HUMAIN-M3 e la nuova strategia dell’IA sovrana

HUMAIN-M3 offre un esempio concreto di come stia cambiando la corsa all’IA sovrana. L’obiettivo non è necessariamente costruire da zero ogni capacità di frontiera: può essere più strategico partire da un modello riutilizzabile, adattarlo alla propria lingua e ai propri dati, decidere dove eseguirlo e conservarne il controllo nel tempo.

È quanto ha fatto HUMAIN, società sostenuta dal Public Investment Fund (PIF) saudita, con la linea di modelli MiniMax M3. Il risultato è un modello incentrato sull’arabo, accessibile dalla piattaforma HUMAIN Node e costruito su una base sviluppata dal laboratorio cinese MiniMax. 65

Che cosa ha lanciato HUMAIN

Il 3 settembre 2026 HUMAIN ha annunciato humain-m3. L’azienda afferma che il modello è stato commissionato da HUMAIN e realizzato da MiniMax; è disponibile in anteprima per ricerca attraverso HUMAIN Node. È previsto un rilascio open-weight, ma i pesi non erano scaricabili al momento dell’anteprima. 63

Il modello deriva dalla famiglia MiniMax-M3, un’architettura mixture-of-experts (MoE): 428 miliardi di parametri complessivi, dei quali circa 23 miliardi attivati per ciascun token. HUMAIN dichiara di aver proseguito il pre-addestramento con oltre 1.000 miliardi di token di contenuti nativi in arabo. 61

La differenza rispetto a un semplice strato di traduzione è sostanziale. L’ambizione dichiarata è mantenere le capacità generali del modello di base e, al tempo stesso, migliorare comprensione e generazione in arabo grazie a dati linguistici e contesto culturale più pertinenti. 211

Il valore dei pesi aperti per uno Stato

Addestrare da zero un modello generale di fascia alta richiede enormi risorse di calcolo, dati, personale specializzato e tempo. Una base open-weight cambia il punto di partenza: un operatore nazionale può concentrare investimenti su addestramento ulteriore, valutazione, messa in produzione e governance per i casi d’uso prioritari.

MiniMax presenta M3 come un modello open-weight per programmazione e applicazioni agentiche, con supporto API fino a 1 milione di token di contesto. 18 Partire da una base simile consente di concentrare il lavoro sulle aree spesso trascurate dai modelli generalisti: varietà dell’arabo, conoscenze regionali, lessico amministrativo e aziendale, procedure istituzionali e test localizzati.

Questo non significa indipendenza totale dalla tecnologia estera: HUMAIN-M3 dipende dalla linea di modelli cinese MiniMax. Significa però avere maggiore controllo sulla parte della filiera che determina l’uso pratico del sistema: dati impiegati per la specializzazione, luogo dell’inferenza, modalità degli aggiornamenti e tipi di distribuzione supportati.

In particolare, pesi scaricabili e riutilizzabili possono offrire vantaggi operativi:

• Gestione dei dati: i carichi di lavoro sensibili possono essere eseguiti su infrastrutture locali o controllate, invece di dipendere da un’API estera.
• Adattamento linguistico: le squadre tecniche possono continuare l’addestramento e valutare il modello su varietà locali dell’arabo e terminologia istituzionale.
• Scelte tecnologiche: l’operatore può scegliere stack di inferenza, hardware e architettura di distribuzione.
• Continuità: un checkpoint utilizzabile offre maggiore resilienza rispetto alla dipendenza esclusiva da un’API remota, le cui condizioni, prezzi, disponibilità o accesso possono cambiare.

Sono vantaggi reali, ma non automatici: servono capacità di calcolo, cybersicurezza, competenze di valutazione, verifica delle licenze e un piano di manutenzione di lungo periodo. CNAS osserva che molti Paesi vedono nei modelli open-weight una via pratica per evitare il vincolo verso un unico fornitore. 38

Risultati incoraggianti, ma da verificare fuori casa

HUMAIN ha comunicato una media ponderata in modo uguale dell’89,37% su sette benchmark pubblici in arabo, con il primo posto in cinque test. Secondo l’azienda, il dato è superiore di 9,03 punti rispetto al modello MiniMax M3 di riferimento. 12

Il risultato suggerisce che il proseguimento dell’addestramento in arabo possa migliorare le prestazioni sui test selezionati. Va tuttavia letto con cautela: l’aggregato pubblicato è stato prodotto con il processo di valutazione di HUMAIN e, al momento delle segnalazioni, non risultava una sottomissione alla classifica pubblica OALL. 3

Di conseguenza, quei numeri non dimostrano in modo indipendente una superiorità generale in affidabilità reale, sicurezza, costi o prestazioni su tutti i compiti in lingua araba. Repliche pubbliche, prove d’impiego e valutazioni su dialetti regionali e contesti ad alto impatto saranno più significative di una sola tabella di benchmark.

Un mercato globale in rapida espansione

HUMAIN-M3 si inserisce in una tendenza più ampia. CNAS contava 184 progetti di IA sovrana sostenuti dai governi in 67 Paesi entro metà 2026, dopo aver rilevato 41 nuovi progetti nella prima metà dell’anno; il suo indice aggiornato ne riportava poi 185. 3433

Per CNAS, un progetto di IA sovrana è un’iniziativa sostenuta dal governo, collegata esplicitamente a interessi strategici nazionali e accompagnata da investimenti pubblici concreti in calcolo, modelli o ecosistemi di dati interni. 33 La definizione chiarisce un punto essenziale: il modello è soltanto uno strato della filiera. Infrastruttura e dati contano quanto il software.

Gli sviluppatori cinesi stanno diventando fornitori rilevanti proprio perché offrono modelli capaci sia tramite API sia con pesi aperti. CNAS rileva almeno sette sviluppatori cinesi con sistemi open-weight forti nel coding, nel ragionamento, nelle capacità multimodali e nelle attività agentiche. 36

MiniMax M3, inoltre, non è limitato al servizio MiniMax: Artificial Analysis lo elenca presso diversi fornitori API, tra cui Nebius e SambaNova. È un esempio di come un modello aperto possa essere servito su infrastrutture alternative. 22

Il segnale lanciato da HUMAIN-M3

Il punto decisivo non è stabilire un vincitore definitivo da una singola serie di benchmark. È capire che sta cambiando l’unità della competizione.

Gli Stati stanno diventando clienti di asset riutilizzabili: checkpoint che possono adattare alle esigenze linguistiche locali, eseguire sull’infrastruttura prescelta, valutare secondo requisiti nazionali e mantenere nel tempo. La qualità del modello di base resta fondamentale; ma disponibilità open-weight, adattabilità all’hardware, opzioni affidabili di inferenza, governance dei dati e un percorso credibile di aggiornamento possono pesare altrettanto.

HUMAIN-M3 guarda quindi oltre una semplice sfida tra laboratori statunitensi e cinesi. La partita emergente riguarda anche chi riuscirà a fornire ai Paesi una filiera di IA più adattabile, governabile e durevole sul piano operativo.