Prevedere la firma chimica di oltre un miliardo di possibili varianti del fentanile grazie al machine learning. È quello che un gruppo di ricercatori è riuscito a fare, e la portata di questo risultato va ben oltre il laboratorio. Parliamo di una sfida enorme, perché il fentanile non è un singolo composto: è una famiglia sterminata di molecole, molte delle quali non sono mai state sintetizzate né osservate in nessun sequestro di droga al mondo. Eppure potrebbero comparire domani sul mercato nero, e le forze dell’ordine non avrebbero modo di identificarle rapidamente.

Il problema, detto in modo semplice, è questo. Ogni volta che i laboratori clandestini modificano anche solo un piccolo dettaglio nella struttura molecolare del fentanile, nasce un nuovo analogo. Qualcosa di chimicamente diverso, spesso non ancora classificato come sostanza illegale, ma potenzialmente letale. Le tecniche tradizionali di analisi, come la spettrometria di massa, funzionano benissimo quando si sa cosa cercare. Ma quando ci si trova davanti a una molecola mai vista prima, il confronto con i database esistenti non dà risultati. Ed è esattamente qui che entra in gioco il machine learning.

Come funziona la previsione delle firme chimiche

Il team di ricerca ha addestrato un modello di intelligenza artificiale capace di analizzare la struttura molecolare di un composto e prevedere quale tipo di spettro di massa produrrebbe in laboratorio. Non serve quindi sintetizzare fisicamente ogni variante per sapere come apparirebbe agli strumenti analitici. Il modello genera una sorta di “impronta digitale chimica” teorica per ciascuna delle oltre un miliardo di molecole considerate. Una libreria virtuale di dimensioni mai tentate prima.

La cosa interessante è che questo approccio non sostituisce il lavoro dei chimici forensi, ma lo potenzia in modo significativo. Quando un laboratorio intercetta una sostanza sconosciuta e ne ottiene lo spettro di massa, può confrontarlo con questa enorme libreria predittiva e ottenere un’identificazione probabile in tempi molto più rapidi. È un cambio di paradigma: invece di rincorrere le nuove varianti del fentanile dopo che hanno già causato danni, si prova ad anticiparle.

Perché questa ricerca conta davvero

Il fentanile sintetico è oggi tra le principali cause di morte per overdose, soprattutto negli Stati Uniti. E la velocità con cui emergono nuovi analoghi rende quasi impossibile per le autorità restare al passo. Ogni anno compaiono decine di varianti inedite, alcune incredibilmente potenti, altre con effetti ancora del tutto sconosciuti. Avere uno strumento predittivo di questa portata significa dare a chi lavora nel campo della sicurezza pubblica e della tossicologia forense un vantaggio concreto.

Nessuno si illude che il machine learning risolva da solo il problema. Ma questa ricerca dimostra che combinare la chimica computazionale con l’intelligenza artificiale può aprire strade che fino a pochi anni fa sembravano fantascienza. Resta da vedere come verranno integrati questi strumenti nei flussi di lavoro reali dei laboratori, ma il segnale è chiaro: la tecnologia, quando viene indirizzata bene, può salvare vite.

L'articolo Machine learning mappa un miliardo di varianti del fentanile mai viste prima proviene da Tecnoapple.

C’è un problema enorme con l’intelligenza artificiale, e non riguarda solo la tecnologia in sé. Il punto è che distinguere le tendenze tech destinate a durare da quelle passeggere, nel momento in cui esplodono, è praticamente impossibile. Col senno di poi sembra scontato che le stampanti 3D avrebbero rivoluzionato interi settori industriali, mentre le TV 3D sarebbero finite nel dimenticatoio. Eppure entrambe, inspiegabilmente nel secondo caso, venivano celebrate come il futuro da schiere di evangelisti appassionati. Se si dovesse costruire una scala di rilevanza a lungo termine, con gli MP3 da una parte e gli NFT dall’altra, dove finirebbe l’intelligenza artificiale? Probabilmente molto vicina agli MP3. Nel senso che resterà rilevante a lungo. Solo che molte delle cose che cambierà nel mondo saranno, ecco, spaventosamente negative.

Va detto chiaramente: l’AI non è inutile in ogni singola applicazione. Dalla diagnostica medica alla trascrizione di riunioni, ci sono ambiti in cui funziona bene. Ma quasi sempre serve un essere umano che supervisioni l’output e verifichi che non ci siano allucinazioni. E molte delle cose che oggi vengono spacciate come magia dell’intelligenza artificiale esistevano già prima che diventasse un termine da riunione con gli azionisti. Si parlava di machine learning quando si discuteva di riconoscimento vocale. Ed è un peccato che Siri abbia perso la bussola proprio in quell’ambito, perché la tecnologia in generale è stata uno strumento enorme per comodità e accessibilità.

Quando i costi superano i benefici

Il vero problema non è che l’intelligenza artificiale non abbia vantaggi. È che quei vantaggi stanno venendo clamorosamente oscurati dai costi. L’AI è al suo peggio quando il pensiero critico umano non viene applicato, e questo succede sempre più spesso. Quando la tecnologia sostituisce il ragionamento umano invece di potenziarlo, finisce per diminuire la capacità critica di chi la usa. La ricerca lo ha dimostrato. L’intelligenza artificiale rende più probabile la diffusione di disinformazione, e poi ci rende anche meno capaci di riconoscerla quando ci arriva davanti.

C’è poi l’impatto sul mercato del lavoro, soprattutto tra i professionisti alle prime armi. Gli effetti sul settore legale, per esempio, diventeranno evidenti solo col tempo, quando gli avvocati senior andranno in pensione senza poter essere sostituiti. E poi ci sono i giganteschi data center che consumano energia, occupano spazio, generano rumore, siccità e inquinamento. Come se non bastasse, la fame infrastrutturale dell’AI è anche responsabile della carenza di componenti che sta colpendo il resto dell’industria tecnologica.

Tutto questo per una tecnologia che ruba arte e fa sembrare identici i post su LinkedIn di chiunque.

Apple, il WWDC 2026 e la speranza di chi vuole solo usare il proprio iPhone

La buona notizia è che non tutti stanno comprando la narrazione. La settimana scorsa è emerso che la recente svolta di Google verso una ricerca sempre più basata sull’AI ha generato una resistenza significativa. Le installazioni su iPhone di DuckDuckGo, un motore di ricerca che punta sulla privacy piuttosto che sull’intelligenza artificiale, sono schizzate verso l’alto.

Ma forse la ribellione dovrà aspettare ancora un po’. Al keynote del WWDC 2026 di lunedì, Apple dovrebbe presentare un approccio ancora più ossessionato dall’AI per le sue piattaforme software. Qualcosa sarà utile, come il tanto atteso rinnovamento funzionale di Siri. Ma molto altro rischia di essere pura postura per gli azionisti, più che per chi usa davvero i dispositivi.

Non tutti sono ossessionati dall’intelligenza artificiale. Non tutti possiedono azioni di OpenAI o usano ChatGPT per rispondere di nascosto ai messaggi degli amici. Qualcuno vuole semplicemente fare cose divertenti e utili col proprio iPhone, senza la sensazione di star contribuendo al declino della civiltà. Sarebbe bello se Apple se ne ricordasse.

L'articolo Intelligenza artificiale: il problema enorme che nessuno vuole vedere proviene da Tecnoapple.

La Swift Student Challenge di quest’anno ha premiato progetti che vanno ben oltre il semplice esercizio di programmazione. I vincitori dell’edizione 2025 hanno messo insieme strumenti per sviluppatori Apple e assistenza basata sull’intelligenza artificiale per costruire app che provano a risolvere problemi concreti, quelli che toccano la vita di tutti i giorni. E il livello, va detto, è stato notevole.

Per chi non lo sapesse, la Swift Student Challenge è il programma annuale con cui Apple invita studenti e studentesse di tutto il mondo a presentare progetti originali sviluppati in Swift, il linguaggio di programmazione che sta alla base di praticamente tutto l’ecosistema della Mela. Non si tratta di un concorso qualunque: essere selezionati significa ottenere visibilità, mentorship e un riconoscimento che può aprire porte importanti nel mondo tech.

Progetti che guardano ai problemi reali

Quello che colpisce di questa edizione della Swift Student Challenge è la varietà dei temi affrontati. Non parliamo di demo tecniche fini a sé stesse. I ragazzi hanno lavorato su accessibilità, salute mentale, sostenibilità ambientale e inclusione sociale. Hanno preso tecnologie avanzate e le hanno piegate a esigenze umane, il che non è affatto scontato quando si ha a disposizione un toolkit potente come quello offerto da Apple.

L’integrazione dell’intelligenza artificiale nei progetti è stata particolarmente interessante. Diversi vincitori hanno sfruttato funzionalità di machine learning integrate nei framework Apple, come Core ML, per rendere le loro app più intelligenti e reattive. Non si è trattato di buttare dentro un modello AI tanto per fare scena: l’IA è stata usata in modo mirato, con uno scopo preciso, per migliorare l’esperienza utente o per elaborare dati in tempo reale.

Un segnale forte per il futuro dello sviluppo app

Ogni anno la Swift Student Challenge racconta qualcosa sullo stato di salute della comunità di sviluppatori più giovani. E quello che emerge dall’edizione 2025 è un quadro piuttosto chiaro: le nuove generazioni non si limitano a scrivere codice pulito. Sanno pensare a un prodotto, capiscono il contesto in cui un’app si inserisce e, soprattutto, non hanno paura di combinare strumenti diversi per ottenere risultati che funzionano davvero.

Apple, dal canto suo, continua a investire pesantemente su questi programmi. La logica è semplice: coltivare talento oggi significa avere un ecosistema di sviluppatori più ricco e competitivo domani. E guardando la qualità dei progetti premiati, sembra che la strategia stia funzionando piuttosto bene.

Resta da vedere quanti di questi prototipi si trasformeranno in app disponibili sull’App Store, ma le premesse ci sono tutte. Quando talento giovane, strumenti professionali e intelligenza artificiale si incontrano, i risultati tendono a sorprendere.

L'articolo Swift Student Challenge 2025: i vincitori che stupiscono con IA e app reali proviene da Tecnoapple.

Per anni la psicologia si è interrogata su una questione fondamentale: la mente umana può essere spiegata da una teoria unitaria, oppure funzioni come memoria, attenzione e capacità decisionale vanno studiate separatamente? Quando nel luglio 2025 un modello di intelligenza artificiale chiamato Centaur è stato presentato sulla rivista Nature, sembrava che la risposta potesse arrivare proprio dalla tecnologia. Centaur, costruito a partire da large language model già esistenti e addestrato con dati provenienti da esperimenti psicologici, prometteva di simulare il comportamento cognitivo umano su ben 160 compiti diversi. Processo decisionale, controllo esecutivo, funzioni cognitive complesse: il modello sembrava cavarsela benissimo un po’ ovunque. La comunità scientifica ne era rimasta colpita, e qualcuno aveva iniziato a parlare di un possibile passo avanti nella costruzione di sistemi capaci di replicare il pensiero umano in senso ampio.

Lo studio che mette tutto in discussione

Una ricerca più recente, pubblicata su National Science Open da un gruppo di ricercatori della Zhejiang University, sta però ridimensionando parecchio quell’entusiasmo. Secondo gli autori, il successo di Centaur potrebbe essere frutto di un problema noto nel mondo del machine learning: l’overfitting. In pratica, invece di comprendere davvero i compiti assegnati, il modello avrebbe semplicemente imparato a riconoscere schemi ricorrenti nei dati di addestramento e a riprodurre le risposte attese. Per verificare questa ipotesi, i ricercatori hanno messo a punto scenari di valutazione inediti. In uno dei test più significativi, hanno sostituito le istruzioni originali delle domande a scelta multipla con una consegna semplicissima: “Scegli l’opzione A.” Se Centaur avesse davvero capito cosa gli veniva chiesto, avrebbe dovuto selezionare sempre l’opzione A. Invece ha continuato a scegliere le risposte “giuste” del dataset originale, ignorando completamente la nuova istruzione. Un comportamento che somiglia molto a quello di uno studente che prende ottimi voti perché ha memorizzato il formato degli esami, senza aver realmente compreso la materia.

Perché questa scoperta conta davvero

Questo risultato solleva un problema più grande, e non riguarda soltanto Centaur. La natura “scatola nera” dei large language model rende molto difficile capire come questi sistemi arrivano alle loro risposte. Possono sembrare brillanti in superficie, ma sotto possono nascondere fragilità enormi, dalle allucinazioni alle interpretazioni errate. Serve quindi un approccio più rigoroso e variegato nella valutazione delle capacità reali di questi modelli, senza lasciarsi impressionare troppo dai numeri.

La limitazione più profonda di Centaur, però, sembra essere proprio la comprensione del linguaggio. Il modello fatica a cogliere l’intenzione dietro una domanda, il che rappresenta forse la sfida più complessa per chi lavora allo sviluppo di intelligenza artificiale capace di simulare la cognizione umana in modo autentico. Sapere le risposte, a quanto pare, non basta. Bisogna anche capire cosa viene chiesto. E su questo fronte, la strada è ancora molto lunga.

L'articolo Centaur, l’IA che sembrava pensare come un umano ma bluffava proviene da Tecnoapple.

Uno studio svedese di proporzioni enormi dimostra che l’intelligenza artificiale è in grado di identificare le persone a maggior rischio di melanoma usando dati sanitari già disponibili nei sistemi ospedalieri. Non parliamo di tecnologie futuristiche o di strumenti sperimentali confinati in qualche laboratorio: parliamo di informazioni che già esistono, come età, sesso, diagnosi pregresse, farmaci assunti e condizioni socioeconomiche. Il punto è che nessuno, fino ad ora, le aveva messe insieme in questo modo.

La ricerca, condotta dall’Università di Göteborg in collaborazione con il Politecnico Chalmers, ha analizzato i dati dell’intera popolazione adulta svedese. Oltre sei milioni di individui inclusi nel dataset, di cui 38.582 hanno sviluppato un melanoma nell’arco di cinque anni. Una percentuale apparentemente piccola, lo 0,64%, ma che in termini assoluti rappresenta un numero impressionante di persone. E soprattutto, un numero che l’intelligenza artificiale riesce ora a prevedere con una precisione notevole.

Martin Gillstedt, dottorando alla Sahlgrenska Academy e statistico presso il Dipartimento di Dermatologia dell’ospedale universitario Sahlgrenska, ha spiegato che i dati già presenti nei sistemi sanitari possono essere usati in modo molto più strategico di quanto si faccia oggi. Non è uno strumento già attivo nella pratica clinica quotidiana, ma i risultati parlano chiaro.

I modelli avanzati superano nettamente i metodi tradizionali

Qui la differenza si fa concreta. Il modello di machine learning più avanzato testato dai ricercatori è riuscito a distinguere correttamente chi avrebbe sviluppato un melanoma da chi no nel 73% dei casi. Usando solo età e sesso, la precisione si fermava al 64%. Può sembrare un salto modesto in percentuale, ma nella pratica clinica quel margine cambia tutto.

La cosa ancora più interessante è che, restringendo il campo a gruppi più piccoli e ad alto rischio, la probabilità di sviluppare un melanoma entro cinque anni arrivava addirittura al 33%. Un dato che fa riflettere, perché significa che l’intelligenza artificiale non si limita a fare previsioni generiche: riesce a isolare con precisione le persone che hanno davvero bisogno di attenzione medica immediata.

Sam Polesie, professore associato di Dermatologia all’Università di Göteborg, ha sottolineato come uno screening mirato su gruppi ristretti e ben identificati potrebbe rendere il monitoraggio più accurato e, allo stesso tempo, più sostenibile per il sistema sanitario. In pratica, si tratterebbe di portare i dati di popolazione dentro la medicina di precisione, affiancando le valutazioni cliniche tradizionali con strumenti predittivi.

Verso uno screening personalizzato del melanoma

I ricercatori non nascondono che servono ancora studi aggiuntivi e decisioni politiche prima che questo approccio possa entrare nella routine ospedaliera. Però il segnale è forte. L’idea che algoritmi addestrati su dati di registro su larga scala possano guidare strategie di screening personalizzato per il melanoma non è più fantascienza. È una possibilità concreta, supportata da numeri solidi e da una base dati che poche altre ricerche al mondo possono vantare.

Quello che colpisce davvero è la semplicità dell’intuizione alla base di tutto: le informazioni ci sono già, basta saperle leggere nel modo giusto. E l’intelligenza artificiale, evidentemente, sa farlo meglio di quanto chiunque si aspettasse.

L'articolo IA e melanoma: può individuare chi è a rischio prima dei sintomi proviene da Tecnoapple.

Le batterie allo stato solido rappresentano da anni una specie di Santo Graal per il mondo dell’energia. Sulla carta promettono di essere più sicure, più leggere e con una densità energetica nettamente superiore rispetto alle attuali batterie agli ioni di litio. Il problema, però, è sempre stato lo stesso: trovare materiali in cui gli ioni riescano a muoversi abbastanza velocemente attraverso un elettrolita solido. Perché sì, togliere il liquido dall’equazione elimina parecchi rischi (incendi, degrado, instabilità), ma introduce una sfida enorme dal punto di vista della conduttività. E qui entra in gioco una scoperta che potrebbe davvero accelerare le cose.

Un gruppo di ricercatori ha sviluppato un sistema basato sul machine learning capace di prevedere gli spettri Raman dei materiali e, soprattutto, di individuare un segnale molto particolare. Si tratta di un picco a bassa frequenza che compare quando gli ioni all’interno di un cristallo si muovono in modo estremamente rapido, quasi come se fossero in un liquido. È un comportamento che i fisici chiamano “moto superionico”, e il fatto che esista una firma spettroscopica riconoscibile è una notizia enorme per chi cerca nuovi materiali per le batterie allo stato solido.

Quel segnale nascosto nei cristalli

Per capire perché questa scoperta conta, bisogna fare un passo indietro. La spettroscopia Raman è una tecnica che analizza come la luce interagisce con le vibrazioni di un materiale. Ogni sostanza ha una sorta di impronta digitale vibrazionale. Quello che i ricercatori hanno trovato è che, quando gli ioni si muovono molto rapidamente dentro la struttura cristallina, rompono temporaneamente la simmetria del reticolo. Questa rottura genera un segnale distintivo a bassa frequenza che prima non era stato collegato in modo sistematico al comportamento superionico.

Il bello è che il modello di machine learning riesce a predire questo segnale senza dover sintetizzare fisicamente ogni materiale candidato. In pratica, invece di passare mesi o anni in laboratorio a testare composti uno per uno, si può fare uno screening computazionale su larga scala. Si parte da un database di strutture cristalline, si lancia la pipeline predittiva e si ottiene una lista di materiali che hanno buone probabilità di essere conduttori superionici. Il risparmio di tempo è potenzialmente colossale.

Cosa significa per il futuro delle batterie

Questa ricerca non produce ancora una batteria allo stato solido pronta per il mercato. Sarebbe sbagliato dipingerla così. Quello che fa, però, è aprire una corsia preferenziale nella fase più lenta e frustrante dello sviluppo: la scoperta dei materiali. Fino a oggi, identificare un buon conduttore ionico solido era un processo lungo, costoso e spesso guidato più dall’intuizione che da dati concreti. Con un approccio del genere, la ricerca diventa molto più mirata.

Le batterie allo stato solido restano una tecnologia con sfide reali da affrontare, dalla scalabilità produttiva alla stabilità delle interfacce tra elettrodo ed elettrolita. Ma il collo di bottiglia fondamentale è sempre stato trovare il materiale giusto. Se il machine learning riesce a restringere il campo dei candidati in modo affidabile, i tempi di sviluppo potrebbero accorciarsi in maniera significativa.

Vale la pena sottolineare un altro aspetto. Questo tipo di approccio non è utile solo per le batterie. La capacità di predire comportamenti ionici anomali nei cristalli ha implicazioni per sensori, celle a combustibile e altri dispositivi elettrochimici. Ma è chiaro che il settore delle batterie allo stato solido è quello dove l’impatto potenziale è più grande, considerando la domanda crescente di accumulo energetico per veicoli elettrici e reti rinnovabili.

Resta da vedere quanto velocemente queste previsioni computazionali si tradurranno in prototipi funzionanti. La storia della scienza dei materiali insegna che dal modello al prodotto il percorso non è mai lineare. Però avere uno strumento che sa dove guardare, in un pagliaio di migliaia di composti possibili, è già un vantaggio enorme.

L'articolo Batterie allo stato solido: l’IA scopre il segnale che cambia tutto proviene da Tecnoapple.