L’IA parla anche italiano: quali sono i modelli nostrani e quanto sono potenti

Per il Governo sono una via per una (fantomatica) sovranità italiana sull’intelligenza artificiale. Per il mondo accademico, un esercizio sperimentale di ricerca e sviluppo. Per molte aziende italiane che li producono, più modestamente, sono strumenti che possono trovare una nicchia di mercato utile. C’è un fiorire di grandi modelli linguistici AI (llm) made in Italy, analoghi a quelli delle big tech Usa (vedi Gpt di OpenAI, Claude di Anthropic o Gemini di Google), anche se molto meno potenti. Il panorama è variegato e non è facile distinguere i progetti reali dal marketing. Ci sono modelli nati nel mondo accademico, perlopiù non usabili per scopi pratici effettivi, e altri creati da aziende tecnologiche italiane.

Minerva

Tra i progetti più noti (e pubblicizzati) c’è Minerva, la famiglia sviluppata dal gruppo Sapienza NLP dell’Università di Roma. Comprende modelli da 350 milioni a 7 miliardi di parametri; la versione maggiore è stata costruita con un mix di testi in italiano e inglese, oltre a dati di programmazione. Il progetto ha usato le risorse di calcolo messe a disposizione da Cineca nel programma Fair finanziato dal Pnrr. Minerva è stato potenziato quest’anno, ma già nel 2024 il sottosegretario all’innovazione Alessio Butti lo prendeva ad esempio di “italianità” nell’IA, sostenendo che servono anche modelli costruiti intorno a lingue (e culture) diverse dall’inglese. Il punto distintivo di Minerva è l’ambizione di addestrare un modello con l’italiano al centro, anziché trattarlo come una lingua accessoria. La speranza è che questa scelta possa migliorare la gestione di lessico, costruzioni linguistiche e contesti culturali che nei modelli concentrati sull’inglese ricevono meno attenzione.

Domyn e Velvet

Butti lodava anche il modello di iGenius, ora diventata Domyn. La società aveva rilasciato Italia 9B, modello open source rivolto alle organizzazioni, mentre oggi presenta Domyn-Large come parte di una proposta di IA sovrana europea per i settori regolati. Dice molto su come si sta spostando, pragmaticamente, il mercato: dall’idea del chatbot che parla bene italiano a sistemi integrati con conoscenza aziendale, controlli di sicurezza e infrastrutture locali.

Un percorso industriale è quello di Velvet, famiglia di llm sviluppata da Almawave. L’azienda presenta Velvet 14B come un modello da 14 miliardi di parametri, attivo in italiano e in altre cinque lingue europee, con una finestra di contesto fino a 128 mila token. Almawave afferma che Velvet è stato costruito su architettura proprietaria senza ricorrere a modelli preesistenti e addestrato sul supercomputer Leonardo. La scelta multilingue segnala un aspetto spesso trascurato: la domanda italiana non coincide soltanto con l’italiano. Imprese, amministrazioni e operatori turistici lavorano in un mercato europeo, con documenti e interlocutori in più lingue.

I modelli di UniBa, Fastweb e Engineering

Non tutti i progetti partono da un addestramento originario. LLaMAntino-3-Anita, sviluppato da ricercatori dell’Università di Bari, deriva dalla famiglia Llama 3 di Meta. La versione Anita usa un modello da 8 miliardi di parametri, sottoposto a istruzioni e a un processo di ottimizzazione delle preferenze per renderlo più adatto all’interazione in italiano. È una strada diversa e spesso più accessibile. Addestrare un grande modello da zero richiede quantità enormi di dati, energia, capitale e potenza di calcolo. L’adattamento consente di lavorare su basi già disponibili, concentrando risorse su dati italiani di qualità, sicurezza, valutazione e applicazioni concrete. Il limite è che una parte rilevante delle scelte originarie, dall’architettura ai dati iniziali, resta legata al modello di partenza.

Il panorama industriale si è mosso più rapidamente verso i casi d’uso. FastwebMIIA, il modello italiano di intelligenza artificiale di Fastweb, include una versione da 7 miliardi di parametri e una tecnologia (tokenizer) sviluppato internamente. Fastweb l’ha pensato per vari usi business: non solo scrivere un testo, ma interrogare un database, recuperare documenti, seguire procedure e restituire risposte legate a fonti definite.

A maggio è arrivato anche EngGPT2MoE-16B-A3B, modello di Engineering basato su una struttura a esperti specializzati: 16 miliardi di parametri complessivi, con 3 miliardi attivati durante l’elaborazione. Nel proprio rapporto tecnico l’azienda confronta il modello con altri LLM italiani e internazionali.

Le capacità dei modelli italiani

Ma come se la cavano nella realtà questi modelli italiani? Gli esperti li guardano con prudenza: “Quelli che vengono dal mondo accademico funzionano male, danno risposte spesso errate. Ovviamente: sono troppo piccoli”, spiega Antonio Cisternino, professore e presidente del Sistema Informatico d’Ateneo all’università di Pisa. I “miliardi” di parametri che vantano i modelli italiani possono sembrare tanti ma sono in realtà due ordini di grandezza in meno rispetto ai modelli AI di frontiera americani e cinesi. “Non ha senso inoltre addestrare un modello solo con dati italiani. Significa precludersi tanto materiale di addestramento disponibile in altre lingue. I dati di addestramento, quantità e qualità, influiscono direttamente sulle prestazioni”, aggiunge. “Per altro, i modelli americani funzionano bene con l’italiano, per la sua origine latina, che ricorre anche in inglese ed è comune a una lingua molto diffusa, lo spagnolo”, spiega Cisternino. “Ben altra cosa è l’indiano, ad esempio, dove in effetti ha senso l’impegno del governo a promuovere modelli ottimizzati per quella lingua”.

Per quanto riguarda i modelli italiani specializzati per il business, il loro destino è complesso, nota Cisternino, perché “è molto forte la concorrenza dei modelli americani, preferiti dalle nostre aziende, che tendono a utilizzarli tramite il cloud delle big tech”. Si vedrà. Cisternino, come altri esperti del settore, è convinto però che la via debba essere un’altra per l’Italia. I modelli sono come il motore di una macchina. Servono miliardi per svilupparli, tanta potenza di calcolo ed energia. Tutti fattori dove l’Italia è più debole anche rispetto a Francia e Regno Unito, per non parlare degli Usa o la Cina. Allora forse “dovremmo focalizzarci su tutto ciò che sta intorno, gli elementi software e industriali che costruiti intorno a un modello sviluppato altrove portino valore per le nostre aziende”. La macchina intorno può essere anche un robot, per alzare la produttività delle nostre aziende manifatturiere, secondo Domenico Appendino, presidente di Siri, associazione dei produttori italiani di robot. Gli llm italiani sono un bello slogan politico; possono persino essere utili per la nostra ricerca o per certe nicchie, ma sarebbe un errore fermarsi lì.