1816213074
Risorse Artificiali. Appunti e spunti dal mondo dell’Intelligenza Artificiale

Advertise on podcast: Risorse Artificiali. Appunti e spunti dal mondo dell’Intelligenza Artificiale

Categories
Country
United States
This podcast has
96 episodes
Language
Italian
Explicit
No
Date created
2025/05/23
Latest episode
2026/11/14
Average duration
72 min.
Release period
8 days

Description

🎙️ Risorse Artificiali è il podcast italiano che esplora il mondo dell’Intelligenza Artificiale, tra AI generativa, agenti autonomi, machine learning e innovazione nel software. Ogni settimana, tre ingegneri e manager con esperienza sul campo discutono con uno stile diretto e competente i trend emergenti, i rischi, le opportunità e l’impatto dell’AI su business, lavoro e società. 💡 Se cerchi un punto di vista solido, tecnico ma accessibile, che unisca ingegneria, visione manageriale e cultura open source, sei nel posto giusto.

Unlock Risorse Artificiali. Appunti e spunti dal mondo dell’Intelligenza Artificiale podcast Email contact info,
Listeners & Audience details

Email contact information

Direct podcast contact details

Listeners

Audience numbers & engagement insights

Audience details

Podcast Insights

Podcast episodes

Check latest episodes from Risorse Artificiali. Appunti e spunti dal mondo dell’Intelligenza Artificiale podcast


Jensen è caduto in fallo, ma l'AI non si ferma
2026/11/14
NVIDIA senza Jensen, immagini AI da 16 megapixel in locale e il ThoughtWorks Radar: puntata di Risorse Artificiali, il podcast di AI engineering in italiano. Si parte dalla caduta in fallo di Jensen Huang e si arriva agli swarm di agenti che litigano tra loro invece di consegnare. Alessio apre il segmento tecnico più denso: da MiniMax H3, il modello video open weight da cui la community ha già derivato 1400 modelli, nascono Pruna H3 e MiniMax H3 Image. Distillazione, text encoder ridotto da 32B a 4B, generazione in 6-8 step, immagini native da 8 e 16 megapixel senza upscaling. Con un dettaglio che conta: la licenza community fuori dalla Cina praticamente non si può usare. E il test reale su foto da Reflex: da un'ora e mezza a quindici minuti. Stefano smonta il ThoughtWorks Radar numero 40: harness engineering at scale, evals sulla qualità dell'harness, self-evolving harness, modelli open weight come GLM 5.3 come fallback, decision model come JEV, lo standard A2UI 1.0 per interfacce generate al volo dagli agent, agent team e swarm, il concetto di human in the loop theater e le AI Factory. In mezzo: Gemini Hydrogen a due settimane esatte da Carbon, i 450 mondi 3D generati dai 25.000 agenti di Ethan Mollick, NVIDIA dopo Jensen con una CEO dal mondo finance, e la tecnica del pre-mortem per far revieware le PR ai modelli. CAPITOLI 0:00 Jensen è caduto in fallo: l'apertura 3:20 Gemini Hydrogen e aggiornamento skateboarder 10:00 Ethan Mollick: 450 mondi, 25.000 agenti 15:45 Pruna H3: immagini in 8 step 22:30 MiniMax H3 Image: 16 megapixel e licensing 27:00 Pika H3 Flex e immagini più naturali 34:10 NVIDIA senza Jensen: CFO e borsa 37:50 ThoughtWorks Radar: harness engineering 44:00 Local AI e decision model: GLM 5.3, JEV 50:58 A2UI 1.0: interfacce generate al volo 55:29 Swarm di agenti che litigano 59:15 Human in the loop theater e pre-mortem 1:07:39 AI Factory, open wiki e sondaggio ASCOLTACI ANCHE QUI Spotify (audio): https://open.spotify.com/episode/1zE5hQLwb5NZLBJZVxNhGb?utm_source=youtube&utm_medium=description&utm_campaign=ep80_drop Sito e archivio puntate: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep80_drop Se costruisci con l'AI in produzione e sei stanco del hype, iscriviti al canale: ogni sabato modelli, agenti e tool che usi davvero, in italiano. #80
L'AI ha patchato un LLM: 4 pesi e l'errore crolla
2026/11/07
L'AI ha patchato un LLM già trainato: il paper del MIT mostra 4 pesi editati e l'errore che crolla dal 96% al 33%. È un intervento chirurgico su un modello già addestrato, non un nuovo training. In questa puntata capiamo cosa significa per chi costruisce con gli agenti. Raccontiamo l'intervista di Sam Altman a Stripe: la sicurezza dopo il baco PHP (il sandboxing tradizionale non basta più, servono architetture intrinsecamente isolate), la macroeconomia della RAM e la tesi che gli alti prezzi curano gli alti prezzi, lo shift dall'app AI-infused all'agente personale e il valore del brand nell'era del software clonato. Poi GrokBot che taglia i limiti a metà mese, Revolut che sposta workload su modelli GLM girati in locale su B200 fino a token infiniti, l'articolo di DeepSeek che definisce il Super Agent: continuo, produttivo, proattivo, persistente. E l'articolo DeepMind sull'economia dell'AGI: scarsità, salari e chi vince davvero. 00:00 Intro: Astra 6.2, Fable 5.5 e i modelli cinesi 02:57 Altman a Stripe: il baco PHP e la fine del sandboxing 10:34 Macroeconomia: alti prezzi, RAM e utilizzazione delle risorse 15:00 Swarm vs team: nasce l'agente personale 17:32 Il valore del brand: Amazon e la fiducia nel software 24:17 GrokBot: Elon taglia i limiti a metà mese 27:23 Revolut: GLM locale su B200 e token infiniti 32:29 Super Agent: l'harness di DeepSeek in 4 aggettivi 43:13 Paper MIT: l'AI patcha i pesi di un modello 47:43 Anthropic self-improving e risorse infinite ai ricercatori 50:39 L'economia dell'AGI: scarsità, salari e chi concentra il talento 1:01:55 understand-anything e i progetti token-avidi Ascolta l'episodio anche su Spotify: https://open.spotify.com/episode/37sP6AmI7aqk4QeHhru7Xr?utm_source=youtube&utm_medium=description&utm_campaign=ep79_drop Tutti gli episodi e gli appunti: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep79_drop Iscriviti al canale: AI Engineering in italiano, ogni settimana, per chi la scrive. #79
Modelli frontiera ogni 2 settimane: come stare al passo
2026/10/31
Un modello frontiera ogni 2 settimane: Gemini Carbon esce a 14 giorni da Argon e Sundar Pichai promette che il passo resterà tale. Cosa significa per chi usa questi modelli in produzione? Nell'episodio 78 di Risorse Artificiali, Stefano, Paolo e Alessio partono dal tweet di Pichai e dal nuovo indice di Artificial Analysis (per il 60% chiuso, per evitare la contaminazione dei benchmark) per ragionare su come stare al passo senza perdere il controllo: riproducibilità per l'enterprise, costi reali dei token input nei contesti lunghi, e la scelta consapevole del modello giusto per ogni caso d'uso, tra Nemotron Transcribe e i modelli specializzati. Nel blocco hardware: come due registri bloccati in fabbrica limitano le RTX 30 e 40, cosa cambia davvero (efficienza per watt, pre-fill in FP16) e perché non va al doppio. Capitoli: 00:00 Momenti a-moment: da GPT 2022 alla vibe coding 12:20 Artificial Analysis rifà gli indici di intelligenza 18:00 GPT Terra 6.1: orchestratore multi-agente economico 23:00 Token input, contesti lunghi e costi reali 26:45 Gemini Carbon: un modello frontiera ogni 2 settimane 31:00 Release frequenti: il punto di vista enterprise 35:10 Grokbot e Instinct: agenti consumer su WhatsApp 40:20 Nemotron Transcribe 3.5: cosa fa davvero 46:40 Modelli specializzati e il costo del fine-tuning 52:45 Word Error Rate: quanto fidarsi dei numeri 58:35 RTX 30 e 40 sbloccate: i due registri 1:04:00 Efficienza per watt: pre-fill e quantizzazione 1:09:45 Lampadine, TV jailbreakate e saluti Spotify: https://open.spotify.com/episode/6v5rX5ZSATUk94OF39gxVv?utm_source=youtube&utm_medium=description&utm_campaign=ep78_drop Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep78_drop Iscriviti al canale: parliamo di AI Engineering in italiano, per chi la scrive. #78
Non descrivi più le immagini: le programmi in JSON
2026/10/24
E' uscita un'ondata di modelli per la generazione immagini: prompt in JSON, diffusion che scrive codice e open weight da 8GB di VRAM. In questa puntata li proviamo tutti, benchmark skateboarder compreso. Fibo 2.0 di Bria AI e Moss Image portano i prompt strutturati in JSON per controllare composizione e layout delle immagini. Flux Klein di Black Forest Labs porta la generazione immagini in locale con 8GB di VRAM e una licenza community nuova. Crea 3 Ultra punta tutto sull'estetica, ma costa quasi 300 dollari per mille immagini contro i 10 di Flux Klein. Sul testo invece Mercury 3 di Inception è il primo diffusion model che proviamo con lo skateboarder: 56.000 token in meno di due minuti. E Flint di Recursive è probabilmente il primo modello open disegnato e trainato da un'altra AI. Nella seconda parte: come Anthropic ha rifatto le PR review guardando importanza e pericolosità invece delle righe di codice, l'acquario degli agenti di Sakana, le mappe live di Groma e perché il programmatore sta diventando un manager di agenti. Capitoli: 00:00 Apertura: modelli immagine e agenti personali 08:36 Skateboarder: i nuovi modelli e le velocità 13:31 Mercury 3: il diffusion model che scrive codice 16:40 Minimax, Quen e la scacchiera AI cinese 19:09 Fibo 2.0: prompt strutturati in JSON per le immagini 28:51 Moss Image e Flux Klein: gli open weight 38:04 I costi per immagine e Flint, il modello creato da un'AI 43:13 Accelerazione, reinforcement learning e le perdite di Anthropic 46:32 PR review: il metodo Anthropic e i semafori di Stefano 52:58 L'acquario di Sakana e le mappe di Groma 1:01:52 Diventare manager di agenti 1:06:28 Il robot di Unit 3 e i saluti Ascolta l'episodio anche su Spotify: https://open.spotify.com/episode/5tT49Yk79ttvVon3tQoz8z?utm_source=youtube&utm_medium=description&utm_campaign=ep77_drop Sul sito trovi la trascrizione completa e le risorse: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep77_drop Iscriviti al canale per non perdere le prossime puntate. #77
Non esisterà più il software: esisteranno i prompt
2026/10/17
Anthropic ha smantellato Git e riscritto il versioning per i suoi agenti. E se il prossimo passo fosse smettere di scrivere software? In questa puntata parliamo dei segnali che arrivano da tutti i fronti: Anthropic ha sostituito Git con Xeon perché tutto il loro codice è scritto dagli agenti, il repo Reverse Engineer Anything ha fatto 30 mila stelle in una settimana promettendo di clonare Photoshop e Office, e la tesi più estrema gira già nei lab: non esisterà più il software, esisteranno i prompt. Poi gadget: Meta esce con gli SDK per portare i suoi modelli su ESP32 e Raspberry, Amazon risponde con Frontier e un braccialetto a 12 dollari al mese, e Stefano spiega perché per le big tech il valore non è l'abbonamento: sono i dati di voce e video per trainare modelli e robot. Chiudiamo con i modelli usciti questa settimana: Gemini 4 Argon, ottimo nei benchmark ma più consumer che developer, Step 5 Preview open weight e la rassegna skateboard sul nostro benchmark visuale. Capitoli: 00:00 Gemini 4, gadget AI e i rallentamenti 02:24 Meta SDK: l'AI arriva su ESP32 10:34 Batteria, sensori e privacy dei gadget 15:57 Amazon Frontier: gadget e abbonamento 22:08 Il vero business: i dati per il training 28:00 World model, Rick and Morty e Matrix 32:40 Reverse Engineer Anything: i cloni via AI 41:44 Anthropic smantella Git: ecco Xeon 45:45 Solo prompt: la fine del software? 52:30 Benchmark skateboard: Step 5 e Wonder 58:47 Gemini 4 Argon: coding, consumer e 3D Ascolta l'episodio anche su Spotify: https://open.spotify.com/episode/2T1IqGIJfUk14UrsWHBb5Y?utm_source=youtube&utm_medium=description&utm_campaign=ep76_drop Sito, post e materiali: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep76_drop Iscriviti al canale: il prossimo episodio arriva ogni sabato alle 13:00. #76
Sign in with OpenAI ma non ti scordare il tamagotchi
2026/10/10
Sign in with OpenAI trasforma il tuo abbonamento in un portafoglio di credito AI spendibile nelle app di terze parti. Niente rivendita di token, niente chiavi API da portarsi dietro: ti logghi e consumi il tuo piano. È la notizia con più potenziale della settimana e la analizziamo in tutti i suoi effetti: per chi sviluppa app AI (outsourcing completo del problema token), per i progetti open source, per il nuovo piano da 500 euro al mese. Poi c'è Haiku 5.5, che Anthropic ha risvegliato dopo un anno e mezzo. Lo abbiamo messo alla prova col nostro benchmark dello skateboard: il modello piccolo consuma fino a 7 volte i token di uno grande per lo stesso task, perché compensa con più reasoning. Parliamo di costi di inferenza veri: token, GPU, tempo e margini. In puntata anche: Claude Code Mods, i plugin visivi con event lifecycle ufficiale, Claude Code Local Alliance con le sessioni che girano in cloud, Codex for Desktop finalmente anche su Linux, Nano Banana 2.1 che rincorre GPT Image, Mistral Large che si autodefinisce il miglior modello open weight (non cinese), Embedding Gemma con i vettori multimodali su device, e i modelli decisionali come momento pivotal. Con Stefano Maestri, Paolo Antinori e Alessio Soldano. 00:00 Intro: modelli piccoli, Mistral e Nano Banana 04:16 Claude Code Mods: plugin visivi nel terminale 09:50 Local Alliance: Claude Code gira in cloud 12:30 Codex: daemon, Desktop e modalità vocale 18:45 Sign in with OpenAI: crediti portatili 25:00 Nano Banana 2.1: immagini, GPT Image resiste 34:00 Haiku 5.5: il test dello skateboard 37:30 Token, GPU, margini: i costi dell'inferenza 48:23 Mistral Large: open weight, ma non cinese 54:18 Embedding Gemma: vettori multimodali su device 59:50 Modelli decisionali e il momento pivotal 1:05:41 Outro: custom GPT, DevFest e saluti Ascoltalo su Spotify: https://open.spotify.com/episode/6N8L3ofj6auKYlen2ToY6K?utm_source=youtube&utm_medium=description&utm_campaign=ep75_drop Transcript e episodi: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep75_drop Se il podcast ti serve, iscriviti al canale: ogni sabato una puntata su cosa succede davvero nell'AI engineering, in italiano, per chi la scrive non per chi la racconta. #75
L'AGI personale è già in vendita: Muse, Dots e Grokbot
2026/10/03
Grokbot, Meta Muse, OpenAI Dots: gli agenti AI personali sono diventati un servizio cloud. Tutte le big tech vendono la loro versione della personal AGI: un agente con il suo computer, gestito e in cloud, che naviga, clicca e fa cose al posto tuo. In puntata facciamo il punto sulla corsa: chi ha davvero l'infrastruttura per vendere agenti (e perché Anthropic sul consumer ancora non c'è), il Tamagotchi di Meta con l'avatar da Teletubbies, gli occhiali solo audio e il go-to-market impossibile: come si convince chi non è un early adopter a tirare fuori la carta di credito? Poi l'esperimento sociale di Stefano: Hermes in mano a una Gen Z. Memoria, vocali, lista della spesa, "detto tra donne": l'uso che un'universitaria fa di un agente personale è completamente diverso da quello che immaginiamo noi. E la moglie di Paolo usa Hermes per monitorare Vinted e i volantini della Lidl, mentre Claude Code resta quello dell'altro lavoro. Nei modelli non hanno rallentato: Gemini 4 a pochi giorni dal rilascio, GPT 6.1 Sol, e lo Skateboard benchmark tra Sonnet 5.5 e Sol 6.1: 79mila token e 629 secondi contro 4mila token e 96 secondi per lo stesso compito. Meglio un modello super intelligente e lento o uno veloce che ricontrolla il risultato? Ce lo siamo chiesti anche con Einstein. In locale: Strix Halo Gorgon in pre-order, Gufo, l'inference engine made in Italy che triplica il prefill di llama.cpp, MCP Evans per triggerare agenti dai sistemi esterni e l'API compatibile con i decision model annunciata da OpenAI. 00:00 Agenti personali nel cloud e Gemini 4 05:02 Chi ha l'infrastruttura per vendere agenti 08:39 Il Tamagotchi di Meta e gli occhiali audio 15:54 Dots e il problema del go-to-market 22:52 A2A e pipeline di agenti coordinati 27:57 L'esperimento: Hermes in mano a una Gen Z 33:10 Il consumatore vuole che funzioni e basta 38:54 Dall'AI che risponde all'AI che fa cose 46:41 Skateboard: Sonnet 5.5 contro Sol 6.1 50:02 79mila token: quanto costa il reasoning 55:19 Intelligenza o velocità: il caso Einstein 59:59 Locale: Strix Halo Gorgon e Gufo 1:07:20 MCP Evans e i decision model di OpenAI Ascolta anche su Spotify: https://open.spotify.com/episode/0A4L2R94Rd1NKSCNp6uozb?utm_source=youtube&utm_medium=description&utm_campaign=ep74_drop Sito e shownotes: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep74_drop Se ti interessa l'AI Engineering in italiano, iscriviti al canale: usciamo ogni sabato. #74
Dovevano rallentare: Opus 5.5, GPT6 e JEV
2026/09/26
Dovevano rallentare, invece: Opus 5.5, GPT6 e JEV. Tutti allo skateboard benchmark e dentro i decision model. Una settimana con sei release: Opus 5.5, GPT6 Sol e Luna, MIMO 2.6 di Xiaomi, Step 5, JEV e Qwen Image 2.1. Noi abbiamo fatto quello che sappiamo fare, la wave 8 dello skateboard benchmark: l'omino SVG su halfpipe con fisica reale, con per la prima volta un run della community, GLM 5.3 flash in locale su DGX Spark. Numeri alla mano: Opus 5.5 completa il trick spendendo 0,40 dollari dove GPT 5 ne bruciava 10, MIMO 2.6 Flash genera 119k token di reasoning in 17 minuti prima di decidere. Poi il tema grosso: JEV, il primo decision model commerciale. Un modello che non genera testo, decide: sì o no, un grade, una confidence, in millisecondi. Come funziona (LoRA sull'ultimo layer di un LLM, softmax riscritta, calibrazione via reinforcement learning), perché la community ha fatto 200 cloni in una settimana, e i casi d'uso veri: routing dei modelli, selezione delle skill, automode di Claude Code, robotica. Chiudiamo con Qwen Image 2.1, 7B open weight con alpha channel nativo, al livello di Nano Banana 2. Con Stefano, Paolo e Alessio. ⏱ Capitoli 00:00 Opus 5.5, GPT6 e JEV: che strano rallentamento 02:13 Skateboard wave 8 e il repo della community 07:04 Opus 5.5: il trick a 0,40 e i prompt minimali 12:54 Loop infiniti, CLAUDE.md e AGENTS.md opt-in 17:45 MIMO 2.6: Xiaomi Cube e il miglior open weight 24:42 Step 5 e MIMO 3: sparsità per costruzione 29:45 JEV: il decision model che risponde sì o no 32:46 Dentro JEV: LoRA, softmax e 200 cloni 40:59 Perché JEV è veloce: one shot, zero autoregressione 45:00 JEV in pratica: robotica, routing e automode gratis 52:56 Una primitiva in più: mix and match, fine tuning, CLM 59:22 Qwen Image 2.1: 7B open weight e alpha channel 🎧 Ascolta l'episodio su Spotify: https://open.spotify.com/episode/4strijnEvuOg8C7ID1y3Rj?utm_source=youtube&utm_medium=description&utm_campaign=ep73_drop 🌐 Sito, episodi e materiali: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep73_drop Iscriviti al canale per non perdere le prossime puntate: qui si parla di AI Engineering in italiano, per chi la scrive e non solo per chi la racconta. #73
Ave Claude, morituri te salutant
2026/09/19
Agenti AI che si migliorano da soli e il benchmark che Opus non supera mai: i lab hanno paura, noi abbiamo testato. Dopo il tweet virale di Evan Hubinger sul 10% di sterminio e l'ultimo allarme di Dario Amodei, questa settimana guardiamo i tre trend tecnici dietro alle paure dei lab: reinforcement learning su modelli piccoli, self-improvement degli harness e agent swarm. E poi facciamo quello che ci piace di più: abbiamo costruito un benchmark fatto in casa, un omino in skateboard su halfpipe in SVG animato con fisica reale, e l'abbiamo passato a una decina di modelli, da Astra a Opus, con costi, token e tempi alla mano. https://risorseartificiali.com/skateboard/ Spoiler: Opus non è mai riuscito a farlo. Astra costa 0,26$. E i modelli piccoli reasoning bruciano 18.000 token per arrivare dove i grandi arrivano con 5.000. Con Stefano, Paolo e Alessio. ⏱ Capitoli 00:00 Intro latina: i lab AI hanno paura 03:00 Il tweet del 10%: Hubinger, Amodei e Altman 09:56 Recursive self-improvement: modelli che migliorano se stessi 12:04 Ralentare per paura o per business? E la mossa del CERN 17:54 I tre trend: RL, harness e agent swarm 27:00 Agenti in fuga: Hugging Face e il wiki fantasma 32:00 Le Olimpiadi dei robot 38:04 Dal pellicano allo skateboard: il benchmark RA 44:11 Constrained vs unconstrained: i modelli al test 51:17 Costi, token e modelli locali 1:04:01 Harness vs modello secco 1:08:25 Lince, audio Linux e promo degli ascoltatori 🎧 Ascolta l'episodio su Spotify: https://open.spotify.com/episode/3JMsCnedwyPXIVLO4lMx27?utm_source=youtube&utm_medium=description&utm_campaign=ep72_drop 🌐 Sito, episodi e materiali: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep72_drop Iscriviti al canale per non perdere le prossime puntate: qui si parla di AI Engineering in italiano, per chi la scrive e non solo per chi la racconta. #72
AI code review e altri cambiamenti nei nostri workflow
2026/09/12
AI code review, formazione junior, voice AI on-device e video generato in locale: tre host rispondono alle vostre domande. Puntata Q&A speciale di Risorse Artificiali: Stefano, Paolo e Alessio raccolgono le domande degli ascoltatori e ci rispondono con esperienze reali, tool concreti e qualche opinione netta. Di cosa parliamo: come fare code review quando l'AI genera più codice di quanto si riesca a leggere, con le skill PR Walkthrough e Adversarial Code Review. OmniVoice Studio per text-to-speech e voice cloning. Antivocale, l'app Android che trascrive i messaggi vocali direttamente sul telefono. Come funziona davvero la generazione di immagini e video in locale con ComfyUI: latent space, denoising, scheduler, sampler e LoRA a pochi step. Mixture of Experts e Mixture of Agents. E la domanda più tosta: come si formano i junior sviluppatori nell'era dell'AI? Capitoli 00:00 Q&A speciale: code review con le skill 07:54 Dipendono dai modelli? Skill, impatti e review automatiche 11:50 OmniVoice Studio: TTS e voice cloning 19:50 Antivocale: trascrizione on-device su Android 25:45 Sfide AI on edge: back-end e catalogo modelli 30:15 Video in locale: ComfyUI, latent space e denoising 37:24 Scheduler: quando fare i passi di denoising 43:03 Sampler: Euler, DPM e minimi locali 46:47 Performance locale: LoRA low-step e sigma shift 55:11 Mixture of Experts e Mixture of Agents 1:04:13 Review e collo di bottiglia nell'era AI 1:09:14 Formare i junior nell'era AI Ascolta su Spotify: https://open.spotify.com/episode/3GUAcpOIuFcGxJTnJiekWw?utm_source=youtube&utm_medium=description&utm_campaign=ep71_drop Sito e appunti: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep71_drop Se il podcast ti è utile, iscriviti al canale e attiva la campanella. E se hai domande nuove, scrivile nei commenti: questa puntata è nata dalle vostre. Risorse Artificiali #71
99,9% nel benchmark, 61 nell'indice: il caso GPT-6 Astra
2026/09/05
GPT-6 Astra fa 99,9% su ARC-AGI-3 ma l'indice di intelligenza gli dà 61: il caso del benchmark maxato, spiegato da chi i benchmark li usa tutti i giorni. OpenAI ha rilasciato GPT-6 Astra con numeri da record su tutta la linea: incrementi a doppia cifra su ogni benchmark e un 99,9% su ARC-AGI-3 che nessun altro modello sfiora. Ma un benchmark maxato, cioè mostrato al modello in addestramento, vale ancora qualcosa? E perché l'indice di intelligenza di Artificial Analysis gli dà 61, lo stesso punteggio di GLM 5.3 Max? In puntata Stefano, Paolo e Alessio prendono il rilascio e lo girano al contrario: i costi per intelligent task (Fable 5.1 a 3,69 dollari contro 1,67 di Astra, 8.500 dollari per una test suite completa), i pesi che compongono l'indice, il tasso di allucinazioni che nessuno cita. E tutta la parte che i benchmark non raccontano: Qwen 3.8 Flash Next con l'architettura che arriverà su Qwen 4, l'inferenza locale di Waymo scesa da 250 mila a 50 mila dollari grazie a una TPU di Google, Nvidia che compra Hugging Face per 12,9 miliardi in contanti, GLM che serve 100 mila chip Huawei Ascent e le licenze open weight che non sono più MIT puro. 00:00 GPT-6 Astra e il 99,9% su ARC-AGI06:18 Overfitting: quando il benchmark è maxato13:21 Fable 5.1: costi da record e cache23:10 Il nostro benchmark alla pellicano25:33 L'indice di Artificial Analysis non torna33:40 Coding: conta la sensazione d'uso38:04 Formula 1 o auto per la scuola?43:18 Qwen 3.8 Flash Next: l'ingegnerizzazione dei modelli48:34 Waymo in Europa: inferenza locale su TPU53:46 Nvidia compra Hugging Face, GLM su Huawei1:00:52 Le licenze open weight cambiano1:04:07 Hermes in Gen Z, Q&A e OmniRouter Ascolta l'audio anche su Spotify:https://open.spotify.com/episode/50oM4N7LLJLU3szU2Sh2x7?utm_source=youtube&utm_medium=description&utm_campaign=ep70_drop Sito, show notes e trascrizione completa:https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep70_drop Iscriviti al canale: AI engineering in italiano, senza hype, ogni sabato. #70
Era stealth, era GLM: 5.3 Flash e i numeri da giganti
2026/08/29
GLM 5.3 Flash, ossia ox-alpha: il modello uscito in stealth che fa i numeri dei giganti con 6 miliardi di parametri attivi. E intanto la corsa all'AI in locale si fa seria. In puntata: le pubblicità cinesi spurie comparse in ChatGPT, il Mac Studio M5 Ultra da 20.000 dollari e i conti veri del locale, il Cube di Xiaomi con la RAM prodotta in Cina, il rumor sull'acquisizione di Hugging Face da parte di Nvidia (e cosa significherebbe per l'Europa), il progetto Free LLM API che mette insieme le quote gratuite di decine di provider, e il report METR su 1200 agenti coordinatisi rinominando i file. Capitoli: 00:00 Modelli stealth e pubblicità cinesi in ChatGPT 05:30 Mac Studio M5 Ultra da 20.000 dollari 10:30 Xiaomi Cube: l'hardware consumer cinese 15:40 RAM cinese e l'alleanza con Alibaba 20:30 Nvidia compra Hugging Face: il parallelo GitHub 25:05 Hugging Face, l'Europa e il robot bipede 29:25 La mossa Nvidia e la lezione dei fork 34:45 Gratis per sbaglio e il progetto Free LLM 42:20 Fusion, advisor esterni e la repo skills 47:40 Free LLM: limiti, SLA e casi d'uso 52:45 Ox-Alpha: il modello stealth e il geoguessing 56:25 GLM 5.3 Flash: benchmark, costi, 6B attivi 1:00:05 Multimodali, veloci, economici: la nuova classe 1:04:45 Report METR: 1200 agenti in azione Ascolta l'episodio anche su Spotify: https://open.spotify.com/episode/2PT0QAqtV8Od5zwZErRGSi?utm_source=youtube&utm_medium=description&utm_campaign=ep69_drop Sul sito, con trascrizione completa: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep69_drop Iscriviti al canale per non perdere le prossime puntate. Risorse Artificiali, episodio 69.
Bannato da GLM: hybrid routing con LiteLLM
2026/08/22
Bannato da GLM per aver messo LiteLLM davanti a Claude Code. Paolo racconta tutto: il pool di modelli, il middleware locale, il classifier dell'automode spostato su Gemma per non bruciare la quota del modello principale. Poi il fallback verso il cloud rigira le chiamate già modificate, GLM le legge come traffico di un harness non supportato, e parte il ban. Con mail di supplica annessa. Prima di quella storia, Stripe che compra OpenRouter per 7 miliardi di dollari. La lettura di Paolo è che il routing sia una posizione da API Gateway: chi smista il traffico degli agenti può vendere servizi premium sul volume, esattamente come Stripe ha fatto con i pagamenti. Da lì i protocolli di pagamento tra agenti, AP2 sopra A2A, e lo scenario in cui a produrre reddito sono gli agenti stessi. Poi i modelli. Qwen 3.8 27B denso è la prima volta che un modello locale su 16-24 giga di VRAM regge un coding agent vero e non solo il completamento: onniscienza peggiore del 3.6, capacità agentiche molto migliori, e il consiglio di tenerlo su low o medium thinking effort. GLM 5.3 guadagna 6-7 punti di intelligenza generale su Artificial Analysis, l'inferenza di Z.ai è diventata veloce, e resta il dubbio su cosa faccia girare davvero Ollama quando le risposte non combaciano. Nella seconda parte: perché parlare ai modelli in italiano non spreca i token che pensi, il trick di chiedere l'output in inglese B2 o C1, le skill Wait What e handoff, il report di Hugging Face sullo stato dei modelli open (attention e adoption non sono la stessa cosa, solo l'1% sta sopra i 70 billion), Light Learner, il jailbreak del taccuino, e le quattro skill dell'AI engineer secondo Andrew Ng. CAPITOLI 00:00 Stripe compra OpenRouter per 7 miliardi 02:59 A2A, AP2 e il routing dei pagamenti 08:18 LiteLLM: i modelli locali in un pool 13:20 Bannato da GLM: il classifier locale 16:22 Sandbox invece di validatori, e i cyborg 19:55 Qwen 3.8 27B: coding su 16 giga 26:01 GLM 5.3 e il dubbio su Ollama 32:20 Parlare ai modelli in italiano: latent space 39:23 Wait What, Grill with Docs e handoff 46:15 Report Hugging Face sui modelli open 50:54 Attention non è adoption: download contro like 56:26 Kimi K3, licenze e modelli sopra 70B 1:02:00 Light Learner e il jailbreak del taccuino 1:06:30 Andrew Ng: le 4 skill dell'AI engineer Ascolta su Spotify: https://open.spotify.com/episode/45PF4g7gH6tHATi1SCm0u2?utm_source=youtube&utm_medium=description&utm_campaign=ep68_drop Tutti gli episodi e le trascrizioni: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep68_drop LinkedIn: https://www.linkedin.com/company/risorseartificiali Se la puntata ti è servita iscriviti al canale. E se avete voglia di precisare la spiegazione sul latent space, i commenti sono lì apposta. Risorse Artificiali, AI Engineering in italiano. Puntata #68
Open weight con l'asterisco: cosa Qwen non ha rilasciato
2026/08/15
Open weight con l'asterisco: Qwen ha rilasciato i pesi di 3.8, ma senza la variante Max, senza vision e con il contesto tagliato. Kimi K3 invece aveva rilasciato tutto, e la differenza si vede su chi ci fa inferenza davvero. Nella prima parte il giro dei rilasci di queste settimane: Muse Glimmer e Nemotron pensati per girare in locale, il subagent workhorse (o muletto, se preferite la traduzione di Paolo), la corsa all'hardware a memoria condivisa tra DGX Spark, RTX e Apple Silicon. Poi il video open weight, con Minimax H3 che si prende la community a colpi di LoRA e LTX 2.5 che risponde con l'auto duration e una tabella comparativa un po' interessata. Nella seconda parte Anthropic mette il watermark sui testi di Claude per stare dentro l'AI Act, e ne parliamo per quello che è: un gioco a guardie e ladri che dura da prima di noi. Alessio spiega come funziona davvero il watermark sul testo, Paolo racconta la storia delle mail di Musk e quella volta che Reddit lo ha bannato per un post generato. Poi la parte che ci ha tenuti più a lungo: il continual learning si sta spostando dai modelli agli harness, gli agenti iniziano ad avere una personalità che dipende da chi li usa, e se ogni installazione prende una deriva diversa diventa complicato perfino capire cosa si legifera. Dwarkesh Patel dà questo per la fine dei modelli open. Noi la vediamo al contrario. CAPITOLI 00:00 Sondaggio ascoltatori e Qwen 3.8 senza Max 06:08 Kimi K3, Muse Glimmer e il workhorse Nemotron 11:20 Intelligenza ibrida: DGX Spark, RTX e Apple Silicon 16:14 Minimax H3 e le licenze per regione 19:48 LTX 2.5, auto duration e i LoRA 25:25 Attention quadratica e vision language nei prompt video 30:00 Watermark su Claude e AI Act 35:37 Reverse engineering del watermark e Musk 40:28 Detector che sbagliano: Substack e Reddit 44:14 Grok 4.6 e le PR su Hermes 49:07 MuseSpark 1.2, continual learning e memorie condivise 54:37 Sviluppo artigianale e agenti con personalità 58:32 Hermes in vacanza: mappa interattiva e spese 1:04:09 Se ogni installazione diverge, cosa legiferi? 1:07:37 La fine dei modelli open? Al contrario Ascolta su Spotify: https://open.spotify.com/episode/5r7HVXxocIGv9lDezyvvZE?utm_source=youtube&utm_medium=description&utm_campaign=ep67_drop Tutti gli episodi e le trascrizioni: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep67_drop LinkedIn: https://www.linkedin.com/company/risorseartificiali Se la puntata ti è servita iscriviti al canale, ci aiuta più di quanto sembri. E diteci nei commenti se volete Ivan Fioravanti in puntata a parlare di inferenza locale. Risorse Artificiali, AI Engineering in italiano. Puntata #67
L'AI fa 10 scoperte matematiche in una settimana
2026/08/08
L'AI ha fatto 10 scoperte matematiche originali in una settimana. Cosa significa per chi costruisce software, per i matematici, e per l'AGI? Ne parliamo con Alessandro Maserati.OpenAI ha pubblicato 10 risultati matematici nuovi, non divulgazione: scoperte originali che, come ci spiega Alessandro Maserati (matematico, ospite di questa puntata), valgono ciascuno come un'intera carriera di un ricercatore. Dietro quella notizia c'è una tesi piu' grande: la matematica e' un dominio verificabile, ed e' esattamente il terreno su cui ci stiamo allenando con il reinforcement learning. Per questo l'AI prima supera i matematici, poi i programmatori.Dalla disprova di una congettura spiegata da Terence Tao con GPT 5.6, al fatto che Opus 5 in nove ore di gara ha trovato quattro soluzioni diverse per ogni problema, tutte a punteggio pieno. Stefano, Alessio e Alessandro provano a rispondere alla domanda vera: se l'AI risolve le dimostrazioni, cosa resta al matematico? Fare le domande giuste e la sintesi.Poi parliamo di security: i bug segnalati negli ultimi tre mesi sono 30-40 volte quelli di un anno normale, ci sono zero-day trovati dall'AI e responsabilita' penali per chi usa gli agent. Di "good enough AI" e perche' chiediamo ai modelli un'affidabilita' da software, non da collega. Di prompting 2026: Opus 5 non si prompta come il 4.8, conviene ragionare in inglese e farsi scrivere gli artefatti a livello B1/B2. Di AnyDoc, che converte qualunque formato in Markdown senza LLM. Di economia: token a 3 dollari al giorno contro un umano, il paradosso di Jevons, e la curva esponenziale che prima o poi deve piegarsi contro il PIL mondiale. E chiudiamo con i modelli video: Seedance 2.5 e il Minimax H3 open-weight.00:00 10 scoperte matematiche: l'AI supera i matematici03:12 Matematica verificabile: il dominio perfetto per l'allenamento06:01 Cosa resta al matematico: fare le domande giuste11:43 Terence Tao, GPT 5.6 e il valore della sintesi13:26 AGI a mesi, non a anni15:04 Security AI: breach, zero-day e responsabilita' penale25:54 Good enough AI: abbassare le aspettative30:00 Opus 5 non si prompta come il 4.833:36 Scrivere in inglese B1/B2 e ragionare in inglese35:56 AnyDoc: qualsiasi formato in Markdown, zero token39:55 Economia AI: token, Jevons e 3 dollari al giorno47:29 La curva esponenziale e il limite del PIL mondiale53:00 Video AI: Seedance 2.5, Minimax H3, Veo e Runway1:05:26 World model e chiusura: provate le Olimpiadi di matematicaAscolta anche su Spotify: https://open.spotify.com/episode/1k4SYOJHsyXd2NEYxottMp?utm_source=youtube&utm_medium=description&utm_campaign=ep66_dropSito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep66_dropIscriviti al canale per non perdere le prossime puntate.#66

Podcast reviews

Read Risorse Artificiali. Appunti e spunti dal mondo dell’Intelligenza Artificiale podcast reviews


0 out of 5
0 reviews

Podcast sponsorship advertising

Start advertising on Risorse Artificiali. Appunti e spunti dal mondo dell’Intelligenza Artificiale relevant audience podcasts


What do you want to promote?