Cronologia dello sviluppo dell’IA

Kurt Gödel pubblicò i suoi teoremi di incompletezza, dimostrando che qualsiasi sistema formale sufficientemente potente contiene proposizioni che non possono essere né dimostrate né confutate all’interno del sistema stesso. Questa scoperta non solo scosse la comunità matematica, ma ebbe profonde implicazioni per la teoria della computazione e l’intelligenza artificiale.

Alonzo Church e Alan Turing proposero indipendentemente la celebre tesi di Church-Turing. Questa tesi afferma che ogni funzione effettivamente calcolabile è Turing-calcolabile. Ciò formalizza la nozione intuitiva di «calcolabilità» e divenne il fondamento dell’informatica.

Alan Turing introdusse il concetto di macchina di Turing nel suo articolo fondamentale «On Computable Numbers, with an Application to the Entscheidungsproblem». Questo modello computazionale astratto può simulare qualsiasi processo matematicamente calcolabile.

Alonzo Church propose il lambda calcolo, un sistema formale per la definizione e l’applicazione di funzioni. Il lambda calcolo è considerato il fondamento teorico della programmazione funzionale e uno dei primi sistemi di tipi.

Warren McCulloch e Walter Pitts pubblicarono «A Logical Calculus of the Ideas Immanent in Nervous Activity», introducendo il primo modello di neurone artificiale (neurone McCulloch-Pitts). Questo modello semplificava i neuroni a interruttori a soglia binaria, gettando le basi per la successiva ricerca sulle reti neurali.

Norbert Wiener pubblicò «Cybernetics: Or Control and Communication in the Animal and the Machine», fondando la nuova disciplina della cibernetica. Lo studio di come i sistemi si autoregolano attraverso meccanismi di feedback ebbe un impatto profondo sull’IA e sulla robotica.

Claude Shannon pubblicò «A Mathematical Theory of Communication», gettando le basi della teoria dell’informazione. Concetti come entropia, codifica e quantità di informazione divennero strumenti fondamentali per comprendere i dati e l’elaborazione dell’informazione.

In «Computing Machinery and Intelligence», Turing sostituì l’ambigua domanda «Le macchine possono pensare?» con il gioco dell’imitazione, nel quale un esaminatore usa una conversazione scritta per distinguere una macchina da un essere umano. È un criterio comportamentale, non una prova di coscienza.

Nel 1955 John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon usarono il termine «artificial intelligence» nella proposta del Dartmouth Summer Research Project e delinearono il programma di ricerca per l’estate 1956.

Il workshop di Dartmouth dell’estate 1956 contribuì ad affermare il nome «artificial intelligence» e la relativa agenda di ricerca come identità di un nuovo campo accademico; il termine era già presente nella proposta del 1955.

Allen Newell e Herbert Simon svilupparono il «Logic Theorist», uno dei primi programmi pratici di IA. Questo programma poteva dimostrare teoremi dai Principia Mathematica ed è spesso citato tra i primi programmi di intelligenza artificiale. Newell e Simon ricevettero il premio Turing nel 1975.

Frank Rosenblatt propose il modello del Percettrone, un primo influente modello di rete neurale artificiale. Il Percettrone è un semplice classificatore binario lineare che apprende a classificare i dati di input regolando i pesi.

John McCarthy sviluppò il Lisp al MIT, uno dei primi linguaggi di alto livello strettamente associati alla ricerca sull’IA. La flessibilità del Lisp e la sua potente elaborazione simbolica ne fecero il linguaggio preferito per la ricerca sull’IA.

Newell e Simon svilupparono il General Problem Solver (GPS) dal 1957 al 1959, con collaboratori tra cui J. C. Shaw. Fu il primo programma di IA a tentare di simulare la soluzione umana dei problemi separando la tecnica risolutiva dalla conoscenza dello specifico dominio del problema, mediante la scomposizione degli obiettivi e la ricerca di sotto-obiettivi (analisi mezzi-fini).

Frank Rosenblatt dimostrò la proprietà di convergenza dell’algoritmo di apprendimento del percettrone, mostrando che se i dati sono linearmente separabili, il percettrone convergerà sicuramente.

Unimate divenne il primo robot a lavorare su una catena di montaggio. Nel 1961 General Motors lo installò nello stabilimento di Trenton, nel New Jersey, per scaricare una macchina di pressofusione, togliendo dalla macchina i pezzi ancora roventi. Unimation costruì queste macchine per lavori difficili, pericolosi o monotoni per le persone.

Nella sua tesi di dottorato al MIT del 1963, Larry Roberts descrisse un sistema per interpretare da immagini scene di semplici solidi poliedrici, un’importante base iniziale della visione artificiale tridimensionale.

Il MIT avviò Project MAC nel 1963 sotto la direzione di Robert Fano per studiare il time-sharing, la computazione e la cognizione assistita dalla macchina. Il progetto di intelligenza artificiale del MIT, fondato nel 1959, vi partecipò in seguito; non erano un unico laboratorio fondato nel 1959.

Joseph Weizenbaum creò ELIZA al MIT, uno dei primi chatbot. ELIZA simulava la conversazione di uno psicoterapeuta attraverso il riconoscimento di pattern, suscitando una profonda riflessione sull’interazione uomo-macchina.

SRI International sviluppò Shakey, uno dei primi robot mobili autonomi in grado di percepire l’ambiente, pianificare percorsi ed eseguire compiti. Shakey combinava visione artificiale, elaborazione del linguaggio naturale e algoritmi di pianificazione.

Marvin Minsky e Seymour Papert pubblicarono «Perceptrons», un’analisi rigorosa di ciò che i percettroni a singolo strato possono e non possono rappresentare. Il libro è spesso associato al successivo calo d’interesse per le reti neurali, ma i cambiamenti nei finanziamenti riflettevano anche limiti di calcolo, aspettative disattese e decisioni politiche più ampie.

Alain Colmerauer, Philippe Roussel e i loro collaboratori svilupparono a Marsiglia la prima versione di Prolog, applicando la logica dei predicati alla programmazione e facendo avanzare la programmazione logica e l’IA simbolica.

Lo scienziato britannico James Lighthill presentò al governo del Regno Unito un rapporto pessimistico sulla ricerca sull’IA, portando a tagli significativi nei finanziamenti.

Marvin Minsky pubblicò il «Frame Paper», proponendo la teoria dei frame per la rappresentazione della conoscenza. Questa teoria influenzò la successiva programmazione orientata agli oggetti e i metodi di rappresentazione della conoscenza.

La Stanford University sviluppò MYCIN, un sistema esperto per la diagnosi medica. Dimostrò la praticità dei sistemi esperti, sebbene non fu mai utilizzato clinicamente a causa di questioni di responsabilità.

DEC implementò XCON (eXpert CONfigurer), un sistema esperto per la configurazione dei sistemi informatici VAX. Lo sviluppo iniziò nel 1978 alla Carnegie Mellon University, il primo impiego risale al 1979 e il sistema era pienamente operativo nel 1980. Fu uno dei primi sistemi esperti di successo commerciale e fece risparmiare all’azienda milioni ogni anno.

Dopo valutazioni critiche e tagli ai finanziamenti negli anni Settanta, parte della ricerca sull’IA entrò in una fase di contrazione. Il «primo inverno dell’IA» è una periodizzazione retrospettiva, variabile per paese e settore.

Il Giappone annunciò il Fifth Generation Computer Project (FGCS) in una conferenza di JIPDEC e MITI nell’ottobre 1981, un’iniziativa nazionale decennale per sviluppare computer capaci di ragionamento logico ed elaborazione della conoscenza. Il progetto fu avviato formalmente nell’aprile 1982 con la fondazione dell’ICOT (Institute for New Generation Computer Technology).

David Rumelhart, Geoffrey Hinton e Ronald Williams pubblicarono i loro studi sull’algoritmo di retropropagazione, rendendo possibile l’addestramento di reti neurali multilivello.

Alla fine degli anni Ottanta, aspettative che avevano superato i risultati andarono deluse. I produttori di macchine Lisp persero terreno rispetto alle workstation generiche, diverse aziende di IA chiusero e i finanziamenti della DARPA alla ricerca di base sull’IA diminuirono tra il 1987 e il 1989.

Negli anni ’90, i metodi statistici iniziarono a dominare la ricerca sull’IA. I modelli di Markov nascosti (HMM) nel riconoscimento vocale, il Naive Bayes e gli alberi decisionali nel machine learning ottennero tutti buoni risultati.

L’esercito statunitense utilizzò sistemi di pianificazione e logistica basati sull’IA nella Guerra del Golfo, dimostrando il potenziale dell’IA nelle applicazioni reali.

Tim Berners-Lee creò il World Wide Web. La diffusione di Internet cambiò lo stile di vita umano e fornì risorse di dati senza precedenti per l’IA.

La crisi si attenuò gradualmente anziché finire in una data precisa. Molti ricercatori si orientarono verso obiettivi più modesti e raggiungibili, mentre la ripresa delle reti neurali e dei metodi probabilistici gettò le basi per una nuova era.

Vladimir Vapnik e altri proposero le macchine a vettori di supporto (SVM), un potente metodo di classificazione e regressione. Le SVM ottennero eccellenti prestazioni nella classificazione del testo e nel riconoscimento della scrittura.

Deep Blue di IBM sconfisse il campione mondiale di scacchi Garry Kasparov, dimostrando la capacità dell’IA di superare le capacità umane in compiti ben definiti.

Sepp Hochreiter e Jürgen Schmidhuber proposero l’LSTM, un tipo speciale di RNN in grado di apprendere dipendenze a lungo termine. L’LSTM ottenne grande successo nel riconoscimento vocale e nella modellazione del linguaggio.

Yann LeCun sviluppò LeNet-5, una CNN per il riconoscimento di cifre scritte a mano. LeNet-5 fu tra i primi modelli di deep learning distribuiti su larga scala in ambito commerciale, usato da AT&T/NCR per la lettura degli assegni dal 1993 e dal Servizio postale degli Stati Uniti per il riconoscimento dei codici postali dalla fine degli anni Novanta.

Yoshua Bengio, Réjean Ducharme, Pascal Vincent e Christian Jauvin proposero un modello linguistico neurale probabilistico che apprende congiuntamente rappresentazioni distribuite delle parole e probabilità delle sequenze per affrontare la maledizione della dimensionalità. La rete è feed-forward, non ricorrente.

Dal 2004 un programma CIFAR favorì incontri regolari tra Geoffrey Hinton, Yann LeCun, Yoshua Bengio e collaboratori. Coordinò ricerche che contribuirono alla rinascita del deep learning, senza rappresentarne un unico punto di partenza.

Geoffrey Hinton e i suoi colleghi proposero le Deep Belief Networks (DBN), con un algoritmo greedy veloce che le addestra uno strato alla volta. Questo pre-addestramento strato per strato contribuì a ravvivare l’interesse per le reti neurali profonde.

I ricercatori iniziarono a utilizzare le GPU per accelerare l’addestramento del deep learning. Il calcolo parallelo delle GPU rese possibile l’addestramento di grandi reti neurali.

Il team ImageNet pubblicò nel 2009 l’articolo sul database gerarchico di immagini organizzato con WordNet. ImageNet e la successiva competizione divennero un’infrastruttura importante per addestramento e valutazione su larga scala.

Microsoft Research e l’Università di Toronto aprirono la strada alla prima grande svolta del deep learning nel riconoscimento vocale (Dahl, Yu, Deng 2011; Mohamed, Dahl, Hinton 2012), con riduzioni significative del tasso di errore sulle parole. Google mise in produzione il riconoscimento vocale basato su DNN e LSTM tra il 2012 e il 2015.

La squadra di Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton presentò AlexNet alla competizione ImageNet 2012 (ILSVRC) e vinse con un margine schiacciante: un errore top-5 del 15,3%, contro il 26,2% del secondo classificato.

Tomas Mikolov rilasciò Word2Vec, un modello di rete neurale per l’apprendimento di rappresentazioni vettoriali delle parole. Word2Vec permise ai computer di comprendere le relazioni semantiche tra le parole.

Ian Goodfellow propose le GAN, una delle innovazioni più importanti nel deep learning. Le GAN generano immagini estremamente realistiche attraverso l’addestramento avversario.

Kaiming He e altri proposero ResNet, risolvendo la difficoltà di addestramento delle reti profonde attraverso connessioni di salto. ResNet permise l’addestramento di centinaia di strati.

AlphaGo di DeepMind sconfisse il campione mondiale di Go Lee Sedol per 4 a 1. Il Go era considerato uno dei giochi da tavolo più difficili per l’IA.

Google propose l’architettura Transformer, una svolta rivoluzionaria nell’NLP. Il Transformer è la base dei moderni modelli linguistici di grandi dimensioni.

OpenAI ha rilasciato GPT-3, un modello linguistico di grandi dimensioni con 175 miliardi di parametri. GPT-3 ha dimostrato capacità sorprendenti di generazione del linguaggio, suscitando un ampio dibattito sull’AGI.

OpenAI ha rilasciato DALL-E (generazione di immagini) e CLIP (apprendimento contrastivo immagine-testo). Questi modelli hanno dimostrato la capacità dell’IA di comprendere e generare contenuti multimodali.

OpenAI ha rilasciato Codex, un modello di IA in grado di comprendere e generare codice. GitHub Copilot è diventato il primo assistente di programmazione IA ampiamente utilizzato.

Nel novembre 2022, OpenAI ha rilasciato ChatGPT, il primo assistente conversazionale generativo rivolto al mercato di massa. ChatGPT ha raggiunto 100 milioni di utenti in due mesi, diventando il prodotto di consumo in più rapida crescita nella storia.

Stability AI ha rilasciato Stable Diffusion, un modello di generazione di immagini con pesi scaricabili liberamente, sotto una licenza che limita alcuni usi. L’attività della comunità open source ha rapidamente democratizzato la tecnologia di generazione di immagini.

OpenAI ha rilasciato GPT-4, un modello multimodale in grado di elaborare immagini e testo. GPT-4 ha mostrato prestazioni vicine a quelle umane su benchmark professionali e accademici.

Anthropic ha rilasciato Claude, un assistente IA focalizzato su sicurezza e utilità. Il design di Claude riflette l’enfasi sulla sicurezza dell’IA — l’IA deve essere utile, innocua e onesta.

Meta ha rilasciato LLaMA, un modello linguistico di grandi dimensioni sotto licenza di ricerca non commerciale. Sebbene LLaMA abbia dimensioni di parametri relativamente ridotte, le sue eccellenti prestazioni hanno promosso lo sviluppo di LLM a pesi aperti.

Il concetto di agente IA ha iniziato a ricevere ampia attenzione. Gli agenti sono sistemi di IA in grado di pianificare ed eseguire autonomamente compiti complessi.

Nel febbraio 2024 Google ha presentato Gemini 1.5, con architettura mixture-of-experts e una finestra di contesto sperimentale fino a un milione di token.

Anthropic ha rilasciato la serie Claude 3, che include Opus, Sonnet e Haiku. Claude 3 Opus è stato competitivo con GPT-4 su diversi benchmark tra cui MMLU e GPQA, rimanendo indietro su altri.

Meta ha rilasciato la famiglia Llama 3 con pesi aperti, inclusi modelli da 8 e 70 miliardi di parametri.

L’Unione europea ha adottato la legge sull’IA, prima regolamentazione orizzontale completa dell’intelligenza artificiale. La legge ha stabilito una classificazione basata sul rischio e requisiti rigorosi per i sistemi IA ad alto rischio.

OpenAI ha rilasciato il modello o1, un modello di grandi dimensioni con capacità di ragionamento. o1 eccelle nei compiti scientifici e di programmazione, dimostrando la capacità di «pensare».

Nell’ottobre 2024 Anthropic ha introdotto la beta pubblica di computer use per una versione aggiornata di Claude 3.5 Sonnet, consentendo agli sviluppatori di fargli osservare lo schermo, muovere il cursore, fare clic e digitare.

Anthropic ha rilasciato MCP (Model Context Protocol), un protocollo standard aperto per collegare i modelli di IA con strumenti e fonti di dati esterne. MCP sta diventando l’«USB-C» delle applicazioni IA.

Entro il 2025, gli agenti IA sono maturati da demo di ricerca a strumenti di produzione. Agenti di coding, agenti browser e agenti multi-step sono diventati offerte standard, con OpenAI, Anthropic, Google e progetti open source che hanno rilasciato sistemi capaci.

Il laboratorio cinese DeepSeek ha rilasciato R1, un modello di ragionamento a pesi aperti, con codice e pesi sotto licenza MIT, le cui prestazioni rivaleggiavano con o1 di OpenAI. Il rilascio ha dimostrato che capacità all’avanguardia possono essere raggiunte fuori dall’establishment IA americano e ha innescato una rivalutazione globale della competizione IA.

OpenAI, Oracle, SoftBank e la società emiratina MGX hanno annunciato congiuntamente l’intenzione di investire 500 miliardi di dollari in quattro anni per costruire infrastrutture di IA negli Stati Uniti, tra cui diversi grandi data center.

Anthropic ha rilasciato Claude 3.7 Sonnet, che ha presentato come il primo modello di ragionamento ibrido disponibile al pubblico: gli utenti possono passare, nello stesso modello, da risposte immediate a un ragionamento esteso.

Nel marzo 2025, Anthropic ha annunciato un round di finanziamento da 3,5 miliardi di dollari a una valutazione di 61,5 miliardi di dollari, diventando una delle startup IA più valutate al mondo e riflettendo l’ulteriore concentrazione di capitale nell’industria IA.

Meta ha pubblicato i modelli multimodali a pesi aperti Llama 4 Scout e Maverick e presentato Behemoth, un modello insegnante ancora in addestramento e non rilasciato.

Anthropic ha rilasciato la famiglia Claude 4 (Opus 4 e Sonnet 4), introducendo la capacità di «riflessione estesa» (Extended Thinking) con miglioramenti significativi nella programmazione, nel ragionamento e nelle attività a lungo orizzonte. Claude 4 ha consolidato la posizione di Anthropic nel mercato dell’IA aziendale.

Il 2 agosto 2025 sono divenute applicabili le regole di governance e gli obblighi per i modelli di IA per finalità generali. Altre disposizioni seguono scadenze diverse, quindi non è l’avvio generale della piena applicazione.

OpenAI ha rilasciato GPT-5, un modello di punta unificato che integra le capacità di ragionamento della serie o con le capacità conversazionali della serie GPT. GPT-5 stabilisce una nuova frontiera nella programmazione, nella matematica e nel ragionamento, supportando contesti più lunghi e l’uso di strumenti.

OpenAI ha completato la ricapitalizzazione della propria struttura. L’attività a scopo di lucro è diventata una public benefit corporation denominata OpenAI Group PBC, e la OpenAI Foundation, ente senza scopo di lucro, continua a controllarla con la stessa missione. Secondo OpenAI, la ricapitalizzazione è arrivata dopo quasi un anno di confronti con i procuratori generali della California e del Delaware.

Nel primo semestre 2026 le capacità agentiche sono uscite dalle dimostrazioni e sono entrate nei prodotti aziendali rilasciati: agenti per la programmazione, l’assistenza e l’automazione d’ufficio sono diventati funzioni documentate, e attorno a essi è maturata l’infrastruttura di chiamata degli strumenti e di collaborazione multi-agente. Quanto sia arrivata davvero l’adozione non è stabilito. Le indagini pubblicate riportano tassi di produzione molto diversi perché non concordano su che cosa conti come agente; questa voce registra quindi una direzione e non un livello.

Nel primo semestre 2026 i rilasci a pesi aperti di DeepSeek, Alibaba Qwen, Moonshot, Zhipu e Meta hanno raggiunto una scala prima riservata ai sistemi chiusi, con pesi e schede di modello scaricabili e non solo descritti. Se qualcuno di essi eguagli la frontiera chiusa dipende da quale indice di benchmark si usa e da come lo si pondera; questa voce registra quindi che cosa è stato rilasciato e con quale licenza, non una classifica.

Nature ha pubblicato Co-Scientist, un sistema multi-agente basato su Gemini che formula ipotesi di ricerca inedite da verificare sperimentalmente. L’articolo riporta la validazione in tre applicazioni biomediche: il riposizionamento di farmaci, la scoperta di nuovi bersagli e la spiegazione dei meccanismi di resistenza antimicrobica. Gli autori lo presentano come assistente dei ricercatori e non come sostituto, il che ne fa una prova sottoposta a revisione paritaria di un’IA che partecipa alla formulazione di ipotesi e non solo all’analisi.

Secondo una notizia dell’11 giugno 2026, Meta ha iniziato a sciogliere l’integrazione dell’acquisizione di Manus, interrompendo la condivisione dei dati e separando le operazioni. La notizia collega la decisione a requisiti normativi cinesi; lo stato legale e operativo successivo va verificato con aggiornamenti più recenti.

Il 9 giugno 2026 Anthropic ha lanciato Fable 5, protetto per l’uso generale, e Mythos 5 per i partner verificati di Project Glasswing. I controlli statunitensi del 12 giugno richiedevano restrizioni per i cittadini stranieri; non potendo verificarne la nazionalità in tempo reale, Anthropic ha sospeso entrambi i modelli nel mondo. Revocati i controlli il 30 giugno, Fable 5 è tornato globalmente il 1° luglio e Mythos 5 inizialmente per organizzazioni statunitensi approvate.

Il 13 giugno 2026 una coalizione di procuratori generali di diversi Stati americani, guidata da quella dello Stato di New York, ha aperto un’indagine su OpenAI e notificato un’intimazione. La citazione in giudizio richiede documenti su inserzioni pubblicitarie, coinvolgimento e fidelizzazione degli utenti, tendenza dei modelli all’adulazione, trattamento dei dati dei consumatori e sanitari, nonché tutele per minori e anziani.

Il 29 giugno 2026 Samsung e SK Hynix hanno annunciato piani pluriennali da 800.000 miliardi di won, comprendenti quattro fab di memoria nel sud-ovest della Corea. La conversione in dollari varia col cambio; ambito, autorizzazioni ed esecuzione restano da verificare.

Il 1° luglio 2026 Google ha rilasciato Gemini Spark — il suo assistente IA agentico 24/7 — su macOS, con tracciamento in tempo reale e integrazione più ampia con le app. Spark agisce in modo persistente sulla vita digitale dell’utente, segnando la spinta di Google a portare l’IA agentica sul desktop consumer.

A luglio 2026 Moonshot AI ha pubblicato su Hugging Face i pesi aperti di Kimi K3. La scheda del modello riporta 2.800 miliardi di parametri totali, di cui 104 miliardi attivati, una finestra di contesto di 1.048.576 token e la licenza Kimi K3. Per numero totale di parametri, al momento del rilascio era tra i più grandi modelli linguistici liberamente scaricabili.

Il 1° luglio 2026 Cloudflare ha annunciato controlli distinti per Search, Agent e Training, precisando che dal 15 settembre i nuovi domini avrebbero bloccato per impostazione predefinita Training e Agent nelle pagine con pubblicità, consentendo Search; i proprietari possono modificare le impostazioni e ai crawler multiuso si applica la regola più restrittiva.

Il 2 luglio 2026 Microsoft ha annunciato Microsoft Frontier Company, una nuova business unit operativa focalizzata sul deployment IA in azienda, basata sugli strumenti IA esistenti di Microsoft. Il progetto è sostenuto da un investimento Microsoft di 2,5 miliardi di dollari e 6.000 esperti industriali e tecnici — raggiungendo Amazon e OpenAI nel lancio di un’organizzazione dedicata al deployment IA.

Il 9 luglio 2026, conclusa un’anteprima limitata, OpenAI ha reso generalmente disponibile la famiglia GPT-5.6: Sol, Terra e Luna. Durante l’anteprima OpenAI ha collaborato strettamente con enti esperti e partner fidati.

Il 2 agosto 2026 il regolamento europeo sull’IA è diventato pienamente applicabile e l’Ufficio per l’IA, insieme alle autorità nazionali, ha assunto attuazione, vigilanza ed esecuzione. La stessa revisione ha rinviato gli obblighi ad alto rischio più gravosi: i sistemi autonomi dell’allegato III si applicano dal 2 dicembre 2027 e l’IA integrata nei prodotti regolamentati dal 2 agosto 2028. Le pratiche vietate si applicavano già dal 2 febbraio 2025 e gli obblighi sui modelli per finalità generali dal 2 agosto 2025.

Il 2 settembre 2026 ARC Prize ha pubblicato risultati ARC-AGI-3 verificati per GPT-6 Astra su dodici configurazioni di harness. Sullo stesso insieme di valutazione semi-privato il modello ottiene 62,71% con il harness standard, che gli consente di portarsi avanti gli appunti che sceglie di tenere, e 98,55% con un harness Provider Adapter, che conserva lo stato di ragionamento fra le richieste e comprime le conversazioni lunghe. Astra ha usato meno azioni della mediana degli umani testati nel 96% dei livelli. La cifra misura un modello insieme alla sua impalcatura, ed è per questo che qui compaiono entrambe.

Il 3 settembre 2026 OpenAI ha pubblicato una scheda di sistema che colloca GPT-6 Astra alla soglia Critical di capacità cyber secondo il proprio Preparedness Framework, primo modello dell’azienda a quel livello. La scheda descrive un modello in grado di individuare falle di sicurezza prima ignote e di elaborare nuovi modi per sfruttarle su molti sistemi ben protetti senza che una persona guidi ogni passaggio; le capacità sensibili restano dietro un programma ad accesso fidato. La classificazione è la valutazione che OpenAI fa del proprio modello rispetto al proprio quadro, e la scheda non usa le parole AGI o intelligenza generale.