Risorse Artificiali AI Engineering in italiano
- Épisodes
- 96
- Parution
- hebdomadaire
- Dernier épisode
- 14 Nov 2026
À propos du podcast
Risorse Artificiali è il podcast italiano di AI Engineering. Ogni settimana, tre ingegneri con 20+ anni di codice alle spalle fanno deep dive tecnici su agent, LLM, tool chain e produzione: Claude Code, Codex, agenti e modelli open source, inference, spec-driven development, e tutto ciò che serve per portare l'AI dal demo al deploy. Niente hype, niente "l'AI cambierà tutto": solo analisi oneste, casi concreti e cicatrici dal campo. Se scrivi codice per vivere e vuoi capire cosa cambia davvero per te, sei nel posto giusto.
Épisodes 96
Jensen è caduto in fallo, ma l'AI non si ferma
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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-AGI
06:18 Overfitting: quando il benchmark è maxato
13:21 Fable 5.1: costi da record e cache
23:10 Il nostro benchmark alla pellicano
25:33 L'indice di Artificial Analysis non torna
33:40 Coding: conta la sensazione d'uso
38:04 Formula 1 o auto per la scuola?
43:18 Qwen 3.8 Flash Next: l'ingegnerizzazione dei modelli
48:34 Waymo in Europa: inferenza locale su TPU
53:46 Nvidia compra Hugging Face, GLM su Huawei
1:00:52 Le licenze open weight cambiano
1:04:07 Hermes in Gen Z, Q&A e OmniRouterAscolta l'audio anche su Spotify:
https://open.spotify.com/episode/50oM4N7LLJLU3szU2Sh2x7?utm_source=youtube&utm_medium=description&utm_campaign=ep70_dropSito, show notes e trascrizione completa:
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep70_dropIscriviti al canale: AI engineering in italiano, senza hype, ogni sabato.
#70
Era stealth, era GLM: 5.3 Flash e i numeri da giganti
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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
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 …
Notes de l’épisode
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: perché non serve la perfezione
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 …
Notes de l’épisode
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 skills usiamo davvero per i nostri agenti
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 …
Notes de l’épisode
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
Open weight americano e Kimi K3: cambio di scena
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 …
Notes de l’épisode
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 europea e zero log | Eugenio Petullà
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 …
Notes de l’épisode
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.
Fable, GPT 5.6 e tanti modelli cinesi
Fable è un altro livello di modello: così intelligente che ottimizza l'harness al posto tuo, insegna a Opus e la gente lo usa per fare distillation. Da qui parte la puntata, e finisce dentro un'ondata di …
Notes de l’épisode
Fable è un altro livello di modello: così intelligente che ottimizza l'harness al posto tuo, insegna a Opus e la gente lo usa per fare distillation. Da qui parte la puntata, e finisce dentro un'ondata di modelli cinesi.
Stefano, Paolo e Alessio partono dal pattern Anthropic "Fable advisor di Opus" (Fable fa il planning, Opus esegue) e dal grafico modello+harness: GLM 5.2 con l'harness Pi arriva più in alto di Opus a costi più bassi. Poi i costi reali misurati da artificialanalysis: far girare la test suite con Fable 5 costa 5.600$, Grok 4.5 solo 600$, e Sonnet 5 costa più di Opus perché brucia molti più token. Nel roundup: GPT 5.6, Grok 4.5 (primo Grok davvero di frontiera), il nuovo modello Meta closed source, Ollama Cloud e OpenRouter per provare gli open, Seedance 2.5 (video 4K fino a tre minuti), ComfyUI con MCP server per pilotare la generazione da un agent, Pocket TTS e il rischio concreto di deepfake della voce, la guerra fredda dell'AI tra Cina e USA, LongCat 2.0 trainato interamente su chip Huawei, e il paper Anthropic sul ragionamento per concetti nel latent space.
CAPITOLI
0:00 Fable e il taglio dell'abbonamento Anthropic
1:06 Le live del giovedì e i commenti degli ascoltatori
4:37 GLM 5.2 e i laboratori cinesi
9:03 Fable come oracolo: distillation e skill
12:14 Modello più harness e Fable advisor di Opus
19:03 Modelli open: Ollama Cloud, OpenRouter e HY3
23:36 Grok 4.5, GPT 5.6 e il modello Meta
32:33 Costi reali: Fable, Grok e Sonnet più di Opus
36:34 Voce GPT Live 2 e i dati per i robot
40:50 Seedance 2.5: video 4K da tre minuti
46:11 ComfyUI e l'MCP server per la generazione
51:09 Pocket TTS e i deepfake della voce
54:08 La guerra fredda dell'AI: Cina, backdoor, Europa
1:00:34 LongCat 2.0 trainato su chip Huawei
1:06:59 Il paper Anthropic sul ragionamento per concetti
Ascolta l'episodio su Spotify: https://open.spotify.com/episode/3pL5JnwfiPK6vJNhG1YOHH?utm_source=youtube&utm_medium=description&utm_campaign=ep61_drop
Archivio episodi e newsletter: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep61_drop
AI Engineering in italiano, ogni settimana, da pari a pari. Iscriviti al canale se scrivi codice con l'AI in produzione.
#61
La politica USA su AI e open source mi fa drizzare i peli
Anthropic limita Fable e gli open weight: perché ho tagliato il 90% del mio abbonamento. Sonnet 5, Nano Banana, Hermes, Fugu.Puntata di reazione a caldo: Sonnet 5 è uscito ed è ottimo, soprattutto su task …
Notes de l’épisode
Anthropic limita Fable e gli open weight: perché ho tagliato il 90% del mio abbonamento. Sonnet 5, Nano Banana, Hermes, Fugu.
Puntata di reazione a caldo: Sonnet 5 è uscito ed è ottimo, soprattutto su task agentici (con lo slash /advisor come consigliere), ma la politica di Anthropic su Fable (rimesso disponibile solo al 50% dei token, ritirato il 7 luglio) e le dichiarazioni di Dario Amodei sul limitare il rilascio di modelli open weight non ci sono piaciute per niente. Al punto che Stefano ha tagliato il 90% del suo abbonamento Anthropic.
Si parla anche di Nano Banana 2 Lite di Google, del rilascio open weight di CREA2, della ricerca DeepSeek su Sparque (+60/70% di token al secondo), e della crescita di Hermes: skill-learn, Mixture of Agents, e il parallelo con Fugu di Sakana AI, che con un mix di modelli piccoli raggiunge risultati a livello Fable.
CAPITOLI
0:00 Audio migliorato e la maturità con le IA
7:13 Sonnet 5 e il comando /advisor di Claude Code
11:09 Anthropic limita Fable: 50% dei token e fallback a Opus
17:52 Armi, uranio e la narrativa della pericolosità AI
21:51 Bill Gates, Linux, e il taglio del 90% di Anthropic
25:05 Distillation cinese e la scommessa open weight di OpenAI
32:02 Nano Banana 2 Lite: Google accelera sulle immagini
37:56 CREA2 open source e la guerra delle licenze
43:32 DeepSeek Sparque: +70% di velocità di inferenza
46:59 Hermes, gli skin e i contributi alla community open source
58:04 Skill learning e Mixture of Agents in Hermes
1:01:23 Fugu di Sakana AI e il ritorno del fine tuning
Ascoltaci anche su Spotify: https://open.spotify.com/episode/60UaPWIMgdM1rHqnGMxz7M?utm_source=youtube&utm_medium=description&utm_campaign=ep60_drop
Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep60_drop
Iscriviti al canale per non perderti le prossime puntate.
#60
Physical AI: VLA contro World Model
Physical AI in italiano: come i robot imparano a muoversi nel mondo reale, tra VLA e World Model. Ospite Vittorio (Cyberwave).Vittorio è founder di Cyberwave, startup italiana che costruisce la piattaforma per …
Notes de l’épisode
Physical AI in italiano: come i robot imparano a muoversi nel mondo reale, tra VLA e World Model. Ospite Vittorio (Cyberwave).
Vittorio è founder di Cyberwave, startup italiana che costruisce la piattaforma per sviluppare applicazioni di Physical AI. Con Stefano, Paolo e Alessio affrontiamo il dibattito del momento: Vision Language Action model contro World Model, e perché il vero collo di bottiglia non è l'hardware ma i dati. "Non esiste un Reddit dei robot": ecco il problema di addestrare modelli che agiscono nel mondo fisico, tra edge e cloud, force feedback, e il contrasto brutale tra sviluppare un agente software (due ore) e uno fisico (due anni).
Si parla di form factor (cani robot, droni, umanoidi e l'effetto Breaking Bad), di come si addestra un robot con teleoperation e visori VR, di testing e CI quando ogni test ti porta via 30 minuti, e di una via europea alla robotica fatta di sovranità sui dati e guida autonoma.
CAPITOLI
0:00 Physical AI e Cyberwave: chi è Vittorio
3:00 VLA contro World Model e il problema dei dati
10:36 Edge, cloud e i dati di Tesla e Waymo
17:42 Ispezione autonoma: cani robot e droni
21:36 Addestrare i robot: teleoperation, SO-101, VR
25:47 Force feedback e form factor dei robot
33:00 Cyberwave: developer experience e standardizzazione
36:27 NVIDIA, startup e le sfide del developer
43:02 Testing e CI nel mondo fisico
47:53 Tooling, community e Robot House as a Service
55:27 Bloopers e i rischi del mondo fisico
58:35 L'AI come un frigo: lavoro e sostituzione
1:03:39 Guida autonoma in Europa e sovranità
Ascolta l'episodio completo su Spotify:
https://open.spotify.com/episode/3bJONcpkKJHrYCcpvfVSJU?utm_source=youtube&utm_medium=description&utm_campaign=ep58_drop
Tutti gli episodi e la community:
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep58_drop
Iscriviti al canale per non perdere i prossimi episodi di AI Engineering in italiano.
#58
Licenze AI a tutti in azienda, non solo ai dev | Simone Basso
AI Engineering in azienda: Simone Basso, CTPO di WeRoad, spiega perché "il modello è una commodity, l'harness è l'asset", e cosa cambia quando l'AI entra in mano a tutti.In questa conversazione tra pari …
Notes de l’épisode
AI Engineering in azienda: Simone Basso, CTPO di WeRoad, spiega perché "il modello è una commodity, l'harness è l'asset", e cosa cambia quando l'AI entra in mano a tutti.
In questa conversazione tra pari parliamo di cosa succede quando i coding agent triplicano l'output da un mese all'altro, perché WeRoad ha dato licenze AI a tutta l'azienda e non solo agli ingegneri, come si governa una spesa che può passare da 7.000 a 70.000 euro al mese, e perché l'ingegnere sta diventando "il manager degli agenti". Si parla di harness, company brain, routing layer, pull request agentiche, ROI reale degli LLM (l'8x di Anthropic visto da chi lo misura davvero), AI in locale ed Europa che rischia di restare indietro.
Dal lato di chi costruisce prodotto a scala europea: AI Engineering, coding agents e LLM in produzione, senza hype.
CAPITOLI
00:00 Harness vs modello, WeRoad e Commodore 64
02:42 20 anni nel travel-tech e gli ecosistemi startup
09:13 Da scrivere codice a guidare 200 persone
12:01 Da novembre è cambiato tutto: output triplicato
16:37 Produttività, layoff e budget in token
20:45 150 licenze AI a tutta l'azienda
26:00 Il modello è commodity, l'harness è l'asset
31:56 2026, l'anno della pull request agentica
36:05 Junior, senior e il manager degli agenti
42:22 ROI del prodotto e mini-hackathon settimanale
47:19 Company brain, routing layer e app disposable
58:50 Costo energetico, Europa e nucleare
1:04:57 AI in locale e il consiglio ai giovani
LINK
Ascolta su Spotify: https://open.spotify.com/episode/7ip38QPHEKb7uvwgQ7Edjc?utm_source=youtube&utm_medium=description&utm_campaign=basso_drop
Tutti gli episodi: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=basso_drop
Newsletter Context Window di Simone Basso: https://medium.com/@smnbss
Iscriviti al canale per le prossime conversazioni su AI Engineering in italiano.
Clona ogni voce in locale, gratis e poi preoccupati
Clonare la voce in locale, gratis e con qualità vicina a ElevenLabs: Paolo l'ha fatto sul Mac e ora non si fida più di un vocale. In questo episodio di Risorse Artificiali, con l'ospite Tommaso (Alessio è in …
Notes de l’épisode
Clonare la voce in locale, gratis e con qualità vicina a ElevenLabs: Paolo l'ha fatto sul Mac e ora non si fida più di un vocale. In questo episodio di Risorse Artificiali, con l'ospite Tommaso (Alessio è in vacanza), parliamo di voice cloning open source con OmniVoice Studio, video dubbing automatico e di tutto il drama sui modelli: il ritiro di Fable, Opus 4.6 vs 4.8, Codex 5.5, GLM 5.2 ed Elon che compra Cursor.
Poi la domanda che ci facciamo da soli: quanto guardate ancora il codice? Stefano racconta il suo side project su Lince costruito senza leggere una riga, Salvatore Sanfilippo e DarkStar V, e cosa significa conoscere l'architettura di un software senza averne mai visto il sorgente.
Nella seconda parte Tommaso racconta i suoi esperimenti "sull'uomo": un food diary fotografico con MCP server, il meal planning per la famiglia e un assistente di lavoro in stile LLM wiki / G-Brain che ricorda tutto al posto suo. Chiudiamo con privacy, modelli locali, geopolitica dell'AI e IPO da capogiro.
CAPITOLI
0:00 Voce clonata in locale: OmniVoice Studio e i vocali WhatsApp
7:25 Truffe vocali e come proteggere i genitori
11:06 Video dubbing automatico e YouTube multilingua
14:06 Fable: limiti bruciati e Opus 4.6 vs 4.8
18:38 Loop engineering, plan mode e TDD come verifier
24:14 Il ritiro di Fable: guardrail, jailbreak e Anthropic
32:19 GLM 5.2, Codex 5.5 ed Elon compra Cursor
37:39 Non guardo più il codice: Sanfilippo e DarkStar V
41:25 Serve l'esperienza? Hacker mindset e curriculum
48:37 App personali con AI: food diary e meal planning
52:58 Assistenti di lavoro, LLM wiki e G-Brain
1:01:28 Privacy, modelli locali e Gemini che sa già tutto
1:05:30 Geopolitica AI, IPO da 6000 miliardi e saluti
ASCOLTA SU SPOTIFY
https://open.spotify.com/episode/2nj1v1GTlLZ35lxpD2lOt9?utm_source=youtube&utm_medium=description&utm_campaign=ep57_drop
SITO + ALTRE PIATTAFORME
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep57_drop
Se l'episodio ti è piaciuto iscriviti al canale e lascia un commento: ci aiuta davvero a crescere.
#57
Scrivere codice è una commodity: Fable e i workflow
AI Engineering in italiano: Fable e i workflow ad agenti scrivono codice da soli. Stefano lancia 40 agenti in parallelo e in una notte porta a casa un task multilinguaggio (Rust, Python, shell) zero-shot. Se …
Notes de l’épisode
AI Engineering in italiano: Fable e i workflow ad agenti scrivono codice da soli. Stefano lancia 40 agenti in parallelo e in una notte porta a casa un task multilinguaggio (Rust, Python, shell) zero-shot. Se scrivere codice diventa una commodity, cosa resta al programmatore?
In questa puntata partiamo da Fable 5, il modello "Mythos level" con i guardrail di sicurezza più aggressivi che abbiamo visto, e da come gestisce i workflow: decine di agenti che si parlano, si auto-validano con agenti di Verify e Design, e spawnano agenti di fix quando trovano problemi. Da lì il discorso si allarga: la specifica diventa il lavoro, il codice una commodity, e il "loop engineering" è la nuova buzzword della settimana.
Poi l'articolo Anthropic "When AI builds itself" e l'opinione forte di Stefano: no, Anthropic non sta dicendo "fermiamoci". E ancora: Gemini su Google Home (un estraneo in cucina), la polarizzazione del mercato tra enterprise e consumer, gli IPO da 2000 miliardi a testa e il rischio bolla, e in chiusura i modelli locali con Gemma 4 quantization-aware training e un'allucinazione come non se ne vedevano da anni.
CAPITOLI
00:00 Fable 5: il modello con i guardrail aggressivi
03:00 Workflow con 40 agenti: il task di una notte
07:25 Scrivere codice è diventato una commodity
13:08 Benchmark vs impressioni e distillare i modelli
17:32 "When AI builds itself": l'articolo Anthropic
22:04 Loop engineering: la nuova buzzword
29:11 Anthropic vuole davvero fermarsi?
34:18 Gemini su Google Home: un estraneo in cucina
39:16 Mercato polarizzato: enterprise vs consumer
46:30 IPO da 2000 miliardi: c'è una bolla AI?
55:27 Gemma 4 QAT e l'allucinazione clamorosa
1:08:37 Corso Datamaster e AIConf MilanoASCOLTA SU SPOTIFY
https://open.spotify.com/episode/2HnpvnbYA2ecFfF9m5OzKH?utm_source=youtube&utm_medium=description&utm_campaign=ep56_dropSITO E ALTRI EPISODI
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep56_dropIscriviti al canale se costruisci con l'AI in produzione e vuoi i nostri appunti senza filtri marketing.
#56
Context engineering per agenti AI | Roberto Stagi, Ratel AI
Context engineering per AI agents: il contesto degli agenti non si riempie per colpa degli MCP server. Roberto Stagi, Ratel AI, spiega perché il problema è un altro.Ogni settimana qualcuno scrive che Claude …
Notes de l’épisode
Context engineering per AI agents: il contesto degli agenti non si riempie per colpa degli MCP server. Roberto Stagi, Ratel AI, spiega perché il problema è un altro.
Ogni settimana qualcuno scrive che Claude Code è inusabile con i suoi MCP server, il contesto si satura prima ancora di iniziare. La diagnosi più diffusa è sbagliata: non sono i server, è che la lista completa dei tool resta nella finestra a prescindere dal fatto che il turno ne abbia bisogno. Su questa intuizione Roberto Stagi e il suo socio hanno costruito Ratel: una libreria open source che sposta l'indice dei tool fuori dal modello e risolve a runtime solo i tool davvero rilevanti, con retrieval BM25 e niente vector DB.
In questa conversazione con Stefano partiamo dalla persona prima che dal founder: olimpiadi di matematica e informatica, doppia laurea tra Torino e Barcellona, ricerca in High Performance Computing, gli anni in Bending Spoons su Remini ed Evernote. Poi entriamo nel cuore tecnico: context window da milioni di token, il rischio che un big come Anthropic entri nello stesso spazio, vendor neutrality, modelli locali e intelligenza ibrida, benchmark fatti in casa ma costruiti onesti. E infine i temi più umani: build in public, la community AI Socratic, l'"agent anxiety" e cosa diventa il mestiere dell'ingegnere quando orchestra agenti invece di scrivere codice.
Un episodio per chi costruisce con l'AI in produzione, non per chi la racconta.
CAPITOLI
00:00 Context engineering: non sono gli MCP server
03:40 Olimpiadi, doppia laurea e il filo rosso dell'ottimizzazione
09:30 Bending Spoons: fare prodotto su Remini ed Evernote
13:30 Ownership, dati e intenzionalità: la cultura che porta in Ratel
23:00 Lasciare la comfort zone: come nasce un founder
29:16 Dai pivot all'intuizione di Ratel: input di qualità per gli agenti
38:06 Context window enormi e i big che entrano nel tuo spazio
44:35 Modelli locali, intelligenza ibrida e benchmark onesti
47:33 Benchmark fatti in casa: come renderli credibili
53:08 Open source e build in public come business
1:02:33 AI Socratic: community high-signal e dialogo socratico
1:07:44 San Francisco e l'ecosistema startup europeo
1:17:30 Agent anxiety e il rischio burnout
1:24:46 L'ingegnere che automatizza sé stesso: il futuro del mestiere
1:30:53 La vision di Ratel e il pensiero finale
ASCOLTA ANCHE SU SPOTIFY
https://open.spotify.com/episode/1N7PPkQN9ORzoxZXdfjuOT?utm_source=youtube&utm_medium=description&utm_campaign=stagi_drop
SITO E ALTRE PUNTATE
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=stagi_drop
ROBERTO STAGI
LinkedIn: https://www.linkedin.com/in/rstagi/
Sito: https://ratel.sh
Ratel (open source): https://github.com/ratel-ai
AI Socratic (eventi): https://luma.com/aimi
Newsletter: https://startupengineerlife.substack.com/
Iscriviti al canale per non perdere le prossime puntate e le interviste di Risorse Artificiali, il podcast di AI Engineering in italiano.
Workflow dinamici: l'AI che si scrive gli harness
Workflow dinamici in Claude Code: con Opus 4.8 l'AI si scrive da sola gli harness dei suoi agenti.Partiamo da Opus 4.8 e dal gap che ancora lo separa da GPT 5.5, per arrivare ai workflow dinamici: non quelli …
Notes de l’épisode
Workflow dinamici in Claude Code: con Opus 4.8 l'AI si scrive da sola gli harness dei suoi agenti.
Partiamo da Opus 4.8 e dal gap che ancora lo separa da GPT 5.5, per arrivare ai workflow dinamici: non quelli statici di LangChain o LangGraph, ma agenti che si generano al volo il proprio tool custom. Un harness che scrive harness. Ne parliamo per la sicurezza e il sandboxing, per quando usarli davvero, e per il porting di Boon in Rust.
Poi Minimax M3, il modello cinese open weight da 1 milione di token con la nuova sparse attention, e perché i benchmark non sono comparabili: conta l'harness con cui li lanci, non solo il modello. Chiudiamo con l'intervista di Demis Hassabis e il doppiaggio automatico di YouTube, i world model di Yann LeCun, PyCon Italia, Nvidia PID e le architetture semplificate per il locale.
Conduttori: Stefano, Paolo e Alessio.
Seguici anche su YouTube:
https://www.youtube.com/watch?v=A7y6dQdqaIo?utm_source=spotify&utm_medium=description&utm_campaign=ep55_drop
#55
Vi ricordiamo che è ancora attiva la promozione "1 anno di podcast" con DataMaster. Clicca su questo link per il corso gratuito: https://corsi.datamasters.it/offers/wqLh2sVK/checkout?coupon_code=AISECURITYRISORSEARTIFICIALI
Improove invece offre ai nostri ascoltatori un 15% di sconto sul biglietto di ai conf. Basta inserire il codice "P-RISORSE" al momento della registrazione su https://aiconf.itIl Papa ha capito gli LLM meglio di noi
LLM coltivati, non costruiti: l'enciclica di Leone XIV e una puntata di AI Engineering molto concreta.Stefano, Paolo e Alessio partono dalla definizione di LLM più lucida letta da anni, che arriva (a sorpresa) …
Notes de l’épisode
LLM coltivati, non costruiti: l'enciclica di Leone XIV e una puntata di AI Engineering molto concreta.
Stefano, Paolo e Alessio partono dalla definizione di LLM più lucida letta da anni, che arriva (a sorpresa) dal Vaticano, e finiscono nella macroeconomia dell'AI.
In mezzo, tanta ingegneria: perché i benchmark di coding sono saturi e cosa cambia con Deep SWE e l'analisi delle traiettorie, come DeepSeek V4 usa la KV cache con un contesto append-only che costa 2,5x meno, l'inferenza locale tra quantizzazione e MLX, gli harness Pi e OpenClaw a microkernel, l'edge AI on device.
Poi immagini e video: WanS Lens omni model, HiDream O1 e la generazione in pixel space. Chiusura sui soldi veri: Microsoft contro Anthropic, Claude contro Codex tra consumer ed enterprise, e la corsa alle IPO.
Il podcast per chi l'AI la scrive, non per chi la racconta.
Seguici per non perdere le prossime puntate.
Vi ricordiamo che è ancora attiva la promozione "1 anno di podcast" con DataMaster. Clicca su questo link per il corso gratuito: https://corsi.datamasters.it/offers/wqLh2sVK/checkout?coupon_code=AISECURITYRISORSEARTIFICIALI
Improove invece offre ai nostri ascoltatori un 15% di sconto sul biglietto di ai conf. Basta inserire il codice "P-RISORSE" al momento della registrazione su https://aiconf.it
#54
AI adoption e' un problema culturale | Andrea Saltarello
AI adoption in azienda: il vero problema non è tecnologico, è culturale. Con Andrea Saltarello (CEO Improove, Founder AI Conf, Professore AI al Politecnico di Milano). I LLM non producono verità, producono …
Notes de l’épisode
AI adoption in azienda: il vero problema non è tecnologico, è culturale. Con Andrea
Saltarello (CEO Improove, Founder AI Conf, Professore AI al Politecnico di Milano).
I LLM non producono verità, producono verosimiglianze. E l'errore plausibile, quello che
rinforza i nostri bias, è più pericoloso di quello evidente. Andrea ci porta dentro questa
riflessione partendo da 25 anni di community tech italiane, dalla nascita di Improove
come tentativo di democratizzare la formazione premium, fino alla tensione tra cloud
centralizzato e sovranità europea.
Si parla anche del futuro dei junior developer: se il green field lo scrivono gli agenti,
come formiamo i senior di domani? La risposta di Andrea passa dalla boxe francese:
accettare uno svantaggio tattico sostenibile per un vantaggio strategico.
Seguici per restare aggiornato su Risorse Artificiali.
Iscriviti ad AIConf https://www.aiconf.it/ con il codice sconto "P-RISORSE" avrai il 15% di sconto sul biglietto.
🔗 Guarda su YouTube: https://www.youtube.com/watch?v=2GQGi8R4j_0?utm_source=spotify&utm_medium=description&utm_campaign=saltarello_drop
Google I/O 2026: AI Omnimodale e la visione di Hassabis
Google I/O 2026: Gemini Flash 3.5 omnimodale, 1500 token/sec e la visione di Demis Hassabis. Episodio denso che attraversa l'I/O di Mountain View, la notizia di Karpathy che va in Anthropic con sede europea a …
Notes de l’épisode
Google I/O 2026: Gemini Flash 3.5 omnimodale, 1500 token/sec e la visione di Demis Hassabis. Episodio denso che attraversa
l'I/O di Mountain View, la notizia di Karpathy che va in Anthropic con sede europea a Milano, l'HTML come formato di
output per gli LLM (il consiglio di Tarik di Claude Code), la skill Playground, il world model Genie, la storia di
Hassabis dal Theme Park ad AlphaGo (la mossa 37) fino ad AlphaFold e Isomorphic Labs, e il salto inferenza a 1500
token/sec che cambia disposable apps e pubblicità real-time.
Più Antigravity che inghiotte Gemini CLI, la critica anti-hype "scratch the surface" sull'industria reale e la causa
OpenAI vs Elon vinta per prescrizione.
Il link per il cosro gratuito di DataMasters: https://corsi.datamasters.it/offers/wqLh2sVK/checkout?coupon_code=AISECURITYRISORSEARTIFICIALI
Follow il podcast per non perdere gli episodi del sabato e le interviste del mercoledì.
#53
Voici les 40 derniers épisodes sur 96. Les épisodes plus anciens se trouvent dans le flux du podcast.
Podcasts similaires
Plus de podcasts : Technologies
C’est votre podcast ?
Confirmez-le avec une entrée dans votre flux : vous recevez ici un code, vous l’ajoutez comme podcast:txt dans le canal de votre flux, et nous le vérifions. Votre podcast apparaît ensuite comme « vérifié » sur SoundNode.