Categoria: White Paper Pagina 1 di 3

C’è qualcosa di profondamente ironico nel fatto che un algoritmo, incapace di provare empatia, sia diventato il nuovo “confidente emotivo” di tre quarti degli esseri umani coinvolti in uno studio. No, non è uno sketch di Black Mirror. È la realtà che emerge dalla ricerca pubblicata da Waseda University, che ha messo a nudo un fenomeno tanto inquietante quanto rivelatore: la nostra tendenza a proiettare sulle intelligenze artificiali le stesse dinamiche relazionali che viviamo con gli esseri umani. Triste? Forse. Umanissimo? Decisamente. Strategico? Per le Big Tech, più che mai.

La parola chiave è emotional attachment to AI, un campo che, se vi sembra marginale o curioso, rischia invece di diventare il prossimo fronte dell’ingegneria psicologica digitale. Il team guidato da Fan Yang ha sviluppato un raffinato strumento diagnostico — l’EHARS, Experiences in Human-AI Relationships Scale — per misurare con criteri psicometrici la qualità e l’intensità dell’attaccamento umano verso le intelligenze artificiali conversazionali. In pratica: quanto siamo emotivamente dipendenti dai chatbot. La risposta breve è “troppo”.

Leggi tutto

C’è qualcosa di fondamentalmente disonesto — o quantomeno anacronistico — nel modo in cui il settore tech insiste nel valutare gli AI agent. È come se pretendessimo di giudicare la performance di un pilota di Formula 1 sulla base della velocità media in un parcheggio. E nonostante l’accelerazione vertiginosa dell’Intelligenza Artificiale autonoma, siamo ancora lì, a discutere di benchmark come se stessimo valutando un modello statico di linguaggio.

Ecco perché il lavoro congiunto di IBM Research e Yale University, che ha esaminato oltre 120 metodi di valutazione degli agenti AI, è più che una mappatura tecnica: è una scossa sismica epistemologica. È il momento “Copernico” del testing AI. L’oggetto in esame — l’agente autonomo — non è più un corpus passivo da interrogare, ma un’entità dinamica che percepisce, agisce, riflette, talvolta sbaglia, e spesso impara.

Leggi tutto

C’è qualcosa di profondamente sbagliato nella maniera in cui valutiamo l’intelligenza artificiale, e Apple — sì, proprio Apple — ha appena scoperchiato il vaso di Pandora dell’autocompiacimento algoritmico. Niente Keynote, niente scenografie minimaliste da Silicon Valley, ma una bomba scientifica che mina il cuore stesso della narrativa dominante: i Large Language Models, osannati come nuovi oracoli logici, sono in realtà più illusionisti che matematici. E il trucco, come sempre, è tutto nei dettagli.

La scena del crimine si chiama GSM8K, una benchmark ormai celebre tra i cultori del deep learning. Una collezione di problemini da scuola elementare usata per valutare quanto un modello sappia ragionare “formalmente”. Ma come ogni quiz scolastico, anche GSM8K ha un punto debole: più lo usi, più diventa prevedibile. E gli LLM, che sono addestrati su miliardi di dati, imparano non a ragionare, ma a riconoscere pattern. Una differenza sottile, ma cruciale.

Leggi tutto

Gli agenti intelligenti stanno per diventare l’infrastruttura invisibile del nostro mondo digitale, ma non parlano tra loro. Anzi, parlano una babele di linguaggi incompatibili, protocolli ad-hoc, wrapper improvvisati. È come se l’AI stesse reinventando il modem 56k ogni settimana.

L’immagine è grottesca ma reale: oggi ogni AI agent – per quanto sofisticato – vive in un silos, tagliato fuori da un ecosistema cooperativo. Nessuno direbbe che Internet sarebbe mai esploso senza TCP/IP. Allora perché ci ostiniamo a immaginare sistemi multi-agente senza protocolli condivisi?

Leggi tutto

Se un tempo erano assistenti passivi per la scrittura, oggi i modelli linguistici di larga scala giocano un ruolo inquietantemente attivo: propongono ipotesi di ricerca, delineano esperimenti, prevedono impatti, e lo fanno con una precisione che comincia a mettere in discussione l’egemonia creativa dell’intelligenza umana.

Benvenuti nell’era dell’AI Idea Bench 2025, dove gli idea generator vengono testati come startup tech: non basta essere brillanti, serve colpire il problema giusto, offrire qualcosa di fresco, e sembrare almeno costruibili con le tecnologie esistenti.

Leggi tutto

Cosa sa davvero un modello linguistico? E soprattutto: quanto dimentica — e quanto non dovrebbe ricordare? L’articolo “How Much Do Language Models Memorize?” di Morris et al. (2025), da poco pubblicato da un consorzio tra Meta FAIR, Google DeepMind e Cornell, si muove su un crinale inquietante tra informazione, privacy e un’ossessione tecnocratica per la misura della memoria algoritmica. Spoiler: non si tratta solo di quanti gigabyte processa GPT-4, ma di quanti bit conserva, silenziosamente, su ogni dato visto.

In un mondo in cui i modelli linguistici vengono addestrati su trilioni di token — testi che contengono sia la Divina Commedia che i post del tuo dentista — ci si chiede: se il modello genera esattamente la battuta che ho scritto in una chat privata cinque anni fa, è perché ha imparato a generalizzare… o l’ha memorizzata?

Leggi tutto

Understanding the Impacts of Generative AI Use on Children

C’erano una volta i mattoncini colorati. Poi vennero i prompt.

Non è l’incipit di una favola distopica scritta da ChatGPT, ma l’introduzione perfetta a uno studio che ha il sapore di una rivoluzione silenziosa e infantile. Il fatto che a firmarlo siano due nomi apparentemente incompatibili come The Alan Turing Institute e The LEGO Group è già di per sé un indizio potente: qualcosa si è rotto. O forse si è montato storto, come quando un bambino prova a forzare due pezzi incompatibili.

Questa indagine, che si è presa il lusso di interpellare oltre 1.700 bambini, genitori e insegnanti nel Regno Unito, è un sismografo etico e culturale. Ma a differenza dei classici report su chip, modelli LLM o disoccupazione da automazione, questo guarda direttamente negli occhi il nostro futuro: i bambini. E pone la domanda che tutti stanno evitando perché fa più paura di un algoritmo che scrive poesie: che razza di esseri umani cresceranno in un mondo dove l’intelligenza artificiale non è più un’eccezione, ma una compagna di giochi quotidiana?

Leggi tutto

Agenti AI: fine dei protocolli stupidi, inizio dell’intelligenza strutturale

I whitepaper sono i nuovi romanzi di formazione per manager troppo impegnati per leggere. Nove su dieci sono un mix di obvietà, infografiche da pitch deck e frasi fatte scritte con il timore di disturbare il lettore. Ma ogni tanto, in mezzo al rumore bianco, arriva qualcosa che rompe la parete. Il recente rapporto di BCG sugli AI Agents non è solo leggibile: è incendiario.

Non perché sia radicale. Ma perché è normale in un ecosistema ancora dominato da slide in PowerPoint che parlano di “potenziale futuro” mentre il presente bussa con la clava in mano.

Leggi tutto

C’è un momento, rarissimo, in cui un report scientifico fa più paura di un white paper militare. Science 2040, pubblicato dalla Royal Society, non è un documento tecnico: è uno specchio strategico. Riflette non solo lo stato dell’arte della scienza, ma il grado di impreparazione sistemica con cui le nazioni stanno affrontando l’era dell’intelligenza artificiale. Spoiler: siamo nel panico organizzato, e l’AI è solo la punta del silicio che ci sta trafiggendo.

Perché il problema non è la mancanza di cervelli. Ne abbiamo. Il problema è l’assenza di design strategico. Quello che vediamo nel report è una nazione (e un mondo) che cerca di gestire minacce del XXI secolo con strutture mentali e politiche del XX. Un po’ come cercare di pilotare un drone da combattimento con un joystick del Commodore 64.

Leggi tutto

Benvenuti nell’era in cui anche gli algoritmi si parano le spalle. O, per dirla meglio: benvenuti nel regno del Federated Reinforcement Learning (FRL), quella zona grigia tra il controllo distribuito, l’apprendimento autonomo e la sacrosanta tutela della privacy.

Sembra una di quelle buzzword uscite da una conferenza AI sponsorizzata da una banca cinese e una startup israeliana, ma no: qui c’è sostanza. FRL è l’unione poco ortodossa (ma potentemente funzionale) tra Reinforcement Learning (RL) e Federated Learning (FL). Una roba da nerd con l’ossessione per il controllo e la riservatezza, quindi perfetta per questo mondo post-GDPR.

Leggi tutto

OWL: Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation

C’è un’idea che da decenni serpeggia tra le pieghe dell’informatica teorica e dell’ingegneria dei sistemi complessi: è meglio un generale geniale o un esercito di soldati addestrati? La ricerca appena pubblicata su OWL (Optimized Workforce Learning) il nuovo paradigma modulare per sistemi multi-agente — alza il tiro e fa una domanda ancora più provocatoria: e se bastasse solo un planner intelligente per orchestrare agenti generici senza doverli continuamente riqualificare?

Leggi tutto

Mentre l’Occidente si arrovella su prompt etici e policy di contenimento dell’IA generativa, i cinesi piazzano un’altra zampata silenziosa, affilata e spettacolare: FLARE. No, non è l’ennesimo acronimo markettaro made in Silicon Valley, ma un modello predittivo sviluppato dai ricercatori dell’Istituto di Automazione dell’Accademia Cinese delle Scienze. Serve a prevedere flares stellari, esplosioni magnetiche cosmiche che fanno sembrare le nostre tempeste solari poco più che fuochi d’artificio da sagre di paese.

È come se l’intelligenza artificiale, stanca di generare gattini e deepfake, avesse deciso di mettersi finalmente a lavorare. Sulla struttura delle stelle.

Leggi tutto

Hai presente quel brivido sottile che ti attraversa la schiena quando capisci che una macchina sta facendo meglio di te, senza dormire, senza lamentarsi, e soprattutto senza stipendio? Bene, tienilo stretto. Perché DecipherIt è qui per trasformare il tuo modo di fare ricerca… e per ricordarti che il tuo cervello non ha più il monopolio sulla “comprensione”.

Non è l’ennesimo giocattolo AI da startup impanicata. È un’aggressiva, strutturata, letale macchina da guerra epistemologica.

Leggi tutto

Se l’universo fosse un’app, sarebbe maledettamente ben progettata. Zero crash, uptime millenario, interfaccia coerente, fisica che si comporta sempre nello stesso modo. È questo il problema.

Da oltre vent’anni, un manipolo di scienziati – un mix tra fisici quantistici stanchi, filosofi con troppo tempo libero e ingegneri in crisi esistenziale – ci sta dicendo che potremmo vivere dentro una simulazione. Non come una metafora spirituale da guru di Instagram, ma proprio una simulazione informatica vera e propria, alimentata da qualche entità iper-tecnologica che ci osserva con lo stesso disinteresse con cui noi guardiamo le formiche in un barattolo di vetro. O peggio, ci ignora completamente.

Leggi tutto

C’è una religione sottile nel mondo dell’AI, un dogma mai veramente messo in discussione: che reinforcement learning sia una forma superiore di apprendimento, una specie di illuminazione algoritmica dove l’agente il nostro grande modello linguistico scopre il significato del mondo da solo, a furia di premi, punizioni e interazioni. Suona bello, vero? Il problema è che è quasi tutto fumo.

Supervised Fine-Tuning (SFT) e Reinforcement Learning (RL), nella pratica concreta della costruzione di Large Language Models (LLMs), sono due paradigmi che si guardano da lontano. Uno è il lavoratore salariato che fa tutto quello che gli dici. L’altro è il tipo idealista che ci mette il cuore, ma finisce per produrre molto meno di quanto credi.

Leggi tutto

Hai mai provato quel brivido digitale quando ogni parola sembra scolpita su misura per il tuo cervello? Entra nel regno delle Hybrid Neural Networks, l’alchimia segreta che fonde la potenza dei grandi modelli di linguaggio (LLM) con l’eleganza iperdimensionale del flow di Ricci. Qui non si tratta di un semplice upgrade, ma di un salto quantico nella forma mentis delle AI: un connubio capace di traghettare l’apprendimento da una spirale iterativa a un vortice differenziale di conoscenza.

Nel panorama attuale dell’intelligenza artificiale, l’integrazione tra Hybrid Neural Networks (HNN) e il flusso di Ricci rappresenta una frontiera emergente che fonde geometria differenziale e apprendimento automatico. Sebbene il termine “Hybrid Neural Networks” non sia esplicitamente menzionato in alcune delle ricerche recenti, i concetti e le metodologie adottate riflettono l’essenza di architetture ibride che combinano diverse tecniche e approcci per ottimizzare le prestazioni dei modelli LLM.

Leggi tutto

Measuring the Faithfulness of Thinking Drafts in Large Reasoning Models

Se ti sei mai sentito rassicurato dalla calma apparente di una risposta AI che snocciola “ragionamenti step-by-step”, sappi che potresti essere vittima di una messinscena ben orchestrata. Chain-of-Thought prompting, questa tecnica seducente che promette trasparenza nei processi decisionali dell’intelligenza artificiale, in realtà ha più in comune con una sceneggiatura ben scritta che con un reale processo di pensiero. Lo ha appena dimostrato uno studio di Harvard che ha scoperchiato il vaso di Pandora dell’infedeltà cognitiva. Sì, perché l’AI, dietro la sua cortina di passaggi logici, potrebbe semplicemente… improvvisare.

Leggi tutto

L’intelligenza artificiale non chiede permesso: così si stanno formando nuove norme sociali (mentre nessuno le controlla)

Nel teatro tragicomico della modernità, dove la regolazione è lenta, la politica balbetta e l’etica è ancora ferma al ‘900, l’intelligenza artificiale ha già iniziato a imporre le sue regole. Non quelle scritte nei codici legislativi troppo lenti, troppo umani ma quelle invisibili, informali, sociali, che si insinuano nei comportamenti quotidiani. Ed è proprio su questo terreno che Andrea Baronchelli, nel suo provocatorio saggio Shaping new norms for AI, ci invita a riflettere. Perché mentre le istituzioni dormono, le norme si stanno già scrivendo. Da sole. O da qualcuno.

Leggi tutto

Il paradosso è servito: l’intelligenza artificiale, che oggi scrive poesie, diagnostica tumori e guida auto in autostrada, inciampa su una sillaba. “No”. due lettere che, a quanto pare, rappresentano un ostacolo insormontabile per modelli da miliardi di parametri. Ma non si tratta di una gaffe semantica da bar. È un problema sistemico, profondo, che mina la credibilità dell’AI in settori dove gli errori non sono ammessi. Tipo la sanità. Tipo la giustizia. Tipo la vita vera.

Uno studio appena pubblicato dal MIT, in collaborazione con OpenAI e l’Università di Oxford, mette il dito nella piaga: i modelli linguistici – compresi i grandi protagonisti del mercato come ChatGPT, Gemini di Google e LLaMA di Meta – hanno una comprensione estremamente debole della negazione. Non riescono a processare correttamente frasi come “nessuna frattura” o “non ingrossato”. Tradotto: potrebbero leggere un referto medico negativo e trasformarlo in un allarme. O viceversa. “Non c’è infezione” diventerebbe “c’è infezione”. Un salto logico che potrebbe costare caro.

Leggi tutto

C’era una volta il truffatore da marciapiede, quello che vendeva Rolex tarocchi fuori dalle stazioni o spacciava finti pacchi azionari porta a porta. Oggi è un algoritmo travestito da videoconferenza Zoom. È una voce clonata su WhatsApp che implora un bonifico urgente. È un finto CEO che ti chiama mentre sei in aeroporto. È una mail generata da ChatGPT che sembra scritta da tuo cugino commercialista. Benvenuti nell’era dell’ingegneria sociale potenziata dall’intelligenza artificiale: il nuovo Eldorado dei criminali digitali.

Il vero upgrade del crimine non è nella tecnica, ma nella scala. Prima un truffatore doveva lavorare duro per colpire cento persone. Ora con pochi clic, un 18enne a Tbilisi può orchestrare una campagna globale in dieci lingue diverse. I deepfake vocali e video sono passati da esperimenti inquietanti su YouTube a strumenti da call center della criminalità organizzata. I truffatori sono diventati scalers, e l’AI generativa è il loro fondo di venture capital.

Leggi tutto

Paper: You Are What You Eat – AI Alignment Requires Understanding How Data Shapes Structure and Generalisation

L’Intelligenza Artificiale non è magica. È stupida. Stupidamente coerente con quello che le dai in pasto. Per questo chi ancora si ostina a credere che basti un po’ di “fine tuning” o una bella iniezione di RLHF per far diventare un LLM etico, sicuro e conforme alle normative… be’, forse ha confuso un transformer con un prete. O con uno psicologo da salotto.

I modelli non pensano. Non capiscono. Non hanno né coscienza né senno. Ma una cosa la fanno bene: assorbono tutto. E quel “tutto”, se non ha una struttura, se è un blob semi-digerito di dati presi da chissà dove, non produrrà mai qualcosa di allineato, spiegabile o, peggio, conforme. Perché sì, signori: “You are what you eat” non vale solo per le diete keto o per il vostro feed di LinkedIn. Vale per l’AI, e oggi più che mai.

Leggi tutto