Fugu di Sakana AI: il Giappone non ha costruito un'AI più grande, ne ha costruita una che comanda tutte le altre

Nel dibattito sull'AI del 2026 la narrativa dominante è sempre la stessa: modelli più grandi, più parametri, più dati, più compute. La corsa agli armamenti dei frontier model segue una logica lineare: chi ha il modello più potente vince. Ma dal Giappone arriva un'idea che sfida questa narrativa alle radici, e lo fa con una semplicità concettuale disarmante.

Fugu, sviluppato da Sakana AI, il laboratorio fondato a Tokyo da David Ha e Llion Jones, due ex ricercatori di Google DeepMind, non è un modello più grande. È un sistema che coordina tutti gli altri. Un direttore d'orchestra che non suona da solo, ma fa suonare meglio ogni singolo musicista dell'ensemble, e l'orchestra che ne risulta supera qualsiasi solista per quanto talentuoso.

Il risultato pratico è sorprendente: Fugu, usando solo i modelli a sua disposizione, senza accesso a Claude Mythos e Fable bloccati dalle restrizioni americane, raggiunge livelli di performance comparabili ai modelli di frontiera più avanzati del mondo. Non perché abbia più parametri, ma perché sa orchestrare meglio.

Prima di entrare nel dettaglio tecnico di Fugu vale la pena capire chi c'è dietro questo progetto. Sakana AI è un laboratorio atipico nel panorama dell'AI globale, fondato a Tokyo nel 2023 da David Ha, ex Head of Research di Google Brain, e Llion Jones, uno dei co-autori originali del paper Attention Is All You Need che ha dato vita all'architettura transformer.

Il nome Sakana significa pesce in giapponese, un riferimento esplicito alla biologia dei banchi di pesci, dove comportamenti collettivi complessi emergono dall'interazione di individui semplici senza un controllo centralizzato. È una metafora perfetta per la filosofia che guida la ricerca del laboratorio: intelligenza emergente dalla collaborazione, non dalla dimensione del singolo agente.

Sakana AI ha costruito la sua reputazione pubblicando ricerche originali sull'intelligenza artificiale ispirata alla natura, algoritmi evolutivi, sistemi multi-agente, apprendimento collaborativo. Fugu è la sintesi più ambiziosa di questa filosofia applicata al problema concreto di massimizzare le performance AI senza aumentare indefinitamente le dimensioni dei singoli modelli.

La metafora del direttore d'orchestra è quella che meglio cattura l'essenza di Fugu. Ogni modello AI ha punti di forza e punti deboli. GPT-5 eccelle nel ragionamento generale ma può essere superato da modelli specializzati in matematica o coding. Claude è particolarmente forte nel ragionamento etico e nella scrittura ma può essere battuto da altri modelli in task tecnici specifici. Tradizionalmente la soluzione a questo problema era addestrare un modello unico ancora più grande, sperando che la scala compensasse le debolezze di ogni singolo dominio.

Fugu adotta un approccio radicalmente diverso: invece di creare un modello unico onnicomprensivo, crea un meta-sistema che capisce quale modello è più adatto per quale parte del problema, li coordina in modo intelligente e sintetizza le loro risposte in un output unificato di qualità superiore.

Quando un utente pone una domanda a Fugu, il sistema non la gira semplicemente al modello più bravo in modo statico. Il processo è molto più sofisticato. Prima di tutto Fugu decompone la richiesta nelle sue componenti fondamentali, ragionamento logico, conoscenza fattuale, creatività, coding, analisi matematica, comprensione del contesto, valutando quali dimensioni sono più rilevanti per il task specifico. In base all'analisi seleziona poi il sottoinsieme ottimale di modelli da coinvolgere, non sempre tutti, ma quelli più adatti alle componenti specifiche del problema.

I modelli selezionati lavorano in parallelo su sottoproblemi specifici o sul problema completo, generando risposte indipendenti che Fugu raccoglie e confronta. Fugu non sceglie semplicemente la risposta migliore tra quelle ricevute, la sintetizza, integra i contributi più validi di ciascun modello, risolve le contraddizioni e produce un output unificato che supera la qualità di qualsiasi risposta individuale. Il sistema impara dall'esperienza affinando nel tempo la sua capacità di routing e sintesi in base ai feedback ricevuti.

La cosa che colpisce di più di Fugu non è il meccanismo in sé: l'idea di ensemble di modelli non è nuova nella ricerca AI. Quello che sorprende è l'entità del miglioramento rispetto ai singoli componenti. Nei test condotti da Sakana AI i modelli che Fugu coordina ottengono individualmente un certo punteggio su benchmark standardizzati. Quando vengono orchestrati da Fugu il punteggio complessivo del sistema supera quello di ciascun componente preso singolarmente, e non di poco. L'orchestra suona meglio dei singoli musicisti, anche dei migliori.

Questo risultato ha una spiegazione intuitiva profonda: la realtà è complessa, e i problemi difficili hanno quasi sempre componenti multiple. Un problema matematico richiede ragionamento formale ma anche comprensione del testo. Una domanda di strategia aziendale richiede conoscenza del dominio ma anche creatività e capacità di sintesi. Un sistema che può mobilizzare le migliori capacità specifiche per ogni componente del problema sarà sistematicamente più performante di un sistema che usa un unico approccio generalista.

Il dettaglio che ha catturato maggiormente l'attenzione della community AI globale è questo: Sakana AI non ha accesso a Claude Mythos e Claude Fable, i modelli di Anthropic bloccati dal governo americano per le restrizioni sull'export. Eppure, nei propri test, Fugu raggiunge livelli di performance comparabili a questi modelli di frontiera usando esclusivamente i modelli che ha a disposizione.

Se un sistema di orchestrazione intelligente può raggiungere le performance di un singolo modello top senza usare quel modello, allora il valore competitivo dei modelli di frontiera più avanzati si riduce significativamente. Il moat competitivo non è più avere il modello più grande ma avere il sistema di orchestrazione più intelligente.

Dal punto di vista della geopolitica AI il risultato di Fugu è un segnale ulteriore, dopo GLM 5.2 e i modelli cinesi, che la strategia americana di controllo basata sulla restrizione dell'accesso ai modelli di frontiera specifici è strutturalmente debole. Se è possibile replicare le performance di quei modelli attraverso l'orchestrazione intelligente di modelli minori, il blocco perde gran parte del suo senso pratico.

Forse il messaggio più importante è questo: nel 2026 l'innovazione AI non si misura solo in miliardi di parametri. Un laboratorio di dimensioni relativamente contenute, con un'idea architetturale brillante e capacità di esecuzione rigorosa, può competere con i giganti della Silicon Valley che spendono miliardi per addestrare modelli sempre più grandi.

È importante essere onesti su un aspetto che gli stessi osservatori più attenti hanno sollevato: i test che mostrano Fugu al livello dei modelli bloccati da Anthropic sono stati condotti da Sakana stessa, non da enti indipendenti. Confrontare un sistema multi-modello con un singolo modello non è un confronto perfettamente simmetrico. Fugu, per definizione, usa più risorse computazionali di un singolo modello, più chiamate API, più latenza potenziale, costi operativi più elevati. Una vittoria in termini di qualità dell'output potrebbe nascondere un costo computazionale significativamente maggiore.

Questi non sono motivi per sminuire il risultato, ma sono variabili che vanno tenute presenti quando si valuta l'impatto pratico di Fugu in scenari reali. Le validazioni indipendenti saranno necessarie per quantificare con precisione il reale vantaggio del sistema rispetto ai suoi componenti e rispetto ai modelli di frontiera concorrenti.

Al di là dei numeri specifici, Fugu introduce una sfida concettuale profonda alla narrativa dominante nello sviluppo dell'AI degli ultimi anni. Per anni la regola era semplice: più grande è meglio. Più parametri, più dati di training, più compute durante il training, queste erano le leve principali dell'innovazione AI, e i risultati empirici sembravano confermarla in modo quasi universale, le scaling laws di OpenAI e DeepMind.

Fugu dice qualcosa di diverso: più intelligente è meglio. Non serve necessariamente un modello più grande se si riesce a orchestrare in modo più intelligente quelli già esistenti. La dimensione del cervello conta meno della qualità delle connessioni e della capacità di coordinazione. Questa è esattamente la logica che governa i sistemi biologici più sofisticati. Il cervello umano non è semplicemente il più grande tra i cervelli dei mammiferi, è quello con l'architettura di connessioni più complessa e sofisticata. La formica singola è un insetto semplice, ma una colonia di formiche risolve problemi di ottimizzazione che sfidano i migliori algoritmi informatici. L'intelligenza emerge dalla coordinazione, non dalla dimensione.

Per le aziende che stanno costruendo prodotti e processi basati sull'AI la direzione indicata da Fugu ha implicazioni pratiche immediate. Non basta scegliere il modello AI migliore e usarlo per tutto. Le aziende che sapranno costruire sistemi intelligenti di orchestrazione multi-modello, adattando dinamicamente quale modello usare per quale task, avranno un vantaggio competitivo strutturale rispetto a chi usa un approccio monolitico.

Avere accesso a più modelli diversi non è necessariamente un problema di gestione, può essere una risorsa, se si dispone degli strumenti giusti per orchestrarli. Fugu dimostra che la diversità del portfolio può essere una fonte di vantaggio competitivo. In un sistema multi-modello gestire intelligentemente quale modello chiamare per quale task non è solo una questione di qualità dell'output, è anche una questione di ottimizzazione dei costi. Un sistema di orchestrazione efficiente può bilanciare qualità e costo in modo molto più granulare di un approccio a modello singolo.

Il principale limite pratico dei sistemi multi-modello come Fugu è la latenza: chiamare più modelli in parallelo o in sequenza è strutturalmente più lento che chiamarne uno solo. Per applicazioni real-time questa è una variabile critica che i progettisti di sistema devono considerare attentamente.

Fugu non è un progetto isolato, è l'incarnazione di una visione più ampia che Sakana AI sta costruendo sistematicamente. David Ha ha parlato pubblicamente di un futuro in cui i sistemi AI non saranno monoliti centralizzati ma ecosistemi distribuiti di agenti specializzati che collaborano, si specializzano e si evolvono in modo dinamico. In questa visione il valore non risiede nel singolo modello più potente, ma nella capacità di orchestrazione, nell'intelligenza che sa mettere insieme le parti giuste al momento giusto, coordinare le risposte, risolvere i conflitti e produrre output superiori alla somma dei singoli contributi.

È una visione profondamente giapponese, in un certo senso, ispirata alla filosofia del kaizen, miglioramento continuo attraverso piccoli passi coordinati, e alla tradizione manifatturiera giapponese dove l'eccellenza emerge da processi sistemici sofisticati più che da singoli geni isolati. E forse è esattamente questo il punto: il futuro dell'AI non appartiene solo a chi ha il modello più grande. Appartiene a chi sa far suonare insieme tutti gli altri.

Fugu di Sakana AI è molto più di un risultato tecnico interessante. È un manifesto su come potrebbe evolversi l'intera architettura dell'intelligenza artificiale nei prossimi anni. Se il paradigma del modello unico onnicomprensivo ha dominato il decennio scorso, il paradigma emergente potrebbe essere quello dell'orchestrazione intelligente di specialisti, sistemi che non cercano di sapere tutto, ma che sanno sempre a chi chiedere e come integrare le risposte.

In un mondo dove i modelli di frontiera vengono bloccati dai governi, dove i costi computazionali del training di modelli sempre più grandi crescono in modo esponenziale, e dove la specializzazione dei modelli produce risultati superiori alla generalizzazione forzata, la logica di Fugu ha un'attrattiva crescente, sia tecnica che economica che geopolitica. Il Giappone non ha costruito un'AI più grande. Ne ha costruita una che comanda tutte le altre, e forse è proprio questa la lezione più importante del 2026.