Risorse Artificiali AI Engineering in italiano

RisorseArtificiali
  • 0.0 (0)
  • Technology
  • Weekly

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.

  1. 2d ago

    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 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

    L'AI ha patchato un LLM: 4 pesi e l'errore crolla

  2. Oct 31

    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 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

    Modelli frontiera ogni 2 settimane: come stare al passo

  3. Oct 24

    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 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 descrivi più le immagini: le programmi in JSON

  4. Oct 17

    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: 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

    Non esisterà più il software: esisteranno i prompt

  5. Oct 10

    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 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

    Sign in with OpenAI ma non ti scordare il tamagotchi

  6. Oct 3

    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 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

    L'AGI personale è già in vendita: Muse, Dots e Grokbot

  7. Sep 26

    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 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

    Dovevano rallentare: Opus 5.5, GPT6 e JEV

  8. Sep 19

    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, 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

    Ave Claude, morituri te salutant
See All (95)

About

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.

Information

You Might Also Like