AI.info

Approfondimenti tecnici

Sfoglia Approfondimenti tecnici su AI.info.

In inglese

• Dentro la corsa della FDA ad approvare l’IA che legge le tue radiografie

  La designazione Breakthrough Device per First Read di Aidoc e Cognita CXR segna la svolta del 2026: dall’IA che segnala le anomalie all’IA che redige il referto, costringendo la FDA a stabilire dove finisce il supporto alle decisioni e dove comincia l’autonomia.

• Il problema dei benchmark: come misuriamo l’intelligenza dell’IA e perché i test continuano a mostrare i loro limiti

  Ogni benchmark di IA finisce per saturarsi, essere aggirato o mostrare pubblicamente i suoi limiti. Da GLUE e MMLU ad ARC-AGI, FrontierMath e Humanity’s Last Exam, ecco che cosa è successo, con date e numeri, fino al caso di un modello che ottiene il 62,7% o il 99,9% nello stesso test.

• Mixture of Experts: far crescere i modelli di IA in modo efficiente

  Come Mixture of Experts permette a un modello di contenere migliaia di miliardi di parametri attivandone solo una piccola percentuale per token: l’instradamento, il bilanciamento del carico e i calcoli sulla memoria alla base di DeepSeek-V4, Kimi K3 e GLM-5.3.

• L’IA come scienziato autonomo: da strumento di ricerca a scopritore indipendente

  AI Scientist di Sakana, Co-Scientist di Google, Coscientist e A-Lab: che cosa hanno fatto davvero i sistemi di ricerca autonomi, che cosa ha rivelato la rettifica su A-Lab e perché la verifica resta affidata agli esseri umani.

• Reti neurali a grafo: teoria e applicazioni

  Un’analisi approfondita delle reti neurali a grafo che spazia dal passaggio di messaggi ai metodi spettrali e alle GAT, fino alle applicazioni concrete nelle reti sociali, nello studio delle molecole e nei sistemi di raccomandazione.

• Modelli visione-linguaggio: come l’IA ha imparato a vedere e a parlare di ciò che vede

  Dal tasso di errore del 15,3% di AlexNet su ImageNet nel 2012 all’addestramento contrastivo di CLIP su 400 milioni di coppie nel 2021: ecco come visione e linguaggio sono confluiti in un unico modello, dove questo continua ad avere allucinazioni e a sbagliare i conteggi, e come oggi guida i robot.

• Hardware per l’IA: GPU, TPU e il futuro della capacità di calcolo per l’IA

  Una guida ai chip alla base dell’IA nel 2026: la generazione Rubin di NVIDIA e i suoi 288 GB di HBM4, la TPU Ironwood di Google e la prossima divisione della TPU 8 in due versioni, AWS Trainium3 e perché sono la larghezza di banda e le interconnessioni, non i FLOPS, a dettare il ritmo.

• Calcolo quantistico e IA: promesse, realtà e punti d’incontro

  L’apprendimento automatico già decodifica gli errori all’interno dei computer quantistici; l’idea che i computer quantistici possano accelerare l’IA resta perlopiù teorica. Quantum Echoes di Google è la prima rivendicazione di un vantaggio che i ricercatori informatici del settore classico non sono riusciti a ridimensionare.

• La guerra degli ottimizzatori: come Muon sta sostituendo Adam nell’addestramento dell’IA di frontiera

  Kimi K2 è stato addestrato su 15,5 bilioni di token con MuonClip, senza alcun picco della loss. Un anno dopo, Kimi K3, DeepSeek-V4 e GLM-5 ortogonalizzano tutti i propri aggiornamenti, mentre Muon ha un nuovo sfidante: Aurora.

• I modelli a spazio di stato e l’era post-transformer

  Dai modelli S4 e Mamba agli stati a valori complessi e al MIMO di Mamba-3: come si sono evoluti i modelli a spazio di stato e perché, nel 2026, la risposta è ibrida. Nemotron 3, i modelli ibridi Granite 4.0 e Qwen3-Next mantengono tutti una piccola minoranza di livelli di attenzione.

• Fine-tuning dei modelli fondazionali: LoRA, QLoRA e oltre

  Impara le tecniche per adattare grandi modelli preaddestrati al tuo caso d’uso specifico. Una panoramica del fine-tuning completo, di LoRA, QLoRA, dei metodi basati su adapter e delle strategie PEFT.

• Database vettoriali e ricerca per embedding

  Un’analisi approfondita dei database vettoriali, degli spazi degli embedding e degli algoritmi di ricerca per similarità, e di come alimentano le moderne applicazioni di IA, dalla RAG ai sistemi di raccomandazione.

• Interfacce cervello-computer: come funzionano gli impianti neurali e a che punto sono

  Come gli impianti neurali leggono le intenzioni, perché una maggiore invasività offre una risoluzione più alta e a che punto è il settore dopo che, nel 2026, una BCI per la comunicazione vocale ha funzionato per 3.800 ore a casa di un partecipante, con un’accuratezza del 99% sulle parole nei test di copiatura.

• Il problema della memoria: perché i sistemi di IA dimenticano e come la memoria persistente cambia tutto

  I transformer non conservano uno stato tra una chiamata e l’altra. Perciò tutto ciò che viene chiamato memoria dell’IA è un’impalcatura aggiunta: cache KV, finestre da un milione di token ormai per lo più fatturate a tariffe standard, recupero delle informazioni, paginazione a livelli e compattazione lato server.

• Modelli linguistici di grandi dimensioni: architettura, addestramento e scalabilità

  Come vengono costruiti i modelli linguistici di grandi dimensioni: dalla tokenizzazione byte-pair e dall’attenzione con prodotto scalare scalato alle leggi di scalabilità di Chinchilla, all’RLHF e alle miscele sparse di esperti con mille miliardi di parametri distribuite dai laboratori aperti nel 2026.

• Generazione aumentata tramite recupero: architettura e buone pratiche

  Una guida completa alla progettazione e all’ottimizzazione dei sistemi RAG. Tratta le strategie di chunking, la scelta degli embedding, gli algoritmi di recupero, il reranking e la messa in produzione.

• Modelli di diffusione: la matematica dietro la generazione di immagini con l’IA

  La matematica della generazione di immagini per diffusione: la catena diretta di aggiunta del rumore, la funzione di perdita per la previsione del rumore, le equazioni differenziali stocastiche basate sullo score, il campionamento DDIM, la diffusione latente, la classifier-free guidance e il transformer di diffusione.