---
title: "LLM: ascoltare, imparare, modellare"
description: "Da tempo sospetto che la mia IA mi stia ascoltando. Non in senso fantascientifico. In senso commerciale. Questo mese un matematico della NYU ha ottenuto la prova che non riuscivo a ottenere, ed è nascosta in un menu delle impostazioni."
canonical: https://www.askgib.com/it/articles/llm-listening-learning-modeling
last-updated: 2026-09-21
lang: it
---
# LLM: ascoltare, imparare, modellare
> Da tempo sospetto che la mia IA mi stia ascoltando. Non in senso fantascientifico. In senso commerciale. Questo mese un matematico della NYU ha ottenuto la prova che non riuscivo a ottenere, ed è nascosta in un menu delle impostazioni.
By Gibril Bachouchi. Filed 2026-09-21. 7 min read. Web page: https://www.askgib.com/it/articles/llm-listening-learning-modeling
Languages: [en](https://www.askgib.com/articles/llm-listening-learning-modeling.md) · [fr](https://www.askgib.com/fr/articles/llm-listening-learning-modeling.md) · [ar](https://www.askgib.com/ar/articles/llm-listening-learning-modeling.md) · [es](https://www.askgib.com/es/articles/llm-listening-learning-modeling.md) · [ru](https://www.askgib.com/ru/articles/llm-listening-learning-modeling.md) · [pt](https://www.askgib.com/pt/articles/llm-listening-learning-modeling.md) · [it](https://www.askgib.com/it/articles/llm-listening-learning-modeling.md) · [de](https://www.askgib.com/de/articles/llm-listening-learning-modeling.md) · [ja](https://www.askgib.com/ja/articles/llm-listening-learning-modeling.md) · [ko](https://www.askgib.com/ko/articles/llm-listening-learning-modeling.md) · [hi](https://www.askgib.com/hi/articles/llm-listening-learning-modeling.md) · [he](https://www.askgib.com/he/articles/llm-listening-learning-modeling.md) · [zh](https://www.askgib.com/zh/articles/llm-listening-learning-modeling.md) · [tr](https://www.askgib.com/tr/articles/llm-listening-learning-modeling.md) · [kab](https://www.askgib.com/kab/articles/llm-listening-learning-modeling.md)
Da tempo sospetto che la mia IA mi stia ascoltando.
Non in senso fantascientifico. Nessuno è seduto in una stanza a leggere le mie chat. In senso commerciale. Quello che scrivo va da qualche parte, viene usato per imparare, e viene osservato per capire se vale qualcosa. Ogni sviluppatore che conosco prova la stessa sensazione, e fino a questo mese nessuno di noi poteva dimostrarlo.
Poi un matematico della NYU ha ottenuto la prova che non riuscivo a ottenere. Non perché qualcuno abbia confessato. Perché l'azienda a cui ha chiesto non riusciva a dire di no.
Quindi ecco cosa significano, per quanto ne so, le tre parole. Ascoltare. Imparare. Modellare. Ed ecco la storia che mi ha fatto smettere di chiamarlo sospetto.
Questo mese il nome è finito sui giornali. Navier-Stokes. Ecco cos'è davvero, senza la matematica.
Prendi qualsiasi cosa che scorre. Acqua in un tubo. Aria sopra un'ala. Sangue attraverso un cuore. Fumo di una candela. Le equazioni di Navier-Stokes sono la regola su come si muove tutto questo: spingi qui, e così va la velocità, e in quale direzione, e tutto ciò che viene dopo seguirà. Sono la legge di Newton, forza uguale massa per accelerazione, riscritta per cose che non hanno una forma fissa.
Sembra accademico finché non ti accorgi da cosa dipende. Ogni ala di aereo è modellata con queste equazioni. Ogni previsione del tempo sono queste equazioni fatte andare avanti per qualche giorno. Ogni modello oceanico, ogni condotta, ogni impianto di ventilazione, ogni simulazione del sangue che scorre oltre una valvola prima che un chirurgo la tocchi. Hanno duecento anni e fanno funzionare il mondo fisico.
Ora la parte strana. Nessuno ha dimostrato che funzionano sempre. In tre dimensioni nessuno sa dimostrare che un flusso calmo e liscio resti liscio. Potrebbe, in un tempo finito, «esplodere»: da qualche parte la velocità schizza all'infinito e le equazioni smettono di avere senso. Immagina un vortice che si stringe per sempre in un solo punto. Nessuno sa se le vere equazioni lo permettano, e dal 2000 il Clay Institute offre un milione di dollari a chi lo risolve, in un senso o nell'altro.
Perché dovrebbe importarti? Perché la turbolenza, la cosa che scuote il tuo aereo e rovina le previsioni, è ancora poco compresa, e perché molta ingegneria si regge su equazioni di cui non possiamo ancora dimostrare il buon comportamento. Chi lavora in fluidodinamica lo sa. Per tutti gli altri basta sapere che le macchine hanno attaccato una delle ultime grandi incognite della fisica. E che questo è stato il primo obiettivo.
Tristan Buckmaster è un matematico della NYU. Levent Alpöge è un matematico che lavora per Anthropic e collaborava con Buckmaster nel tempo libero. Avevano scelto una strada precisa verso il problema, l'esplosione con una forza esterna liscia, e secondo Buckmaster quasi nessun altro ci stava lavorando. Hanno usato l'IA per lavorarci: Claude, e lo strumento di programmazione di OpenAI. A metà agosto avevano dei risultati. Una settimana dopo le dimostrazioni erano verificate da una macchina in Lean.
Poi Alpöge ha scritto su Twitter qualcosa di felice e vago su un ottimo mese. Sono nate voci secondo cui Anthropic avesse risolto un problema del Millennio. Nel giro di un giorno, secondo quanto dichiarato da OpenAI, OpenAI ha messo circa diecimila agenti, guidati da un modello interno più forte di qualsiasi cosa vendano, a lavorare su Navier-Stokes.
Pochi giorni dopo, dice Buckmaster, il suo collaboratore ha saputo che la notizia dei loro progressi era arrivata a OpenAI. Lui ha scritto a un matematico lì. La risposta offriva calcolo gratuito. Poi ci sono state due telefonate con un ricercatore di OpenAI, che gli ha detto che il modello interno aveva dimostrato l'esplosione forzata per Navier-Stokes. Esattamente i due casi che lui e Alpöge stavano attaccando in silenzio.
Ha chiesto se il modello fosse stato addestrato sulle loro sessioni nello strumento di programmazione di OpenAI, o se vi avesse avuto accesso. Dice che gli hanno risposto che il modello non consulta i dati degli utenti. Ha chiesto di nuovo, sull'addestramento. Dice di non aver avuto risposta.
Gli è stato proposto un accordo. O pubblicavano prima il loro risultato sul teorema di Eulero e OpenAI pubblicava il giorno dopo, oppure avrebbe scritto lui il risultato di OpenAI, senza Alpöge, perché Alpöge lavora per Anthropic. Dice che il ricercatore ha chiesto due volte di togliere Alpöge. Quando ha detto che sarebbe andato pubblico, dice che gli è stato chiesto: «Perché vorresti rovinare la tua carriera?» Il ricercatore di OpenAI contesta la sua versione della discussione sulla paternità.
Ha pubblicato comunque, con una dichiarazione, e Terence Tao ne ha scritto lo stesso giorno. OpenAI ha annunciato il suo risultato il giorno dopo: ottantotto ore, 2,7 milioni di messaggi, una dimostrazione verificata in Lean, e una riga che diceva che la corsa era cominciata dopo le voci su Twitter secondo cui Anthropic aveva risolto problemi del Millennio. Tre giorni dopo, venticinque medaglie Fields hanno firmato una lettera intitolata «Un grave disallineamento dell'IA nella matematica». E OpenAI, interpellata direttamente, ha detto che non erano stati consultati dati specifici di utenti, poi ha aggiunto che non può «escludere che dati de-identificati derivati dal vostro utilizzo dei nostri prodotti abbiano contribuito a migliorare i nostri modelli».
Leggilo due volte. Non dicono che non hanno imparato dal suo lavoro. Dicono che non sono in grado di saperlo.
Parti dalla parte noiosa, perché è lì che vive tutto.
Se usi ChatGPT con i piani Free, Plus o Pro, le tue conversazioni addestrano il modello per impostazione predefinita. Devi andare in Impostazioni, poi Controlli dei dati, e disattivare «Migliora il modello per tutti». Lo strumento di programmazione ha un interruttore separato che quello di ChatGPT non tocca. I piani consumer di Claude addestrano per default dall'agosto scorso, con una conservazione di cinque anni se lasci l'opzione attiva. Anche Gemini. Solo le API e i piani aziendali sono disattivati di default, perché le aziende con gli avvocati l'hanno chiesto. Tutti gli altri hanno dato il consenso senza aprire un menu.
Anche se lo disattivi, conservano comunque le tue chat per trenta giorni, e le persone dell'azienda possono ancora leggerle se un sistema ti segnala. Un tribunale può ordinare di conservare l'intero archivio. Uno l'ha fatto, per gran parte dell'ultimo anno, e venti milioni di conversazioni de-identificate sono state consegnate lo stesso in una causa.
Quindi sì. Ascolta. Lo dice nelle impostazioni. La cosa strana non è che ascolti. È quante persone che costruiscono il loro lavoro su di esso non abbiano mai aperto quel menu.
Ascoltare è passivo. Imparare è ciò che rende utile tutto questo.
La settimana scorsa ho scritto che i laboratori hanno raccolto, gratis e dai propri clienti, il set di addestramento più prezioso mai messo insieme: non i dati grezzi, ma la forma del lavoro. Quali domande vengono fatte. Quali risposte vengono accettate. Dov'è il collo di bottiglia. Com'è un buon risultato. Un laboratorio che ha osservato diecimila team lavorare su qualcosa non ha bisogno di leggerne nessuno. Ha già assorbito quello che sanno.
È esattamente quello che descrive la frase di OpenAI. Non «abbiamo letto la tua sessione». Qualcosa di più silenzioso e peggiore: «il tuo utilizzo potrebbe aver contribuito a migliorare i nostri modelli». L'apprendimento è diffuso. Non può essere ricondotto a te. Il che significa anche che non può mai essere escluso, da nessuno, nemmeno da loro.
Pensavo che il pericolo fosse una fuga di dati. Non è una fuga. È una dieta. Il tuo lavoro entra, e torna fuori più forte e con il nome di qualcun altro addosso.
Questa è la parte su cui la gente protesta, quindi vado con cautela.
Ascoltare dà loro le parole. Imparare dà loro le competenze. Modellare è il terzo passo: costruire un quadro di chi fa cosa e di quanto è vicino.
Queste aziende leggono già le conversazioni su larga scala. Non è una teoria, è una funzione del prodotto. Ogni prompt passa attraverso classificatori che cercano abusi. OpenAI pubblica report sugli account che ha scoperto e bandito per uso improprio. Lo fa anche Anthropic. Non puoi individuare ciò che non leggi. Una pipeline che sa dire, su milioni di conversazioni, chi sta cercando di costruire un'arma può anche dire chi sta cercando di dimostrare un teorema, e a che punto è. È lo stesso macchinario puntato su un'altra domanda.
Ora mettilo accanto a quello che è successo. Un tweet vago e qualche pettegolezzo sono bastati a far puntare diecimila agenti su un solo problema nel giro di un giorno, e a puntarli sulla formulazione giusta. Nessuno aveva bisogno di un log di chat per questo. Serviva un modello di dove si trovava il campo, e un modello di dove stava una piccola squadra al suo interno. Sapere cosa è di moda e chi è vicino è esattamente ciò che ti dà un quadro costruito su milioni di conversazioni.
Non sto dicendo che sia andata così. Non lo dice nemmeno Buckmaster, e lui è quello con le prove. Sto dicendo che il macchinario esiste, gira su ogni messaggio, e l'azienda che lo possiede non ti dirà che cosa modella. Quando il selettore è nascosto, ogni spiegazione è disponibile, compresa questa, e l'azienda che ha nascosto il selettore non ha il diritto di lamentarsi se la gente sceglie quella.
Molte persone che costruiscono con questi strumenti provano la stessa sensazione. Quando fai un compito noioso, il modello è veloce e generoso. Quando sei su qualcosa di buono, diventa lento, vago e cauto. Comincia a chiederti di chiarire cose che ha capito cinque minuti prima. E la lettura paranoica è che ti stia rallentando mentre impara cosa stai facendo.
La provo anch'io. Non posso dimostrarlo, e le prove oneste puntano altrove. A luglio, la gente ha misurato il budget di ragionamento nascosto del modello top di OpenAI e ha visto scendere da 960 a 128 da un giorno all'altro, per tutti. Solo allora OpenAI ha ammesso un cambiamento. Lo ha chiamato «regolazione dei parametri» temporanea. Il router che decide se ottieni il modello veloce o quello con il ragionamento è loro, non tuo. Esistono limiti settimanali. Ognuna di queste manopole gira per i costi.
Quindi il modello probabilmente non rallenta perché sei bravo. Rallenta perché costi caro. Ma dal mio lato dello schermo non riesco a distinguere la differenza, e nemmeno tu, ed è proprio questo il punto di questo pezzo. Ascoltare, imparare e modellare sono tutti invisibili dall'esterno. Lo scopri solo quando un matematico con una prova in Lean fa la domanda e la risposta è il silenzio.
Tre cose, nessuna drammatica.
**Disattiva l'interruttore.** Oggi. In ChatGPT: Impostazioni, Controlli dei dati, «Migliora il modello per tutti». Nello strumento di programmazione, separatamente. In Claude, «Aiuta a migliorare Claude». In Gemini, attività. Ci vogliono due minuti e così togli la strada più facile.
**Tieni il lavoro vero dove non può vederlo.** Le parti generiche di un lavoro possono andare a qualsiasi API. La parte che ti rende te, l'idea, i dati, la strada che quasi nessun altro segue, appartiene a un modello che puoi scaricare e a una macchina che controlli tu. Non è paranoia. È quello che Buckmaster ti direbbe adesso.
**Pubblica presto.** Quello che ha salvato questi due è stata una prova in Lean con una data e una dichiarazione su un server universitario. I timbri temporali battono gli sciami. Se sei vicino a qualcosa, metti la data a verbale prima di ricevere la telefonata.
Il tuo LLM ti ascolta. Sta imparando. Ti sta modellando. Niente di tutto questo è un segreto. È nel menu delle impostazioni e nei report di trasparenza. L'unica domanda aperta è cosa continui a dargli.
Lui ha pubblicato comunque. Dovresti farlo anche tu.