La strategia cinese sull’IA sta diventando un ecosistema, non un singolo modello

Il cambiamento più importante riguarda il modello di business: non si tratta più soltanto di vendere l’accesso a un modello, ma di costruirgli attorno un intero ciclo di prodotto. Il ciclo può comprendere API, strumenti di programmazione, esecuzione di agenti, flussi di lavoro aziendali e applicazioni capaci di generare utilizzo e ricavi.

La disponibilità dei pesi può favorire test esterni e sviluppo a valle, mentre i servizi commerciali aiutano a finanziare il lavoro successivo su modelli e infrastrutture. L’indipendenza tecnologica, tuttavia, non coincide semplicemente con il possesso dei pesi del modello. Richiede anche sistemi per addestramento e inferenza, pipeline di dati, tecniche di post-training, framework per gli agenti, distribuzione presso gli sviluppatori e accesso affidabile alla capacità di calcolo.

Un modello diventa strategicamente più solido quando riesce ad attirare un ecosistema su tutti questi livelli.

BAAI: il ponte tra ricerca aperta e intelligenza incarnata

BAAI si è sviluppata a partire dal lavoro sui modelli fondazionali WuDao e si sta spostando verso la famiglia WuJie, che comprende ricerca su modelli multimodali, world model e IA incarnata. Le informazioni diffuse in occasione di conferenze recenti descrivono WuJie·Physis come un modello del mondo fisico basato su rappresentazioni latenti e WuJie·RoboBrain Orca come un sistema in sviluppo che collega ragionamento linguistico, previsione visiva e decisioni operative.

La direzione è rilevante perché l’intelligenza nel mondo fisico richiede capacità che i modelli addestrati soltanto sul testo non possiedono automaticamente. Un robot deve percepire l’ambiente, prevedere ciò che può accadere, pianificare, controllare i propri movimenti e reagire a condizioni fisiche mutevoli.

I world model e i sistemi di IA incarnata cercano di rappresentare quegli ambienti e di agire al loro interno, non soltanto di descriverli.

Il ruolo di BAAI è anche istituzionale. Il suo programma punta su modelli open source, agenti, ecosistemi software e hardware di base e collaborazione tra ricerca e industria. Secondo quanto riportato dalla conferenza BAAI del 2026, l’istituto ha reso disponibili oltre 200 modelli open source e i download globali hanno superato il miliardo. Queste cifre, diffuse dagli organizzatori, vanno interpretate come indicatori di distribuzione e non come misure dirette della qualità dei modelli.

Per l’ecosistema cinese dell’IA, il valore di un istituto come BAAI consiste nel creare infrastrutture di ricerca riutilizzabili e canali di formazione. Modelli aperti, benchmark, strumenti e piattaforme per la robotica possono offrire a università, startup e produttori una base comune per sviluppare nuove applicazioni.

AISI: dall’IA che genera risposte all’IA che verifica ipotesi scientifiche

AISI adotta un approccio diverso. Fondato nel settembre 2021, l’istituto descrive la propria missione come l’integrazione tra intelligenza artificiale e ricerca scientifica, con l’obiettivo di costruire infrastrutture per l’AI for Science, cioè l’IA applicata alla scienza.

Il suo schema “Four Beams and N Pillars”, traducibile come “quattro travi e N pilastri”, riunisce modelli algoritmici e software, banche dati e sistemi di conoscenza scientifica, caratterizzazione sperimentale ad alta efficienza e un’infrastruttura di calcolo integrata. L’obiettivo è spostare la ricerca da processi isolati, quasi “artigianali”, a un modello più connesso e organizzato come una piattaforma.

Bohrium è un esempio concreto di questo approccio. Il cloud di ricerca viene presentato come un ambiente che collega letteratura scientifica, conoscenza, modelli, calcolo, analisi dei dati e procedure sperimentali. L’obiettivo non è semplicemente chiedere a un’IA di produrre una risposta, ma aiutare i ricercatori a passare da una domanda a una simulazione, a un esperimento e a un nuovo insieme di dati verificati.

Questo circuito chiuso è particolarmente importante nella scienza dei materiali e nella ricerca molecolare. Un grande modello atomico come DPA4 può contribuire alla scoperta e alla simulazione di nuovi materiali; il suo valore pratico aumenta quando le previsioni vengono testate in laboratorio e i risultati sperimentali alimentano i modelli successivi.

Un rapporto del 2026 ha riferito che un aggiornamento di DPA4 si è classificato al primo posto negli indicatori complessivi di una leaderboard internazionale dedicata alla scoperta dei materiali. Il risultato, da solo, non dimostra però un impatto scientifico concreto nel mondo reale.

Un esempio più tangibile di validazione fisica arriva dal lavoro collegato ad AISI sui motori a razzo. I resoconti descrivono un processo che comprende progettazione generativa, simulazione della combustione, produzione additiva, misurazione e controllo automatizzati e test. Un dimostratore in scala ridotta avrebbe completato la validazione a ciclo chiuso.

Progetti di questo tipo sono importanti perché collegano l’output dell’IA ai vincoli dell’ingegneria e alle prove fisiche, invece di fermarsi al risultato di un benchmark software.

Perché l’ecosistema conta più del modello dei record

Le prestazioni di frontiera cambiano rapidamente

Le classifiche dei modelli e i vantaggi di prodotto possono cambiare in pochi mesi. Comunità di sviluppatori, dataset scientifici, strutture sperimentali, standard ed esperienza di implementazione, invece, possono accumularsi per anni.

Sono questi asset a rendere più utili i miglioramenti futuri e a ridurre la dipendenza da una singola release.

Domini diversi richiedono forme diverse di intelligenza

Un agente per il coding, un sistema di controllo robotico, un simulatore molecolare e una piattaforma per la letteratura scientifica non affrontano lo stesso problema tecnico.

Per questo una strategia nazionale o industriale sull’IA trae vantaggio da modelli specializzati e infrastrutture condivise, invece di affidarsi a un unico sistema generalista chiamato a fare tutto.

La ricerca aperta amplia la base dell’innovazione

Pesi, strumenti, benchmark e piattaforme aperti permettono a ricercatori e imprese di testare, adattare ed estendere il lavoro altrui. L’orientamento open source di BAAI può sostenere questo livello, mentre aziende commerciali come Zhipu AI possono trasformare le capacità tecniche in prodotti e ricavi.

La validazione scientifica crea un ciclo di feedback più forte

Nell’AI for Science, i sistemi più preziosi potrebbero essere quelli che collegano previsione, simulazione, esperimento e misurazione. Ogni risultato verificato può migliorare i dati e i modelli utilizzati nel ciclo successivo.

È uno standard più esigente rispetto alla generazione di una risposta plausibile, ma offre anche un percorso più chiaro verso il valore industriale.

L’indipendenza è una catena di competenze

Uno sviluppo dell’IA capace di resistere agli shock richiede capacità distribuite tra algoritmi, software, dati, calcolo, competenze, strumenti e implementazione. Diversificare questi livelli può ridurre la dipendenza da un singolo fornitore o da un unico approccio tecnico.

Rende inoltre l’ecosistema più resiliente quando un modello non mantiene le promesse o cambiano i vincoli esterni.

Il quadro strategico

Zhipu AI, BAAI e AISI occupano posizioni diverse all’interno dello stesso sistema emergente:

• Zhipu AI fornisce slancio commerciale attraverso modelli generalisti, strumenti di coding, agenti e prodotti per sviluppatori.
• BAAI offre ricerca aperta, reti di talenti, modelli fondazionali e un percorso verso l’intelligenza multimodale e incarnata.
• AISI costruisce infrastrutture scientifiche che collegano modelli, conoscenza, calcolo, esperimenti e validazione ingegneristica.

La loro importanza è quindi complementare, non intercambiabile. Zhipu AI mostra come i modelli di frontiera possano diventare piattaforme. BAAI mostra come la ricerca aperta possa distribuire le capacità all’interno di una comunità più ampia. AISI mostra come l’IA possa essere integrata in processi in cui il successo si misura attraverso un materiale, un esperimento o un sistema ingegneristico funzionante.

La lettura più solida della prossima fase cinese dell’IA non è che un singolo modello abbia già deciso la competizione globale. È che il vantaggio competitivo potrebbe dipendere sempre più dalla capacità di collegare centri di ricerca originali, piattaforme commerciali, competenze tecniche indipendenti e applicazioni interdisciplinari in un ecosistema industriale aperto e collaborativo.