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

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 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

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, 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

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, 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

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

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 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: 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 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

L'AGI è un asintoto: ci avviciniamo senza arrivarci mai, e per quasi tutto il lavoro reale questo basta già oggi. Partiamo riflessivi. Se l'argomento contro l'AI è "sbaglia sempre qualcosa", è un argomento debole: in informatica lavoriamo da sempre con approssimazioni che non convergono e non le buttiamo via. Da lì arriviamo ai benchmark inversi (non più "sai farlo?" ma "quante volte sbagli su cento"), al trade-off accettabile fra OmniVoice e Pocket TTS per farsi leggere gli articoli in macchina, e a cosa cambia davvero con la famiglia Claude 5: thin prompt, thin context, thin skills. Fable non è più intelligente in senso assoluto, semplicemente ti costringe a spiegare meno. Nella seconda parte la rassegna dei modelli usciti. Inkling e Inkling small di Thinking Machines Lab, open weight su territorio occidentale. Laguna S2.1, 118 billion mixture of expert tagliato per hardware da 128 giga, che però crolla appena lo quantizzi a 4 bit e ha seri problemi con l'italiano: demo in LM Studio con "finché la barca va", e digressione su densità, sparsità e perché la quantizzazione punisce i modelli densi. Poi Opus 5, Qwen Image 3 che genera articoli LaTeX come immagini, MAGE di Microsoft fra image generation e vision language in streaming, Flux 3, Gemini 3.6 Flash, e la storia del modello OpenAI uscito dalla sandbox che ci convince poco. Risorse Artificiali è il podcast di AI Engineering in italiano, con Stefano, Paolo e Alessio. Per chi la scrive, non per chi la racconta. CAPITOLI 00:00 AGI e asintoti: perché la perfezione non serve 07:47 Che età ha l'AGI e il codice che nessuno legge più 12:55 Benchmark inversi: non cosa sai fare, quanto sbagli 16:36 OmniVoice, Pocket TTS e il trade-off accettabile 21:05 Fable: non più intelligente, devi spiegare meno 27:41 Inkling e Thinking Machines Lab: open weight occidentale 33:55 Opus 4.6 workhorse e Laguna S2.1: 118B per 128 giga 38:40 Promptare in italiano: lo studio Anthropic sulle lingue 43:03 Demo Laguna in LM Studio: "finché la barca va" 47:24 Densità, sparsità e perché la quantizzazione rompe 53:36 Opus 5: più agentico e più vicino a Fable 58:17 Qwen Image 3: LaTeX, infografiche e UI generate 1:02:30 MAGE di Microsoft: image gen e vision language open 1:08:47 Flux 3 omnimodale e Gemini 3.6 Flash 1:12:13 Il modello OpenAI uscito dalla sandbox ASCOLTA SU SPOTIFY https://open.spotify.com/episode/0eXoGy80TE2fECQX86Uyf0?utm_source=youtube&utm_medium=description&utm_campaign=ep65_drop TUTTE LE PUNTATE E LE TRASCRIZIONI https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep65_drop Se la puntata ti è servita, iscriviti al canale: ci aiuta più di quanto sembri, e ci fa capire di cosa parlare la prossima volta. I commenti li leggiamo tutti. #65

Quali skill usiamo davvero per i nostri agenti con Claude Code? Speciale "ritorno al futuro" su come abbiamo personalizzato l'harness: dal prompt engineering al loop engineering, con prompt sottili, contesto spesso e skill leggere. Torniamo sull'argomento skill a distanza di mesi, perché è cambiato tutto. Non si parla più di scrivere il prompt più denso possibile: il contenuto grosso è migrato nel context e negli artifact, e anche le skill sono diventate più sottili. Ne discutiamo Stefano, Paolo e Alessio partendo da una sintesi che gira su X (thin prompts, thick context, thin skills) e arrivando al concreto: quali skill installiamo davvero, come le scegliamo tra i quattro repository principali, come le proviamo prima di promuoverle, e perché le skill non si scrivono a mano ma si distillano da sessioni di lavoro. Parliamo di Simplify (scomparsa e rimpianta), Code Review, Ponytail, Interview Me, Grill Me, doubt-driven development e handoff. Discutiamo la sicurezza delle skill scaricate da fuori e perché vanno usate in sandbox. E chiudiamo con l'indeterminismo del modello: avere una skill non significa che verrà invocata quando vuoi, e come un hook può aiutare. Skills nominate: https://github.com/DietrichGebert/ponytail/blob/main/skills/ponytail-review/SKILL.md https://github.com/addyosmani/agent-skills/tree/main https://github.com/obra/superpowers https://github.com/mattpocock/skills/tree/main/skills Se scrivi codice con agenti in produzione, questa è la puntata per te. CAPITOLI 00:00 Le skill che usiamo davvero 02:00 Da prompt engineering a loop engineering 05:02 Cos'è una skill: standard e behavioral memory 10:57 Simplify, la skill preferita scomparsa 15:38 Da Simplify a Code Review: monkey patching 22:23 Ponytail Code Review e la coda di cavallo 26:37 Scegliere e provare le skill: repository e preview 34:31 Le skill non si scrivono, si distillano 40:19 Sicurezza: sandbox e dove accetti il rischio 46:09 Backlog, hook e l'indeterminismo del modello 50:12 Interview Me, Grill Me e doubt-driven 56:09 Handoff, Hunk e tool CLI per agenti Ascolta su Spotify: https://open.spotify.com/episode/4XZFs5ZUctmHMjTq7JAwlM?utm_source=youtube&utm_medium=description&utm_campaign=ep64_drop Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep64_drop Iscriviti al canale per non perdere le prossime puntate. #64

Kimi K3 è terzo al mondo, vicino a Fable, e costa un quarto. Intanto esce il primo open weight americano dopo Llama 4: Thinking Machine Lab di Mira Murati. È un cambio di scena nei modelli di frontiera. Torniamo sul mercato dei modelli con Stefano, Paolo e Alessio. Moonshot AI ha rilasciato Kimi K3: 57 nell'indice di Artificial Analysis (tra Opus 4.8 a 56 e Fable a 60), ma con metà dei token e a un quarto del costo di Fable. I modelli cinesi chiudono il gap di settimana in settimana, e Paolo chiude con una sintesi: fine estate un fable level ce l'abbiamo tutti. Parliamo anche dell'articolo di Demis Hassabis sulla governance dell'AI e sull'AGI (una questione di mesi o al massimo di cinque anni), del perché Thinking Machine Lab punta sul fine tuning di modelli specializzati per mix-of-agents, del caso della CLI di Grok che sfilava dati dai computer degli utenti, e della posizione di Torvalds: l'AI è uno strumento, è il 2026, chi non vuole usarla si fork il kernel. Links: https://x.com/demishassabis/status/2076957440109625718 https://x.com/maeste/status/2077733742584398029 https://x.com/miramurati/status/2077455974743593100?s=20 Per chi costruisce con LLM e guarda i costi di inferenza, è una puntata da non perdere. CAPITOLI 00:00 Modelli nuovi e feedback dal vivo 06:58 Hassabis: AGI tra pochi mesi 13:52 Kimi K3: i cinesi chiudono il gap 22:36 Terzo al mondo: Kimi K3 in classifica 27:36 Costi e token: un quarto di Fable 31:47 Fable: memoria, rifiuti e switch a Opus 40:19 Provenienza umana, Fable e il business 44:53 Thinking Machine Lab: l'open weight di Murati 49:39 Inklings: open weight americano e fine tuning 54:14 Grok CLI ruba dati: bug o training? 57:40 Torvalds: l'AI è qui, usatela 1:05:54 La mossa 37 del codice Ascolta su Spotify: https://open.spotify.com/episode/3SLjYEq7cLYgIkJbNZgdSJ?utm_source=youtube&utm_medium=description&utm_campaign=ep63_drop Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep63_drop Iscriviti al canale per non perdere le prossime puntate. #63

Inferenza LLM in Europa, zero data retention e open weight: Eugenio Petullà (Regolo.ai) su dove finiscono i tuoi dati quando interroghi un modello di frontiera o open weight. Parliamo con Eugenio Petullà, Chief AI Alchemist di Regolo.ai, provider europeo di inferenza hostato in Italia nel gruppo DHH/Seeweb. Regolo serve modelli open weight a consumo tramite API OpenAI-compatible, con zero data retention: niente log, niente training sui dati dei clienti, tutto dentro un datacenter italiano GDPR-compliant. Nell'intervista: la geopolitica delle GPU e perché l'Europa è schiacciata tra USA e Cina (TSMC, ASML, il collo di bottiglia di Taiwan), il routing dei modelli con brick e il principio "il modello giusto per il task giusto" (non Fable per tradurre un'email), la libreria ai-footprint per misurare CO2 e Watt di ogni chiamata, il sospetto che OpenAI e Anthropic logghino i tuoi prompt, e perché l'Europa ha perso il treno del training ma può ancora vincere su inferenza e robotica. 🎓 Capitoli 0:00:00 Inferenza europea e i tuoi dati 0:06:07 Red Hat, GNOME e l'amore per Linux 0:11:00 Professional open source: Mozilla e WordPress 0:15:52 Regolo, provider europeo di inferenza 0:20:47 GLM, Qwen, Gemma e i small model 0:27:56 I tre business model di Regolo 0:33:45 Geopolitica GPU: Europa tra USA e Cina 0:43:52 Server farm, memoria e impatto ambientale 0:56:00 Modelli di frontiera, Mistral e gap europeo 1:03:39 Routing e brick: il modello giusto 1:12:31 Zero data retention: i tuoi dati su OpenAI 1:18:30 Colonia tecnologica e cloud sovrano 1:24:59 Il futuro degli open weight 1:32:26 AI Act, il treno perso e robotica 🔗 Ascolta sull'altra piattaforma Spotify: https://open.spotify.com/episode/4mlKC6SrTiixqdNCVjD75T?utm_source=youtube&utm_medium=description&utm_campaign=petulla_drop Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=petulla_drop 👥 Eugenio Petullà LinkedIn: https://www.linkedin.com/in/eugeniopetulla Regolo.ai: https://regolo.ai Se ti piace il podcast, iscriviti al canale. Si parla di AI Engineering in italiano, tra pari tecnici.