MIND.AI Update #33 – L’IA tra conti, satelliti e battiti nascosti
OpenAI e Anthropic non si sfidano più sui benchmark, ma sul costo reale di ogni compito portato a termine; Google lancia il primo esperimento di calcolo in orbita con Project Suncatcher; e a Cosenza un algoritmo impara a leggere nell’elettrocardiogramma i segnali invisibili dello scompenso cardiaco. Tre storie diverse, un solo filo conduttore: l’IA non promette più solo intelligenza, ma efficienza, resistenza e precisione clinica. Quale di queste sfide cambierà per prima il modo in cui lavoriamo?
Claude Opus 5.5 e GPT-6 Sol/Luna: La nuova guerra dell’efficienza e del “costo per compito”
Il panorama dell’intelligenza artificiale si presenta, all’inizio dell’autunno, in una fase di piena maturità industriale, abbandonando l’illusione che una singola architettura o un punteggio record nei benchmark accademici possano bastare a decretare la superiorità di un provider. La vera frontiera della competizione tra OpenAI e Anthropic si è trasferita sul piano dell’efficienza economica misurabile: quanto costa, in termini reali di calcolo, tempo e chiamate alle API, portare a termine un lavoro complesso senza errori né interventi manuali di correzione. A fronte di questa esigenza, i due colossi hanno adottato strategie di differenziazione mirate, inaugurando lo scontro tra la famiglia GPT-6 (Sol e Luna) e il nuovo Claude Opus 5.5.
La risposta di OpenAI si basa sulla separazione funzionale dei carichi di lavoro. Con GPT-6 Sol, l’azienda indirizza le attività analitiche ad altissimo valore aggiunto, la ricerca scientifica e le deduzioni logiche prolungate che richiedono la massima affidabilità concettuale. All’estremo opposto si colloca GPT-6 Luna, una variante agile e a basso costo, pensata per svolgere operazioni ripetitive su larga scala, come la classificazione documentale, lo smistamento dei flussi di dati e l’estrazione di metadati ad altissima velocità.
Questa biforcazione offre alle imprese la possibilità teorica di orchestrare carichi eterogenei, ma impone una gestione attenta del routing per evitare che compiti banali vengano instradati su motori energivori o che, al contrario, modelli leggeri falliscano su problemi complessi generando costosi loop di allucinazione.
Sul versante opposto, Anthropic ha strutturato Claude Opus 5.5 posizionandolo esplicitamente sui flussi di lavoro ad alta complessità agentica. Il modello è ottimizzato per sostenere sessioni di programmazione autonoma a riga di comando, interagire con l’ambiente del computer e mantenere la coerenza su basi di codice infinite. In un test documentato dall’azienda, Opus 5.5 è riuscito ad analizzare e correggere una base di codice di 200.000 righe in meno di tre ore, mentre le iterazioni precedenti impiegavano oltre venti ore, consumando più del doppio dei token.
L’obiettivo di Anthropic è dimostrare che un prezzo nominale per token più elevato si traduce in un risparmio netto se l’agente chiude l’incarico al primo tentativo, riducendo drasticamente il numero di passaggi intermedi, i tempi di inferenza e il ricorso a verifiche umane ripetute.
Questa transizione mette a nudo l’inadeguatezza delle vecchie analisi basate esclusivamente sul costo per milione di token in ingresso e in uscita.
Calcolo in orbita: con Project Suncatcher Google spedisce i chip per l’IA nello spazio
La sfida per il dominio dell’intelligenza artificiale non si combatterà più soltanto a livello di algoritmi e parametri, ma si confronterà direttamente con i vincoli dell’infrastruttura energetica terrestre. I data center di ultima generazione richiedono volumi colossali di elettricità, connessioni stabili e complessi sistemi di raffreddamento ad acqua, saturando le reti elettriche civili e industriali. Per superare questo collo di bottiglia strategico, Google ha presentato un programma sperimentale radicale: Project Suncatcher, un’iniziativa pionieristica volta a valutare la fattibilità del calcolo orbitale alimentato dall’energia solare.
Il primo passo operativo del programma è fissato per il 1° ottobre, un satellite sperimentale, dalle dimensioni compatte paragonabili a quelle di un elettrodomestico, sarà posizionato in orbita terrestre bassa a bordo della missione Transporter-18 di SpaceX. Al suo interno saranno alloggiate quattro unità TPU (Tensor Processing Unit), i circuiti integrati proprietari sviluppati da Mountain View per accelerare i carichi di lavoro di machine learning.
Il modulo consumerà inizialmente circa un kilowattora di potenza, una soglia modesta rispetto ai fabbisogni dei cluster terrestri, ma calibrata per fungere da banco di prova critico. Il vantaggio teorico dello spazio è enorme: al di fuori dell’atmosfera terrestre, i pannelli fotovoltaici possono raccogliere fino a otto volte l’energia solare rispetto alla superficie, garantendo un’esposizione costante senza l’intermittenza del meteo o del ciclo giorno-notte.
L’ambiente spaziale impone tuttavia ostacoli tecnici ed economici durissimi che non consentono entusiasmi facili. La missione serve innanzitutto a verificare la sopravvivenza dell’hardware. Durante il decollo, il satellite deve sopportare accelerazioni fino a dieci volte la gravità terrestre, con componenti interni esposti a sollecitazioni persino cento volte superiori. Una volta in orbita, il flusso di particelle energetiche e di radiazioni solari rischia di alterare i dati in memoria (bit flip) o danneggiare permanentemente i circuiti in silicio, nonostante i test preliminari a terra abbiano simulato dosi d’urto pluriennali.
Altrettanto complessa è la gestione termica. Nel vuoto spaziale, pur in presenza di temperature gelide, l’assenza di atmosfera impedisce lo smaltimento del calore tramite la ventilazione ad aria. Ogni singolo watt generato dai chip deve essere convogliato attraverso tubi di calore (heat pipes) verso radiatori esterni ed emesso nello spazio sotto forma di radiazione infrarossa, il che richiede un’ingegneria dei materiali estremamente sofisticata.
Il lancio di TPU nello spazio mette in chiaro che i costi di trasporto di massa in orbita, i collegamenti di trasmissione dati e la totale impossibilità di manutenzione fisica rendono i data center spaziali una prospettiva di ricerca avanzata, non una soluzione commerciale a breve termine.
Cuore in affanno: l’Università della Calabria legge i micro-segnali invisibili dell’ECG
L’applicazione dell’intelligenza artificiale nel settore sanitario italiano compie un passo decisivo, dimostrando come gli algoritmi avanzati possano potenziare la diagnostica preventiva a partire da strumenti clinici già ampiamente diffusi e a basso costo. La ricerca di respiro internazionale, guidata dal team dell’Università della Calabria a Cosenza e in uscita sulla rivista European Heart Journal – Quality of Care and Clinical Outcomes, ha documentato lo sviluppo di un modello predittivo capace di valutare il rischio di insufficienza cardiaca con un’accuratezza senza precedenti. L’innovazione si concentra su un esame di routine eseguito quotidianamente in ospedali e ambulatori: l’elettrocardiogramma a 12 derivazioni.
Il modello matematico è stato sviluppato e addestrato su un’ampia base di dati clinici, raccolti tra il 2009 e il 2019. Analizzando migliaia di tracce cardiache, il sistema di machine learning ha imparato a riconoscere alterazioni infinitesimali nei potenziali d’azione e nei microsegnali elettrici che sfuggono persino allo sguardo del cardiologo più esperto.
L’algoritmo dimostra che l’ECG standard racchiude una quantità di informazioni fisiopatologiche nettamente superiore a quanto ritenuto in passato, consentendo di quantificare il grado di scompenso e il relativo rischio cardiovascolare senza dover sottoporre il paziente a procedure diagnostiche complesse, risonanze magnetiche o specifici dosaggi di biomarcatori nel sangue. Rilevare precocemente queste alterazioni significa intervenire tempestivamente con terapie farmacologiche adeguate, rallentando o bloccando la progressione verso le fasi acute della patologia.
La ricaduta operativa di questa applicazione riveste una rilevanza prioritaria per il Servizio Sanitario Nazionale. In Italia, lo scompenso cardiaco costituisce la principale causa di ospedalizzazione tra le persone di età superiore a 65 anni, assorbendo ingenti quote della spesa pubblica per degenze prolungate e la gestione delle emergenze.
L’impiego su larga scala di un software di screening integrato nei normali elettrocardiografi consente di alleggerire il carico sui pronto soccorso e sui reparti di medicina interna, intercettando la malattia in ambito ambulatoriale e periferico prima che richieda il ricovero. Questa razionalizzazione riduce i costi di gestione e i tempi di attesa, ottimizzando i percorsi di cura sul territorio e valorizzando la medicina di prossimità. Governance dei dati sanitari e centralità del medico.
