Risorse Artificiali AI Engineering in italiano

Anthropic ha smantellato Git e riscritto il versioning per i suoi agenti. E se il prossimo passo fosse smettere di scrivere software?

In questa puntata parliamo dei segnali che arrivano da tutti i fronti: Anthropic ha sostituito Git con Xeon perché tutto il loro codice è scritto dagli agenti, il repo Reverse Engineer Anything ha fatto 30 mila stelle in una settimana promettendo di clonare Photoshop e Office, e la tesi più estrema gira già nei lab: non esisterà più il software, esisteranno i prompt.

Poi gadget: Meta esce con gli SDK per portare i suoi modelli su ESP32 e Raspberry, Amazon risponde con Frontier e un braccialetto a 12 dollari al mese, e Stefano spiega perché per le big tech il valore non è l'abbonamento: sono i dati di voce e video per trainare modelli e robot.

Chiudiamo con i modelli usciti questa settimana: Gemini 4 Argon, ottimo nei benchmark ma più consumer che developer, Step 5 Preview open weight e la rassegna skateboard sul nostro benchmark visuale.

Capitoli:
00:00 Gemini 4, gadget AI e i rallentamenti
02:24 Meta SDK: l'AI arriva su ESP32
10:34 Batteria, sensori e privacy dei gadget
15:57 Amazon Frontier: gadget e abbonamento
22:08 Il vero business: i dati per il training
28:00 World model, Rick and Morty e Matrix
32:40 Reverse Engineer Anything: i cloni via AI
41:44 Anthropic smantella Git: ecco Xeon
45:45 Solo prompt: la fine del software?
52:30 Benchmark skateboard: Step 5 e Wonder
58:47 Gemini 4 Argon: coding, consumer e 3D

Ascolta l'episodio anche su Spotify:
https://open.spotify.com/episode/2T1IqGIJfUk14UrsWHBb5Y?utm_source=youtube&utm_medium=description&utm_campaign=ep76_drop

Sito, post e materiali:
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep76_drop

Iscriviti al canale: il prossimo episodio arriva ogni sabato alle 13:00.

#76

Sign in with OpenAI trasforma il tuo abbonamento in un portafoglio di credito AI spendibile nelle app di terze parti. Niente rivendita di token, niente chiavi API da portarsi dietro: ti logghi e consumi il tuo piano.

È la notizia con più potenziale della settimana e la analizziamo in tutti i suoi effetti: per chi sviluppa app AI (outsourcing completo del problema token), per i progetti open source, per il nuovo piano da 500 euro al mese.

Poi c'è Haiku 5.5, che Anthropic ha risvegliato dopo un anno e mezzo. Lo abbiamo messo alla prova col nostro benchmark dello skateboard: il modello piccolo consuma fino a 7 volte i token di uno grande per lo stesso task, perché compensa con più reasoning. Parliamo di costi di inferenza veri: token, GPU, tempo e margini.

In puntata anche: Claude Code Mods, i plugin visivi con event lifecycle ufficiale, Claude Code Local Alliance con le sessioni che girano in cloud, Codex for Desktop finalmente anche su Linux, Nano Banana 2.1 che rincorre GPT Image, Mistral Large che si autodefinisce il miglior modello open weight (non cinese), Embedding Gemma con i vettori multimodali su device, e i modelli decisionali come momento pivotal.

Con Stefano Maestri, Paolo Antinori e Alessio Soldano.

00:00 Intro: modelli piccoli, Mistral e Nano Banana
04:16 Claude Code Mods: plugin visivi nel terminale
09:50 Local Alliance: Claude Code gira in cloud
12:30 Codex: daemon, Desktop e modalità vocale
18:45 Sign in with OpenAI: crediti portatili
25:00 Nano Banana 2.1: immagini, GPT Image resiste
34:00 Haiku 5.5: il test dello skateboard
37:30 Token, GPU, margini: i costi dell'inferenza
48:23 Mistral Large: open weight, ma non cinese
54:18 Embedding Gemma: vettori multimodali su device
59:50 Modelli decisionali e il momento pivotal
1:05:41 Outro: custom GPT, DevFest e saluti

Ascoltalo su Spotify: https://open.spotify.com/episode/6N8L3ofj6auKYlen2ToY6K?utm_source=youtube&utm_medium=description&utm_campaign=ep75_drop
Transcript e episodi: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep75_drop

Se il podcast ti serve, iscriviti al canale: ogni sabato una puntata su cosa succede davvero nell'AI engineering, in italiano, per chi la scrive non per chi la racconta.

#75

Grokbot, Meta Muse, OpenAI Dots: gli agenti AI personali sono diventati un servizio cloud. Tutte le big tech vendono la loro versione della personal AGI: un agente con il suo computer, gestito e in cloud, che naviga, clicca e fa cose al posto tuo.

In puntata facciamo il punto sulla corsa: chi ha davvero l'infrastruttura per vendere agenti (e perché Anthropic sul consumer ancora non c'è), il Tamagotchi di Meta con l'avatar da Teletubbies, gli occhiali solo audio e il go-to-market impossibile: come si convince chi non è un early adopter a tirare fuori la carta di credito?

Poi l'esperimento sociale di Stefano: Hermes in mano a una Gen Z. Memoria, vocali, lista della spesa, "detto tra donne": l'uso che un'universitaria fa di un agente personale è completamente diverso da quello che immaginiamo noi. E la moglie di Paolo usa Hermes per monitorare Vinted e i volantini della Lidl, mentre Claude Code resta quello dell'altro lavoro.

Nei modelli non hanno rallentato: Gemini 4 a pochi giorni dal rilascio, GPT 6.1 Sol, e lo Skateboard benchmark tra Sonnet 5.5 e Sol 6.1: 79mila token e 629 secondi contro 4mila token e 96 secondi per lo stesso compito. Meglio un modello super intelligente e lento o uno veloce che ricontrolla il risultato? Ce lo siamo chiesti anche con Einstein.

In locale: Strix Halo Gorgon in pre-order, Gufo, l'inference engine made in Italy che triplica il prefill di llama.cpp, MCP Evans per triggerare agenti dai sistemi esterni e l'API compatibile con i decision model annunciata da OpenAI.

00:00 Agenti personali nel cloud e Gemini 4
05:02 Chi ha l'infrastruttura per vendere agenti
08:39 Il Tamagotchi di Meta e gli occhiali audio
15:54 Dots e il problema del go-to-market
22:52 A2A e pipeline di agenti coordinati
27:57 L'esperimento: Hermes in mano a una Gen Z
33:10 Il consumatore vuole che funzioni e basta
38:54 Dall'AI che risponde all'AI che fa cose
46:41 Skateboard: Sonnet 5.5 contro Sol 6.1
50:02 79mila token: quanto costa il reasoning
55:19 Intelligenza o velocità: il caso Einstein
59:59 Locale: Strix Halo Gorgon e Gufo
1:07:20 MCP Evans e i decision model di OpenAI

Ascolta anche su Spotify: https://open.spotify.com/episode/0A4L2R94Rd1NKSCNp6uozb?utm_source=youtube&utm_medium=description&utm_campaign=ep74_drop
Sito e shownotes: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep74_drop

Se ti interessa l'AI Engineering in italiano, iscriviti al canale: usciamo ogni sabato.

#74

Dovevano rallentare, invece: Opus 5.5, GPT6 e JEV. Tutti allo skateboard benchmark e dentro i decision model.

Una settimana con sei release: Opus 5.5, GPT6 Sol e Luna, MIMO 2.6 di Xiaomi, Step 5, JEV e Qwen Image 2.1. Noi abbiamo fatto quello che sappiamo fare, la wave 8 dello skateboard benchmark: l'omino SVG su halfpipe con fisica reale, con per la prima volta un run della community, GLM 5.3 flash in locale su DGX Spark. Numeri alla mano: Opus 5.5 completa il trick spendendo 0,40 dollari dove GPT 5 ne bruciava 10, MIMO 2.6 Flash genera 119k token di reasoning in 17 minuti prima di decidere.

Poi il tema grosso: JEV, il primo decision model commerciale. Un modello che non genera testo, decide: sì o no, un grade, una confidence, in millisecondi. Come funziona (LoRA sull'ultimo layer di un LLM, softmax riscritta, calibrazione via reinforcement learning), perché la community ha fatto 200 cloni in una settimana, e i casi d'uso veri: routing dei modelli, selezione delle skill, automode di Claude Code, robotica. Chiudiamo con Qwen Image 2.1, 7B open weight con alpha channel nativo, al livello di Nano Banana 2.

Con Stefano, Paolo e Alessio.

⏱ Capitoli
00:00 Opus 5.5, GPT6 e JEV: che strano rallentamento
02:13 Skateboard wave 8 e il repo della community
07:04 Opus 5.5: il trick a 0,40 e i prompt minimali
12:54 Loop infiniti, CLAUDE.md e AGENTS.md opt-in
17:45 MIMO 2.6: Xiaomi Cube e il miglior open weight
24:42 Step 5 e MIMO 3: sparsità per costruzione
29:45 JEV: il decision model che risponde sì o no
32:46 Dentro JEV: LoRA, softmax e 200 cloni
40:59 Perché JEV è veloce: one shot, zero autoregressione
45:00 JEV in pratica: robotica, routing e automode gratis
52:56 Una primitiva in più: mix and match, fine tuning, CLM
59:22 Qwen Image 2.1: 7B open weight e alpha channel

🎧 Ascolta l'episodio su Spotify:
https://open.spotify.com/episode/4strijnEvuOg8C7ID1y3Rj?utm_source=youtube&utm_medium=description&utm_campaign=ep73_drop

🌐 Sito, episodi e materiali:
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep73_drop

Iscriviti al canale per non perdere le prossime puntate: qui si parla di AI Engineering in italiano, per chi la scrive e non solo per chi la racconta.

#73

Agenti AI che si migliorano da soli e il benchmark che Opus non supera mai: i lab hanno paura, noi abbiamo testato.

Dopo il tweet virale di Evan Hubinger sul 10% di sterminio e l'ultimo allarme di Dario Amodei, questa settimana guardiamo i tre trend tecnici dietro alle paure dei lab: reinforcement learning su modelli piccoli, self-improvement degli harness e agent swarm. E poi facciamo quello che ci piace di più: abbiamo costruito un benchmark fatto in casa, un omino in skateboard su halfpipe in SVG animato con fisica reale, e l'abbiamo passato a una decina di modelli, da Astra a Opus, con costi, token e tempi alla mano.
https://risorseartificiali.com/skateboard/

Spoiler: Opus non è mai riuscito a farlo. Astra costa 0,26$. E i modelli piccoli reasoning bruciano 18.000 token per arrivare dove i grandi arrivano con 5.000.

Con Stefano, Paolo e Alessio.

⏱ Capitoli
00:00 Intro latina: i lab AI hanno paura
03:00 Il tweet del 10%: Hubinger, Amodei e Altman
09:56 Recursive self-improvement: modelli che migliorano se stessi
12:04 Ralentare per paura o per business? E la mossa del CERN
17:54 I tre trend: RL, harness e agent swarm
27:00 Agenti in fuga: Hugging Face e il wiki fantasma
32:00 Le Olimpiadi dei robot
38:04 Dal pellicano allo skateboard: il benchmark RA
44:11 Constrained vs unconstrained: i modelli al test
51:17 Costi, token e modelli locali
1:04:01 Harness vs modello secco
1:08:25 Lince, audio Linux e promo degli ascoltatori

🎧 Ascolta l'episodio su Spotify:
https://open.spotify.com/episode/3JMsCnedwyPXIVLO4lMx27?utm_source=youtube&utm_medium=description&utm_campaign=ep72_drop

🌐 Sito, episodi e materiali:
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep72_drop

Iscriviti al canale per non perdere le prossime puntate: qui si parla di AI Engineering in italiano, per chi la scrive e non solo per chi la racconta.

#72