Provate a rivolgere la stessa identica domanda allo stesso modello di intelligenza artificiale mille volte di fila, con la temperatura impostata a zero, il parametro che in teoria azzera ogni casualit\u00e0. In un mondo ordinato otterreste mille risposte identiche. Un gruppo di ricercatori lo ha fatto davvero, su un modello da 235 miliardi di parametri, e ne ha ottenute ottanta diverse.<\/p>
Questa piccola stranezza tecnica \u00e8 il cuore di un problema molto pi\u00f9 grande per tutto il settore dell’AI verificabile, e in particolare per lo zk-ML, la tecnica che usa le prove a conoscenza zero (zero-knowledge) per dimostrare che un modello ha davvero eseguito un certo calcolo. Se un’AI non riesce nemmeno a ripetere se stessa, come pu\u00f2 una blockchain dimostrare, prova crittografica alla mano, che quel calcolo \u00e8 stato fatto correttamente? La risposta, nel 2026, ruota attorno a una parola poco appariscente: determinismo.<\/p>
Le puntate precedenti su HOGE Wire hanno spiegato che cos’\u00e8 lo zk-ML, come funziona la sua pipeline e a cosa serve. Questa guida parte da un’angolazione diversa e meno battuta: il determinismo come precondizione nascosta di ogni prova sull’AI, il motivo per cui lo zk-ML ha la forma che ha, e la corsa, tutta del 2026, a rendere l’inferenza ripetibile bit per bit.<\/p>
Lo zk-ML mette insieme due mondi: il machine learning e le prove a conoscenza zero. L’idea \u00e8 produrre, accanto al risultato di un modello, una prova crittografica compatta che attesta una cosa precisa: dato questo modello e questo input, l’output \u00e8 esattamente quello dichiarato. Chi verifica non deve rieseguire il calcolo, gli basta controllare la prova, un’operazione molto pi\u00f9 economica. La fiducia si sposta: non pi\u00f9 \u00abfidati del server che ha fatto girare il modello\u00bb, ma \u00abverifica la matematica\u00bb.<\/p>
Il problema \u00e8 che questa matematica costa. Nel suo saggio ormai canonico sull’incrocio tra crittografia e AI, Vitalik Buterin ricordava che moltiplicare matrici dentro un circuito ZK aggiunge un sovraccarico \u00abinferiore a 4 volte\u00bb, ma i layer non lineari (le funzioni di attivazione, il softmax) fanno esplodere il conto fino a \u00abcirca 200 volte\u00bb, al punto che provare un singolo blocco Ethereum \u00abpu\u00f2 richiedere ore\u00bb (vitalik.eth.limo<\/a>). Per anni questo ha relegato lo zk-ML a modelli giocattolo. Ma prima ancora del costo c’\u00e8 un problema pi\u00f9 sottile, quasi filosofico, che raramente finisce nei titoli: il modello deve produrre sempre lo stesso risultato, altrimenti non c’\u00e8 nulla da provare.<\/p> \u00c8 una distinzione che sfugge a molti. Rendere verificabile un’AI non vuol dire soltanto pubblicare il codice o i pesi del modello; vuol dire poter dimostrare, a chi non si fida, che un output specifico \u00e8 il frutto legittimo di un modello specifico. E una dimostrazione ha senso solo se l’oggetto dimostrato \u00e8 stabile. \u00c8 da qui che nasce il legame, troppo spesso ignorato, tra la crittografia delle prove e l’ingegneria a basso livello delle schede grafiche.<\/p> Il caso dei mille tentativi arriva da un lavoro pubblicato a settembre 2025 dai Thinking Machines Lab, il laboratorio guidato da ex ingegneri di primo piano dell’ecosistema PyTorch. Nel post \u00abDefeating Nondeterminism in LLM Inference\u00bb, l’autore Horace He e colleghi hanno preso il modello Qwen3-235B, impostato la temperatura a zero (la configurazione che dovrebbe rendere l’output completamente prevedibile) e gli hanno chiesto mille volte di raccontare chi fosse Richard Feynman.<\/p> Il risultato: mille completamenti, ottanta versioni distinte. Le risposte erano identiche per i primi 102 token, poi divergevano al token numero 103. In un caso, 992 completamenti scrivevano che Feynman era nato a \u00abQueens, New York\u00bb, mentre 8 dicevano \u00abNew York City\u00bb (thinkingmachines.ai<\/a>). Attivando dei kernel appositi, tutti e mille i completamenti tornavano identici. Per uno sviluppatore di applicazioni questo \u00e8 un fastidio. Per chi costruisce AI verificabile \u00e8 una minaccia esistenziale: se lo stesso modello, sullo stesso input, con la casualit\u00e0 disattivata, non produce lo stesso output, la parola \u00abprova\u00bb perde significato.<\/p> Il dettaglio interessante \u00e8 che il fenomeno non dipende dal modello scelto. Il lavoro documenta lo stesso comportamento su reti di dimensioni molto diverse, dai grandi modelli conversazionali a quelli multimodali pi\u00f9 compatti. Non \u00e8 quindi il difetto di un singolo prodotto, ma una propriet\u00e0 di come l’inferenza gira oggi sull’hardware di serie. Chiunque offra un servizio di AI, dai grandi provider ai piccoli nodi di una rete decentralizzata, eredita lo stesso problema.<\/p> La causa non \u00e8 magia n\u00e9 vera casualit\u00e0, ma banale ingegneria dei sistemi. Entrano in gioco due ingredienti. Il primo \u00e8 la non associativit\u00e0 della virgola mobile: sommando numeri in floating point, (a + b) + c non d\u00e0 necessariamente lo stesso bit di a + (b + c), perch\u00e9 ogni passaggio arrotonda. Il secondo, quello che il lavoro dei Thinking Machines Lab indica come vero colpevole, \u00e8 la mancanza di invarianza rispetto al batch.<\/p> Horace He lo riassume cos\u00ec: \u00abla ragione principale per cui quasi tutti gli endpoint di inferenza LLM sono non deterministici \u00e8 che il carico (e quindi la dimensione del batch) varia in modo non deterministico\u00bb. E ancora, in forma pi\u00f9 generale: \u00abse componi una propriet\u00e0 rispetto alla quale il kernel non \u00e8 invariante (la dimensione del batch) con la non determinatezza di quella propriet\u00e0 (il carico sul server), ottieni un sistema non deterministico\u00bb. La conseguenza \u00e8 netta: la stessa richiesta, inviata quando il server \u00e8 scarico o quando \u00e8 affollato, pu\u00f2 prendere due strade numeriche diverse.<\/p> Qui sta il nodo che unisce tutto. Una prova, qualunque prova, \u00e8 un’affermazione su un calcolo ben definito. Se il calcolo non \u00e8 riproducibile, non esiste \u00abil\u00bb calcolo su cui fare un’affermazione, ne esistono decine di varianti tutte plausibili. Ogni famiglia di AI verificabile inciampa nello stesso ostacolo, in modo diverso.<\/p> Lo zk-ML costruisce una prova che dice: \u00abfacendo girare questo circuito su questo input si ottiene questo output\u00bb. Ma se il modello reale, su una GPU diversa, avesse dato un output leggermente diverso, la prova parlerebbe del circuito, non di ci\u00f2 che l’utente ha davvero ricevuto. L’opML, di cui parliamo pi\u00f9 avanti, si basa sulla ri-esecuzione: un verificatore rif\u00e0 il calcolo e confronta. Se l’esecuzione onesta produce bit diversi, ogni nodo onesto sembra un truffatore. Il modello crypto-economico punisce (con lo slashing) il nodo che diverge dal consenso, ma se tutti i nodi onesti divergono per natura, lo slashing finisce per colpire l’onest\u00e0.<\/p> Il paradosso \u00e8 che pi\u00f9 si decentralizza, pi\u00f9 il problema morde. In un sistema con un solo operatore fidato la non riproducibilit\u00e0 \u00e8 un fastidio invisibile: nessuno confronta due esecuzioni. Nel momento in cui si chiede a pi\u00f9 nodi indipendenti di concordare, o a un verificatore di rifare i conti, ogni minima divergenza numerica diventa indistinguibile da un tentativo di imbroglio. La decentralizzazione, che \u00e8 il punto dell’intera crypto, trasforma un dettaglio numerico in una questione di fiducia.<\/p> Non \u00e8 un caso che i progetti seri abbiano affrontato il problema alla radice. Gensyn, che verifica l’addestramento AI su hardware non fidato, ha costruito un intero strato chiamato RepOps proprio per rendere le operazioni riproducibili tra macchine diverse, come raccontato nella nostra analisi di Gensyn e del suo sistema Verde<\/a>. Il determinismo non \u00e8 un dettaglio a valle: \u00e8 la precondizione su cui poggia qualsiasi discorso di verifica.<\/p> Per capire perch\u00e9 lo zk-ML ha proprio quella forma, bisogna guardare il rapporto tra circuiti e virgola mobile. I circuiti a conoscenza zero lavorano su campi finiti, cio\u00e8 su numeri interi in aritmetica modulare, non sui numeri decimali in floating point con cui le GPU macinano le reti neurali. Elena Burger, deal partner di a16z crypto, lo spiega senza giri di parole: le prove a conoscenza zero, oggi, \u00abnon possono rappresentare operazioni in virgola mobile a 32 bit nel formato di circuito aritmetico necessario senza sovraccarichi enormi\u00bb (a16zcrypto.com<\/a>).<\/p> La soluzione pratica \u00e8 la quantizzazione: si converte il modello dalla virgola mobile a numeri interi, tipicamente a 8 bit. Ed \u00e8 qui che i due fili, determinismo e zk-ML, si annodano. La quantizzazione non serve solo a risparmiare vincoli nel circuito, \u00e8 anche una strategia di determinismo: si elimina alla fonte la non associativit\u00e0 della virgola mobile per ottenere una traccia di esecuzione fatta di interi, fissa e riproducibile, che si pu\u00f2 poi trasformare in un circuito. Il prezzo lo mette in chiaro sempre Burger: il modello quantizzato \u00e8 \u00abuna approssimazione grezza\u00bb di quello originale a piena precisione. \u00c8 il classico compromesso tra accuratezza e dimostrabilit\u00e0, e nasce direttamente dal problema del determinismo.<\/p> Vale la pena sfatare un equivoco comune: quantizzare non significa peggiorare il modello a caso, ma scegliere una rappresentazione a precisione ridotta e controllata, in cui ogni operazione d\u00e0 lo stesso risultato ovunque venga eseguita. \u00c8 il prezzo che lo zk-ML paga per avere una traccia di calcolo prevedibile. Buona parte della ricerca del 2026 punta ad abbassare quel prezzo, con schemi di quantizzazione pi\u00f9 raffinati e con tecniche che spostano parte del lavoro fuori dal circuito senza rinunciare alla verificabilit\u00e0.<\/p> Lo zk-ML \u00e8 uno dei quattro grandi approcci alla verifica dell’AI. Ognuno risolve in modo diverso la domanda \u00abcome faccio a fidarmi di un calcolo che non ho fatto io\u00bb, e ognuno ha un conto aperto con il determinismo. La tabella qui sotto li mette a confronto.<\/p>La stessa domanda, ottanta risposte diverse<\/h2>
Perch\u00e9 lo stesso modello non si ripete<\/h2>
Non puoi provare ci\u00f2 che non puoi riprodurre<\/h2>
La virgola mobile, il vero nemico dello zk-ML<\/h2>
Quattro modi di verificare l’AI, quattro debiti col determinismo<\/h2>