22-b491-72bdbd9f94ed-39b95ad5-109d-47b5-b0a1-c1c78a939098.png)
Baker descrive questo come un potenziale salto di fase nelle esigenze di addestramento.
Questa è una tesi di investimento, non una conclusione tecnica consolidata.
Affinché questo scenario diventi realtà, devono essere soddisfatte diverse condizioni:
- L'apprendimento continuo deve funzionare in modo affidabile su scala all'avanguardia.
- I modelli devono essere in grado di apprendere informazioni utili da un numero relativamente limitato di interazioni.
- Il nuovo apprendimento non deve compromettere le capacità esistenti.
- Sicurezza e allineamento devono rimanere stabili man mano che il sistema cambia.
- L'apprendimento online deve essere più economico del riaddestramento periodico.
- Il sistema finale deve comunque beneficiare della distribuzione su larga scala.
Ciononostante, la domanda computazionale complessiva non è detto che diminuisca.
Un modello che diventa significativamente più utile dopo la distribuzione potrebbe generare più richieste di inferenza, attività degli agenti, simulazioni, generazione di dati e carichi di lavoro di apprendimento per rinforzo.
La struttura della potenza di calcolo potrebbe cambiare, ma il mercato complessivo non è detto che si riduca.
Il numero di token di addestramento va considerato come dato indicativo, non come parametro di riferimento letterale
L'articolo di partenza ripete un confronto numerico sorprendente emerso nella discussione con Baker: i primi esempi di modelli si aggiravano intorno alle decine di miliardi di token, mentre le scale di addestramento moderne hanno raggiunto centinaia di migliaia di miliardi.
Questo confronto non deve essere considerato come dato storico verificato dell'addestramento di Llama.
La documentazione ufficiale di Meta indica:
- LLaMA 7B ha utilizzato circa 1 trilione di token per l'addestramento.
- LLaMA 33B e 65B hanno utilizzato circa 1,4 trilioni di token per l'addestramento.
Lo stesso Baker ha presentato le cifre inferiori come informazioni apprese per sentito dire, non come statistiche ufficiali da scheda tecnica del modello.
Analogamente, i laboratori all'avanguardia non rivelano il numero completo di token di addestramento per ogni modello proprietario attuale.
Anche senza fare affidamento sul confronto preciso "20 miliardi contro 300 trilioni", il punto centrale rimane valido:
Lo sviluppo di modelli all'avanguardia dipende sempre più da set di dati massicci e da enormi quantità di potenza di calcolo; pertanto, se una svolta consentisse ai sistemi distribuiti di apprendere efficacemente da una quantità molto minore di nuove esperienze, ciò potrebbe modificare sostanzialmente il panorama economico dell'infrastruttura AI.
Cosa significa per NVIDIA
NVIDIA
Beneficia di diversi e variegati carichi di lavoro di intelligenza artificiale:
- Pre-addestramento
- Post-addestramento
- Apprendimento per rinforzo
- Generazione di dati sintetici
- Inferenza
- Esecuzione degli agenti
- Inferenza a contesto lungo
- Simulazione
- Embedding e retrieval
- Generazione video e multimodale
La riduzione di una categoria non implica automaticamente un calo della domanda complessiva di acceleratori.
È per questo che Baker descrive l'apprendimento continuo come uno scenario meritevole di stress test, non come una previsione che ritiene certa.
Il sell-off dell'AI è lo sfondo della discussione
Baker ha registrato questa conversazione in un periodo di forte debolezza dei titoli legati all'AI.
Nel suo post sui social media in cui promuoveva l'intervista, ha dichiarato che al momento della registrazione il "settore AI" era sceso di circa dal 35% al 40% rispetto al massimo di giugno.
Fonti vicine a BAAI hanno paragonato la velocità di questo ritracciamento al comprimere il mercato ribassista del 2022 in un periodo molto più breve.
L'obiettivo di Baker nella conversazione era cercare prove per determinare se la logica di investimento sottostante all'AI fosse peggiorata.
Ha discusso i seguenti indicatori:
- Prezzi delle GPU
- Domanda di inferenza
- Progressi dei modelli open source
- Domanda di semiconduttori
- Spese in conto capitale
- Progresso tecnologico continuo
La sua tesi non è che il mercato non possa scendere ulteriormente.
È piuttosto che un vero salto di fase tecnologico — come un apprendimento continuo efficiente — potrebbe contare di più per la logica di calcolo a lungo termine delle fluttuazioni dei prezzi azionari a breve termine.
Gavin Baker segue NVIDIA e il settore dei semiconduttori da decenni
La fonte ha speso molto tempo per spiegare perché i commenti di Baker su SSI abbiano attirato l'attenzione.
Baker non è un dipendente o un portavoce ufficiale di SSI.
È un investitore nei mercati pubblici.
Attualmente è Managing Partner e Chief Investment Officer di Atreides Management, società da lui fondata nel 2019.
In precedenza, ha lavorato a Fidelity Investments dal 1999 al 2017.
Le sue posizioni includono:
- Analista di semiconduttori
- Portfolio Manager
- Portfolio Manager del Fidelity OTC Portfolio
- Venture Capital
Il suo background di lunga data nel settore dei semiconduttori è particolarmente rilevante per questa discussione, perché Baker ha seguito NVIDIA attraverso diverse epoche dell'informatica.
Queste epoche includono:
- Grafica PC
- GPU per gaming
- CUDA
- Criptovalute
- Addestramento del deep learning
- Inferenza AI
- Sistemi per data center
- Fabbriche di intelligenza artificiale
Alla conferenza GTC 2026 di NVIDIA, Jensen Huang ha presentato pubblicamente Baker come il primo grande investitore istituzionale di NVIDIA.
Questa affermazione è verificabile in modo indipendente attraverso i verbali del keynote GTC di NVIDIA stessa.
Perché la rete di contatti è importante
La fonte ha anche sottolineato l'ampia rete di relazioni di Baker con aziende tecnologiche, fondatori, investitori e l'ecosistema dei semiconduttori.
Questo tipo di accesso potrebbe spiegare perché i partecipanti al mercato prendano sul serio un commento informale su SSI.
Ma questo non equivale comunque a considerare l'affermazione come un annuncio aziendale.
La corretta gerarchia delle prove è:
| Fonte | Affidabilità sulla data di rilascio di SSI |
|---|---|
| Annuncio ufficiale di SSI | Massima |
| Dichiarazioni dirette di Ilya Sutskever o della leadership di SSI | Molto alta |
| Annuncio congiunto NVIDIA che menziona il rilascio | Alta se specifico |
| Gavin Baker che descrive ciò che SSI ha detto | Affermazione di seconda mano credibile |
| Condivisioni sui social media dei commenti di Baker | Seconda mano |
| Speculazioni anonime | Bassa |
Al 7 agosto, le prove rimangono a livello di "affermazione di seconda mano credibile".
SSI ha raccolto miliardi di dollari ma non ha rilasciato un modello pubblico
La segretezza di SSI è uno dei motivi per cui le aspettative esterne sono così elevate.
L'azienda è stata fondata nel giugno 2024 da:
- Ilya Sutskever
- Daniel Gross
- Daniel Levy
Sutskever aveva in precedenza co-fondato OpenAI e ne era stato Chief Scientist.
SSI ha inizialmente raccolto circa 1 miliardo di dollari.
Secondo quanto riportato, un successivo round di finanziamento nella seconda metà del 2025 ha raccolto altri 2 miliardi di dollari, con una valutazione della società di circa 32 miliardi.
Nel luglio 2026, NVIDIA e SSI hanno annunciato una nuova partnership strategica.
Reuters ha poi riportato, citando fonti, che l'investimento di NVIDIA era di circa 5 miliardi di dollari, sebbene le due società abbiano affermato solo che l'investimento era significativo senza rivelare l'importo finanziario specifico nell'annuncio ufficiale.
Questa combinazione è insolita nel settore:
- Finanziamenti per miliardi di dollari
- Valutazioni private molto elevate
- Un team di ricerca di piccole dimensioni
- Nessuna famiglia di modelli pubblica
- Pochissima ricerca pubblicata
- Nessuna tabella di marcia di prodotto regolare
Il risultato è che il valore percepito dell'azienda dipende in larga misura dalla fiducia nel suo team di ricerca e dalla possibilità che il suo approccio possa differire sostanzialmente dal percorso mainstream dei modelli all'avanguardia.
NVIDIA ora ha accesso alla ricerca strettamente riservata di SSI
L'annuncio NVIDIA–SSI del 27 luglio fornisce uno dei segnali pubblici più forti che SSI ritenga di essere entrata in una nuova fase.
NVIDIA ha dichiarato di essere entrata nella partnership dopo aver ottenuto un raro accesso alla ricerca strettamente riservata di SSI.
Le due società hanno annunciato:
- NVIDIA ha effettuato un investimento su larga scala in SSI.
- SSI avrà accesso alla piattaforma NVIDIA Vera Rubin.
- La partnership espanderà la capacità di calcolo di SSI di circa un ordine di grandezza.
- SSI e NVIDIA collaboreranno su piattaforme di calcolo future.
Sutskever ha dichiarato che SSI possiede una ricerca "meritevole di essere scalata".
L'annuncio non ha ancora rivelato:
- Architettura del modello
- Metodo di addestramento
- Tecniche di sicurezza
- Benchmark
- Data di rilascio
- Nome del modello
Ma conferma che SSI è passata dall'esplorazione pura alla scalabilità di una direzione di ricerca che ritiene promettente.
Vera Rubin fornisce a SSI una base di calcolo più ampia
La piattaforma Vera Rubin di NVIDIA è la prossima architettura di calcolo AI dell'azienda.
NVIDIA afferma che Rubin migliora:
- Le prestazioni di training
- Il throughput di ragionamento degli agenti
- L'efficienza energetica
- Il costo per token
- Il networking su larga scala
Nello specifico per SSI, l'annuncio ufficiale della partnership afferma che la combinazione di investimento e accesso a Vera Rubin aumenterà la capacità di calcolo dell'azienda di un ordine di grandezza.
È da qui che nasce l'affermazione ampiamente diffusa del "calcolo 10 volte superiore".
Le parole contano.
NVIDIA non ha dichiarato che SSI riceverà esattamente 10 volte il numero di GPU.
Ha dichiarato che la partnership
aumenterà la capacità di calcolo complessiva di SSI di un ordine di grandezza.
La partnership con NVIDIA può supportare un lancio ad agosto?
I tempi suscitano naturalmente speculazioni.
La timeline è la seguente:
| Data | Evento |
|---|---|
| Giugno 2024 | Fondazione di SSI |
| 2024–2025 | SSI raccoglie miliardi di dollari |
| 27 luglio 2026 | SSI e NVIDIA annunciano una partnership strategica a lungo termine |
| 27 luglio 2026 | NVIDIA afferma che SSI avrà accesso a Vera Rubin e circa 10 volte la capacità di calcolo |
| 4 agosto 2026 | I commenti di Gavin Baker su un modello ad agosto iniziano a diffondersi ampiamente |
| 7 agosto 2026 | Nessun annuncio pubblico di rilascio di un modello SSI |
La partnership con NVIDIA potrebbe supportare un imminente rilascio di modello o una futura fase di espansione.
Attualmente non ci sono prove pubbliche che l'accordo hardware sia stato firmato specificamente per supportare un rilascio ad agosto.
La conclusione più sostenibile è:
La partnership ha fornito a SSI un'infrastruttura notevolmente aumentata nello stesso periodo in cui un investitore influente ha suggerito che l'azienda potrebbe rilasciare un modello, ma la connessione tra questi eventi non è stata ufficialmente spiegata.
L'osservazione su "Claude come Walter Cronkite di Wall Street"
Successivamente, la fonte è passata da SSI a un'osservazione più ampia di Baker su AI e mercati finanziari.
Ha paragonato Claude a Walter Cronkite — il influente giornalista televisivo americano associato a un alto grado di fiducia pubblica nell'era della televisione.
Il punto di Baker non è che Claude determini realmente la verità del mercato.
Sta descrivendo una potenziale perdita di diversità nell'analisi finanziaria.
Prima dell'AI generativa
Un rapporto sugli utili complesso, un documento di politica sui semiconduttori o un annuncio normativo potevano essere interpretati indipendentemente da:
- Migliaia di analisti
- Gestori di portafoglio
- Trader
- Esperti di settore
- Giornalisti
- Economisti
Queste persone avrebbero divergenze.
Assunzioni diverse producono visioni di mercato diverse.
Dopo l'AI generativa
Ora, molti partecipanti al mercato potrebbero inviare lo stesso documento allo stesso piccolo gruppo di modelli all'avanguardia.
Fanno domande simili:
Cosa significa?
È rialzista o ribassista?
Quali aziende ne beneficiano?
Quali sono gli effetti di secondo ordine?
Cosa è cambiato rispetto alle aspettative?
Se molte persone dipendono fortemente dallo stesso modello, potrebbero ottenere quadri analitici simili e conclusioni simili.
Questo potrebbe creare un consenso mediato dal modello.
Perché l'analisi omogeneizzata è importante
I mercati finanziari dipendono dalla divergenza.
Compratori e venditori hanno diverse:
- Time horizon
- Informazioni
- Modelli
- Assunzioni
- Tolleranza al rischio
- Modalità di interpretazione
Se una grande parte dell'analisi viene standardizzata attraverso lo stesso sistema AI, potrebbero accadere diverse cose:
- La velocità di reazione aumenta.
- Il consenso si forma prima.
- Operazioni simili vengono eseguite nello stesso momento.
- Le fluttuazioni di prezzo diventano più ampie.
- Le opportunità contrarian potrebbero emergere prima.
- Gli errori nell'interpretazione di un singolo modello potrebbero diffondersi ampiamente.
Baker descrive questo come un declino della diversità analitica.
È un'ipotesi interessante, non una regola empirica dimostrata sui mercati moderni.
L'AI può anche aumentare la diversità
Esiste un'altra possibilità.
Gli strumenti AI possono
consentire a un analista di testare più scenari, esaminare più documenti, tradurre più fonti e mettere in discussione il consenso più rapidamente.
Gli utenti possono anche confrontare gli output di modelli o strumenti come:
- Claude
- ChatGPT
- Gemini
- Modelli a pesi aperti
- Modelli finanziari specializzati
- Agent di ricerca interni personalizzati
Se l'AI aumenterà o diminuirà la diversità di mercato dipende da come viene utilizzata.
Il rischio è esternalizzare il giudizio allo stesso modello senza verifica indipendente.
Cosa potrebbe rivelare un modello SSI
Se SSI rilasciasse effettivamente un modello ad agosto, le domande più interessanti potrebbero non essere quelle standard da classifica.
Naturalmente la gente confronterà:
- Capacità di ragionamento
- Capacità di programmazione
- Capacità matematiche
- Compiti da agente
- Prestazioni su contesto lungo
- Comprensione multimodale
Ma la missione dichiarata di SSI rende diverse domande più profonde ancora più importanti.
1. Può apprendere in modo continuo?
I commenti di Baker sono emersi in una discussione sull'apprendimento continuo.
Questo non prova che il modello di SSI mostrerà capacità di apprendimento continuo.
Se così fosse, i ricercatori vorranno sapere:
- Cosa cambia dopo il deployment?
- I pesi vengono aggiornati online?
- L'apprendimento è episodico o continuo?
- Come viene controllato l'oblio?
- Come vengono filtrati i feedback dannosi?
- Come vengono valutati gli aggiornamenti?
2. È più efficiente in termini di campioni?
Se SSI ha trovato un modo per imparare di più da meno esempi, questo potrebbe influenzare l'economia del training.
Prove solide richiedono valutazioni trasparenti, non aneddoti.
3. Cosa significa "sicurezza" tecnicamente?
SSI afferma che sicurezza e capacità dovrebbero progredire insieme.
Un rilascio creerebbe un'opportunità per mostrare cosa significa nella pratica.
Le aree possibili includono:
- Allineamento
- Interpretabilità
- Robustezza
- Supervisione scalabile
- Resistenza avversaria
- Auto-miglioramento controllato
- Uso sicuro degli strumenti
SSI non ha ancora divulgato pubblicamente quali di questi meccanismi definiscono il suo approccio.
4. È un prodotto o una pietra miliare di ricerca?
Un'API pubblica indicherebbe una direzione da prodotto.
Un paper, una demo, benchmark o un rilascio di ricerca limitato significherebbero qualcosa di diverso.
Fino a quando SSI non parla direttamente, l'espressione "rilascio di un modello" è troppo vaga per rispondere a questa domanda.
Perché questo rumors conta anche prima di un rilascio
SSI è uno dei pochi laboratori all'avanguardia fondati con la premessa esplicita di evitare la competizione ordinaria sui prodotti fino a quando il suo obiettivo di ricerca principale non sarà pronto.
Questo rende un rilascio non solo un test della qualità del modello.
Metterà alla prova diverse convinzioni che circondano l'azienda dal 2024:
- Un piccolo team d'élite può competere con laboratori più grandi
- Un'organizzazione orientata alla ricerca può evitare i cicli rapidi di prodotto
- Sicurezza e capacità possono svilupparsi insieme
- Una direzione di ricerca diversa può giustificare miliardi di dollari di finanziamento
- Il progresso all'avanguardia potrebbe non richiedere di percorrere più velocemente lo stesso percorso di scaling
La partnership con NVIDIA aumenta le aspettative perché NVIDIA afferma di aver visto la ricerca di SSI prima di impegnare capitali significativi e la prossima generazione di potenza di calcolo.
I commenti di Baker aggiungono una possibile tempistica.
Nessuno dei due ci dice esattamente cosa sia questo modello.
Cosa è confermato, cosa è riportato e cosa rimane sconosciuto
Confermato
- SSI è stata fondata da Ilya
Sutskever, Daniel Gross e Daniel Levy nel 2024.
- SSI ha dichiarato pubblicamente che il suo unico obiettivo e prodotto è l'AGI sicura (superintelligenza sicura).
- NVIDIA e SSI hanno annunciato una partnership strategica a lungo termine il 27 luglio 2026.
- NVIDIA ha affermato che la partnership aumenterà la capacità di calcolo di SSI di circa un ordine di grandezza.
- NVIDIA ha dichiarato che, prima di stabilire la partnership, ha ottenuto un accesso raro alla ricerca strettamente riservata di SSI.
- Gavin Baker è socio amministratore e chief investment officer di Atreides Management.
- Jensen Huang ha descritto Baker come il primo investitore istituzionale principale di NVIDIA al GTC 2026.
Riportato da Gavin Baker
- SSI ha dichiarato di voler rilasciare un modello ad agosto.
Non ancora confermato pubblicamente da SSI
- Data di rilascio esatta
- Nome del modello
- Architettura
- Numero di parametri
- Numero di token di training
- Risultati dei benchmark
- Modalità di accesso
- Prezzo
- Licenza
- Capacità di apprendimento continuo
- Dichiarazioni sull'efficienza dei campioni
- Se il rilascio stesso faccia parte del sistema di superintelligenza
Domande frequenti
Un'azienda di superintelligenza sicura pubblicherà un modello ad agosto 2026?
Gavin Baker, in una recente intervista, ha dichiarato che SSI ha affermato che lancerà un modello ad agosto. Al 7 agosto 2026, SSI non ha ancora pubblicato un annuncio ufficiale sul proprio sito web per confermare tale data.
Sarà il primo modello pubblico di SSI?
Se verrà pubblicato un modello, questo sarà il primo modello o sistema a livello di prodotto di SSI a fare la sua comparsa pubblica. L'azienda, dalla sua fondazione, ha operato sostanzialmente in modalità riservata, senza rilasciare una linea regolare di modelli.
Il modello di agosto di SSI è confermato come superintelligenza?
No. La missione ufficiale di SSI è costruire una superintelligenza sicura, ma non ci sono informazioni pubbliche che confermino che il modello previsto per agosto abbia raggiunto tale livello. Capacità, architettura, benchmark e modalità di rilascio del modello rimangono ancora sconosciuti.
Cos'è l'apprendimento continuo nell'IA?
L'apprendimento continuo è la capacità di un sistema di apprendere costantemente da nuove esperienze nel tempo, senza dover essere riaddestrato ripetutamente da zero e senza dimenticare le capacità acquisite in precedenza. Un apprendimento continuo affidabile rimane un ambito di ricerca attivo, soprattutto per i modelli di grandi dimensioni già in produzione.
Perché l'apprendimento continuo potrebbe influenzare la domanda di GPU?
Se un modello, una volta implementato, fosse in grado di apprendere in modo efficiente, parte del calcolo potrebbe spostarsi da un pre-addestramento periodico su larga scala verso inferenza, apprendimento online, simulazione e post-addestramento. Questo cambierebbe la composizione della domanda di acceleratori, ma non ridurrebbe necessariamente la richiesta complessiva di calcolo per l'IA.
NVIDIA ha investito in Safe Superintelligence?
Sì. NVIDIA e SSI hanno annunciato formalmente a luglio 2026 un importante investimento e una partnership a lungo termine. Reuters ha riportato che l'importo dell'investimento è di circa 5 miliardi di dollari, ma le due aziende non hanno divulgato i dettagli finanziari nell'annuncio ufficiale.
Cosa comporta per SSI la collaborazione con NVIDIA su Vera Rubin?
NVIDIA ha dichiarato che SSI avrà accesso alla sua piattaforma di prossima generazione Vera Rubin e che la collaborazione aumenterà la capacità di calcolo di SSI di circa un ordine di grandezza. Le due aziende collaboreranno inoltre allo sviluppo di future piattaforme di calcolo.
Chi è Gavin Baker?
Gavin Baker è socio amministratore e chief investment officer di Atreides Management.
In precedenza ha lavorato per quasi vent'anni a Fidelity Investments. Al GTC di NVIDIA del 2026, Jensen Huang lo ha descritto come il primo importante investitore istituzionale di NVIDIA.
Strumenti correlati
- Safe Superintelligence Inc.: Il sito ufficiale di SSI, fonte primaria per la sua missione, la descrizione aziendale e i futuri annunci pubblici.
- NVIDIA Vera Rubin: La piattaforma di calcolo IA di prossima generazione di NVIDIA, che supporterà l'infrastruttura di calcolo ampliata di SSI.
- Atreides Management: La società di investimento di Gavin Baker, il cui profilo ufficiale illustra in dettaglio il suo background negli investimenti nel settore dei semiconduttori e della tecnologia.
- NVIDIA On-Demand: Archivio ufficiale dei keynote GTC di NVIDIA, delle sessioni tecniche e delle trascrizioni.
- Meta Llama: Il sito ufficiale della linea di modelli Meta, utile per consultare informazioni pubbliche su addestramento e architettura quando si confrontano le dichiarazioni storiche sulle dimensioni dei modelli.
Link correlati
- Sito ufficiale di Safe Superintelligence: Dichiarazione ufficiale di SSI; l'azienda ha un solo obiettivo e un solo prodotto: la superintelligenza sicura.
- Partnership strategica NVIDIA-SSI: Annuncio ufficiale di NVIDIA del 27 luglio 2026, che copre l'investimento in SSI, l'accesso a Vera Rubin e l'espansione del calcolo.
- Comunicato stampa per gli investitori di NVIDIA sulla collaborazione con SSI: Versione per le relazioni con gli investitori dello stesso annuncio ufficiale di partnership.
- Gavin Baker — Atreides Management: Profilo ufficiale di Baker, che copre il suo ruolo in Atreides e la sua precedente carriera in Fidelity.
- Trascrizione del keynote NVIDIA GTC 2026: Trascrizione ufficiale del keynote in cui Jensen Huang definisce Baker il primo importante investitore istituzionale di NVIDIA.
- OfficeChai: Gavin Baker afferma che SSI potrebbe pubblicare un modello ad agosto: Resoconto secondario che conserva le parti della discussione di Baker sull'apprendimento continuo.
- Meta: presentazione di LLaMA: Documentazione ufficiale Meta che mostra che il modello LLaMA originale è stato addestrato su circa 1-1,4 trilioni di token, utile per comprendere il contesto delle discussioni sul numero di token.
Riepilogo
Gavin Baker ha fornito il primo accenno pubblico credibile sui tempi di rilascio di Safe Superintelligence, affermando che SSI prevede di lanciare un modello ad agosto 2026. Al 7 agosto, SSI stessa non ha confermato pubblicamente questa tempistica, quindi la data dovrebbe ancora essere considerata un'affermazione riportata dai media, non un annuncio di rilascio ufficiale.
Questo commento è importante anche per il suo contesto. Baker stava parlando di apprendimento continuo e apprendimento efficiente in termini di campioni — aree di ricerca che potrebbero spostare il calcolo dell'IA da un pre-addestramento massiccio
Oggi il settore dei modelli è dominato da pre-addestramenti sempre più grandi e si sta orientando verso sistemi in grado di apprendere in modo continuo dopo la distribuzione.
SSI ha inoltre appena stretto un'importante partnership strategica con NVIDIA. Questo accordo formale consente all'azienda di utilizzare i sistemi Vera Rubin, con un aumento previsto della capacità di calcolo di circa un ordine di grandezza, e NVIDIA ha dichiarato di aver deciso di procedere alla collaborazione dopo aver ottenuto un accesso speciale alla ricerca privata di SSI.
Il fatto chiave di oggi non è che SSI abbia già confermato il lancio di una superintelligenza, ma che un investitore con una rete di contatti particolarmente ampia ha affermato che il suo primo modello potrebbe finalmente essere vicino al rilascio — e che l'azienda ora dispone di risorse di calcolo notevolmente aumentate, sufficienti a scalare ciò che ha costruito finora.