Come DeepSeek, Z.ai e Moonshot AI stanno riscrivendo la sfida cinese all’intelligenza artificiale

Il significato di Liang Wenfeng, Tang Jie e Yang Zhilin non sta soltanto nel fatto che tre imprenditori cinesi abbiano creato modelli di IA molto visibili. Insieme, DeepSeek, Z.ai e Moonshot AI hanno ampliato la definizione stessa di competizione tecnologica di frontiera: oggi la capacità di un modello va valutata anche in rapporto all’apertura, al costo dell’inferenza, all’accesso per gli sviluppatori e alla quantità di calcolo necessaria per utilizzarlo.

Questo non dimostra che la Cina abbia superato la Silicon Valley. Dimostra però che il mercato non è più esclusivamente statunitense e che un modello non deve essere necessariamente chiuso, costosissimo o sostenuto da un colosso tecnologico americano per influenzare le aspettative globali.

Tre fondatori, tre strade verso l’IA di frontiera

Liang Wenfeng: la sfida all’insegna dell’efficienza

Liang ha studiato ingegneria elettronica e delle comunicazioni alla Zhejiang University, prima di cofondare High-Flyer, un hedge fund quantitativo basato sull’intelligenza artificiale. Nel 2023 ha fondato DeepSeek, portando nella ricerca sui modelli di base un approccio maturato nella finanza quantitativa, fatto di ottimizzazione matematica ed efficienza computazionale. 4144

DeepSeek-R1, lanciato nel gennaio 2025, è diventato il risultato più rappresentativo dell’azienda. Il modello di ragionamento è stato distribuito con pesi scaricabili e presentato come un’alternativa meno costosa ai principali sistemi proprietari. Le dichiarazioni di DeepSeek su costi e prestazioni non possono sostituire una valutazione indipendente completa, ma sono state sufficientemente incisive da spingere gli investitori a riconsiderare l’economia dell’addestramento e dell’inferenza dei modelli avanzati. 172226

La reazione dei mercati è stata eccezionale. Nvidia ha perso 593 miliardi di dollari di capitalizzazione in una sola seduta, mentre gli investitori si chiedevano se l’IA di frontiera richiedesse davvero budget hardware enormi e in continua crescita. Il ribasso è stato in parte riassorbito poco dopo: è quindi più corretto leggerlo come una rapida revisione delle aspettative che come la prova di un crollo della domanda di chip avanzati. 1718

Anche la filosofia di Liang è particolare. Reuters ha riferito che il fondatore considera prioritaria la ricerca di lungo periodo verso l’intelligenza artificiale generale, più che la massimizzazione dei profitti nel breve termine, e che DeepSeek potrebbe mantenere aperti i suoi modelli più avanzati. 33 Le informazioni disponibili non permettono invece di considerare accertate la posizione finanziaria complessiva dell’azienda, la sua valutazione, eventuali piani di quotazione o il patrimonio personale di Liang.

Tang Jie: dalla ricerca universitaria alle imprese

Tang Jie è professore di informatica alla Tsinghua University, nonché cofondatore e chief scientist di Z.ai, il nome internazionale dell’azienda precedentemente nota come Zhipu AI. La società è nata nel 2019 come spin-off della ricerca di Tsinghua a Pechino e ha iniziato a pubblicare la famiglia di modelli GLM nel 2021. 4950

La strategia di Z.ai è più strutturata sul piano istituzionale rispetto a quella di DeepSeek: unisce una base di ricerca universitaria ad ambizioni commerciali ed enterprise. I modelli GLM hanno dato sempre più peso a ragionamento, programmazione, uso di strumenti e flussi di lavoro basati su agenti. Il Center for AI Standards and Innovation del governo statunitense ha riferito che GLM-5.2 è stato distribuito come modello open weight il 16 giugno 2026. 49

Tang ha sostenuto che l’arrivo di DeepSeek-R1 abbia segnato la fine di una prima fase incentrata soprattutto sulle chat e che programmazione e ragionamento diventeranno più importanti con l’evoluzione degli agenti. 52 È una chiave utile per capire il posizionamento di Z.ai: l’obiettivo non è competere soltanto sulla naturalezza delle risposte, ma creare modelli capaci di affrontare attività più lunghe e interagire con strumenti software.

Z.ai mostra inoltre il passaggio da laboratorio privato a società dei mercati finanziari. Secondo alcune ricostruzioni, entro la metà del 2025 aveva raccolto circa 1,25 miliardi di dollari; una valutazione pubblica del governo statunitense afferma che la società abbia completato la quotazione a Hong Kong l’8 gennaio 2026. 4950 Le stime sulla capitalizzazione variano e non devono essere trattate come definitive o equivalenti tra loro. Non esistono inoltre prove affidabili sufficienti per quantificare il patrimonio personale di Tang.

Yang Zhilin: la scommessa sul contesto lungo

Yang Zhilin ha studiato alla Tsinghua University e ha conseguito un dottorato alla Carnegie Mellon University. Le ricostruzioni disponibili descrivono anche esperienze di ricerca presso Google e Meta, prima della cofondazione di Moonshot AI a Pechino nel 2023. 2712

Moonshot ha attirato inizialmente l’attenzione con Kimi, la cui identità è stata strettamente legata all’interazione su contesti molto lunghi. Il modello Kimi K3 ha esteso questa strategia in un sistema open weight di dimensioni ancora maggiori: le fonti lo descrivono come un modello Mixture-of-Experts da 2,8 trilioni di parametri, con una finestra di contesto fino a un milione di token. 15

I pesi sono stati resi disponibili dopo il lancio del modello nei prodotti e nelle API di Moonshot, collegando un’attività di chatbot per il pubblico a una più ampia strategia di piattaforma per gli sviluppatori. 2 Le dimensioni sono notevoli, ma il numero di parametri, da solo, non dimostra l’intelligenza, il costo operativo o l’utilità di un modello. Le classifiche indipendenti possono aiutare nei confronti, ma cambiano nel tempo e non sostituiscono verifiche su affidabilità, programmazione, sicurezza e attività reali basate su agenti.

Anche i dati sul finanziamento di Moonshot restano variabili. TechCrunch ha riferito di un round da circa 2 miliardi di dollari a una valutazione di 20 miliardi nel maggio 2026; ricostruzioni successive hanno parlato di una possibile valutazione superiore ai 30 miliardi e di preparativi per una potenziale quotazione a Hong Kong. Si tratta di stime del mercato privato, non di valori certificati da un mercato azionario. 41215 Non esistono prove affidabili sufficienti per stabilire il patrimonio personale di Yang.

Perché non è soltanto una gara tra Stati Uniti e Cina?

1. La capacità viene misurata insieme al costo

DeepSeek ha trasformato il ragionamento efficiente nel tema centrale. Z.ai punta su programmazione, distribuzione aziendale e agenti. Moonshot combina contesto lungo, pesi open weight di scala molto elevata e distribuzione attraverso prodotti e piattaforme. Le strategie sono diverse, ma tutte spingono il settore verso una domanda più concreta: quanta capacità utile si può ottenere per ogni dollaro speso in addestramento o inferenza?

Il confronto non è semplice. I costi di addestramento pubblicizzati sono spesso dichiarazioni delle aziende e possono escludere dati, progettazione, accesso all’hardware, valutazione e implementazione. L’effetto strategico, però, è reale: DeepSeek ha costretto investitori e laboratori a rivedere le proprie ipotesi sulla curva dei costi dei modelli di frontiera. 1722

2. I pesi aperti offrono più scelta agli sviluppatori

I pesi scaricabili possono consentire agli sviluppatori di eseguire un modello sui propri server, adattarlo o integrarlo senza dipendere interamente da un’API proprietaria. DeepSeek, GLM e Kimi possono così entrare negli ecosistemi software globali anche quando le rispettive aziende hanno un accesso più limitato alla distribuzione internazionale.

“Open weight” non significa necessariamente “open source” in senso pieno. I pesi possono essere disponibili mentre restano non pubblici i dati di addestramento, i metodi di trattamento dei dati, il codice di training e l’intera filiera di sviluppo. La distinzione è importante per riproducibilità, licenze, sicurezza e governance.

3. Lo shock ha raggiunto anche i mercati

Il lancio di DeepSeek nel gennaio 2025 ha influenzato le valutazioni delle aziende tecnologiche statunitensi perché ha messo in discussione l’idea che un’IA più capace debba richiedere automaticamente una quantità proporzionale di hardware di fascia alta. La perdita giornaliera di Nvidia ha mostrato con quale rapidità un’innovazione a livello di modello possa riflettersi sull’infrastruttura. 1718

Kimi K3 ha prodotto un’attenzione simile intorno alla possibilità che un’azienda cinese distribuisse un modello open weight di dimensioni associate ai maggiori laboratori statunitensi. La reazione va interpretata più come una pressione sulle convinzioni dominanti che come la prova di una vittoria tecnologica già compiuta. 14

Gli ostacoli che decideranno la prossima fase

Le tre aziende devono ancora affrontare problemi strutturali difficili:

• Calcolo e hardware: i controlli alle esportazioni e l’accesso limitato agli acceleratori più avanzati rendono più complessi l’addestramento e l’erogazione dei modelli di frontiera. Le tecniche di efficienza possono ridurre il divario, ma non eliminano il bisogno di chip, energia, reti, talenti ingegneristici e capitali. 45
• Commercializzazione: i modelli aperti o economici possono diffondersi rapidamente, rendendo però più difficile per i loro creatori trasformare l’adozione in ricavi. La reputazione tecnica deve diventare un’attività stabile per aziende, API o consumatori.
• Incertezza dei benchmark: una vittoria su un benchmark ristretto o dichiarata dall’azienda non risolve le questioni di affidabilità, qualità multilingue, programmazione, sicurezza o robustezza degli agenti. Le affermazioni di superiorità richiedono riproduzioni indipendenti.
• Fiducia e governance: privacy, sicurezza, restrizioni sui contenuti e scrutinio geopolitico possono frenare l’adozione internazionale anche quando un modello è tecnicamente interessante.
• Pressioni dei mercati finanziari: la quotazione completata da Z.ai le offre una posizione finanziaria diversa da quella di DeepSeek, mentre i preparativi per una possibile IPO di Moonshot restano prospettici. La struttura proprietaria e i piani di quotazione di DeepSeek sono meno chiari nelle fonti pubbliche affidabili. 495015

In sintesi

Liang Wenfeng, Tang Jie e Yang Zhilin non stanno portando avanti un’unica strategia cinese sull’intelligenza artificiale. Liang ha costruito l’identità di DeepSeek intorno all’efficienza e alla ricerca di lungo periodo sull’AGI. Tang sta portando la ricerca sui modelli di base nata all’università verso programmazione, agenti e una dimensione da società quotata. Yang sta sviluppando una piattaforma basata su contesto lungo, sistemi Mixture-of-Experts di scala enorme e distribuzione open weight per gli sviluppatori.

Il loro risultato comune è aver reso l’IA di frontiera più pluralista. Hanno ampliato le opzioni degli sviluppatori, messo in discussione l’economia delle infrastrutture basate su modelli chiusi e indebolito l’idea che la Cina sia destinata a rimanere permanentemente indietro rispetto agli Stati Uniti.

La conclusione più prudente è anche quella meglio sostenuta dai dati: i tre fondatori hanno cambiato il panorama competitivo, ma saranno i vincoli sul calcolo, i benchmark ancora incerti, la commercializzazione e la fiducia a stabilire se questo cambiamento durerà.