Stefano Ermon, professore di computer science in aspettativa a Stanford, ha fondato nel 2024 a Palo Alto la startup Inception insieme ad Aditya Grover della UCLA e Volodymyr Kuleshov della Cornell University. L’azienda lavora a una famiglia di modelli linguistici generativi costruiti su un’architettura differente rispetto a quella utilizzata dalla maggior parte degli LLM attuali: invece di produrre il testo attraverso un processo autoregressivo, generando un token dopo l’altro, Inception applica al linguaggio i modelli di diffusione, permettendo di intervenire contemporaneamente su molte parti della risposta. La società ha raccolto 50 milioni di dollari, conta circa 40 dipendenti e decine di migliaia di utenti registrati.
Il lavoro di Ermon sui modelli di diffusione precede la nascita di Inception. Nel 2019 dal suo laboratorio di Stanford è uscito uno dei lavori che hanno contribuito allo sviluppo di questa famiglia di modelli generativi, successivamente diventata centrale nella produzione di immagini e video e utilizzata in sistemi come DALL-E, Sora e Veo. In un modello di diffusione applicato alle immagini il processo parte da una configurazione iniziale sostanzialmente casuale dei pixel e utilizza una rete neurale per correggere progressivamente il contenuto fino a ottenere l’immagine richiesta. Per molti anni questo approccio è stato associato soprattutto alla generazione visiva, mentre Inception lo ha adattato alla produzione di testo.
La differenza rispetto ai tradizionali modelli autoregressivi riguarda soprattutto il modo in cui viene costruito l’output. Sistemi come ChatGPT generano normalmente una risposta procedendo da sinistra verso destra: la rete neurale analizza i token già presenti, predice quello successivo e ripete l’operazione fino al completamento del testo. Mercury, il modello sviluppato da Inception, utilizza invece la diffusione per modificare numerosi token contemporaneamente e raffinare progressivamente l’intera risposta. Dal punto di vista dell’utente l’interazione rimane simile a quella con ChatGPT, Gemini o Claude, ma l’elaborazione interna è differente e punta a sfruttare un maggiore parallelismo durante la generazione.
L’obiettivo di Inception è ottenere modelli caratterizzati da latenza ridotta e basso costo per token. Ermon individua tre parametri principali nella scelta di un modello di intelligenza artificiale: qualità delle risposte, velocità e costo. Non tutte le applicazioni richiedono infatti il modello con le capacità di ragionamento più elevate; in servizi nei quali la risposta deve arrivare quasi istantaneamente, il rapporto tra qualità, latenza e costo può diventare più importante della capacità massima del sistema. Inception punta in particolare a scenari nei quali la risposta deve essere prodotta entro circa 200 millisecondi, come voice agent per call center, applicazioni di travel booking e servizi finanziari.
Mercury è indirizzato soprattutto alle aziende, mentre sul sito di Inception è disponibile anche una demo che permette di utilizzarlo attraverso un’interfaccia conversazionale e verificarne direttamente la velocità. Per l’azienda il principale problema non è più dimostrare la possibilità di utilizzare la diffusione per generare testo, ma estendere l’accessibilità dei modelli e portarli in un maggior numero di applicazioni. La competizione viene quindi impostata non soltanto sulla qualità assoluta dei modelli, ma sulla quantità di capacità computazionale utile che può essere ottenuta a parità di costo economico o consumo energetico, cioè sulla possibilità di produrre più “intelligenza per dollaro” e più “intelligenza per watt”.
La nascita di Inception deriva da un percorso di ricerca iniziato molto prima dell’attuale diffusione commerciale dell’AI generativa. Ermon, oggi 42enne, è cresciuto a Viarago di Pergine, nella Valle dei Mocheni vicino a Trento, e ha iniziato a interessarsi agli algoritmi già al liceo, quando immaginava un sistema capace di aiutarlo a evitare i compiti. Dopo la laurea in ingegneria elettronica all’Università di Padova, con una tesi seguita da Gianfranco Bilardi, si è trasferito negli Stati Uniti nel 2008 per conseguire il dottorato alla Cornell University. Nel 2015 è arrivato a Stanford, dove è rimasto per dieci anni e ha sviluppato parte del lavoro che avrebbe successivamente portato alla tecnologia utilizzata da Inception.
Inception non rappresenta inoltre la prima esperienza imprenditoriale di Ermon. In precedenza aveva già partecipato alla fondazione di un’altra società dedicata all’applicazione dell’intelligenza artificiale ai satelliti, ancora operativa ma nella quale non è più coinvolto direttamente. La decisione di creare Inception è maturata invece dopo oltre dieci anni di collaborazione scientifica con Grover e Kuleshov e con la convinzione che la diffusione potesse offrire un’alternativa tecnica alle architetture autoregressive sulle quali continua a basarsi gran parte del mercato degli LLM. Il primo finanziamento della nuova società è arrivato da Mayfield.
Ermon ritiene che la disponibilità di modelli sempre più capaci renderà necessario modificare anche il modo in cui vengono utilizzati nei sistemi produttivi e formativi. Secondo la sua previsione, i modelli potrebbero arrivare a produrre prestazioni difficilmente distinguibili da quelle di esperti umani in numerosi settori, con conseguenze dirette sul mercato del lavoro e sul sistema educativo. Per questo considera necessario insegnare agli studenti a utilizzare correttamente questi strumenti e ripensare progressivamente organizzazioni, professioni e modalità di formazione, soprattutto se la velocità di miglioramento dei modelli dovesse mantenersi vicina a quella osservata negli ultimi anni.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)