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.