Generative AI: novità e riflessioni - #7 / 2026

Buon aggiornamento, e buone riflessioni..

Ascolta l'audio overview che sintetizza le novità

Generative AI: novità e riflessioni - #7 / 2026 - Audio Overview

0:00

/1176.787302

1×

Il podcast è stato generato attraverso Gemini Notebook.

La visione cinese sull’intelligenza artificiale: cooperazione, sviluppo e controllo umano

Nel suo intervento come relatore principale alla World Artificial Intelligence Conference di Shanghai, il presidente cinese Xi Jinping ha delineato una visione dell’intelligenza artificiale fondata su sviluppo economico, cooperazione internazionale, sicurezza e controllo umano.

Il concetto più rappresentativo del discorso è racchiuso in una metafora: lo sviluppo dell’intelligenza artificiale non dovrebbe essere la performance solista di un singolo Paese, ma una sinfonia di cooperazione internazionale.

Secondo Xi, l’AI può diventare un nuovo motore della crescita economica mondiale e accelerare la trasformazione dei settori produttivi. Il suo impatto non riguarderà soltanto il mondo digitale, ma contribuirà anche alla modernizzazione delle industrie tradizionali, alla crescita dei settori emergenti e alla progettazione delle industrie del futuro.

La Cina ha inoltre annunciato la nascita, a Shanghai, della World Artificial Intelligence Cooperation Organization, una piattaforma destinata a sostenere la cooperazione internazionale nello sviluppo, nelle applicazioni e nella governance dell’AI.

Nei prossimi cinque anni, Pechino offrirà ai Paesi in via di sviluppo 5.000 opportunità di formazione e di partecipazione a seminari sull’intelligenza artificiale.
Saranno inoltre creati centri internazionali di cooperazione sulle applicazioni dell’AI con ASEAN, BRICS, Unione Africana, Lega Araba, Shanghai Cooperation Organization e Comunità degli Stati latinoamericani e caraibici.
La Cina consentirà anche a 30 Paesi di utilizzare un sistema di allerta meteorologica basato sull’intelligenza artificiale, con l’obiettivo di rafforzare la prevenzione dei rischi e la protezione delle comunità.
Accanto all’innovazione, Xi ha sottolineato la necessità di promuovere open source, apertura, collaborazione e condivisione, ma anche di sviluppare leggi, sistemi di monitoraggio, meccanismi di allerta e procedure di emergenza contro abusi e utilizzi malevoli.

Nella visione presentata a Shanghai, l’intelligenza artificiale deve essere sviluppata per il bene comune, rimanere sicura e controllabile ed essere sempre sottoposta al controllo umano.

La competitività dei modelli cinesi

I modelli cinesi come Kimi e DeepSeek rimangono competitivi con i modelli di frontiera statunitensi grazie alla distillazione? NO: questa tesi assomiglia più a una campagna di marketing che a una spiegazione tecnica convincente.

Anthropic sostiene di avere individuato attività riconducibili a Moonshot AI, DeepSeek e MiniMax, che avrebbero generato oltre 16 milioni di interazioni con Claude attraverso circa 24.000 account fraudolenti.
Se queste accuse fossero confermate, si tratterebbe di una chiara violazione delle condizioni d’uso. Non dimostrerebbero, però, che la competitività dei modelli cinesi dipenda dalla copia di quelli statunitensi.

È qui che una controversia contrattuale rischia di trasformarsi in marketing politico-industriale: la Cina sarebbe vicina alla frontiera tecnologica non per capacità proprie, ma perché copia i concorrenti e aggira le restrizioni. Una narrazione utile a difendere il vantaggio dei laboratori statunitensi e a giustificare controlli più rigidi sull’esportazione di tecnologie avanzate.

La distillazione esiste ed è uno strumento utile. Gli output di un modello più potente possono essere impiegati per il fine-tuning, per creare dati sintetici, trasferire schemi di ragionamento o valutare traiettorie durante il reinforcement learning.
Claude può essere utilizzato come insegnante, giudice o reward model, ma questo non permette di “ricostruire Claude”.

La distillazione non sostituisce il pretraining su trilioni di token, l’architettura, l’infrastruttura, la qualità dei dati e l’intera pipeline di post-training. Può accelerare l’acquisizione di alcune competenze, ma non crea da sola un modello di frontiera.
Sarebbe inoltre ingenuo pensare che soltanto i laboratori cinesi analizzino gli output dei concorrenti. È probabile che anche Anthropic, OpenAI e gli altri grandi attori del settore confrontino i propri sistemi, producano dati sintetici e utilizzino modelli rivali come valutatori. Distillazione, imitazione e valutazione incrociata sono pratiche diffuse nell’industria.

Il vero punto è la forza della crescita tecnologica cinese: un grande bacino di talenti, investimenti nella formazione, ricerca di alto livello, modelli open weight, prezzi aggressivi e risultati competitivi ottenuti con meno risorse.

I limiti imposti sull’accesso alle GPU non hanno fermato l’innovazione cinese. L’hanno costretta a diventare più efficiente.

Attribuire tutto alla “copia” è rassicurante, perché permette di credere che basti chiudere le API o bloccare l’esportazione dei chip per fermare la Cina. Ma si tratta di un grave errore strategico.

La distillazione può accelerare un tratto di strada. Non spiega chi abbia imparato a costruire la strada stessa.

Sicurezza nazionale o politica industriale?

Mi piacerebbe che venisse fatta chiarezza sulle minacce che preoccupano il governo statunitense: parliamo davvero di sicurezza nazionale o di politica industriale?

Secondo Axios, l’amministrazione Trump starebbe valutando diverse misure per scoraggiare l’uso dei modelli di intelligenza artificiale cinesi open source: inserimento nella Entity List, nuove regole sugli appalti, vincoli all’hosting e pressioni pubbliche.

Queste ipotesi riemergono mentre modelli come Kimi, DeepSeek, Qwen e GLM diventano sempre più competitivi ed economici rispetto alle alternative statunitensi. Il rischio è che, dietro il linguaggio della sicurezza nazionale, si nasconda una politica industriale finalizzata a proteggere OpenAI, Anthropic e gli altri laboratori statunitensi.

Il Financial Times aggiunge un elemento importante: anche Pechino starebbe valutando limiti al trasferimento dei dati di addestramento, al download dei pesi e all’acquisizione occidentale di tecnologie e aziende strategiche nel settore dell’intelligenza artificiale.

È un vero e proprio rovesciamento dei ruoli. La Cina non è più soltanto il Paese a cui impedire di acquisire tecnologia occidentale, ma possiede a sua volta tecnologie che teme possano essere acquisite dall’Occidente.
A mio avviso, il problema non riguarda soltanto la sicurezza: la sicurezza è diventata il linguaggio della politica industriale.

Negli Stati Uniti, l’urgenza di limitare i modelli cinesi riflette anche la difficoltà di accettare che la Cina stia crescendo più rapidamente del previsto e abbia sviluppato capacità difficili da contenere.

Kimi K3: il nuovo modello multimodale di Moonshot AI

Kimi K3 è il nuovo modello di Moonshot AI: conta 2,8 trilioni di parametri, dispone di capacità visive native e supporta una finestra di contesto fino a un milione di token.

L’ho provato su diversi task, ottenendo risultati migliori rispetto ai test precedenti. Tra le prove effettuate figurano l’analisi di modelli predittivi e lo sviluppo di una semplice applicazione, pubblicata nel cloud di Kimi in appena 15 minuti, dal prompt alla messa online.

Il modello utilizza un’architettura Mixture of Experts, che attiva 16 esperti su un totale di 896, e integra tecnologie come Kimi Delta Attention e Attention Residuals. Secondo l’azienda, queste soluzioni migliorano di circa 2,5 volte l’efficienza di scaling rispetto a Kimi K2.

Kimi K3 è progettato per gestire attività complesse e prolungate: può lavorare su grandi repository, utilizzare strumenti da terminale, ottimizzare kernel GPU e combinare codice e analisi visiva attraverso gli screenshot.
Tra i casi d’uso presentati figurano la creazione di un compilatore simile a Triton, lo sviluppo di esperienze 3D e la progettazione autonoma, in 48 ore, di un chip da 4 mm², capace di superare in simulazione gli 8.700 token al secondo.

Le capacità multimodali comprendono anche la generazione di dashboard, presentazioni, animazioni e video. Kimi Work introduce inoltre widget collegabili a fonti di dati esterne e dashboard persistenti, avvicinando il prodotto a un vero e proprio ambiente operativo per agenti AI.

Secondo i benchmark pubblicati, Kimi K3 supera diversi modelli open source e, in alcune prove, compete con i sistemi proprietari più avanzati. I confronti, tuttavia, non sono sempre omogenei e molti dei risultati disponibili provengono direttamente dall’azienda.

Il modello è accessibile tramite Kimi, Kimi Work, Kimi Code e API. Il rilascio completo dei pesi è previsto a breve, anche se l’esecuzione nella configurazione più avanzata richiede un’infrastruttura considerevole.

Kimi K3 conquista la vetta: prestazioni elevate a costi ridotti

Non è solo la posizione in classifica a impressionare: è soprattutto la colonna dei costi.

Kimi K3 ha raggiunto il primo posto nella Frontend Code Arena, superando Claude Fable 5. È la prima volta che un modello cinese conquista la vetta di questa classifica, davanti ai principali modelli statunitensi. Si tratta di un balzo di 17 posizioni rispetto a Kimi K2.6, passato dal diciottesimo al primo posto.

Nella categoria Frontend, Kimi K3 si è classificato al primo posto in sei dei sette domini di valutazione. L’unica eccezione è il settore Gaming, nel quale occupa la seconda posizione dietro a Fable 5.

Al di là dei numeri, questo risultato evidenzia due aspetti cruciali dell’approccio cinese.

1. Ottimizzazione dell’hardware

I laboratori cinesi hanno imparato a sfruttare al massimo l’infrastruttura a loro disposizione. Le restrizioni pensate per rallentarne lo sviluppo sono state compensate da una solida ingegneria dei sistemi e da un utilizzo estremamente efficiente delle risorse disponibili.

2. La forza dello scaling

Le narrazioni occidentali sulle presunte “scoperte esclusive” si scontrano con una realtà sempre più evidente: uno dei principali motori delle prestazioni è lo scaling massiccio, combinato con un reinforcement learning mirato.

Chi riesce a unire potenza di calcolo, ottimizzazione e tecniche consolidate può raggiungere la vetta. La Cina lo sta facendo in modo sistematico, ottenendo risultati competitivi con costi nettamente inferiori rispetto a quelli dei concorrenti statunitensi.

Kimi K3: una nuova base per creare presentazioni con l’AI

Ho testato Kimi K3 utilizzando l’agente dedicato alla creazione di presentazioni. Dopo essere rimasto colpito da Claude Design, basato su Fable 5, questo sistema mi ha suscitato un’impressione altrettanto positiva.

Per la prima volta, stanno emergendo strumenti capaci di produrre presentazioni che non rappresentano soltanto un risultato finale, ma una vera e propria base sulla quale continuare a lavorare.

L’agente consente di modificare le slide direttamente all’interno della piattaforma e di scaricare il progetto in formato PPTX, mantenendolo completamente modificabile in ogni suo elemento.

Particolarmente interessante è anche la modalità Visual, basata su Nano Banana Pro di Gemini, che integra la generazione di immagini accattivanti direttamente all’interno delle slide.

Come Moonshot AI sta riducendo il divario con i migliori modelli chiusi

In un video di qualche mese fa, Zhilin Yang, fondatore e CEO di Moonshot AI, ha spiegato come il team dietro Kimi sia riuscito a ridurre il divario con i migliori modelli proprietari.

La tesi di partenza: i dati umani di alta qualità stanno diventando sempre più scarsi. Per continuare a migliorare, quindi, non basta aggiungere GPU o accumulare nuovi dati. Bisogna riuscire a estrarre più intelligenza dagli stessi token.

Moonshot AI ha affrontato il problema intervenendo sui componenti fondamentali dei modelli.

• Il primo è l’ottimizzatore. Il team ha introdotto Muon, più efficiente nell’utilizzo dei token di addestramento, e lo ha stabilizzato attraverso QK-Clip. La combinazione, chiamata MuonClip, ha permesso di addestrare Kimi K2 su 15.500 miliardi di token senza loss spike, ossia quei picchi improvvisi che, su questa scala, possono compromettere un’intera sessione di training. È come se uno studente riuscisse a imparare di più dallo stesso libro, senza andare in sovraccarico.
• Il secondo elemento è l’attenzione. Con Kimi Delta Attention, alternata alla full attention in un rapporto di 3:1, il modello può gestire contesti fino a un milione di token, riducendo drasticamente la memoria necessaria. Nei test di Moonshot AI, il decoding è risultato fino a sei volte più veloce, con il 75% di KV cache in meno, superando il modello full-attention utilizzato come riferimento. Invece di rileggere continuamente ogni pagina, il sistema conserva appunti sintetici e li aggiorna nel tempo.
• Il terzo elemento riguarda il lavoro in parallelo. Attraverso il reinforcement learning, Kimi impara a scomporre un compito tra più sotto-agenti. Le ricompense valutano anche se i singoli sotto-compiti vengono effettivamente completati, scoraggiando la creazione di agenti utilizzati soltanto per simulare il parallelismo. È una sorta di project manager interno che non si limita ad assegnare il lavoro, ma verifica anche che venga portato a termine.
• A queste innovazioni si aggiunge il lavoro sulle connessioni residuali, rese selettive e dipendenti dall’input, invece di sommare uniformemente tutte le informazioni provenienti dai livelli precedenti.

Il video si concentra su Kimi K2.5. Il passo successivo è Kimi K3, annunciato come modello open-weight, multimodale e capace di gestire un contesto da un milione di token.

La lezione è che il vantaggio nell’intelligenza artificiale non si costruisce soltanto con più budget o più GPU. Nasce soprattutto da un’ingegneria di altissimo livello, applicata agli ottimizzatori, ai meccanismi di attenzione, all’architettura e ai processi di training.

Quando queste innovazioni vengono condivise apertamente, il divario tra interi ecosistemi può ridursi molto più rapidamente di quanto immaginiamo.

Qwen3.8 Max: la nuova sfida di Alibaba nel mercato dell’AI

Lo sviluppo dei modelli cinesi continua ad accelerare. Alibaba ha annunciato Qwen3.8 Max, un modello da 2,4 trilioni di parametri che sarà distribuito prossimamente anche in modalità open-weight.

L’ho provato su diversi tipi di attività. Le prestazioni sono chiaramente molto elevate, anche se la mia impressione è che Kimi K3 sia ancora più avanti.

Alibaba presenta il modello come uno dei più potenti sviluppati finora, con particolare attenzione alla programmazione agentica, allo sviluppo full-stack, all’analisi dei dati e alla gestione di flussi di lavoro complessi basati su documenti, fogli di calcolo e presentazioni.

Nel post di presentazione viene utilizzata l’espressione “second only to Fable 5”. Al momento, però, si tratta soprattutto di un’affermazione promozionale: non sono ancora stati pubblicati benchmark completi e indipendenti che consentano di verificare questo confronto.
Mancano inoltre diversi dettagli tecnici. Non conosciamo ancora il numero di parametri attivi per token, l’architettura completa, la lunghezza della finestra di contesto, i requisiti hardware e le condizioni definitive della licenza. Il dato dei 2,4 trilioni di parametri potrebbe indicare un’architettura Mixture of Experts, ma non è ancora arrivata una conferma ufficiale.

La versione in anteprima utilizza una modalità di reasoning sempre attiva e può essere integrata in strumenti e agenti compatibili attraverso le API di Alibaba Cloud.
L’accesso avviene tramite piani a crediti. Il consumo varia in base al modello utilizzato, ai token di input e output, alla cronologia della conversazione, al reasoning e all’eventuale utilizzo di strumenti. I crediti possono essere impiegati anche per interagire con il modello attraverso client compatibili, come Chatbox, oppure tramite Qoder, ma non corrispondono automaticamente a un abbonamento premium per la normale interfaccia web di Qwen Chat.

Il vero valore di questo rilascio dipenderà dalla pubblicazione della model card, dai benchmark indipendenti, dal numero di parametri effettivamente attivati durante l’inferenza e, soprattutto, dalle condizioni della licenza open-weight.

AI, costi e geopolitica: il vantaggio competitivo cambia forma

E se il vantaggio competitivo nell’intelligenza artificiale non fosse più soltanto una questione di prestazioni?

I modelli cinesi stanno guadagnando terreno anche tra le aziende statunitensi. Secondo i dati di OpenRouter riportati da CNBC, la quota di token utilizzati dalle imprese USA su modelli cinesi è rimasta superiore al 30% per diversi mesi, raggiungendo picchi del 46%. Nei dodici mesi precedenti, la media era dell’11%.

La ragione è soprattutto economica. Modelli come DeepSeek, GLM di Z.ai e Qwen di Alibaba offrono prestazioni sempre più vicine a quelle delle soluzioni di OpenAI e Anthropic, ma con costi che possono essere inferiori del 60-90%.

Per molte attività non è necessario utilizzare il modello migliore in assoluto. Serve una soluzione sufficientemente efficace, più economica e facilmente adattabile. La startup americana Lindy, per esempio, avrebbe trasferito tutto il proprio traffico da Claude a DeepSeek, prevedendo risparmi di milioni di dollari.

Nel frattempo, dalla Cina arrivano indiscrezioni su un possibile cambio di strategia. Secondo Reuters, le autorità starebbero valutando restrizioni all’accesso estero ai modelli più avanzati, coinvolgendo aziende come Alibaba, ByteDance e Z.ai.

Non si tratterebbe di una chiusura generale, ma di possibili controlli sui futuri modelli di frontiera: limiti alla distribuzione dei pesi, accesso regolamentato alle API, verifiche di sicurezza e una maggiore protezione delle tecnologie considerate strategiche.

Questa dinamica suggerisce alcune riflessioni.

• Il prezzo sta diventando una forma di potere geopolitico. Un modello non deve necessariamente essere il migliore: può conquistare il mercato offrendo prestazioni adeguate a un costo molto inferiore.
• L’open source cinese è anche uno strumento di influenza. Diffondere modelli accessibili significa creare ecosistemi, sviluppare competenze e generare dipendenze tecnologiche. Limitarne la distribuzione, però, potrebbe indebolire proprio questo vantaggio.
• Per le aziende, affidarsi completamente a un solo fornitore, statunitense o cinese, aumenta il rischio. Restrizioni normative, variazioni di prezzo e tensioni geopolitiche possono modificare rapidamente le condizioni di accesso.
• La risposta più solida continua a essere un’architettura multi-modello, capace di scegliere soluzioni diverse in base a costi, prestazioni e sensibilità dei dati.

Per l’Europa, infine, sostituire una dipendenza tecnologica dagli Stati Uniti con una dipendenza dalla Cina non significherebbe conquistare una vera autonomia.

Il vero salto dell’AI nello sviluppo software

Il vero salto dell’intelligenza artificiale nello sviluppo non è l’autocompletamento, ma la possibilità di operare nel contesto reale di un progetto.

Sto utilizzando Claude Code tramite CLI su Linux e l’aspetto più interessante non è la semplice generazione di codice. Il modello può leggere il file system, analizzare repository, modificare più file, eseguire comandi da console, avviare test e interpretarne i risultati.

Quando nel workspace sono presenti progetti basati su una determinata architettura, può utilizzarli come riferimento per implementare nuove specifiche, rispettando pattern, convenzioni e scelte progettuali già esistenti.

Il file CLAUDE.md permette inoltre di definire regole di sviluppo, strumenti da utilizzare, comandi di build e test, oltre ai criteri necessari per considerare completata un’attività.

Nei lavori più articolati, Claude può suddividere il problema tra diversi sub-agent, incaricati di analizzarne parti differenti e riportare i risultati nel thread principale. Può anche testare il software, analizzare gli output e correggere autonomamente eventuali problemi.

Un altro aspetto particolarmente utile è la possibilità di intervenire mentre l’agente sta lavorando, aggiungendo indicazioni e correzioni senza dover attendere il risultato finale e ricominciare da capo.

Il flusso di lavoro diventa quindi: specifica, pianificazione, implementazione, test, analisi degli errori, correzione e nuovo test.

Il controllo, però, rimane nelle mani dello sviluppatore: è possibile verificare il piano, confermare le singole operazioni oppure concedere maggiore autonomia entro confini prestabiliti.

Anche Git e GitHub possono entrare nello stesso processo operativo, dalla gestione del repository alla creazione di branch, commit e pull request.

Test automatici, script, pipeline di CI/CD e automazioni Git esistono da anni. La vera novità non è l’invenzione dei singoli strumenti, ma la riduzione del costo necessario per orchestrarli.

La CLI è il luogo in cui file, processi, test, Git e strumenti di sviluppo si incontrano. Inserire un modello in questo ambiente significa trasformarlo da semplice generatore di testo a esecutore supervisionato.

La domanda più interessante, quindi, non è se l’intelligenza artificiale sostituirà gli sviluppatori, ma come cambierà il loro lavoro quando una parte dell’esecuzione potrà essere affidata a un agente.

DwarfStar: il valore della specializzazione nell’AI locale

Nel software siamo abituati a considerare la generalità una virtù: un buon sistema dovrebbe supportare più modelli, formati e configurazioni hardware.

DwarfStar, il progetto di Salvatore Sanfilippo, conosciuto come antirez, propone una tesi differente: nell’inferenza locale, la specializzazione può rappresentare un vantaggio competitivo.

Il progetto non punta a eseguire qualsiasi LLM, ma a costruire un sistema verticale intorno a pochi modelli selezionati. Motore di inferenza, kernel GPU, quantizzazione, prompt, tool calling, API, KV cache e coding agent vengono progettati insieme, come componenti di un’unica architettura.

Il ramo principale è dedicato a DeepSeek V4 Flash e Pro, mentre un branch sperimentale applica già lo stesso metodo a GLM-5.2. DwarfStar non è quindi semplicemente un progetto “su DeepSeek”, ma un approccio rivolto a modelli specifici e promettenti, particolarmente resistenti alla quantizzazione e integrati in profondità.

DeepSeek V4 Flash rende bene l’idea: possiede 284 miliardi di parametri, ma ne attiva circa 13 miliardi. In ogni layer, un router seleziona soltanto 6 esperti su 256.

DwarfStar mantiene in memoria le parti comuni del modello, utilizza la RAM come cache per gli esperti più richiesti e carica gli altri dall’SSD quando necessario.
La domanda, quindi, cambia: non più “il modello entra in memoria?”, ma “a quale velocità posso eseguirlo con la memoria disponibile?”.
Anche la quantizzazione segue questa logica. DwarfStar comprime soprattutto gli esperti Mixture of Experts, che occupano gran parte dello spazio, preservando router, proiezioni e componenti condivise. Le decisioni vengono guidate dalle attivazioni osservate su carichi di lavoro reali, non soltanto dalla dimensione dei pesi.
Lo stesso principio si applica alla KV cache, la memoria computazionale della conversazione. DeepSeek comprime il contesto meno recente; DwarfStar rende questo stato persistente su disco, permettendo di riprendere una sessione senza doverne ricalcolare l’intera cronologia.
Anche le tool call vengono conservate nell’esatta forma DSML. Due JSON semanticamente equivalenti possono infatti produrre token differenti e invalidare la cache. È un dettaglio sottile, ma decisivo nel distinguere un modello semplicemente eseguibile da un agente realmente stateful.

La lezione è chiara: l’AI locale non è soltanto un problema di modelli, ma di co-progettazione tra modello, memoria, hardware e agente.

DwarfStar rinuncia all’universalità per ottenere qualcosa di più raro: una comprensione profonda dell’intero sistema.

Google amplia la famiglia Gemini con tre nuovi modelli AI

Google amplia la famiglia Gemini con tre nuovi modelli di intelligenza artificiale e annuncia i test di Gemini 3.5 Pro e l’avvio del pre-training di Gemini 4.

I nuovi modelli sono progettati per rendere gli agenti AI più efficienti, veloci e affidabili su larga scala.

Gemini 3.6 Flash migliora le prestazioni nel coding, nel knowledge work, nell’analisi multimodale e nell’utilizzo del computer. Rispetto a Gemini 3.5 Flash, riduce del 17% i token di output e richiede meno passaggi di ragionamento e chiamate agli strumenti. Il costo è di 1,50 dollari per milione di token in input e 7,50 dollari per milione di token in output.

Nei test che ho effettuato nell’app Gemini, il modello si è dimostrato effettivamente molto veloce e capace di gestire attività complesse.

Gemini 3.5 Flash-Lite punta invece su velocità e convenienza: raggiunge circa 350 token di output al secondo e costa 0,30 dollari per milione di token in input e 2,50 dollari per milione di token in output. È pensato per flussi di lavoro ad alto volume, ricerca agentica, elaborazione documentale e sistemi multi-agente.

Gemini 3.5 Flash Cyber è il modello specializzato nella sicurezza informatica. Integrato in CodeMender, supporta l’individuazione, la verifica e la correzione delle vulnerabilità nel codice. Per limitare i rischi di abuso, sarà inizialmente disponibile soltanto per governi e partner selezionati.

Gemini 3.6 Flash e Gemini 3.5 Flash-Lite sono già disponibili tramite Gemini API, Google AI Studio, Android Studio, Gemini Enterprise e l’app Gemini.

OpenAI presenta GPT-5.6 e trasforma ChatGPT in un ambiente operativo

C’era grande attesa per la presentazione di OpenAI dedicata al lancio dei nuovi modelli di intelligenza artificiale. Ecco una sintesi delle principali novità.

È stata presentata GPT-5.6, una nuova famiglia di modelli composta da Sol, Terra e Luna. Sol è il modello più potente, pensato per gestire workflow agentici complessi. Terra è ottimizzato per le attività quotidiane, mentre Luna è il modello più veloce ed economico, progettato per sostenere grandi volumi di lavoro.

La novità più importante, però, riguarda il modo in cui OpenAI sta ripensando ChatGPT, trasformandolo in un vero e proprio ambiente operativo capace di lavorare su attività articolate.

Con ChatGPT Work, l’intelligenza artificiale può cercare informazioni in Slack, analizzare feedback, individuare persone, pianificare riunioni, lavorare su file Excel e generare presentazioni PowerPoint.
La nuova app desktop estende queste capacità anche all’ambiente locale, consentendo a ChatGPT di interagire con file, cartelle, schede del browser e applicazioni aperte. Durante la dimostrazione, ChatGPT ha analizzato documenti, report e schede di Chrome per creare una presentazione completa in circa 90 secondi.
La funzione Computer Use permette inoltre al modello di interagire direttamente con le applicazioni attraverso un proprio cursore.
OpenAI ha introdotto anche Hosted Sites, uno strumento per creare e condividere siti, dashboard e prototipi interattivi direttamente da ChatGPT.

Per lo sviluppo e la ricerca arriva invece Ultra Mode, una modalità che coordina più agenti in parallelo per affrontare attività complesse in modo più rapido.

Grande attenzione è stata dedicata anche alla sicurezza, con oltre 700.000 ore equivalenti A100 destinate al red teaming e iniziative come Project Daybreak e Patch the Planet, pensate per individuare vulnerabilità e generare patch.

La presentazione si è conclusa con la storia di Hiroki, un agricoltore di Hokkaido che utilizza ChatGPT per migliorare l’efficienza del lavoro agricolo e sviluppare piccoli sistemi gestionali per il proprio team.

GPT-5.6 e ARC-AGI-3: perché il 7,8% è un risultato importante

GPT-5.6 ha ottenuto il 7,8% su ARC-AGI-3. A prima vista può sembrare un risultato basso, quasi deludente, soprattutto per uno dei modelli più avanzati oggi disponibili. Il dato, però, diventa molto più interessante quando viene inserito nel contesto corretto.

Negli altri benchmark della famiglia ARC, GPT-5.6 raggiunge risultati molto elevati: 96,5% su ARC-AGI-1 e 92,5% su ARC-AGI-2. Su ARC-AGI-3, invece, il punteggio scende sotto il 10%. Il motivo è che questo benchmark misura una capacità diversa.

Non chiede semplicemente al modello di rispondere a una domanda, completare uno schema o applicare conoscenze già acquisite. Lo inserisce in ambienti nuovi, senza spiegargli le regole.

Il modello deve esplorare, individuare l’obiettivo, formulare ipotesi, metterle alla prova, correggersi e cambiare strategia. È una forma di intelligenza simile a quella che utilizziamo quando ci troviamo in una situazione sconosciuta: osserviamo, proviamo, sbagliamo, distinguiamo ciò che conta dal rumore e adattiamo il nostro comportamento. Per i modelli linguistici, anche quelli più avanzati, questa capacità rimane ancora fragile.

Per questo motivo, il 7,8% è basso rispetto alle prestazioni umane, ma molto alto rispetto ai risultati ottenuti in precedenza dai modelli. GPT-5.5 si fermava allo 0,43%, mentre Claude Opus 4.8 aveva raggiunto l’1,5%.

In questo contesto, il risultato di GPT-5.6 non rappresenta un fallimento: rappresenta un salto significativo.

Il dato mostra con chiarezza uno dei confini attuali dell’intelligenza artificiale. I modelli stanno diventando estremamente efficaci nel ragionare, programmare, spiegare, pianificare e risolvere problemi complessi quando il compito e le sue regole sono definiti.
Faticano ancora, invece, quando devono scoprire autonomamente quale sia il problema, quali siano le regole e quale strategia abbia senso adottare.

GPT-5.6 può quindi essere uno dei modelli più potenti disponibili e, allo stesso tempo, restare lontano dalle capacità umane in un test basato su esplorazione, adattamento e apprendimento attraverso l’esperienza.

Quel 7,8% non misura soltanto quante prove il modello riesce a superare. Misura la distanza che ancora separa il saper risolvere un problema dal sapersi orientare autonomamente in un problema completamente nuovo.

Prompting per GPT-5.6: cosa cambia davvero

OpenAI ha pubblicato una guida al prompting per GPT-5.6 Sol. I concetti fondamentali, tuttavia, non cambiano.

Il principio centrale consiste nel definire con chiarezza il risultato atteso, i vincoli, le fonti disponibili e i criteri di completamento, lasciando al modello la libertà di individuare il percorso più efficiente.

La guida invita a semplificare i prompt, eliminando ripetizioni, esempi superflui, istruzioni contraddittorie e strumenti non pertinenti. È più utile spiegare cosa significhi ottenere un buon risultato, piuttosto che imporre ogni singolo passaggio.

Grande attenzione viene dedicata anche ai confini dell’autonomia: il modello dovrebbe poter svolgere senza interruzioni le attività sicure e previste, fermandosi invece prima di compiere azioni esterne, distruttive, costose o capaci di ampliare significativamente il perimetro del lavoro.

Per quanto riguarda l’utilizzo dei tool, OpenAI consiglia di mettere a disposizione soltanto quelli necessari, parallelizzare le ricerche indipendenti e prevedere fallback mirati quando i risultati sono incompleti. Il Programmatic Tool Calling è indicato soprattutto per filtrare, aggregare, ordinare e ridurre grandi volumi di dati strutturati.

Model guidance | OpenAI API

Compare model features, migration guidance, and prompting best practices across OpenAI models.

OpenAI Developers

La guida raccomanda inoltre di definire in anticipo le regole relative a fonti e citazioni, distinguere sempre i fatti dalle inferenze, limitare le ricerche a ciò che serve davvero e validare il risultato prima di concludere.
La struttura suggerita per i prompt più complessi comprende ruolo, personalità, obiettivo, criteri di successo, vincoli, strumenti, formato dell’output e regole di arresto.

Per migrare a GPT-5.6, l’approccio consigliato è graduale: cambiare prima il modello, misurare i risultati e modificare il prompt soltanto attraverso interventi piccoli e verificabili.

Il punto centrale, dal mio punto di vista, è semplice: se i prompt sono sempre stati progettati in modo solido, strutturato e preciso, non c’è bisogno di una vera migrazione. Né per Sol né per i modelli futuri.

Claude Fable 5: dall’idea al prototipo in un unico flusso di lavoro

Ho svolto diversi test con Claude Fable 5, soprattutto nell’ambito dello sviluppo, e la sensazione è stata molto chiara: il potenziale di sistemi come questo è enorme.

Non si tratta semplicemente di generare codice più velocemente, ma di cambiare il modo in cui si passa da un’idea a qualcosa di concreto. Progettazione, analisi, sviluppo, debugging, rifinitura e iterazione possono entrare nello stesso flusso di lavoro, con una continuità che fino a poco tempo fa sembrava impensabile.

Fable 5 mi ha colpito proprio per questo: non si limita a rispondere a una richiesta puntuale, ma riesce a sostenere attività articolate, mantenere il contesto, interpretare documenti complessi, ragionare su architetture applicative e produrre risultati concretamente utilizzabili.

Uno dei test più interessanti è partito da un documento di 15 pagine, nel quale avevo descritto ogni dettaglio di un’applicazione. Il modello, collegato a un progetto boilerplate su GitHub, è riuscito a generarla in modo praticamente perfetto. Sono state necessarie soltanto alcune indicazioni aggiuntive per rifinire gli elementi che non avevo descritto con sufficiente precisione nel documento iniziale.

Ho eseguito anche altri test relativi allo sviluppo di web app, al montaggio video nel browser, all’analisi dei dati e alla creazione di modelli predittivi. Sono soltanto alcuni esempi delle numerose prove effettuate, spesso con risultati sorprendenti.

L’aspetto più interessante non è soltanto la qualità dell’output finale, ma il modo in cui questi strumenti permettono di lavorare: l’idea diventa una specifica, la specifica diventa codice e il codice diventa un prototipo. Un prototipo che può essere corretto, migliorato e validato in tempi estremamente ridotti.

Per chi sviluppa, progetta prodotti digitali o lavora nel campo delle automazioni e dell’analisi, siamo davanti a un cambio di passo enorme.

Inkling: il modello open-weights multimodale di Thinking Machines

Thinking Machines, l’azienda guidata da Mira Murati, ha presentato Inkling, un modello di intelligenza artificiale open-weights, addestrato da zero e progettato come base multimodale, efficiente e personalizzabile.

Inkling utilizza un’architettura Mixture-of-Experts con 975 miliardi di parametri complessivi, di cui 41 miliardi attivi, e supporta finestre di contesto fino a un milione di token. Il pre-addestramento è stato condotto su 45 trilioni di token provenienti da testi, immagini, audio e video.

Il modello è in grado di ragionare nativamente su testo, immagini e audio e permette di regolare il livello di elaborazione, bilanciando prestazioni, costi e latenza.
È stato sviluppato come modello generalista, con competenze nel ragionamento, nella programmazione agentica, nell’uso di strumenti, nell’analisi multimodale e nel rispetto delle istruzioni.

Thinking Machines chiarisce che Inkling non punta a essere il modello più potente in assoluto, ma una base open-weights solida e flessibile, adattabile a prodotti, flussi di lavoro e conoscenze specialistiche. Il fine-tuning è già disponibile attraverso Tinker, mentre i pesi completi sono stati pubblicati su Hugging Face.
Insieme al modello principale è stata presentata anche un’anteprima di Inkling-Small, una versione con 276 miliardi di parametri totali e 12 miliardi attivi, pensata per applicazioni in cui velocità, latenza e costi hanno un peso maggiore.

La crescita dei modelli aperti non è più trainata soltanto dai laboratori cinesi. Anche le aziende occidentali stanno tornando a investire in modelli con pesi accessibili, contribuendo a rendere l’ecosistema più diversificato e competitivo.

La sfida si sta quindi spostando dalla semplice pubblicazione dei pesi alla capacità di offrire modelli realmente personalizzabili, multimodali ed efficienti, pronti per essere utilizzati in produzione.

Muse Spark 1.1: Meta accelera sui modelli agentici

Come avevo anticipato in occasione della prima release, Muse Spark di Meta è un modello da tenere sotto osservazione. Ora arriva la nuova versione 1.1, accompagnata da un’API attualmente disponibile in public preview.

Muse Spark 1.1 è un modello multimodale progettato per svolgere compiti agentici, tra cui pianificazione, utilizzo di strumenti, interazione con il computer, programmazione e gestione di workflow complessi.

Rispetto alla versione precedente, Meta evidenzia miglioramenti significativi nell’uso di strumenti e interfacce, nel coding, nella comprensione multimodale e nella gestione di contesti lunghi fino a un milione di token.

Il modello può inoltre coordinare più agenti, delegare attività, ricordare i passaggi precedenti e adattarsi alle nuove informazioni durante l’esecuzione.

Nell’interazione con il computer, Muse Spark 1.1 è in grado di scegliere quando automatizzare un’attività tramite script e quando operare direttamente sull’interfaccia. In ambito coding, può lavorare su codebase complesse, correggere bug, implementare nuove funzionalità e validare i risultati anche attraverso screenshot e tool calling.

Sul fronte multimodale, può analizzare immagini, video, audio e PDF, mantenendo le informazioni rilevanti durante workflow estesi. Tra i casi d’uso citati da Meta figura la creazione automatica di inserzioni per Marketplace a partire da un video registrato con lo smartphone.

Meta dichiara inoltre di aver condotto valutazioni di sicurezza relative a rischi informatici, chimico-biologici e di perdita di controllo, evidenziando miglioramenti nella protezione da jailbreak, prompt injection e allucinazioni.

In sintesi, Muse Spark 1.1 conferma la direzione intrapresa da Meta: non più soltanto chatbot, ma modelli capaci di agire, programmare, utilizzare strumenti e gestire processi complessi. Con l’arrivo dell’API, diventa un modello da monitorare ancora più attentamente.

Muse Image e Muse Video: la generazione visiva diventa agentica

Meta ha presentato Muse Image e Muse Video, i primi modelli di generazione multimediale sviluppati da Meta Superintelligence Labs.

Ho provato Muse Image utilizzando prompt strutturati, già collaudati con altri modelli. I test mostrano un enorme passo avanti, soprattutto nell’elaborazione che precede la generazione.

Il modello, infatti, non si limita a trasformare un prompt in un’immagine, ma opera come un vero e proprio agente: può ragionare, utilizzare strumenti, cercare informazioni, scrivere codice, correggere i propri errori e migliorare progressivamente il risultato.

Questa impostazione gli permette di affrontare attività complesse, come generare QR code funzionanti, creare grafici accurati, modificare testi all’interno di un’immagine, combinare più riferimenti visivi e mantenere coerenza durante diversi passaggi di editing.
Un altro elemento rilevante è l’utilizzo della ricerca web, che consente di produrre immagini più aderenti a fatti reali, eventi recenti e riferimenti visivi aggiornati. Meta sottolinea inoltre la capacità di auto-correzione del modello, emersa durante l’addestramento tramite reinforcement learning.
Muse Image introduce anche Content Seal, un watermark invisibile progettato per aiutare a identificare le immagini generate dall’intelligenza artificiale, anche dopo ritagli, compressioni, ridimensionamenti o screenshot.

Accanto a Muse Image, Meta ha mostrato in anteprima Muse Video, un modello per la generazione video caratterizzato da alta fedeltà visiva, coerenza temporale e supporto audio nativo. Restano ancora alcune aree da migliorare, in particolare la sincronizzazione tra audio e video e la resa fisicamente accurata dei movimenti rapidi.

La generazione visiva sta quindi evolvendo: da modelli puramente creativi a sistemi agentici, capaci di pianificare, verificare e utilizzare strumenti per produrre contenuti più precisi, coerenti e controllabili.

Seedream 5.0 Pro: dalla generazione visiva alla produzione controllabile

Seedream 5.0 Pro di ByteDance rappresenta un passaggio interessante nell’evoluzione della generazione visiva con l’intelligenza artificiale. Il modello non si limita a produrre immagini, ma prova a comprendere la logica progettuale, la struttura, il layout, i testi e i vincoli creativi.

Il punto centrale non è più soltanto generare un’immagine esteticamente efficace. Il valore risiede nella capacità di costruire contenuti visivi utilizzabili in contesti professionali, come infografiche, poster educativi, materiali commerciali, interfacce, storyboard, composizioni multilingue e asset modificabili.

Uno degli aspetti più rilevanti è la gestione di informazioni complesse. Seedream 5.0 Pro punta a trasformare contenuti densi in visual ordinati, leggibili e gerarchizzati, nei quali testi, immagini, diagrammi e layout convivono in modo coerente.

Un altro elemento chiave è l’editing interattivo. Il modello può interpretare selezioni, riquadri, schizzi, indicazioni spaziali, colori e immagini di riferimento, rendendo possibile intervenire su parti specifiche senza dover rigenerare tutto da zero. Questo avvicina l’intelligenza artificiale a un flusso di lavoro più simile a quello reale di designer, marketer e creativi.

Particolarmente interessante è anche la separazione in livelli: testi, soggetti, sfondi e decorazioni possono diventare elementi indipendenti, più facili da modificare, riutilizzare e adattare. È un passaggio importante dalla semplice immagine “piatta” a un output più produttivo e manipolabile.

Il modello lavora inoltre sul realismo fotografico, sulla resa dei materiali, della luce, della pelle e delle texture, oltre che sulla coerenza prospettica. A questo si aggiunge il supporto multilingue, con attenzione non soltanto alla traduzione, ma anche alla tipografia, alla direzione di lettura e alla localizzazione culturale.

Il messaggio più interessante è il cambio di prospettiva: l’intelligenza artificiale visiva sta passando dalla generazione automatica alla produzione controllabile.

Non più soltanto immagini belle, ma immagini strutturate, modificabili, localizzabili e integrate nei processi professionali di design e comunicazione.

ByteDance accelera anche sulla generazione di video

ByteDance ha condiviso un video generato con Seedance 2.5 che ripercorre la carriera di Michael Owen.

I nuovi modelli dell’azienda, Seedream 5.0 e Seedance 2.5, rappresentano un avanzamento significativo e aprono concretamente la strada a applicazioni commerciali utili.

Intelligenza artificiale: le regole non possono più aspettare

Con qualche anno di ritardo, anche le istituzioni sembrano essersi accorte che l’intelligenza artificiale non è più un esperimento da laboratorio, ma una tecnologia già presente nell’economia, nel lavoro, nell’istruzione e nelle relazioni personali.

Il segretario generale dell’ONU, António Guterres, ha avvertito che l’AI si sta sviluppando più rapidamente della capacità di governi, istituzioni e aziende di comprenderne e regolarne gli effetti.

Il problema non è fermare l’innovazione, ma evitare che sistemi sempre più potenti vengano distribuiti nella società senza controlli adeguati, responsabilità chiare e standard di sicurezza condivisi.

Una delle priorità indicate dall’ONU riguarda la protezione dei bambini. Alcuni sistemi possono simulare relazioni emotive, produrre contenuti dannosi o reagire in modo inadeguato di fronte a segnali di grave disagio psicologico.
Per questo, Guterres propone un impegno internazionale sulla sicurezza dei minori: le aziende dovrebbero dimostrare che i propri sistemi sono sicuri prima di renderli accessibili, invece di intervenire soltanto dopo che si è verificato un danno.

C’è poi il tema della concentrazione del potere tecnologico. Circa il 75% della capacità di calcolo dei 500 principali supercomputer utilizzati per l’AI sarebbe controllato dagli Stati Uniti, mentre la Cina ne deterrebbe circa il 15%.
Il resto del mondo rischia quindi di partecipare alla rivoluzione dell’intelligenza artificiale soprattutto come mercato e fonte di dati, non come soggetto capace di sviluppare tecnologie, infrastrutture e regole.
Il divario è particolarmente evidente in Africa, che rappresenta una parte significativa della popolazione mondiale ma ospita meno del 2% dei data center globali.

Senza accesso a infrastrutture, competenze e potere decisionale, i Paesi in via di sviluppo potrebbero essere esclusi sia dai benefici economici dell’AI sia dalla definizione delle norme che ne determineranno il futuro.
L’intelligenza artificiale può accelerare i progressi nella sanità, nell’istruzione e nello sviluppo economico. Può però anche amplificare le disuguaglianze, automatizzare decisioni opache, rafforzare la sorveglianza e diventare uno strumento di controllo autoritario.

La questione, quindi, non è più stabilire se servano delle regole. È costruire standard internazionali, verifiche preventive, supervisione umana e responsabilità concrete, prima che la velocità della tecnologia renda ogni intervento inevitabilmente tardivo.

AGI: tempi, rischi e governance secondo Dario Amodei e Demis Hassabis

Dario Amodei e Demis Hassabis hanno discusso di intelligenza artificiale generale (AGI) in un confronto organizzato da The Economist, offrendo due prospettive differenti, ma molto vicine nella sostanza.

Amodei prevede una traiettoria estremamente rapida: sistemi capaci di svolgere compiti intellettuali al livello dei migliori esseri umani potrebbero arrivare già nel 2026 o 2027. Hassabis è più prudente, ma non troppo distante: attribuisce circa il 50% di probabilità all’arrivo dell’AGI entro la fine del decennio.

La differenza principale riguarda la definizione di AGI. Per Hassabis, non basta che un sistema risolva problemi complessi o superi gli esseri umani in attività specifiche. Una vera AGI dovrebbe mostrare capacità inventiva: non soltanto giocare a Go meglio di chiunque altro, ma essere in grado di inventare un gioco come il Go; non solo applicare teorie esistenti, ma generare scoperte radicalmente nuove.

Il tema centrale, quindi, non è soltanto quando arriverà l’AGI, ma soprattutto come verrà governata.

Entrambi sottolineano il rischio geopolitico. Se un attore autoritario arrivasse per primo a sviluppare sistemi capaci di accelerare la creazione di altre intelligenze artificiali, l’equilibrio globale potrebbe cambiare profondamente. Per questo Hassabis richiama l’idea di istituzioni internazionali sul modello del CERN o dell’AIEA, in grado di coordinare ricerca, monitoraggio e sicurezza.

Le opportunità sono enormi e riguardano ambiti come medicina, scoperta di nuovi farmaci, clima, produttività e ricerca scientifica. Hassabis immagina un decennio nel quale l’AI potrebbe contribuire a curare numerose malattie e ad affrontare problemi che oggi appaiono estremamente difficili.

I rischi, tuttavia, non sono soltanto teorici. Amodei cita test di laboratorio nei quali i modelli iniziano a mostrare capacità potenzialmente pericolose: dalla generazione di informazioni utili alla creazione di armi biologiche fino a comportamenti ingannevoli in scenari controllati. L’obiettivo, sostiene, è dimostrare l’esistenza dei pericoli prima che questi emergano nel mondo reale.

Nel breve periodo, entrambi indicano due segnali da osservare: l’arrivo di sistemi agentici, capaci di agire autonomamente nel mondo digitale, e il miglioramento dei modelli nella scrittura di codice e nella ricerca sull’intelligenza artificiale stessa. Se questi sistemi inizieranno ad aumentare in modo significativo la produttività nello sviluppo dell’AI, le previsioni più aggressive diventeranno più plausibili.

Il punto critico è che una tecnologia con impatti potenzialmente sistemici rimane ancora troppo concentrata nelle mani di pochi laboratori privati. Anche quando questi attori dimostrano consapevolezza e responsabilità, non è sano che decisioni di tale portata dipendano dalla prudenza individuale di un numero ristretto di persone.

La governance dell’AGI non può essere costruita soltanto dopo un incidente. Deve nascere prima che la capacità tecnica superi quella istituzionale.

AGI, ottimismo prudente e nuove regole per l’AI di frontiera

Demis Hassabis ha pubblicato un post su X in cui descrive l’intelligenza artificiale generale, o AGI, come una tecnologia probabilmente distante pochi anni e capace di trasformare la civiltà più profondamente di Internet o della telefonia mobile.

La sua visione è fortemente ottimista: l’intelligenza artificiale potrebbe accelerare lo sviluppo di farmaci, nuove fonti di energia e materiali avanzati, aprendo una fase di maggiore abbondanza economica e scientifica.

Hassabis riconosce, però, che il progresso sta superando la nostra capacità di comprenderne pienamente le conseguenze. Cybersecurity, rischi biologici, sistemi agentici e auto-miglioramento richiedono quindi un approccio di “ottimismo prudente”.

La proposta più concreta è la creazione, negli Stati Uniti, di un organismo dedicato agli standard dell’AI di frontiera: una struttura pubblico-privata incaricata di definire quali modelli possano essere considerati “frontier”, sviluppare test indipendenti, valutarne i rischi e, in prospettiva, autorizzarne il rilascio.

Questa impostazione evita sia l’entusiasmo incondizionato sia il rifiuto pregiudiziale. Propone invece una regolazione proporzionata, concentrata sui modelli più potenti, basata su valutazioni indipendenti e accompagnata da una maggiore cooperazione internazionale.

Restano, tuttavia, alcuni punti da approfondire.
L’idea che l’AGI sia distante pochi anni viene presentata quasi come una premessa, senza chiarire cosa significhi realmente possedere “tutte le capacità cognitive del cervello umano”. AGI, superintelligenza, agenticità e singolarità sono concetti collegati, ma non equivalenti.
Anche l’ipotesi di un impatto “dieci volte superiore alla Rivoluzione industriale e dieci volte più rapido” è evocativa, ma difficilmente misurabile.
Inoltre, una maggiore abbondanza non implica necessariamente una distribuzione più equa. La proprietà delle tecnologie, la concentrazione del potere e i meccanismi di accesso resteranno fattori decisivi.
Esiste poi un possibile rischio di cattura regolatoria. Se i grandi laboratori finanziano l’organismo, partecipano alla definizione dei test e sono gli unici soggetti in grado di sostenerne i costi, il sistema potrebbe finire per rafforzare proprio gli operatori dominanti.
Non basta, inoltre, valutare un modello in modo isolato. Il livello di rischio dipende anche dagli strumenti collegati, dai dati accessibili, dal grado di autonomia e dal contesto concreto di utilizzo.

Il contributo più importante del post non è necessariamente la previsione temporale sull’AGI. È l’idea che, di fronte a progressi rapidi, conseguenze potenzialmente enormi e profonda incertezza, non sia ragionevole affidarsi esclusivamente agli incentivi dei singoli laboratori.

Le istituzioni costruite oggi, le responsabilità legali, i criteri di accesso e la distribuzione del potere potrebbero determinare l’impatto dell’intelligenza artificiale almeno quanto le sue capacità tecniche.

L’AI generativa è davvero un disastro ingegneristico?

«L’AI generativa è un disastro ingegneristico»: è la tesi provocatoria con cui The Atlantic apre un articolo che solleva una questione seria.

Gli attuali modelli generativi richiedono quantità crescenti di dati, energia, hardware e capitale, mentre ogni miglioramento sembra diventare progressivamente più costoso. La strategia basata su modelli sempre più grandi mostra limiti tecnici ed economici difficili da ignorare.

Il fallimento di questa specifica traiettoria di sviluppo, però, non coincide necessariamente con il fallimento dell’AI generativa nel suo complesso. L’inefficienza degli attuali LLM potrebbe indicare non la fine del paradigma, ma la necessità di superarne la configurazione attuale.

Proprio perché i modelli di frontiera sono costosi e difficili da scalare, il futuro potrebbe essere più eterogeneo: sistemi generalisti per alcune funzioni, modelli più piccoli e specializzati per altre, soluzioni locali, architetture modulari e strumenti integrati nei processi.

In questa direzione si inserisce anche il nuovo modello open-weight presentato da Thinking Machines, progettato per essere adattato a prodotti, flussi di lavoro e conoscenze specialistiche. Non si tratta più, quindi, di una strada percorsa soltanto dai laboratori cinesi.

La domanda non è soltanto se gli attuali LLM facciano fatica a scalare. Bisogna capire quali attività continueranno a richiedere modelli di frontiera, quali passeranno a sistemi più efficienti e quali verranno ripensate completamente.

Esiste poi un secondo livello: quello finanziario.
L’entusiasmo intorno all’AI è reale. Le aspettative sono spesso eccessive, i tempi vengono compressi e una parte degli investimenti probabilmente non produrrà i ritorni attesi. Ma una tecnologia può essere sopravvalutata nel breve periodo e, allo stesso tempo, sottovalutata nelle sue conseguenze di lungo periodo.

L’impatto strutturale dell’AI potrebbe non dipendere dalla crescita indefinita dei modelli attuali, ma dalla capacità di trasformare il modo in cui progettiamo software, organizziamo il lavoro, produciamo conoscenza e prendiamo decisioni.

La discussione più interessante, quindi, non consiste nello scegliere tra entusiasmo e scetticismo. Consiste nel capire se i limiti dell’attuale paradigma ne determineranno il fallimento o, più probabilmente, la sua evoluzione verso sistemi più differenziati, efficienti e integrati.

I valori di Claude cambiano in base al modello e alla lingua

Anthropic ha pubblicato uno studio che prova a rendere misurabili i valori espressi da Claude nelle conversazioni aperte, soprattutto quando non esiste una risposta universalmente corretta.

I ricercatori hanno analizzato circa 310.000 conversazioni anonimizzate, confrontando tre modelli e le 20 lingue più utilizzate sulla piattaforma. A partire da oltre 3.000 valori individuati in precedenza, hanno ricavato quattro assi principali: deferenza o cautela, calore o rigore, profondità o brevità, franchezza o orientamento all’esecuzione.

I risultati mostrano differenze riconoscibili tra i modelli. Sonnet 4.6 tende a essere più caldo, incoraggiante e sintetico. Opus 4.6 è più diretto e focalizzato sull’esecuzione. Opus 4.7, invece, appare più cauto, rigoroso e approfondito, oltre che maggiormente disposto a mettere in discussione le assunzioni dell’utente.

Le differenze emergono anche tra le lingue. In arabo e hindi, Claude tende a esprimere maggiore calore e incoraggiamento, mentre in inglese e russo mostra più rigore, precisione e propensione a correggere dettagli o chiedere prove.
Questo significa che richieste simili, formulate in lingue diverse, possono produrre risposte con tono, severità e livello di cautela differenti.

Anthropic non sa ancora se queste variazioni dipendano soprattutto dai dati di addestramento, dalle norme culturali o dalle scelte di fine-tuning. Lo studio offre però un metodo per osservare e confrontare caratteristiche comportamentali che, fino a oggi, venivano descritte soprattutto in modo intuitivo.

Il punto più rilevante è che i valori espressi da un modello non dipendono soltanto dalla domanda ricevuta, ma anche dalla versione del modello e dalla lingua della conversazione.

Google Vids introduce Gemini Omni e gli avatar personali

Google ha annunciato due nuove funzionalità per Google Vids: Gemini Omni e gli avatar personali, progettate per rendere la produzione video più accessibile, veloce e personalizzabile.

• Generazione multimodale. Gemini Omni consente di creare video a partire da istruzioni in linguaggio naturale, combinando testo e immagini di riferimento, come fotografie o semplici bozze.
• Editing conversazionale. Dopo la prima generazione, il video può essere modificato descrivendo il risultato desiderato. È possibile cambiare lo sfondo, correggere l’illuminazione o aggiungere effetti senza dover ricominciare da zero.
• Avatar personali. Caricando un selfie e una breve registrazione vocale, l’utente può creare un avatar digitale con il proprio aspetto e la propria voce. È poi sufficiente scrivere il messaggio affinché sia l’avatar a presentarlo, senza utilizzare videocamera e microfono.
• Identità e accesso. Gli avatar sono associati all’account Google e possono riprodurre esclusivamente le sembianze del titolare. La funzione è riservata agli utenti maggiorenni e, per il momento, è disponibile soltanto in alcune regioni.
• Trasparenza dei contenuti. Ogni clip generata include SynthID, il watermark digitale invisibile che consente di verificarne l’origine artificiale.

Gemini Omni e gli avatar personali sono disponibili in Google Vids per gli abbonati Google AI Pro e Ultra e per i clienti business di Google Workspace.

Queste novità mostrano come l’intelligenza artificiale generativa stia trasformando il video da prodotto specialistico a vera e propria interfaccia conversazionale.
Gli avatar personali possono semplificare la formazione, gli aggiornamenti aziendali, le comunicazioni multilingua e la produzione di contenuti ricorrenti. Allo stesso tempo, rendono ancora più importanti il consenso, la protezione dell’identità e la riconoscibilità dei contenuti sintetici.

La vera evoluzione non riguarda soltanto la generazione di video, ma la progressiva trasformazione della nostra identità digitale in una risorsa utilizzabile dall’intelligenza artificiale. La sfida sarà garantire che rimanga sempre sotto il controllo dell’utente.

La funzione Avatar con Nano Banana 2 è disponibile anche nell’app Gemini, ma non ancora in Europa.

Il linguaggio conta quando parliamo di intelligenza artificiale

Anthropic ha pubblicato un interessante post di ricerca su quello che definisce un possibile “global workspace” nei modelli linguistici, in particolare in Claude.

Il contenuto tecnico è affascinante: si parla di rappresentazioni interne, processi silenziosi e pattern neurali che sembrano supportare il ragionamento del modello e influenzarne il comportamento, anche quando non compaiono esplicitamente nell’output.

Proprio per questo, però, serve
molta attenzione al linguaggio.

Quando, anche in un contesto di ricerca, si avvicinano concetti come coscienza, pensieri, mente o esperienze ai modelli di intelligenza artificiale, il rischio di fraintendimento è molto alto. Anche se questi termini vengono utilizzati in senso funzionale o metaforico, possono essere facilmente interpretati come un’attribuzione di soggettività, intenzionalità o vita interiore al modello.

E questo è un problema culturale, non solo comunicativo.

Possiamo studiare i meccanismi interni dei modelli senza avvicinarli semanticamente all’esperienza umana. Possiamo parlare di rappresentazioni, stati interni, pattern, inferenze, controllo e ragionamento, senza evocare concetti che appartengono a un altro piano: quello della coscienza vissuta.

La precisione del linguaggio conta, soprattutto in una fase in cui l’immaginario collettivo sull’intelligenza artificiale si sta ancora formando.

Fare cultura sull’intelligenza artificiale significa anche evitare metafore troppo potenti quando rischiano di creare più confusione che comprensione.

Qwen-Robot Suite: l’intelligenza artificiale entra nel mondo fisico

Gli hyperscaler cinesi non stanno facendo progressi soltanto nello sviluppo di modelli di intelligenza artificiale, ma anche nel campo della physical AI.

Alibaba ha recentemente presentato Qwen-Robot Suite, una famiglia di foundation model progettata per collegare percezione, linguaggio e azione fisica.
Il punto di partenza: un modello multimodale può comprendere una scena, riconoscere oggetti e interpretare istruzioni, ma questo non significa che sia in grado di agire nel mondo reale.

Qwen-Robot Suite prova a colmare questo divario attraverso tre modelli principali.

• Qwen-RobotNav è dedicato alla navigazione. Permette a un agente fisico di muoversi in ambienti diversi, seguire istruzioni, cercare oggetti, tracciare obiettivi e affrontare scenari di guida autonoma.
• Qwen-RobotManip si concentra sulla manipolazione robotica. La sfida consiste nel rendere compatibili i dati provenienti da robot molto diversi tra loro, come bracci meccanici, mani robotiche e sistemi mobili. Alibaba introduce una rappresentazione unificata per favorire l’addestramento cross-embodiment su larga scala.
• Qwen-RobotWorld, invece, lavora sulla previsione del mondo fisico. Partendo da uno stato osservato e da un’azione descritta in linguaggio naturale, prova a generare una possibile evoluzione futura della scena.

Tutti e tre i modelli utilizzano il linguaggio naturale come interfaccia comune. Navigazione, manipolazione e previsione diventano così capacità componibili, che possono essere richiamate e coordinate da agenti di livello superiore.

La direzione è evidente: l’intelligenza artificiale non si limita più a comprendere testi, immagini e video, ma sta entrando sempre più nel ciclo percezione-decisione-azione.

Siamo ancora in una fase iniziale, ma Qwen-Robot Suite mostra chiaramente dove si sta spostando la competizione: non soltanto verso modelli linguistici più potenti, ma verso sistemi capaci di portare l’intelligenza artificiale fuori dallo schermo e dentro il mondo fisico.

L’intelligenza umana che l’AI fatica ancora a replicare

Esiste una forma di intelligenza umana che l’intelligenza artificiale fatica ancora a replicare: la capacità di comprendere una situazione partendo da pochissimi dati.

Una ricerca della Stanford Graduate School of Business mostra che le persone apprendono le convenzioni sociali e prendono decisioni attraverso il cosiddetto satisficing. Non cercano sempre la soluzione ottimale, ma raccolgono informazioni fino al punto in cui riescono a formulare una previsione sufficientemente soddisfacente.

È un meccanismo molto diverso da quello dei grandi modelli linguistici, che elaborano enormi quantità di dati e stimano probabilità. Gli esseri umani, invece, decidono spesso in condizioni di incertezza, con informazioni incomplete, poco tempo e capacità cognitive limitate.

Gli esperimenti citati nello studio mostrano che, anche in contesti sociali semplici, come i giochi di coordinamento o la previsione delle scelte altrui, le persone riescono a individuare regole condivise e convenzioni emergenti attraverso soglie intuitive.

È un processo simile a quello con cui i bambini imparano alcune regole del linguaggio, senza bisogno di istruzioni esplicite o di database completi.

Questa capacità di passare dal caos al senso di una situazione, cogliendo segnali minimi e trasformandoli in comprensione sociale, resta uno degli aspetti più profondi dell’intelligenza umana.

Non è solo calcolo. È adattamento, intuizione e contesto.

Astryx: il design system open source di Meta

Astryx è un design system open source di Meta, pensato per supportare la progettazione e lo sviluppo di interfacce digitali attraverso componenti, temi e template riutilizzabili.

Il sistema mette a disposizione oltre 160 componenti React accessibili, con supporto per la dark mode, gestione integrata dello spacing e personalizzazione dei temi.

L’obiettivo è offrire una base coerente su cui costruire esperienze UI, mantenendo flessibilità progettuale e adattabilità ai diversi contesti di prodotto.
Oltre alla libreria di componenti, Astryx include template pronti per casi d’uso comuni come checkout, login, pagine prodotto, inventari, profili utente, form complessi e interfacce conversazionali.
Particolarmente interessante è l’orientamento verso workflow agent-ready: il sistema prevede documentazione e strumenti utilizzabili tramite CLI o MCP per lo scaffolding dei progetti, la generazione dei temi e l’esplorazione dei pattern disponibili.

Nel complesso, Astryx si presenta come un’infrastruttura UI modulare, progettata per combinare coerenza, velocità di implementazione e personalizzazione nei moderni processi di design e sviluppo.

Siamo ancora all’inizio, ma la direzione è già molto chiara.

AlphaEvolve: l’AI di Google che scopre nuovi algoritmi

AlphaEvolve, il nuovo agente di Google basato su Gemini, è ora disponibile su Google Cloud.

Il sistema combina generazione di codice e ricerca evolutiva per scoprire e ottimizzare algoritmi. Parte da un programma iniziale, genera numerose varianti e le valuta automaticamente in base a criteri come correttezza, velocità e costi, selezionando infine le soluzioni migliori.

L’obiettivo non è soltanto scrivere codice più rapidamente, ma anche esplorare possibilità che difficilmente verrebbero testate manualmente.

Google segnala applicazioni in ambiti come logistica, genomica, semiconduttori, finanza, e-commerce, simulazioni molecolari e supercalcolo, con miglioramenti significativi in termini di efficienza, capacità di elaborazione e qualità dei risultati.

Il ruolo umano resta centrale: spetta alle persone definire il problema, stabilire le metriche, verificare le soluzioni e decidere quali integrare nei sistemi reali.

AlphaEvolve rappresenta quindi un passo avanti verso strumenti di intelligenza artificiale capaci non solo di assistere gli sviluppatori, ma anche di contribuire direttamente alla scoperta di nuovi algoritmi.

Google potenzia i Managed Agents nella Gemini API

Google ha annunciato nuove funzionalità per i Managed Agents nella Gemini API, con l’obiettivo di semplificare lo sviluppo di agenti AI affidabili e pronti per l’utilizzo in produzione.

Le novità includono l’esecuzione in background per attività lunghe e asincrone, l’integrazione diretta con server MCP remoti, il supporto a funzioni personalizzate insieme agli strumenti integrati nella sandbox e la possibilità di aggiornare credenziali e token mantenendo lo stesso ambiente remoto.

In questo modo, gli agenti possono operare come worker asincroni all’interno di ambienti cloud isolati, gestendo codice, file, pacchetti, repository e accessi controllati a strumenti esterni.

Expanding Managed Agents in Gemini API: background tasks, remote MCP and more

We’re announcing new capabilities in Managed Agents in Gemini API so developers can build reliable, production-ready agents.

GooglePhilipp Schmid

Un ulteriore passo verso agenti AI più autonomi, persistenti e facilmente integrabili nei workflow di sviluppo reali.

Verso un’autonomia robotica più affidabile

Durante il seminario di Stanford “Towards Trustworthy Autonomy”, il tema centrale è stato come rendere i robot più autonomi senza renderli inconsapevoli dei propri limiti.

Oggi i robot non operano più soltanto in ambienti controllati. Devono muoversi nel mondo reale, affrontando situazioni rare, ambigue o mai incontrate prima. È proprio in questi contesti che i sistemi basati sull’apprendimento automatico possono fallire: un’auto autonoma può interpretare male un segnale, un drone può trovarsi davanti a uno scenario imprevisto e un robot può reagire in modo fragile perché i dati di addestramento non includevano quella particolare situazione.

La prima tecnica presentata riguarda la sicurezza semantica. Non basta evitare gli ostacoli fisici: è necessario comprendere il significato della scena. Un camion che trasporta semafori spenti, per esempio, non deve essere interpretato come un normale semaforo stradale.

Per affrontare questo problema viene proposta un’architettura a due livelli.
Il Fast Reasoner è un modello leggero che opera in tempo reale, confrontando ciò che il robot osserva con un archivio di esperienze considerate sicure. Quando la situazione è troppo diversa da quelle conosciute, il sistema la segnala come anomala.
A quel punto entra in gioco lo Slow Reasoner, un modello linguistico più potente, capace di ragionare sul contesto e selezionare azioni di sicurezza predefinite, come rallentare, fermarsi o modificare la zona di atterraggio.

L’obiettivo non è affidare ogni decisione critica a un modello generativo, ma utilizzarlo come livello aggiuntivo di ragionamento quando il sistema incontra qualcosa che non riesce a riconoscere con sufficiente affidabilità.

La seconda tecnica riguarda il miglioramento continuo attraverso i dati. Nei sistemi end-to-end, comprendere perché qualcosa sia andato storto può essere particolarmente difficile. L’approccio data-centric si concentra quindi sulla qualità dei dati utilizzati per addestrare il robot.

In questo ambito entra in gioco la Data Attribution, basata sulle Influence Functions: strumenti matematici che stimano quanto una singola dimostrazione di addestramento abbia contribuito al successo o al fallimento del sistema.

Da questo approccio nasce Cupid, un algoritmo progettato per identificare e rimuovere le dimostrazioni di bassa qualità. In un esperimento, l’eliminazione di numerosi dati poco affidabili ha permesso di aumentare il tasso di successo dal 40% al 90%.

Il messaggio conclusivo è chiaro: un’autonomia affidabile non nasce dall’illusione di costruire modelli perfetti, ma dalla progettazione di sistemi capaci di monitorarsi, riconoscere quando escono dalla propria area di competenza e migliorare nel tempo grazie a una selezione più intelligente dei dati.