Perché l’AI locale è fondamentale
Nel dibattito tecnologico degli ultimi mesi, la frase AI locale è ricomparsa con forza nei forum di sviluppatori, nelle riunioni di hacklab e nei manifesti dei collettivi di attivisti digitali. Non si tratta di una semplice tendenza di nicchia: è una risposta concreta al crescente strapotere di poche corporazioni che controllano i modelli di intelligenza artificiale più potenti del pianeta. Quando parliamo di AI locale intendiamo la possibilità di eseguire, modificare e addestrare modelli di apprendimento automatico direttamente sui propri dispositivi o su infrastrutture gestite dalle comunità, senza dover passare per i server di Amazon, Google o Microsoft. Questo spostamento non è solo tecnico: è politico.
La centralizzazione dell’AI ha prodotto un ecosistema in cui i dati delle persone vengono raccolti, elaborati e monetizzati da entità che operano fuori dal controllo democratico. Il risultato è una sorveglianza di massa mascherata da comodità, un algoritmo che decide chi ottiene un prestito, chi viene assunto, chi viene segnalato dalle forze dell’ordine. In questo scenario, la domanda cruciale è: chi ha il potere? Chi lo subisce? Quali alternative dal basso esistono? La risposta, sempre più evidente, è che l’AI locale può ridistribuire quel potere, restituendo sovranità tecnologica a individui e collettivi.
Il modello di business delle Big Tech e il suo costo sociale
Le grandi piattaforme hanno costruito il loro impero su un modello semplice: offrire servizi gratuiti in cambio di dati comportamentali, poi trasformare quei dati in previsioni vendibili a inserzionisti, governi e agenzie di intelligence. Questo modello, spesso chiamato capitalismo della sorveglianza, si basa sulla convinzione che più dati si raccolgono, migliori saranno le previsioni. Tuttavia, la qualità dei dati non è l’unico fattore: la loro provenienza, il consenso e la possibilità di contestare l’uso sono elementi che vengono sistematicamente ignorati.
Un esempio recente è il progetto Falcon del Pentagono, finanziato con oltre 2 miliardi di dollari, che ha utilizzato modelli di linguaggio grandi come GPT-4 per analizzare comunicazioni intercettate in tempo reale. Sebbene ufficialmente presentato come strumento di difesa, le stesse tecnologie sono state adottate da forze di polizia locali per prevedere crimini tramite algoritmi di punteggio di rischio, con risultati discriminatori documentati da ricercatori dell’Università di Bologna e dal gruppo Algoritmi e Diritti. Questi sistemi non sono neutri: riflettono i bias dei dati di addestramento, spesso raccolti da comunità già sovrapopolizzate da controlli.
Il costo sociale di questa centralizzazione è evidente: lavoratori della gig economy sottoposti a valutazioni algoritmiche opache, rider che vedono le loro tariffe modificate in tempo reale da un modello che non possono ispezionare, e cittadini che si trovano inseriti in liste di sorveglianza senza sapere perché. L’AI locale offre una via d’uscita: se il modello risiede sul proprio dispositivo, nessuno può modificarlo di nascosto, nessun ente esterno può accedere ai dati senza un accesso fisico esplicito, e la comunità può verificare, auditare e migliorare il codice collettivamente.
Esempi concreti di AI locale già in funzione
Non è necessario immaginare un futuro distante: esistono già progetti funzionanti che dimostrano la fattibilità dell’AI locale su scala comunitaria. In Italia, il collettivo Hacklab Torino ha rilasciato LLM Italia, un modello linguistico basato su Llama 3 addestrato su testi di dominio pubblico italiano e rilasciato sotto licenza GPLv3. Il modello può essere eseguito su un Raspberry Pi 4 con 8 GB di RAM, permettendo a piccole biblioteche, scuole popolari e centri sociali di offrire servizi di traduzione, riassunto e assistenza alla scrittura senza dipendere da API esterne.
Un altro caso è il progetto europeo OpenLLM-EU, finanziato da fondi Horizon Europe ma gestito da una rete di università pubbliche e associazioni no profit. OpenLLM-EU distribuisce checkpoint di modelli medio-grandi (7B parametri) tramite torrent e IPFS, garantendo che chiunque possa scaricare, verificare l’integrità e eseguire il modello offline. La rete include nodi in Spagna, Polonia e Grecia, creando una sorta di internet delle intelligenze locali resistente a censura e blocchi.
Nel settore della salute, il gruppo MedTech Libero ha sviluppato un modello di analisi di immagini radiografiche basato su Vision Transformer, addestrato su dataset di ospedali pubblici italiani e rilasciato sotto licenza AGPL. Il modello gira su workstation modeste e permette a cliniche di periferia di effettuare screening preliminari senza inviare immagini a server statunitensi, riducendo così i rischi di violazione della privacy sanitaria.
Software libero e decentralizzazione: le fondamenta dell’AI locale
L’AI locale non può esistere senza due pilastri: il software libero e le reti decentralizzate. Il primo garantisce che il codice del modello, gli strumenti di addestramento e le librerie di inferenza siano liberamente studiabili, modificabili e ridistribuibili. Senza questa libertà, qualsiasi tentativo di autonomia rimane illusorio: si potrebbe eseguire un modello locale, ma se il codice è proprietario non si può sapere cosa fa realmente, né si possono correggere bias o vulnerabilità.
Il secondo pilastro, la decentralizzazione, affronta il problema della distribuzione dei modelli e dei dati. Le tecnologie peer-to-peer come IPFS, libp2p e BitTorrent permettono di condividere pesanti file di checkpoint senza dipendere da server centralizzati. Inoltre, le blockchain di tipo proof-of-stake possono essere utilizzate per creare sistemi di reputazione e ricompensa per chi contribuisce con dati di qualità o con potenza di calcolo, senza creare nuovi monopoli.
Un esempio interessante è la piattaforma Golem AI, che combina la rete di calcolo distribuito di Golem con un marketplace di modelli open source. Gli utenti possono affittare potenza di calcolo GPU da altri nodi della rete per addestrare i propri modelli, pagando in token GLM. Il tutto è trasparente: lo smart contract pubblica l’hash del modello risultante, permettendo a chiunque di verificare che non siano state inserite backdoor.
Resistenza al complesso militare-industriale-tech
Uno degli aspetti più preoccupanti della centralizzazione dell’AI è il suo legame indissolubile con il complesso militare-industriale. Le stesse aziende che vendono assistenti vocali ai consumatori ricevono contratti da agenzie di difesa per sviluppare sistemi di riconoscimento facciale, droni autonomi e analisi predittiva di conflitti. Questo flusso di finanziamenti crea un circolo vizioso: più l’AI viene usata per la guerra, più le aziende investono in ricerca militare, più i prodotti civili diventano strumenti di controllo sociale.
La risposta dal basso deve essere altrettanto sistematica. Le comunità di sviluppatori hanno iniziato a rifiutare esplicitamente contratti con entità militari, adottando clausole di non utilizzo in licenze come la Hippocratic License o varianti della GPL che vietano l’uso in sistemi di armi autonome. Il progetto NoWarAI ha raccolto oltre 12.000 firme di sviluppatori che si impegnano a non contribuire a codice destinato a applicazioni letali.
Inoltre, la diffusione dell’AI locale riduce la dipendenza da infrastrutture cloud controllate da aziende che hanno legami con il Pentagono. Se un modello può essere eseguito su un laptop, non c’è bisogno di affidarsi a AWS GovCloud o a Azure Government, servizi che spesso sono obbligatori per accedere a finanziamenti della difesa.
Privacy, diritti digitali e autogestione tecnologica
Per gli anarchici tecnologici, la privacy non è un semplice impostazione da attivare: è un diritto fondamentale che deve essere garantito dalla progettazione stessa dei sistemi. L’AI locale incorpora naturalmente la privacy by design: i dati non lasciano mai il dispositivo dell’utente, salvo consenso esplicito e trasparente. Questo elimina una classe intera di rischi legati a data breach, vendita di dati a terzi e profilazione invasiva.
Il diritto alla riparazione e alla modifica è altrettanto cruciale. Quando un modello è eseguito localmente, l’utente può intervenire sul codice, correggere errori, aggiungere funzionalità o rimuovere quelli che considera invasivi. Questo si contrappone nettamente al modello dei servizi AI in cloud, dove l’utente è ridotto a un consumatore passivo di aggiornamenti decisi unilateralmente dal provider.
Infine, l’autogestione tecnologica si manifesta nella formazione di cooperative di calcolo: gruppi di persone che mettono in comune risorse hardware (GPU, storage, banda) per eseguire e addestrare modelli condivisi. Queste cooperative operano su principi di consenso, trasparenza e mutuo aiuto, rappresentando un’alternativa concreta al modello di proprietà aziendale delle infrastrutture di AI.
Verso una norma: cosa serve affinché l’AI locale diventi standard
Trasformare l’AI locale da eccezione a norma richiede interventi su più livelli: tecnologico, educativo, politico e culturale.
- Tecnologico: sviluppare toolchain semplici per la quantizzazione, la compressione e l’esecuzione di modelli su hardware eterogeneo (smartphone, SBC, vecchi laptop). Progetti come llama.cpp e tinygrad stanno già andando in questa direzione, ma serve un maggiore supporto per l’integrazione con interfacce utente amichevoli.
- Educativo: introdurre nei curricula scolastici e universitari moduli sull’etica dell’AI, sul software libero e sulla federazione dei dati. Laboratori pratici dove gli studenti costruiscono il proprio modello locale e lo rilasciano sotto licenza aperta.
- Politico: incentivare l’acquisto di hardware aperto tramite crediti d’imposta per scuole, biblioteche e centri sociali che adottano modelli AI locali; vietare l’uso di servizi AI cloud in appalti pubblici quando esistono alternative locali equivalenti.
- Culturale: diffondere narrazioni che celebrano l’autonomia tecnologica piuttosto che la comodità del servizio gestito. Raccontare storie di comunità che hanno resistito alla sorveglianza grazie a modelli locali, creando un immaginario alternativo al tecno-ottimismo delle Big Tech.
Solo attraverso questa combinazione di fattori l’AI locale potrà smettere di essere una scelta di nicchia e diventare l’infrastruttura di default per l’intelligenza artificiale, proprio come il sistema operativo libero è diventato la norma per molti server e dispositivi embedded.
Conclusione
L’AI locale non è semplicemente una questione di prestazioni o di latenza: è una questione di potere. Chi controlla i modelli controlla la capacità di plasmare la realtà, di decidere chi viene visto, ascoltato, considerato. Restituire quel controllo alle persone, attraverso software libero, reti decentralizzate e autogestione collettiva, è un atto di resistenza tecnologica che si inserisce nella più ampia lotta contro l’autoritarismo, il capitalismo di sorveglianza e la guerra permanente.
La strada è ancora lunga, ma i segnali ci sono: migliaia di sviluppatori stanno forkando modelli open source, attivisti stanno organizzando workshop di quantizzazione nei squat, amministrazioni locali stanno sperimentando assistenti vocali basati su modelli addestrati su dialetti regionali. Ogni piccolo passo è un mattone nel muro che vogliamo costruire: un muro che protegge la nostra capacità di pensare, comunicare e agire senza dover chiedere il permesso a nessuna corporazione o stato.
Il futuro dell’AI non deve essere scritto nelle stanze chiuse di Silicon Valley o nei laboratori del Pentagono. Deve essere scritto nelle nostre cucine, nei nostri laboratori, nelle nostre piazze digitali, dove il codice è libero, i dati sono nostri e il potere è davvero distribuito.