L’idea di guadagnare soldi guardando TikTok suona troppo bella per essere vera. E infatti lo era. Un’app chiamata Freecash è riuscita a farsi largo nell’App Store di Apple promettendo esattamente questo: denaro in cambio di semplice scrolling. Peccato che dietro quella promessa si nascondesse un meccanismo ben diverso, fatto di giochi a pagamento mascherati e raccolta aggressiva di dati personali da rivendere a terzi.

La cosa più sorprendente? Freecash non è stata un’app di nicchia, scaricata da pochi ingenui. Secondo quanto riportato da Malwarebytes, l’applicazione ha raggiunto la top five delle classifiche dell’App Store a gennaio 2026 e ci è rimasta praticamente ogni giorno per il periodo successivo. Un risultato impressionante per un prodotto che, nei fatti, ingannava chi lo utilizzava.

Come ha superato i controlli di Apple

Ogni applicazione pubblicata sull’App Store passa attraverso un processo di revisione da parte di Apple. È uno dei punti di forza dell’ecosistema, almeno sulla carta. Eppure Freecash è riuscita a superare questi controlli senza problemi. Il meccanismo era semplice quanto efficace: l’app si presentava come un sistema per ottenere ricompense economiche svolgendo attività banali, ma in realtà spingeva le persone verso giochi a pagamento. Nel frattempo, raccoglieva informazioni sensibili senza che nessuno se ne rendesse davvero conto.

Vale la pena fare un confronto. Qualche tempo fa aveva fatto notizia il caso di una falsa app Ledger Live, che copiava nome e aspetto di un’applicazione legittima per criptovalute. In quel caso, almeno, il nome aveva una certa credibilità. Freecash invece ha puntato tutto sul concetto di “soldi gratis”, un campanello d’allarme che avrebbe dovuto far scattare qualche sospetto sia negli utenti sia nei revisori di Apple. Eppure nulla di tutto ciò è successo, almeno non subito.

Quando il danno è già fatto

L’app è stata infine rimossa dall’App Store, ma solo dopo aver accumulato un numero enorme di download e aver stazionato nelle classifiche più visibili per settimane. Questo solleva una domanda che ormai si ripresenta con regolarità: quanto è davvero affidabile il sistema di controllo delle app di Apple?

Non si tratta di un caso isolato. Ogni volta che un’applicazione fraudolenta riesce a passare i filtri, la fiducia degli utenti nell’ecosistema ne risente. E quando parliamo di dati personali venduti a terzi, le conseguenze vanno ben oltre il fastidio di aver scaricato un’app inutile.

Freecash è l’ennesima dimostrazione che il buon senso resta la prima linea di difesa. Se qualcuno promette soldi facili per guardare video su TikTok, la risposta giusta è sempre la stessa: troppo bello per essere vero. Perché quasi certamente lo è.

L'articolo Freecash, l’app che satisfaceva tutti su TikTok ha ingannato anche Apple Hmm, let me re-read the article and craft a better title. Freecash ha ingannato Apple e milioni di utenti promettendo soldi facili proviene da Tecnoapple.

Un gruppo di scienziati ha realizzato il QR code più piccolo del mondo, talmente microscopico da risultare invisibile a occhio nudo e persino ai microscopi ottici tradizionali. Per osservarlo serve un microscopio elettronico, perché le sue dimensioni sono inferiori a quelle della maggior parte dei batteri. La notizia arriva dalla TU Wien, l’Università Tecnica di Vienna, che in collaborazione con l’azienda Cerabyte ha inciso questo codice in un materiale ceramico ultrasottile, aprendo scenari affascinanti per il futuro della conservazione dei dati a lungo termine.

Il QR code misura appena 1,98 micrometri quadrati. Ogni singolo pixel ha una dimensione di 49 nanometri, circa dieci volte più piccolo della lunghezza d’onda della luce visibile. Il risultato è stato ufficialmente riconosciuto dal Guinness dei Primati, con dimensioni pari al 37% del precedente record. Ma la vera portata di questa scoperta va ben oltre la questione delle dimensioni.

Perché la ceramica cambia tutto nella conservazione dei dati

Qui entra in gioco l’aspetto davvero rivoluzionario. Le tecnologie di archiviazione attuali, dai dischi magnetici ai sistemi elettronici, tendono a degradarsi nel giro di pochi anni. Richiedono energia costante, raffreddamento, manutenzione. Basta un’interruzione prolungata e quei dati rischiano di andare persi. Codificare le informazioni in materiali ceramici, invece, significa poterle preservare per centinaia o addirittura migliaia di anni senza alcun bisogno di alimentazione elettrica.

Il professor Paul Mayrhofer, dell’Istituto di Scienza dei Materiali della TU Wien, ha spiegato che creare strutture su scala micrometrica non è di per sé eccezionale. Oggi si riescono a manipolare persino singoli atomi. Il punto, però, è che a scale così ridotte gli atomi possono spostarsi, colmare lacune, e di fatto cancellare le informazioni registrate. Quello che il team ha ottenuto è qualcosa di diverso: un QR code stabile e leggibile in modo ripetuto nel tempo.

La tecnica si basa su fasci ionici focalizzati che incidono il codice in pellicole ceramiche sottilissime. Sono gli stessi materiali usati per rivestire utensili industriali ad alte prestazioni, progettati per resistere a condizioni estreme. Proprio questa robustezza li rende ideali anche per l’archiviazione.

Un futuro sostenibile per lo storage delle informazioni

I numeri parlano chiaro. Con questa tecnologia, oltre 2 terabyte di dati potrebbero essere contenuti nella superficie di un singolo foglio A4. E senza consumare energia per mantenerli integri. Un vantaggio enorme, se si pensa all’impatto ambientale dei moderni data center, che divorano elettricità e richiedono sistemi di raffreddamento continui.

Alexander Kirnbauer, uno dei ricercatori coinvolti, ha fatto un paragone che colpisce: le civiltà antiche incidevano la propria conoscenza nella pietra, e quelle iscrizioni sono ancora leggibili dopo millenni. Con i supporti ceramici, il concetto è simile. Si scrivono informazioni in materiali inerti e stabili, capaci di attraversare il tempo e restare accessibili alle generazioni future.

Il prossimo passo del team della TU Wien è chiaro: aumentare la velocità di scrittura, testare nuovi materiali e sviluppare processi produttivi scalabili. L’obiettivo è portare la conservazione ceramica dei dati fuori dal laboratorio e dentro le applicazioni industriali. E andare oltre i semplici QR code, verso strutture dati molto più complesse, scritte in modo rapido, robusto ed efficiente dal punto di vista energetico. Una sfida ambiziosa, ma che potrebbe ridefinire il modo in cui l’umanità protegge le proprie informazioni.

L'articolo QR code più piccolo del mondo: è invisibile e potrebbe durare secoli proviene da Tecnoapple.

Conservare enormi quantità di dati sfruttando la luce in tre dimensioni non è più fantascienza. Un gruppo di ricercatori della Fujian Normal University, in Cina, ha messo a punto un sistema di archiviazione olografica che cambia radicalmente le regole del gioco. Il lavoro, pubblicato sulla rivista Optica alla fine di marzo 2026, dimostra che è possibile codificare informazioni sfruttando contemporaneamente tre proprietà della luce: ampiezza, fase e polarizzazione. Fino a oggi, i sistemi tradizionali ne usavano al massimo due. Aggiungere la polarizzazione come canale indipendente significa, in pratica, stipare molti più dati nello stesso spazio fisico. E qui entra in scena anche l’intelligenza artificiale, che rende possibile decodificare tutto questo ben di Dio informativo in modo rapido e affidabile.

Per capire la portata della cosa, vale la pena fare un passo indietro. I sistemi di storage convenzionali, dagli hard disk ai dischi ottici, scrivono dati su superfici piatte. Lo storage olografico, invece, registra le informazioni all’interno dell’intero volume di un materiale, creando schemi di luce sovrapposti. Questo approccio aumenta enormemente la capacità di archiviazione e consente trasferimenti più veloci. Il problema, però, è sempre stato sfruttare appieno tutte le dimensioni della luce contemporaneamente. Il team guidato da Xiaodi Tan ha risolto la questione perfezionando una tecnica chiamata olografia tensoriale a polarizzazione, che preserva lo stato di polarizzazione durante la ricostruzione del dato. In questo modo la polarizzazione diventa un canale stabile e utilizzabile per immagazzinare informazioni aggiuntive.

Il ruolo dell’intelligenza artificiale nella decodifica dei dati

La parte forse più affascinante riguarda come vengono letti i dati una volta registrati. I sensori standard rilevano solo l’intensità luminosa, quindi non riescono a cogliere direttamente fase e polarizzazione. Per aggirare questo limite, i ricercatori hanno addestrato una rete neurale convoluzionale capace di ricostruire tutte e tre le dimensioni del dato partendo da semplici immagini di diffrazione. In pratica, il modello analizza due immagini complementari, una catturata con un polarizzatore verticale e una senza, e da lì risale all’informazione completa. Niente procedimenti complessi a più passaggi: la decodifica avviene in modo simultaneo, il che velocizza enormemente il processo di lettura.

Prospettive concrete e prossimi passi

Il team ha già costruito un sistema compatto in grado di registrare e ricostruire il campo ottico codificato all’interno di un materiale sensibile alla polarizzazione. I test hanno confermato che la codifica multidimensionale congiunta aumenta in modo sostanziale la quantità di informazioni trasportate da una singola pagina olografica. Tan stesso ha sottolineato come questa tecnologia potrebbe portare a data center più piccoli, sistemi di archiviazione su larga scala più efficienti e persino applicazioni nella crittografia ottica e nell’imaging avanzato.

Naturalmente, il sistema è ancora in fase di ricerca. I prossimi obiettivi includono l’aumento dei livelli di grigio nella codifica per espandere ulteriormente la capacità, il miglioramento della stabilità dei materiali di registrazione nel lungo periodo e l’integrazione con tecniche di multiplexing olografico volumetrico. Quest’ultimo passaggio permetterebbe di memorizzare più pagine e canali di dati contemporaneamente. Rafforzare il legame tra hardware ottico e algoritmi di decodifica sarà il tassello decisivo per rendere questa archiviazione olografica davvero utilizzabile in condizioni reali. Il traguardo, però, sembra oggi molto meno lontano di quanto fosse anche solo un paio di anni fa.

L'articolo Storage olografico 3D: archiviare dati nella luce è ora realtà proviene da Tecnoapple.

La nuova funzione Perplexity Health è arrivata, e porta con sé l’integrazione con Apple Health. Sulla carta sembra una di quelle novità che fanno brillare gli occhi a chiunque sia appassionato di tecnologia e benessere. Ma la realtà potrebbe essere meno entusiasmante di quanto sembra, e vale la pena fermarsi un attimo a ragionare prima di collegare i propri dati sanitari a un modello di intelligenza artificiale.

L’azienda ha presentato la funzione attraverso un post sul proprio blog, spiegando nel dettaglio cosa possono aspettarsi gli utenti. Il concetto di base è semplice: Perplexity Health vuole diventare una sorta di assistente sanitario potenziato dall’IA, capace di analizzare i dati sulla salute raccolti da vari dispositivi e piattaforme. E qui entra in gioco Apple Health, che rappresenta uno dei canali principali attraverso cui il sistema può acquisire informazioni.

Un ecosistema vasto, forse troppo

Non si tratta solo di Apple Health, però. Perplexity ha messo in piedi quella che definisce una “suite di connettori” capace di raccogliere dati da alcuni dei nomi più importanti nel settore della tecnologia per la salute. Si parla di Fitbit, Ultrahuman, Withings, Oura, Function e altri ancora. In pratica, quasi ogni dispositivo indossabile o piattaforma di monitoraggio può potenzialmente riversare le proprie informazioni nel sistema.

E qui nasce il problema, o quantomeno il dubbio. Dare in pasto a un modello di intelligenza artificiale i propri dati sanitari, quelli più intimi e sensibili, richiede un livello di fiducia enorme. Perplexity Health promette funzionalità avanzate, ma la domanda che chiunque dovrebbe porsi è: quanto vale davvero la comodità di avere un’IA che analizza il battito cardiaco, i pattern del sonno o i livelli di attività fisica, rispetto al rischio di condividere tutto questo con una piattaforma relativamente giovane?

Conviene davvero collegare i propri dati?

Il fascino dell’integrazione tra Perplexity Health e Apple Health è innegabile. Avere tutto centralizzato, con un assistente che può interpretare e contestualizzare le informazioni sulla salute, sembra il futuro della medicina personalizzata. Ma il futuro non è ancora arrivato del tutto, e la prudenza in questi casi non è mai troppa.

Chi utilizza Apple Health sa bene quanti dati vengono raccolti ogni giorno, spesso senza nemmeno pensarci. Frequenza cardiaca, passi, calorie, qualità del sonno, ciclo mestruale, livelli di ossigeno nel sangue. È un patrimonio informativo enorme. Collegarlo a Perplexity Health significa aprire una porta che poi potrebbe essere difficile richiudere.

Il consiglio, almeno per ora, è quello di osservare con attenzione come evolverà il servizio prima di concedere l’accesso ai propri dati sanitari. La tecnologia corre veloce, ma la cautela resta sempre un buon investimento. Soprattutto quando si parla della propria salute.

L'articolo Perplexity Health e Apple Health: perché forse è meglio non collegarli proviene da Tecnoapple.

Fare il backup del Mac non è qualcosa che riguarda solo chi installa versioni beta come macOS Tahoe. È un’abitudine che dovrebbe far parte della routine di chiunque utilizzi un Mac per lavorare, creare o anche solo navigare. Eppure, tantissime persone continuano a ignorare questa pratica fondamentale, convinte che a loro non capiterà mai nulla. Fino a quando, ovviamente, succede.

Il punto è semplice: sul disco del Mac ci sono file, progetti, documenti e configurazioni che in molti casi non esistono da nessun’altra parte. Anche chi non ci pensa mai, anche chi non apre quasi mai il Finder per dare un’occhiata a cosa c’è dentro la propria unità di archiviazione, sta comunque accumulando dati che, una volta persi, potrebbero non tornare più indietro. E no, non è allarmismo. È la realtà con cui prima o poi tutti fanno i conti.

Anche chi pensa di non averne bisogno, si sbaglia

C’è una convinzione piuttosto diffusa tra chi lavora in contesti dove i file passano rapidamente da una persona all’altra, un po’ come in una catena di montaggio digitale. Il ragionamento è questo: “ricevo un compito, lo svolgo, lo passo al collega successivo e non torno mai su nulla di quello che ho fatto.” Sembra logico pensare che il backup sia superfluo in uno scenario del genere. Ma non lo è affatto.

Anche ammettendo che nessun file venga mai riaperto, resta un aspetto che quasi tutti sottovalutano: le impostazioni personalizzate. Ore e ore spese a configurare applicazioni, scorciatoie, preferenze di sistema, ambienti di sviluppo o flussi di lavoro ottimizzati. Tutto questo vive sul Mac e può sparire in un istante per un guasto hardware, un aggiornamento andato storto o un semplice errore umano.

E poi c’è l’altro scenario, quello ancora più scomodo. Quando qualcuno torna a chiedere qualcosa su un lavoro già consegnato, di solito non è per fare una chiacchierata rilassata. È quasi sempre un’emergenza. E in quel momento, non avere una copia di sicurezza significa trovarsi con le mani legate, senza possibilità di recuperare nulla.

Il backup del Mac è un investimento, non una perdita di tempo

Strumenti come Time Machine rendono il processo incredibilmente semplice. Basta collegare un disco esterno e il sistema fa praticamente tutto da solo. Non servono competenze tecniche avanzate, non serve dedicarci ore ogni settimana. Eppure, la resistenza a fare il primo passo resta sorprendente.

Il backup del Mac non è un gesto da nerd paranoici. È la cosa più sensata che si possa fare per proteggere il proprio lavoro, il proprio tempo e, diciamolo, anche la propria sanità mentale. Chi ha perso tutto almeno una volta lo sa bene: ripartire da zero non è mai piacevole. Meglio prevenire, con un gesto che richiede davvero pochissimo sforzo.

L'articolo Mac: perché il backup non è un optional ma una necessità quotidiana proviene da Tecnoapple.

Scegliere il metodo giusto per costruire sistemi di intelligenza artificiale multimodale è sempre stato, in buona sostanza, un processo fatto di tentativi ed errori. Parliamo di quei sistemi capaci di combinare testo, immagini, audio e altri tipi di dati in un unico modello coerente. Un campo affascinante, certo, ma anche incredibilmente caotico dal punto di vista metodologico. Almeno fino a oggi, perché un gruppo di fisici della Emory University ha messo a punto qualcosa che potrebbe cambiare le regole del gioco: un framework matematico che unifica sotto un unico tetto concettuale molte delle tecniche attualmente usate nell’AI multimodale.

Il punto di partenza della ricerca è tanto semplice quanto potente. I ricercatori hanno dimostrato che buona parte degli approcci esistenti, per quanto diversi possano sembrare in superficie, si basano su un’idea comune: comprimere i dati mantenendo intatta la parte più utile, quella che ha il maggior potere predittivo. Detto così può sembrare ovvio, ma nella pratica quotidiana della ricerca sull’intelligenza artificiale questa consapevolezza mancava di una formalizzazione rigorosa. E senza formalizzazione, ogni scelta progettuale restava in gran parte affidata all’intuizione o, peggio, alla fortuna.

Il concetto di “manopola di controllo” e le sue implicazioni

Quello che rende davvero interessante questo lavoro è il concetto che il team ha battezzato come approccio a “manopola di controllo”. In pratica, i ricercatori hanno identificato un parametro regolabile che permette di bilanciare con precisione il livello di compressione dei dati rispetto alla quantità di informazione predittiva conservata. Pensatela come una sorta di cursore: da un lato si spinge verso la massima sintesi, dall’altro si preserva ogni dettaglio rilevante. Il bello è che questo cursore non è un’astrazione teorica fine a sé stessa, ma uno strumento operativo che può guidare concretamente la progettazione di algoritmi di AI più efficaci.

Le ricadute pratiche sono notevoli. Grazie a questo framework, chi sviluppa modelli di intelligenza artificiale multimodale può evitare di sprecare risorse computazionali su approcci che, alla fine, producono risultati simili per vie diverse. Si può partire da una base teorica solida per capire quale tecnica funzionerà meglio in un dato contesto, senza dover testare decine di configurazioni alla cieca. Meno esperimenti inutili significano meno tempo perso, meno dati necessari e, aspetto tutt’altro che secondario, un consumo energetico ridotto.

Verso un’intelligenza artificiale più sostenibile

Ed è proprio sul tema della sostenibilità che vale la pena soffermarsi. Il costo ambientale dell’addestramento dei grandi modelli di AI è diventato un argomento sempre più discusso. Ogni ciclo di training richiede enormi quantità di energia elettrica, e la crescita esponenziale dei modelli multimodali non fa che aggravare il problema. Se il framework proposto dai fisici di Emory mantiene le sue promesse, potrebbe contribuire in modo significativo a rendere lo sviluppo dell’AI multimodale meno energivoro e più rispettoso dell’ambiente.

Il team di ricerca è convinto che questo approccio possa aprire la strada a sistemi di intelligenza artificiale più accurati, più efficienti e più sostenibili. Non si tratta di una rivoluzione improvvisa, ma di un cambio di prospettiva che potrebbe influenzare profondamente il modo in cui la comunità scientifica affronta la progettazione di modelli complessi. Avere un linguaggio matematico comune per descrivere tecniche apparentemente diverse è un vantaggio enorme, sia per chi fa ricerca pura sia per chi lavora sulle applicazioni concrete.

Resta da vedere quanto rapidamente la comunità adotterà questo framework e se emergeranno limiti che al momento non sono evidenti. Ma la direzione sembra quella giusta: meno caos metodologico, più rigore, e soprattutto la possibilità di costruire intelligenza artificiale multimodale senza buttare via potenza di calcolo e risorse preziose nel processo.

L'articolo AI multimodale: il framework matematico che cambia tutto proviene da Tecnoapple.

Che l’intelligenza artificiale generativa stesse bussando alle porte della ricerca medica era ormai chiaro a tutti. Quello che forse nessuno si aspettava è che, messa alla prova con dati reali, riuscisse a tenere testa (e in alcuni casi a superare) interi team di esperti che avevano lavorato per mesi sugli stessi identici problemi. Eppure è esattamente quello che è successo in uno studio condotto dalla University of California San Francisco (UCSF) insieme alla Wayne State University, pubblicato il 17 febbraio 2026 sulla rivista Cell Reports Medicine.

Il punto di partenza è semplice da raccontare, ma molto meno semplice da realizzare. I ricercatori hanno preso enormi set di dati medici legati alla gravidanza e hanno chiesto a diversi gruppi di analizzarli per predire il rischio di parto pretermine. Alcuni gruppi erano composti da scienziati esperti, altri da ricercatori che si appoggiavano a strumenti di intelligenza artificiale generativa. La sfida riguardava dati raccolti da oltre 1.000 donne in gravidanza, e il confronto è stato diretto, senza sconti per nessuno.

Il risultato? L’intelligenza artificiale generativa ha prodotto codice analitico funzionante nel giro di minuti. Lavoro che normalmente avrebbe richiesto ore, se non giorni, a programmatori esperti. E la cosa ancora più sorprendente è che una coppia “junior”, formata da uno studente di master della UCSF, Reuben Sarwal, e uno studente liceale, Victor Tarca, è riuscita a sviluppare modelli predittivi solidi proprio grazie al supporto dell’IA. Non servivano per forza grandi team di specialisti per ottenere risultati di qualità.

Perché il parto pretermine è al centro di questa ricerca

Accelerare l’analisi dei dati non è un esercizio accademico fine a sé stesso. Il parto pretermine resta la principale causa di morte neonatale e contribuisce in modo significativo a problemi motori e cognitivi a lungo termine nei bambini. Solo negli Stati Uniti, circa 1.000 bambini nascono prematuramente ogni giorno. E ancora oggi la scienza non ha una comprensione completa delle cause.

Per cercare possibili fattori di rischio, il team guidato da Marina Sirota, professoressa di Pediatria e direttrice ad interim del Bakar Computational Health Sciences Institute (BCHSI) alla UCSF, ha messo insieme dati sul microbioma di circa 1.200 donne in gravidanza, raccolti attraverso nove studi separati. Una mole di informazioni impressionante, il tipo di dataset che fa venire il mal di testa anche ai data scientist più navigati.

Per gestire questa complessità, i ricercatori si erano inizialmente affidati a una competizione globale chiamata DREAM (Dialogue on Reverse Engineering Assessment and Methods), a cui hanno partecipato oltre 100 team da tutto il mondo. La maggior parte dei gruppi ha completato il lavoro entro la finestra di tre mesi prevista dalla competizione. Però ci sono voluti quasi due anni per consolidare i risultati e pubblicarli. Due anni. Ed è proprio qui che l’intelligenza artificiale generativa ha mostrato il suo potenziale più dirompente.

Il test concreto: otto chatbot alla prova dei dati sulla gravidanza

Curiosi di capire se l’IA potesse comprimere drasticamente quei tempi, Sirota e il suo gruppo hanno collaborato con i ricercatori guidati da Adi L. Tarca, professore al Centro di Medicina Molecolare e Genetica della Wayne State University. Otto sistemi di intelligenza artificiale hanno ricevuto istruzioni scritte in linguaggio naturale, molto simili a come si userebbe ChatGPT, con prompt dettagliati e specifici pensati per guidarli nell’analisi degli stessi dataset delle sfide DREAM.

Gli obiettivi erano identici a quelli delle competizioni originali: analizzare i dati del microbioma vaginale per individuare segnali di parto pretermine, ed esaminare campioni ematici o placentari per stimare l’età gestazionale. La datazione della gravidanza è quasi sempre una stima, eppure determina il tipo di cure che le donne ricevono man mano che la gestazione prosegue. Quando le stime sono imprecise, prepararsi al travaglio diventa molto più complicato.

Non tutti i sistemi hanno funzionato bene, va detto chiaramente. Solo 4 degli 8 chatbot testati hanno prodotto codice utilizzabile. Ma quelli che ce l’hanno fatta hanno generato modelli che eguagliavano le performance dei team umani, e in alcuni casi le superavano. L’intero processo, dall’idea iniziale alla sottomissione dell’articolo scientifico, ha richiesto appena sei mesi. Sei mesi contro gli anni necessari con i metodi tradizionali.

«Questi strumenti di IA potrebbero eliminare uno dei colli di bottiglia più grandi nella data science: la costruzione delle pipeline di analisi», ha dichiarato Sirota. «E questa accelerazione non potrebbe arrivare in un momento migliore per i pazienti che hanno bisogno di aiuto adesso.»

Naturalmente, gli scienziati sottolineano che l’intelligenza artificiale generativa richiede ancora una supervisione umana attenta. Questi sistemi possono produrre risultati fuorvianti, e la competenza umana resta fondamentale per interpretare ciò che emerge dai dati. Però la prospettiva è chiara: invece di passare ore a fare debugging del codice, i ricercatori potrebbero dedicare più tempo a porsi le domande giuste. Come ha detto Tarca: «Grazie all’intelligenza artificiale generativa, i ricercatori con competenze limitate in data science non dovranno sempre formare collaborazioni ampie o perdere ore a correggere errori nel codice. Potranno concentrarsi sulle vere domande biomediche.»

È ancora presto per parlare di rivoluzione compiuta, ma la direzione è quella. E la velocità con cui ci si sta muovendo lascia pensare che il rapporto tra ricerca medica e intelligenza artificiale sia destinato a cambiare in modo profondo, molto prima di quanto molti immaginassero.

L'articolo IA generativa batte i ricercatori umani nell’analisi dei dati medici proviene da Tecnoapple.

Il backup iPhone è una di quelle cose che tutti danno per scontate, fino al giorno in cui qualcosa va storto. E a quel punto, beh, è tardi. Lasciare che il proprio dispositivo salvi automaticamente qualcosa su iCloud può sembrare sufficiente, ma la realtà è più sfumata di così. Esistono diverse opzioni per proteggere davvero i dati dei dispositivi iOS, e conoscerle fa tutta la differenza del mondo.

C’è un aneddoto che vale la pena raccontare. Steve Jobs, durante una presentazione, disse al pubblico di non aver mai fatto un backup in tutti gli anni passati alla NeXT. Suona come una follia, vero? In realtà il punto era un altro: non ne aveva bisogno perché ogni dipendente di NeXT aveva i propri dati salvati in automatico, senza doverci pensare. Il backup era così importante che era stato reso invisibile. Un concetto potente, che Jobs probabilmente si è portato dietro anche quando è tornato in Apple.

E in effetti, nel corso degli anni, Apple ha lavorato parecchio per rendere i salvataggi sempre più semplici, quasi impercettibili. Chiunque abbia cambiato iPhone almeno una volta nella vita sa cosa vuol dire: si accende il nuovo dispositivo, si avvicina a quello vecchio, e come per magia tutte le app, le foto, i messaggi e le impostazioni ricompaiono. Una comodità enorme. Ma proprio questa facilità estrema nasconde una trappola psicologica non da poco.

Il falso senso di sicurezza dei salvataggi automatici

Quando tutto funziona così bene in modo trasparente, si finisce per dare per scontato che i propri dati siano al sicuro. Sempre. In ogni circostanza. Ma non è così. Il backup automatico su iCloud ha dei limiti concreti: lo spazio gratuito è di soli 5 GB (che nel 2025 è francamente ridicolo), alcune app non salvano tutti i dati nel cloud, e se l’account viene compromesso o il dispositivo si danneggia in certi modi, si rischia di perdere materiale insostituibile.

Ecco perché affidarsi esclusivamente a iCloud per il backup iPhone è una scommessa che non vale la pena correre. Le alternative ci sono, e non richiedono competenze tecniche particolari. Si può fare un backup locale tramite Finder su Mac (o iTunes su Windows), che crea una copia completa del dispositivo sul computer. È più lento? Forse un po’. Ma offre un livello di controllo e sicurezza che il solo cloud non garantisce.

E poi c’è la questione della regolarità. Un backup fatto sei mesi fa è meglio di niente, certo, ma non protegge granché se nel frattempo si sono accumulate migliaia di foto, conversazioni importanti o documenti di lavoro. La chiave è creare un’abitudine, anche solo una volta alla settimana, che metta al riparo da brutte sorprese.

Proteggere i dati richiede un gesto consapevole

Il messaggio di fondo è semplice ma spesso ignorato: la protezione dei dati su iPhone non può essere delegata completamente all’automatismo. Serve un gesto consapevole, ripetuto con costanza. Non parliamo di procedure complicate o strumenti costosi. Parliamo di prendersi cinque minuti ogni tanto per verificare che il backup sia aggiornato, che lo spazio su iCloud sia sufficiente, e magari di affiancare al salvataggio in cloud anche una copia locale.

Apple ha fatto un lavoro eccellente nel rendere la tecnologia trasparente. Ma proprio quella trasparenza può trasformarsi in una trappola se porta a dimenticare che i dati, quelli davvero importanti, meritano più di una sola rete di sicurezza. Pensare al backup iPhone come a qualcosa di attivo e non passivo è il primo passo per non trovarsi mai nella situazione peggiore: quella in cui si scopre troppo tardi che qualcosa è andato perso per sempre.

L'articolo Backup iPhone: affidarsi solo a iCloud non basta, ecco perché proviene da Tecnoapple.