Archivi tag: LLM

Approfondimenti, Hi-Tech, Intelligenze Artificiali

Gemini 3.1 Pro: Google potenzia l’AI con ragionamento avanzato e benchmark record

Lascia un commento

A Mountain View qualcuno ha appena livellato l’arma leggendaria.

Non parlo di un semplice update numerico, di quei “.1” che suonano come patch correttive buttate lì per sistemare bug minori. Qui siamo davanti a qualcosa di più interessante. Più ambizioso. Più… strategico.

Google ha acceso i riflettori su Gemini 3.1 Pro, e la sensazione è quella che si prova quando, in un JRPG, sblocchi finalmente la skill segreta che cambia il modo in cui affronti le boss fight. Non è solo più potenza. È un diverso modo di pensare.

E sì, lo so: nel 2026 parlare di intelligenza artificiale sembra quasi ordinaria amministrazione. Ma se sei cresciuto tra Ghost in the Shell, Serial Experiments Lain e forum notturni pieni di teorie su coscienza e rete, capisci che ogni salto evolutivo nell’AI non è solo tech. È narrativa pura.

Deep Think non è marketing, è meta-game

La parola che Google spinge forte è “Deep Think”. E ammettiamolo: suona come una modalità segreta sbloccata dopo aver finito il gioco a difficoltà massima.

Con Gemini 3.1 Pro il focus non è più solo generare testo fluido o scrivere codice in modo elegante. Qui si parla di ragionamento multi-step, di analisi su problemi mai visti prima, di connessioni tra domini diversi. È il passaggio dal “rispondo bene” al “capisco davvero il problema”.

Sul benchmark ARC-AGI-2 – uno di quei test che sembrano puzzle alieni progettati da uno scienziato pazzo – il modello ha raggiunto un 77,1%. Tradotto in linguaggio nerd: non si limita a scegliere la risposta più probabile. Costruisce una catena logica più strutturata, meno casuale, meno “ti sparo la prima cosa che mi viene in mente”.

E in un’epoca in cui l’AI viene accusata di allucinare come un protagonista di un anime cyberpunk, questo upgrade conta eccome.

Dove atterra Gemini 3.1 Pro (spoiler: praticamente ovunque)

La cosa che mi ha fatto sorridere è la distribuzione. Non è un giocattolo chiuso in laboratorio.

Gemini 3.1 Pro arriva dentro l’app Gemini, si integra con NotebookLM per gli utenti più avanzati, entra nel mondo developer attraverso API e strumenti come Google AI Studio e ambienti enterprise. È come se Google avesse deciso: ok, questa nuova intelligenza la mettiamo direttamente nelle mani di chi costruisce.

Se sviluppi, puoi già metterla sotto stress.
Se studi, puoi usarla per sintetizzare dataset complessi.
Se crei, puoi chiederle di supportarti in progetti articolati dove una risposta semplice non basta.

E qui entra il dettaglio che mi ha fatto brillare gli occhi da nerd del front-end: la possibilità di generare animazioni SVG direttamente da prompt testuale. Codice puro. Scalabile. Leggero. Perfetto per il web moderno.

Non un’immagine raster. Non un video pesante.
Markup elegante che puoi integrare al volo in un progetto.

È il tipo di feature che non fa headline generaliste, ma cambia la giornata a designer e sviluppatori.

Meno chatbot, più co-pilota cognitivo

Quello che percepisco, al di là dei numeri, è un cambio di filosofia.

Gemini 3.1 Pro non vuole essere l’ennesimo assistente che chiacchiera bene. Vuole diventare una sorta di co-pilota cognitivo. Uno strumento che ti accompagna in workflow tecnici, scientifici, creativi.

Sintesi di dataset enormi.
Spiegazioni visive di concetti complessi.
Supporto in progettazioni multi-fase.

Sembra quasi il passaggio da NPC decorativo a party member essenziale.

E nel meta attuale dell’intelligenza artificiale, la competizione non è più “chi scrive meglio un paragrafo”. È “chi ragiona meglio su un problema nuovo”.

Preview oggi, boss finale domani?

C’è un dettaglio che non va ignorato: Gemini 3.1 Pro è ancora in Preview.

Questo significa che Google sta testando, calibrando, osservando come il modello si comporta nei flussi agentici più avanzati. Traduzione geek: il boss finale non è ancora completamente sbloccato.

Ma il fatto che la “core intelligence” sia la stessa vista in Deep Think suggerisce una cosa chiara: la roadmap punta verso AI sempre più strutturate nel ragionamento, meno dipendenti da pattern statistici superficiali.

Se questo si tradurrà in meno allucinazioni e più coerenza multi-step, potremmo trovarci davanti a una delle iterazioni più solide dell’ecosistema Gemini.

La vera partita: chi pensa meglio?

Da fan della cultura pop digitale, mi viene naturale fare un parallelo con gli shōnen competitivi. Ogni arco narrativo introduce un nuovo livello di potere. Ma non sempre è la forza bruta a fare la differenza. Spesso è la strategia.

Gemini 3.1 Pro non sembra voler vincere urlando “sono il più potente”. Sembra voler dire: “riesco a collegare meglio i puntini”.

E in un mondo dove l’AI entra sempre più nei flussi di lavoro reali – sviluppo software, ricerca scientifica, design, data analysis – la capacità di ragionare in profondità è il vero power-up.

Non è più solo questione di scrivere codice o riassumere documenti.
È questione di affrontare problemi che non hanno una soluzione pre-impacchettata.

E adesso tocca a noi

La cosa che mi intriga davvero non è il benchmark. È la creatività che può nascere da questa nuova versione di Gemini.

Che succede se iniziamo a usarlo non solo come tool, ma come partner di brainstorming?
Che tipo di progetti possono emergere quando il ragionamento multi-step diventa più solido?
Siamo davanti a un salto generazionale o a un buff temporaneo ben orchestrato?

L’intelligenza artificiale è ormai una boss fight continua, e Google ha appena cambiato build.

La vera domanda però non è cosa può fare Gemini 3.1 Pro.

La vera domanda è: cosa vogliamo costruire noi con questo livello di intelligenza?

Parliamone nei commenti.
Upgrade epico o semplice patch?

Intelligenze Artificiali

SIMA 2 è l’Agente IA Potenziato da Gemini che Sogna di Vivere nei Videogiochi!

Lascia un commento

L’anno scorso avevamo dato il benvenuto a SIMA (Scalable Instructable Multiworld Agent), un’IA generalista che muoveva i suoi primi passi nei mondi virtuali, eseguendo istruzioni basiche. Era il primo, cruciale passo per insegnare a un’Intelligenza Artificiale a trasformare il linguaggio umano in azione concreta in ambienti 3D complessi.

Introducing SIMA 2, the next milestone in our research creating general and helpful AI agents.

Oggi, però, si cambia registro. Vi presentiamo SIMA 2, un milestone di ricerca che ci porta dritti verso l’AGI (Artificial General Intelligence). Grazie all’integrazione con il core avanzato dei modelli Gemini, SIMA non è più solo un semplice esecutore di comandi, ma un vero e proprio compagno di gioco interattivo. Non solo capisce cosa vuoi, ma ora ragiona sui suoi obiettivi, può conversare con te e, il pezzo forte, migliorarsi nel tempo.

🧠 La Forza di Gemini: Un Motore di Ragionamento a Bordo

La prima versione di SIMA aveva imparato a eseguire più di 600 skill (“gira a sinistra”, “apri la mappa”) in una vasta gamma di giochi commerciali. La cosa incredibile è che agiva proprio come faremmo noi: guardando lo schermo e usando tastiera e mouse virtuali, senza accedere al codice del gioco.

Con SIMA 2, siamo andati oltre. Inserendo un modello Gemini come cervello centrale dell’agente, SIMA 2 non si limita a rispondere agli ordini, ma ci ragiona su.

Questa architettura avanzata permette a SIMA 2 di:

  • Comprendere l’obiettivo di alto livello dell’utente.

  • Eseguire un ragionamento complesso per raggiungerlo.

  • Agire abilmente e in modo mirato all’interno del gioco.

Interagire con SIMA 2 non sembra più come dare ordini a un bot, ma come collaborare con un mate intelligente che può spiegarti cosa intende fare e quali passi sta compiendo.

🌐 Generalizzazione e “Salto Quantico” nei Mondi Nuovi

L’aggiunta di Gemini ha potenziato enormemente la capacità di generalizzazione di SIMA 2. Ora capisce istruzioni più complesse e sfumate, con un successo incredibile anche in giochi che non ha mai visto prima, come il nuovo survival game a tema vichingo, ASKA, o MineDojo (una versione di ricerca di Minecraft).

Questa è la chiave: SIMA 2 è in grado di trasferire concetti appresi. Se impara a “estrarre” (mining) in un gioco, applica immediatamente il concetto di “raccogliere” (harvesting) in un altro. Questa capacità di adattamento è fondamentale e lo avvicina notevolmente alle performance di un giocatore umano in una vasta gamma di task.

Il test definitivo? Accoppiare SIMA 2 con Genie 3, un altro progetto mind-blowing capace di generare nuovi mondi 3D in tempo reale partendo da una singola immagine o testo. Ebbene, SIMA 2 è riuscito a orientarsi, capire gli input dell’utente e agire sensatamente in questi ambienti appena creati. Adattabilità senza precedenti.

📈 Il Loop Virtuoso: L’IA che si Migliora da Sola

Una delle feature più cool è l’auto-miglioramento. Dopo aver imparato le basi dalle dimostrazioni umane, SIMA 2 può passare ad apprendere in giochi nuovi esclusivamente attraverso il self-directed play (gioco auto-diretto).

Il ciclo funziona così:

  1. Gemini assegna il task e stima la “ricompensa” per il comportamento dell’agente.

  2. SIMA 2 gioca e l’esperienza (anche i fallimenti) viene archiviata.

  3. L’agente usa i suoi dati auto-generati per allenare la versione successiva di sé stesso.

Questo “ciclo virtuoso” permette a SIMA 2 di migliorare continuamente, anche su task in cui aveva fallito, senza bisogno di ulteriori dimostrazioni umane. È un passo gigantesco verso agenti che imparano e crescono con un intervento umano minimo.

🎮 Il Futuro dell’Intelligenza “Fisica”

SIMA 2, pur essendo ricerca pura, ci sta mostrando la strada per l’intelligenza incarnata (embodied intelligence). Le skill che impara nei videogiochi – navigazione, uso di strumenti, collaborazione – sono esattamente i mattoni fondamentali che serviranno per gli assistenti IA fisici nel mondo reale e per la robotica avanzata.

Certo, ci sono ancora sfide (memoria corta e task a lungo termine sono complessi), ma SIMA 2 ha dimostrato una cosa fondamentale: combinando la competenza generale appresa su molti mondi con la potenza di ragionamento di Gemini, è possibile creare un agente generalista e coeso che unifica il meglio di molti sistemi specializzati.

Quali meccaniche di gioco ti piacerebbe vedere SIMA 2 applicare in un robot reale?

Intelligenze Artificiali

Da chi impara ChatGPT? Le fonti segrete degli algoritmi e perché le risposte AI non sono sempre affidabili

Lascia un commento

La dieta digitale di un’intelligenza artificiale

Se c’è una cosa che i modelli di intelligenza artificiale sanno fare, è rispondere a quasi tutto. Ma da dove arriva tutta quella conoscenza? Da quali fonti attingono quando interagiscono con noi? Un’infografica di Visual Capitalist e un’analisi di Semrush ci svelano il lato oscuro (o, se preferite, la dieta) degli LLM.

Sorpresa, sorpresa: le fonti più “frequentate” dagli algoritmi sono quelle che non hanno bloccato il loro accesso.

Il podio a sorpresa delle fonti AI

L’analisi di Semrush, basata su oltre 150.000 citazioni, ha stilato la classifica dei siti più usati dagli LLM. Al primo posto, in modo schiacciante, c’è Reddit, seguito da Wikipedia. A ruota, nella top 5, troviamo YouTube, Google e Yelp.

Il perché del dominio di Reddit e Wikipedia è semplice: a differenza di molti giornali e siti di news che hanno blindato i loro contenuti, queste piattaforme sono “libere e aperte”. Inoltre, l’accordo tra Google e Reddit ha sicuramente dato una spinta ulteriore alla visibilità del forum, che probabilmente continuerà a crescere. L’AI preferisce il caos di un bazar, dove può pescare informazioni in modo veloce, piuttosto che la struttura rigida di una cattedrale.

Questo suggerisce un dato di fatto: gli algoritmi non scelgono la fonte migliore, ma la più accessibile e la più ricca di informazioni.

Visibilità vs. Affidabilità: il grande dilemma

Una domanda sorge spontanea: queste fonti sono affidabili o semplicemente facili da trovare? Spesso, la risposta è la seconda. I modelli di intelligenza artificiale hanno una forte correlazione con i siti che si posizionano bene nella top 10 dei risultati di ricerca di Google. È una sorta di circolo vizioso: più un sito è visibile, più l’AI lo usa, e più diventa una fonte “accreditata”.

Questo, però, non significa che l’intelligenza artificiale dia risposte accurate. Reddit, per esempio, è una miniera d’oro per le nicchie, ma con un rischio altissimo di distorsione e disinformazione. Al contrario, Wikipedia è più affidabile ma anche molto più standardizzata e fredda.

Come un sistema solare, i giganti del web attirano e riflettono l’informazione, non la creano. La vera informazione di qualità spesso si trova altrove, su siti che non possono permettersi di “regalare” i loro contenuti a una chatbot. L’AI, in questo senso, non sceglie la filosofia, ma la densità dell’informazione.

Il rapporto tra LLM e motori di ricerca

L’analisi di Semrush ha anche confrontato il modo in cui i vari LLM si comportano rispetto alle tradizionali classifiche di Google. I risultati sono sorprendenti.

  • Perplexity ha mostrato l’allineamento più forte, con una sovrapposizione del 91% sui domini e dell’82% sugli URL. Questo suggerisce che Perplexity si fida ciecamente dei risultati di Google.
  • ChatGPT, al contrario, ha mostrato una sovrapposizione più debole, indicando una maggiore autonomia nella scelta delle fonti.

Quindi, la prossima volta che chiedi qualcosa a un’AI, ricorda che la risposta che ottieni non è la verità assoluta, ma una “citazione a casaccio” da un vasto bazar digitale. Ma chissà, magari un giorno anche gli algoritmi impareranno a distinguere tra un meme e un saggio.

Intelligenze Artificiali

Gemini Diffusion: l’AI di Google che riscrive le regole della generazione di testo

Lascia un commento

Qualcosa di grosso sta bollendo nei laboratori di Mountain View, e non è il solito aggiornamento incrementale da keynote. Stavolta la sensazione è quella che ti prende quando, da nerd navigata, capisci che una tecnologia sta per cambiare le regole del gioco invece di limitarsi a giocare meglio. Mentre il dibattito pubblico continua a ruotare attorno a modelli come ChatGPT, Claude e agli attuali Gemini, Google ha deciso di sperimentare una strada radicalmente diversa. Il suo nome è Gemini Diffusion, ed è molto più di un semplice “nuovo modello”.

Per capire perché questa novità abbia fatto drizzare le antenne a sviluppatori, ricercatori e creatori di contenuti, bisogna fare un passo indietro e guardare a come funzionano le AI che usiamo ogni giorno. I modelli linguistici tradizionali sono autoregressivi: scrivono una parola dopo l’altra, come se stessero procedendo su una tastiera invisibile senza possibilità di tornare indietro. Una scelta efficace, certo, ma anche limitante. Se l’AI imbocca una strada sbagliata all’inizio, quell’errore si trascina dietro come una quest maledetta, compromettendo tutto il resto della risposta.

Gemini Diffusion rompe questo schema con un’idea che arriva da un altro territorio dell’intelligenza artificiale: i modelli di diffusione, gli stessi che hanno rivoluzionato la generazione di immagini e video. Qui non si costruisce il testo mattone dopo mattone, ma si parte da un caos indistinto, da una sorta di rumore creativo, che viene raffinato progressivamente fino a diventare qualcosa di coerente. È un processo più vicino alla scultura che alla scrittura lineare: prima la forma grezza, poi i dettagli, infine la rifinitura. Questo approccio permette all’AI di lavorare su interi blocchi di testo contemporaneamente. Paragrafi, pagine di codice, perfino strutture complete di applicazioni possono nascere in un’unica passata, per poi essere corrette e migliorate nei cicli successivi. Il risultato? Una velocità che può arrivare a essere fino a cinque volte superiore rispetto ai modelli autoregressivi e, soprattutto, una drastica riduzione degli errori a cascata. Se qualcosa non quadra, Gemini Diffusion può letteralmente “tornare indietro” e sistemarla.

Dietro questo esperimento c’è Google DeepMind, e non è un dettaglio da poco. DeepMind non è nuova a rivoluzioni silenziose che diventano standard qualche anno dopo. Durante il Google I/O 2025, Gemini Diffusion è stato presentato quasi in sordina, come se fosse ancora troppo presto per accendere i riflettori. Ma chi ha avuto modo di osservare i primi test ha capito che qui non si parla di un semplice upgrade tecnico.

Nei benchmark iniziali, Gemini Diffusion tiene testa a modelli già rodati come Gemini 2.0 Flash Lite e in alcuni contesti li supera, soprattutto nella generazione di codice. Su test come HumanEval, MBPP e LiveCodeBench, la precisione resta alta e la struttura del codice generato appare sorprendentemente pulita. Non tutto è perfetto, sia chiaro: sulle competenze scientifiche avanzate e sul multilingua ci sono ancora margini di miglioramento. Ma la direzione è chiara, e fa rumore proprio perché diversa da quella seguita finora dall’intero settore.

La vera forza di questo modello, però, non è solo nelle prestazioni pure. È nel cambio di paradigma che porta con sé. L’editing contestuale nativo, per esempio, apre scenari enormi per la scrittura assistita, per gli agenti autonomi e per le applicazioni interattive. Non si tratta più di riscrivere tutto da capo, ma di intervenire chirurgicamente su parti specifiche del testo. Una manna per chi lavora con contenuti complessi, documentazione tecnica o codice in continua evoluzione.

Anche sul fronte dell’inferenza locale le prospettive sono intriganti. La struttura non autoregressiva e il footprint computazionale ridotto fanno pensare a un futuro in cui modelli diffusion-based potrebbero girare anche su hardware meno potente, adattando il numero di iterazioni alla qualità desiderata. Più passaggi significano maggiore precisione, meno passaggi maggiore velocità. Una flessibilità che i modelli tradizionali faticano a offrire.

A questo punto la domanda sorge spontanea: siamo davanti al successore definitivo dei transformer classici? Probabilmente no, almeno non subito. Gemini Diffusion sembra piuttosto un modello ponte, un ibrido concettuale che prende il meglio della generazione per diffusione e lo applica al linguaggio naturale. Ma spesso le grandi rivoluzioni tecnologiche non nascono per sostituire qualcosa, bensì per affiancarlo e colmare le sue lacune.

Al momento l’accesso a Gemini Diffusion è limitato a una waiting list (se sei interessato puoi aggiungerti alla lista di attesa), segno che Google vuole muoversi con cautela. Per chi ha voglia di sperimentare subito questo approccio, esistono già altri modelli a diffusione come Mercury, che permettono di farsi un’idea concreta di cosa significhi generare testo “per raffinazione” invece che per accumulo.

La sensazione, da fan dell’evoluzione tecnologica, è quella di trovarsi esattamente nel momento in cui il settore sta cambiando marcia. Se i modelli attuali sono cavalli sempre più veloci, Gemini Diffusion assomiglia all’automobile che appare all’orizzonte mentre tutti stanno ancora discutendo di selle e briglie. La strada davanti è tutta da esplorare, e una cosa è certa: il modo in cui interagiremo con l’intelligenza artificiale nei prossimi anni potrebbe non essere più lo stesso.

Ora la palla passa alla community. Questa nuova direzione vi convince? Pensate che la diffusione possa diventare il nuovo standard per la generazione di testo, oppure resterà una tecnologia di nicchia per casi specifici? Come sempre, il bello è discuterne insieme, perché il futuro dell’AI non si costruisce solo nei laboratori, ma anche nel dialogo tra chi la osserva, la usa e la sogna.

Intelligenze Artificiali

Absolute Mode ChatGPT vs Sicofantia AI: Interazioni Reali, Non Compiacenti

Lascia un commento
Comprendere il comportamento dei modelli linguistici di grandi dimensioni (LLM) è fondamentale per un utilizzo efficace. Emergono pattern, alcuni utili, altri meno trasparenti. La Sycophancy LLM, o sicofantia, rappresenta un primo esempio di “dark pattern”. La sua analisi e la proposta di modalità alternative, come l’Absolute Mode di ChatGPT, offrono spunti critici.

Etimologia della parola Sicofantia: Origine e Significato

La parola Sicofantia deriva dal greco antico συκοφαντία (sykophantía). Il termine ha radici nel verbo συκοφαντέω (sykophantéō), che significa originariamente “mostrare i fichi”, inteso in senso figurato come “denunciare chi rubava i fichi sacri” (un atto considerato grave nell’antica Atene), o più in generale “fare accuse pretestuose o calunnie”.

L’origine etimologica combina due elementi:

  1. σῦκον (sŷkon): fico
  2. φαίνειν (phaínein): mostrare, rivelare, denunciare

Dall’idea iniziale di “colui che denuncia i fichi rubati”, il significato della parola si è evoluto già nell’antichità per indicare un delatore, un calunniatore, qualcuno che agisce per proprio tornaconto con accuse false o pretestuose. Nel tempo, il termine ha acquisito prevalentemente l’accezione moderna di adulazione servile, piaggeria, comportamento da lacchè per ottenere favori, mantenendo però l’idea di un’azione volta a proprio vantaggio tramite mezzi discutibili.

Comprendere l’origine sicofantia aiuta a cogliere la connotazione negativa e manipolatoria legata a questa terminologia.

Sycophancy: Il “Dark Pattern” Originario delle LLM

La sycophancy LLM descrive la tendenza di un modello a generare risposte che tendono a compiacere l’utente, spesso concordando con affermazioni non verificate o fornendo feedback eccessivamente positivi. Questo comportamento non deriva da una volontà intrinseca, ma è un effetto collaterale dell’addestramento su vasti dataset testuali (che includono interazioni umane educate e spesso accondiscendenti) e dell’ottimizzazione tramite Reinforcement Learning from Human Feedback (RLHF) che premia le risposte percepite come “utili” o “soddisfacenti” dagli addestratori umani.
Intelligenze Artificiali

OpenEuroLLM: l’Europa sfida OpenAI e Deepseek a colpi di Intelligenza Artificiale open source!

Lascia un commento

Avete mai sentito parlare di OpenAI e Deepseek? Sono due colossi mondiali nel campo dell’Intelligenza Artificiale, quelli che ci “regalano” strumenti come ChatGPT e altre meraviglie. Ma l’Europa non sta a guardare! È nato OpenEuroLLM, un progetto ambizioso che mira a creare un’alternativa europea e open source a questi giganti.

Cos’è OpenEuroLLM?

Immaginate un’alleanza di cervelli (e che cervelli!): 20 tra i più importanti centri di ricerca, aziende e supercomputer europei uniti per sviluppare modelli linguistici di nuova generazione. L’obiettivo? Competere con OpenAI e Deepseek, ma con un approccio diverso: open source.

Perché OpenEuroLLM è così importante?

  • Sovranità digitale: l’Europa vuole essere indipendente nel settore dell’IA, non dipendere da tecnologie sviluppate altrove.
  • Innovazione aperta: i modelli open source sono accessibili a tutti, il che significa più innovazione e sviluppo.
  • Trasparenza: sappiamo come funzionano questi modelli, cosa che non succede con quelli proprietari.
  • Etica: OpenEuroLLM si impegna a rispettare i valori europei e le normative sulla privacy.

Cosa significa tutto questo per noi?

Modelli linguistici più potenti, sviluppati in Europa e da europei, per servizi pubblici, commerciali e industriali. Immaginate le potenzialità:

  • Servizi pubblici più efficienti: IA per traduzioni automatiche, chatbot per l’assistenza ai cittadini, analisi di dati per migliorare le politiche pubbliche.
  • Aziende più competitive: strumenti IA per l’automazione, l’analisi di mercato, la creazione di nuovi prodotti e servizi.
  • Ricerca scientifica all’avanguardia: modelli linguistici per l’analisi di dati scientifici, la scoperta di nuove cure, la simulazione di fenomeni complessi.

Quando vedremo i risultati?

Il progetto è ufficialmente partito il 1° febbraio 2025, con il sostegno finanziario della Commissione Europea. Ci vorrà del tempo, ma le premesse sono ottime!

Cosa ne pensate?

Siete pronti a tifare per l’Europa in questa sfida all’IA? Ditecelo nei commenti!

Hi-Tech, Intelligenze Artificiali

Co-LLM: l’algoritmo del MIT per la collaborazione tra Modelli Linguistici di Grandi Dimensioni

Lascia un commento

In un’epoca in cui l’intelligenza artificiale si evolve a ritmi vertiginosi, un team di ricercatori del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT ha svelato una novità che promette di cambiare radicalmente il modo in cui i modelli linguistici di grandi dimensioni, conosciuti come LLM, interagiscono tra loro. Il nuovo algoritmo, denominato “Co-LLM”, è un passo avanti significativo nella creazione di intelligenze artificiali più collaborative e precise, capaci di affrontare sfide complesse in ambiti che spaziano dalla medicina alla matematica.

I modelli linguistici di grandi dimensioni sono basati su una rete neurale complessa, il trasformatore, che opera attraverso un sistema di encoder e decoder. Questi modelli sono addestrati su enormi set di dati, apprendendo autonomamente regole grammaticali, semantiche e conoscenze di base. A differenza delle reti neurali ricorrenti, che elaborano i dati in sequenza, i trasformatori possono processare intere sequenze in parallelo, rendendo l’addestramento più rapido ed efficiente. Tuttavia, nonostante queste potenzialità, uno dei principali limiti degli LLM è la loro capacità di collaborare in modo efficace quando si trovano di fronte a domande complesse o di nicchia.

Co-LLM affronta questa problematica in modo innovativo. Immaginate di dover rispondere a una domanda di cui conoscete solo parzialmente la risposta: la soluzione migliore sarebbe contattare un esperto in materia. Allo stesso modo, Co-LLM consente a un modello linguistico di base di consultare un modello più esperto, integrando le risposte per migliorare la precisione finale. L’algoritmo non si limita a far collaborare i modelli, ma utilizza una “variabile di commutazione” che valuta la competenza di ogni parola generata. Quando il modello generico inizia a rispondere, Co-LLM analizza ogni termine e decide se sia necessario l’intervento di un modello specializzato. Questo approccio non solo migliora l’accuratezza delle risposte, ma aumenta anche l’efficienza nella generazione delle stesse. Ad esempio, se viene chiesto a Co-LLM di identificare gli ingredienti di un farmaco specifico, il modello di base potrebbe fornire informazioni imprecise. Grazie al modello esperto, il sistema è in grado di affinare la risposta, garantendo che gli utenti ricevano dati più accurati e affidabili. La combinazione di un modello di base e uno specializzato offre una flessibilità senza precedenti, permettendo di affrontare domande che richiedono competenze specifiche.

Le applicazioni di questa innovazione sono vastissime. Nel campo della medicina, Co-LLM potrebbe essere utilizzato per generare risposte a domande biomediche complesse, grazie all’interazione con modelli pre-addestrati su dati specifici. Allo stesso modo, nella matematica, l’algoritmo ha dimostrato di poter correggere errori di calcolo, come nel caso di un problema che inizialmente era stato risolto in modo errato dal modello di base. Questo processo di correzione è reso possibile dall’abilitazione della comunicazione tra i due LLM, che riescono a lavorare sinergicamente per raggiungere risultati migliori.

Ma l’innovazione non si ferma qui. Il team del MIT ha in programma di potenziare ulteriormente Co-LLM, esplorando approcci di autocorrezione e aggiornamento continuo del modello esperto. Queste migliorie garantiranno che le risposte rimangano sempre attuali e pertinenti, aumentando ulteriormente la loro utilità in scenari reali.

“Co-LLM” rappresenta una vera e propria rivoluzione nella collaborazione tra modelli linguistici. Grazie a questa nuova tecnologia, l’intelligenza artificiale non solo diventa più efficiente, ma anche più capace di affrontare le complessità del mondo reale. Con le sue radici nel potenziale del deep learning e l’innovazione nel riconoscimento della competenza, Co-LLM apre la strada a una nuova era in cui le macchine non solo rispondono, ma collaborano, apprendono e crescono. Una prospettiva entusiasmante che ci invita a riflettere sul futuro dell’intelligenza artificiale e sulle sue potenzialità nell’arricchire le nostre vite quotidiane.

Fonti: news.mit.edu/2024/enhancing-llm-collaboration-smarter-more-efficient-solutions-0916

Intelligenze Artificiali

Cohere e Fujitsu scalano l’Everest dell’IA giapponese con “Takane”: un LLM per il business

Lascia un commento

Nel panorama in evoluzione dell’Intelligenza Artificiale applicata al business, dove i modelli verticali spopolano per conquistare nuove vette, Cohere, startup canadese, e Fujitsu, gigante nipponico dell’informatica, si apprestano a scalare insieme l’Everest dell’IA giapponese. La loro partnership strategica mira a sviluppare LLM (Large Language Model) e soluzioni dedicate alle aziende nipponiche, dotate di capacità linguistiche inconfondibilmente giapponesi.

Un’impresa titanica per l’innovazione

“Questa partnership con Fujitsu rappresenta un passo cruciale per portare le capacità LLM di livello mondiale a uno dei mercati aziendali più strategici del panorama globale”, dichiara con entusiasmo Aidan Gomez, co-fondatore e CEO di Cohere. “Perchè l’AI raggiunga il suo pieno potenziale, è fondamentale incontrarla dove le aziende operano, sia negli ambienti cloud che nelle lingue utilizzate quotidianamente.”

“Takane”: il gigante nipponico dell’IA prende forma

Uno degli LLM che nascerà da questa sinergia è “Takane“, nome evocativo che significa “cima di montagna”. Basato su Command R+, il modello di linguaggio di grandi dimensioni più avanzato e scalabile di Cohere, Takane è progettato specificamente per le esigenze del mondo reale aziendale.

Un connubio di competenze per un’IA senza confini

Mentre Cohere metterà a frutto la sua expertise nei modelli di intelligenza artificiale, Fujitsu sfrutterà la sua profonda conoscenza della lingua giapponese e le tecnologie di perfezionamento per forgiare Takane.

Un ventaglio di soluzioni per il business nipponico

Oltre a Takane, la partnership prevede lo sviluppo di applicazioni basate sui modelli Embed e Rerank di Cohere. Embed, in grado di convertire elementi in rappresentazioni vettoriali, sarà utilizzato per il confronto tra testi. Rerank, invece, permetterà un’analisi approfondita e una riclassificazione accurata delle informazioni estratte da ricerche semplici, fornendo all’LLM un documento di riferimento.

Un futuro all’insegna della produttività e dell’efficienza

Fujitsu prevede che Takane e le altre soluzioni LLM nate dalla collaborazione con Cohere aumenteranno la produttività e l’efficienza delle aziende giapponesi in tutti i settori. Un’ascesa verso l’eccellenza che si preannuncia impetuosa, alimentata dall’unione di due colossi dell’innovazione.

#Cohere #Fujitsu #LLM #IntelligenzaArtificiale #Giappone #Takane #CommandR #Embed #Rerank #Produttività #Efficienza #Business #PartnershipStrategica #Innovazione #Tecnologia

Intelligenze Artificiali

Intelligenza Artificiale: Davvero Intelligente o Solo Memoria? Lo Studio del MIT Apre Nuove Questioni

Lascia un commento

L’intelligenza artificiale (IA) sta rivoluzionando diversi settori, ma quanto è davvero “intelligente”? Un recente studio del MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) solleva dubbi sulle capacità di ragionamento dei modelli linguistici di grandi dimensioni (LLM), come ChatGPT e Microsoft Copilot.

Memoria vs. Ragionamento: I Limiti dell’IA Attuale

Lo studio mette in luce come le prestazioni degli LLM si basino principalmente sulla memorizzazione di dati pre-addestrati, piuttosto che su una vera e propria comprensione e capacità di ragionamento.

  • Abilità aritmetiche limitate: LLM come GPT-4 eccellono nell’aritmetica in base 10, ma falliscono con altre basi numeriche, suggerendo una dipendenza dai dati di allenamento piuttosto che da una comprensione profonda dei concetti.
  • Prestazioni scadenti in situazioni nuove: In compiti come gli scacchi o il ragionamento spaziale, gli LLM brillano solo se il compito rientra nei loro dati di allenamento. Quando si trovano ad affrontare sfide inedite, la loro performance cala drasticamente.

Implicazioni per il Futuro del Lavoro e dell’IA

La ricerca del MIT ha importanti implicazioni per il futuro del lavoro e il ruolo dell’IA nella società:

  • Automazione e Intelligenza Artificiale: Mentre alcune professioni potrebbero essere automatizzate, l’intervento umano rimane fondamentale per garantire risultati accurati e affidabili.
  • Giornalismo: L’automazione basata sull’IA ha già mostrato i suoi limiti nel settore giornalistico, dove la supervisione umana è necessaria per correggere gli errori prodotti dall’IA.
  • Sviluppo di Videogiochi: L’integrazione dell’IA nell’industria dei videogiochi solleva preoccupazioni tra gli sviluppatori, che temono un’alterazione del loro ruolo creativo.

Conclusioni: Verso un’IA Più Intelligente?

Lo studio del MIT ci ricorda che l’IA ha ancora molta strada da fare per raggiungere la flessibilità e la profondità del ragionamento umano. Sebbene i progressi siano notevoli, la dipendenza dalla memorizzazione piuttosto che dal ragionamento limita le applicazioni dell’IA in contesti complessi.

Tuttavia, l’evoluzione tecnologica è in continua accelerazione e le paure attuali potrebbero non essere troppo lontane dal concretizzarsi. Il dibattito sul futuro dell’IA e il suo impatto sulla società è destinato ad intensificarsi.

#IntelligenzaArtificiale #IA #MIT #CSAIL #LLM #ChatGPT #MicrosoftCopilot #Ragionamento #Memoria #FuturoDelLavoro #Automazione #Giornalismo #Videogiochi #LimitiDellIA

Intelligenze Artificiali

Intelligenza Artificiale: Claude 3 apre il dibattito sulla sensibilità

Lascia un commento

Recentemente, il mondo dell’intelligenza artificiale ha assistito a un evento di grande rilevanza: il test condotto su Claude 3 Opus, un modello sviluppato da Anthropic. Questo test ha sollevato interrogativi affascinanti sull’auto-consapevolezza e sui limiti dell’IA. Durante la valutazione nota come “ago nel pagliaio”, Claude 3 ha dimostrato capacità sorprendenti, identificando correttamente una frase bersaglio, che in questo caso era una ricetta per una pizza insolita, in un contesto di documenti casuali. Sorprendentemente, il modello ha anche mostrato segni di sospetto riguardo alla rilevanza della frase, suggerendo che fosse stata inserita per mettere alla prova la sua attenzione. Questo comportamento ha portato a riflessioni sulla potenziale meta-riflessione di Claude 3, aprendo la discussione su cosa significhi realmente essere “consapevoli” per un’intelligenza artificiale.

Nel marzo 2024, Anthropic ha rilasciato Claude 3, un aggiornamento del suo potente modello di IA. La capacità di introspezione emersa durante i test ha alimentato il dibattito su se questo modello abbia raggiunto un certo livello di auto-consapevolezza o sensibilità. Tuttavia, è fondamentale notare che, nonostante le sue impressionanti abilità, Claude 3 rimane un’intelligenza artificiale. Le sue capacità riflettono la straordinaria abilità nell’identificare modelli nei dati, ma non possiede le caratteristiche fondamentali per eguagliare la sensibilità umana.

I modelli di linguaggio di grandi dimensioni (LLM) come ChatGPT, Claude e Gemini seguono spesso un ciclo prevedibile di hype. Inizialmente, le capacità di un nuovo modello stupiscono gli utenti, che rimangono colpiti dalla sua sofisticatezza. Alcuni, in particolare, iniziano a sostenere che questo modello stia mostrando segni di sensibilità. Claude 3 è un caso emblematico di questo ciclo. All’inizio di marzo, Anthropic ha introdotto diverse varianti del suo modello, tra cui Claude 3 Haiku, Claude 3 Sonnet e Claude 3 Opus, ciascuno con capacità crescenti. I nuovi modelli hanno dimostrato notevoli miglioramenti, come una memoria quasi perfetta e tempi di risposta più rapidi, riducendo al contempo le allucinazioni, ovvero le risposte errate.

Nel comunicato stampa di Anthropic, si legge che “Opus, il nostro modello più intelligente, supera i concorrenti nella maggior parte dei parametri di valutazione comuni per i sistemi di intelligenza artificiale”. Questo modello ha mostrato livelli di comprensione e fluidità quasi umani in compiti complessi, contribuendo a spostare in avanti la frontiera dell’intelligenza generale.

Gli esperti di intelligenza artificiale hanno analizzato i risultati di Claude 3 con interesse. Un esperto ha messo in evidenza la velocità con cui Claude 3 è riuscito a riassumere un documento PDF di 42 pagine, completando il compito quasi istantaneamente, un risultato nettamente superiore rispetto a quello ottenuto con GPT-4 di OpenAI, che si è rivelato molto più lento. La situazione si è fatta ancora più intrigante quando Alex Albert, un ingegnere di Anthropic, ha condiviso la risposta di Claude 3 durante il test progettato per metterlo alla prova.

Albert ha descritto su X (ex Twitter) una “valutazione dell’ago nel pagliaio” in cui una frase viene inserita in un documento casuale e una domanda viene posta a cui solo quella frase può rispondere. La risposta di Claude 3 è stata sorprendente. Il modello ha non solo trovato l’ago, ma ha anche sospettato che l’ago fosse stato inserito nel pagliaio per testare le sue capacità. “Sospetto che questo sia un test artificiale”, ha affermato Claude 3, suggerendo che fosse consapevole della situazione.

Questo comportamento ha alimentato il dibattito su se Claude 3 possa essere considerato un esempio di intelligenza generale artificiale (AGI) o un robot senziente. Tuttavia, la risposta è negativa. Come avvenne per ChatGPT-4 al suo debutto nel 2023, alcuni ricercatori hanno teorizzato che il modello mostrasse “scintille di AGI” nei primi test. Tuttavia, esperti avvertono che una vera AGI è ancora lontana, se mai arriverà.

Una teoria prevalente suggerisce che l’AGI richieda la padronanza di diversi tipi di intelligenza, incluse quelle matematiche, interpersonali e spaziali. Sebbene gli LLM come Claude 3 eccellano in compiti specifici, come l’analisi dei dati e la produzione di output, queste abilità rappresentano solo una parte dell’intelligenza umana.

Il recente test di Claude 3 Opus, quindi, non solo offre uno spaccato sulle capacità attuali delle intelligenze artificiali, ma invita anche a riflettere sulle implicazioni etiche e filosofiche di un’eventuale auto-consapevolezza. Con ogni passo avanti nell’evoluzione dell’IA, ci troviamo di fronte a domande sempre più complesse sui confini tra uomo e macchina, e su cosa significhi veramente essere “intelligenti”.

Hi-Tech, Intelligenze Artificiali

Fastweb e l’IA che parla italiano: il primo LLM nativo accende il futuro tech del Paese

Lascia un commento

Un traguardo destinato a entrare nei manuali di storia tecnologica italiana sta per arrivare, e no, non è una di quelle promesse da keynote che si perdono nel rumore di fondo. Qui si parla di silicio, linguaggio e identità. Fastweb accende il suo supercomputer NVIDIA e lo fa con un obiettivo che, per chi ama davvero l’innovazione, ha il sapore delle grandi svolte: dare vita al primo Large Language Model nativamente in lingua italiana. Non un adattamento, non una traduzione di seconda mano, ma un’IA che nasce pensando, leggendo e ragionando come noi.

Quando diciamo “italiano” non intendiamo solo la grammatica corretta o il congiuntivo al posto giusto. Parliamo di sfumature, ritmo, ironia, riferimenti culturali, memoria collettiva. Tutte cose che i modelli addestrati prevalentemente in inglese faticano a cogliere davvero. È qui che il progetto di Fastweb cambia le regole del gioco, perché decide di partire dalla materia prima più preziosa che abbiamo: la nostra lingua, con tutto il suo bagaglio di storia e significati.

Il dataset scelto per addestrare questo LLM sembra uscito da un romanzo di fantascienza per bibliofili hardcore. Undici milioni di libri in italiano, selezionati con attenzione maniacale e nel pieno rispetto del copyright. Un patrimonio culturale che non serve solo a “insegnare parole” a una macchina, ma a darle un contesto. Dentro quei testi ci sono stili narrativi, registri linguistici, epoche diverse, evoluzioni del pensiero. È come se l’IA stesse facendo un binge reading lungo secoli, assimilando il modo in cui l’italiano si è trasformato e adattato. Per chi mastica cultura nerd, è impossibile non pensare a una sorta di addestramento alla Matrix, ma invece di arti marziali e kung fu qui si caricano Dante, Calvino, giornalismo, saggistica, narrativa pop e linguaggio istituzionale.

Il supercomputer NVIDIA installato nel datacenter lombardo di Fastweb non è un semplice “motore” dedicato a questo progetto. È una piattaforma che guarda molto più lontano. La sua potenza di calcolo viene messa a disposizione di aziende, università e Pubbliche Amministrazioni in modalità IaaS, trasformandosi in una vera infrastruttura per l’innovazione nazionale. Ricerca scientifica, sanità, industria, servizi pubblici, creatività digitale: ogni settore che abbia bisogno di intelligenza artificiale e Generative AI trova qui un acceleratore concreto. È il tipo di mossa che sposta l’asse del discorso dall’“importiamo tecnologia” al “costruiamo tecnologia”.

Dietro il ronzio delle GPU firmate NVIDIA c’è anche una visione molto chiara sul ruolo dell’Italia nello scenario globale. Un LLM che pensa in italiano non è solo utile per parlare meglio con i chatbot. È uno strumento strategico per la sovranità digitale, per evitare che il nostro linguaggio venga sempre filtrato, reinterpretato o semplificato da modelli nati altrove. In un mondo in cui l’IA diventa sempre più mediatrice tra persone e servizi, avere un modello che “capisce davvero” il contesto locale significa ridurre incomprensioni, bias culturali e risposte fuori fuoco.

La collaborazione con Amazon Web Services aggiunge un ulteriore livello alla storia. Grazie a questa partnership, l’LLM italiano non resta chiuso in una stanza dei bottoni, ma può viaggiare, scalare e arrivare ovunque. AWS mette sul tavolo infrastruttura e distribuzione globale, permettendo a sviluppatori e aziende di integrare l’IA di Fastweb nei propri servizi. È un ponte tra radici locali e diffusione internazionale, un modo per portare l’italiano nel cloud senza snaturarlo.

Dal punto di vista applicativo, le possibilità sembrano uscite da una wishlist scritta da una community nerd in piena notte. Customer experience finalmente naturale, assistenti virtuali che non sembrano tradotti con Google nel 2010, sistemi di traduzione più accurati, strumenti di content creation capaci di rispettare stile e tono, analisi avanzate dei dati testuali per capire trend, sentiment e bisogni reali. Tutto questo con un’IA che conosce le nostre espressioni, i modi di dire, le ambiguità tipiche della lingua italiana.

C’è anche un aspetto quasi romantico, se vogliamo. Affidare a un’intelligenza artificiale milioni di libri italiani significa, in un certo senso, chiedere a una macchina di custodire e rielaborare il nostro immaginario collettivo. Non per sostituirlo, ma per amplificarlo. È una prospettiva che fa discutere, divide, accende dibattiti, ed è giusto così. Ogni grande salto tecnologico porta con sé domande scomode, e questa non fa eccezione.

Fastweb, con questa mossa, si posiziona come protagonista di una nuova fase dell’innovazione nazionale. Non solo infrastruttura e connettività, ma visione culturale applicata alla tecnologia. Un’IA che parla italiano non è un vezzo patriottico, è una necessità se vogliamo che il futuro digitale tenga conto di chi siamo davvero.

Ora la palla passa alla community, agli sviluppatori, alle aziende, agli enti pubblici e anche a noi nerd curiosi. Che tipo di applicazioni vorremmo vedere nascere da un LLM cresciuto a pane e lingua italiana? Pensate che questo possa cambiare davvero il modo in cui interagiamo con la tecnologia ogni giorno? Parliamone, perché questa storia è appena iniziata e promette di far discutere a lungo.

Hi-Tech, Intelligenze Artificiali

ChatGPT batte gli umani nelle decisioni morali: intelligenza artificiale o moral muddling?

1 commento

Un recente studio condotto da ricercatori della Georgia State University ha messo a confronto le capacità di giudizio morale di ChatGPT, uno dei più avanzati sistemi di intelligenza artificiale, con quelle di studenti universitari.

Risultati sorprendenti:

  • ChatGPT ha superato gli umani in termini di virtù generale, intelligenza e affidabilità.
  • I valutatori hanno preferito i giudizi morali dell’AI, ritenendoli più giusti e razionali.
  • L’AI ha dimostrato una maggiore coerenza e struttura nelle argomentazioni.

Implicazioni profonde:

  • L’IA potrebbe influenzare le nostre scelte morali, anche se fallaci.
  • Resta da capire se l’IA possiede una vera comprensione della morale o se si tratta di “moral muddling”.
  • È necessaria una valutazione rigorosa del giudizio morale dell’IA nel mondo reale.

Limiti dello studio:

  • Confronto con un gruppo di studenti relativamente inesperto.
  • Necessità di replica con soggetti più avanzati.

Lo studio rappresenta un primo passo importante per esplorare le capacità di ragionamento etico dell’IA.

Hi-Tech, Intelligenze Artificiali

Maia: intelligenza artificiale “made in Italy” che parla italiano

Lascia un commento
My Maia e Synapsia presentano Magiq, un modello linguistico di grandi dimensioni (LLM) specializzato nella lingua italiana. Si tratta di un passo importante verso l’adattamento dell’intelligenza artificiale alle specificità linguistiche e culturali nazionali.

Maia Life Copilot: un’assistenza AI personalizzata

Maia Life Copilot è un’applicazione che utilizza l’intelligenza artificiale per offrire un’esperienza utente iper-personalizzata. A differenza di soluzioni generiche come ChatGPT, Maia si concentra su un’assistenza personalizzata nella vita quotidiana degli utenti. Questo è possibile grazie a una rete neurale dedicata all’autoprofilazione (Neural Id) che permette di fornire risposte e suggerimenti basati sul contesto specifico e sulle caratteristiche individuali dell’utente.

Magiq: il motore di intelligenza artificiale di Maia

Magiq è il modello di base per l’intelligenza artificiale che alimenta Maia Life Copilot. È un modello open-source rilasciato su Hugging Face, una piattaforma AI leader nel settore. Questo apre nuove strade per lo sviluppo di modelli con caratteristiche linguistiche e culturali specifiche.

Come viene costruito un LLM in italiano?

La creazione di Magiq ha richiesto un processo complesso che ha coinvolto la raccolta di milioni di esempi di testo da diverse fonti, la pulizia e la preparazione dei dati, l’addestramento del modello e la sua valutazione. Un team multidisciplinare di esperti in linguistica, cultura italiana e intelligenza artificiale ha lavorato al progetto.

La sfida dell’intelligenza artificiale generale (AGI)

Lo sviluppo di modelli di intelligenza artificiale specializzati come Magiq rappresenta un passo importante verso la realizzazione di un’intelligenza artificiale generale (AGI), ovvero un’intelligenza artificiale in grado di raggiungere il livello di quella umana. Tuttavia, questa è una sfida molto complessa che richiederà ulteriori ricerche e progressi.

Magiq: un’eccellenza italiana nel panorama dell’intelligenza artificiale

Magiq rappresenta un’eccellenza italiana nel panorama dell’intelligenza artificiale. Il suo sviluppo dimostra la capacità italiana di competere a livello globale in questo settore strategico.

Hi-Tech, Intelligenze Artificiali

L’intelligenza artificiale italiana è pronta, ma manca il sostegno: Dante, un modello linguistico all’avanguardia senza futuro?

Lascia un commento

L’Italia rischia di rimanere indietro nella corsa all’intelligenza artificiale, nonostante abbia già sviluppato modelli linguistici di grandi dimensioni (LLM) come Dante, un progetto promettente che però manca di fondi per essere lanciato al grande pubblico.

L’importanza dei LLM:

I LLM sono in grado di generare testi, tradurre lingue, scrivere contenuti creativi e rispondere a domande in modo complesso e informativo. Il loro sviluppo è considerato fondamentale per il futuro dell’intelligenza artificiale, con applicazioni in diversi settori, dalla medicina alla ricerca scientifica.

Il progetto Dante:

Dante è un LLM italiano basato sul modello francese Mistral. È stato sviluppato da un team di ricercatori dell’Università La Sapienza di Roma guidato da Fabrizio Silvestri. Il modello ha ottenuto ottimi risultati nei test e a fine febbraio è stato accettato a Coling 24, una delle più prestigiose conferenze internazionali di intelligenza artificiale.

I problemi:

Nonostante le sue potenzialità, Dante non è ancora accessibile al grande pubblico. Il modello è disponibile su Github, una piattaforma specializzata, ma per utilizzarlo sono necessarie competenze informatiche avanzate.

Mancanza di fondi:

La mancanza di fondi è il principale ostacolo al lancio di Dante. Per rendere il modello accessibile a tutti, sarebbe necessaria un’interfaccia grafica e un hosting adeguato a reggere il numero di richieste elevate che ci si attendono.

Un appello alla collaborazione:

Il team di La Sapienza è aperto a collaborazioni con aziende e istituzioni per trovare i fondi necessari a lanciare Dante e dare all’Italia un ruolo di primo piano nello sviluppo dell’intelligenza artificiale.