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.

Una forza trascurata prodotta dai neutrini e da altre particelle subatomiche sta aiutando le misurazioni di fisica atomica a tornare in linea con le previsioni del Modello Standard. Sembra una notizia da addetti ai lavori, e in parte lo è. Ma il punto è che questa scoperta potrebbe chiudere una discrepanza che da anni faceva perdere il sonno a più di qualche fisico teorico.

Il problema, in sostanza, era questo: alcune misurazioni estremamente precise condotte sugli atomi non coincidevano del tutto con quello che il Modello Standard prevedeva. E quando si parla del Modello Standard, anche una differenza minuscola conta. Quel modello è la migliore descrizione che abbiamo delle particelle fondamentali e delle forze che le governano. Funziona talmente bene che ogni volta che qualcosa non torna, la comunità scientifica si chiede se non ci sia della nuova fisica nascosta da qualche parte.

Il ruolo nascosto dei neutrini

Ecco dove entrano in gioco i neutrini. Queste particelle sono notoriamente sfuggenti: attraversano la materia quasi senza interagire con nulla. Eppure producono effetti, per quanto piccoli. La forza in questione, generata dallo scambio di neutrini e altre particelle, era stata sostanzialmente ignorata nei calcoli precedenti. Non per pigrizia, ma perché il suo contributo sembrava troppo esiguo per fare la differenza. E invece no.

Quando i ricercatori hanno incluso questa forza trascurata nei loro modelli, le predizioni teoriche hanno cominciato a combaciare molto meglio con i dati sperimentali. In pratica, il Modello Standard funzionava già bene, solo che mancava un pezzo nel puzzle dei calcoli. Un pezzo sottile, quasi invisibile, ma decisivo per raggiungere il livello di precisione che oggi la fisica atomica richiede.

Cosa cambia adesso per la ricerca

La cosa interessante è che questa correzione non introduce nulla di esotico. Nessuna particella sconosciuta, nessuna dimensione extra, nessuna teoria rivoluzionaria. Semplicemente, un effetto reale che era stato sottovalutato. E questo la dice lunga su quanto sia difficile fare i conti quando si lavora ai limiti estremi della precisione.

Per chi sperava che la discrepanza fosse il segnale di qualcosa di completamente nuovo, la notizia è un po’ amara. Ma per la solidità del Modello Standard, è un’ulteriore conferma. Quel framework teorico, costruito pezzo dopo pezzo nel corso di decenni, continua a reggere anche quando lo si mette alla prova con strumenti sempre più raffinati.

Resta comunque aperta la grande domanda: il Modello Standard non spiega tutto. La materia oscura, l’energia oscura, la gravità quantistica restano fuori dalla sua portata. Ma almeno, per quanto riguarda la fisica atomica di precisione, ora sappiamo che bastava guardare meglio dentro ai calcoli già esistenti. A volte la risposta non è oltre l’orizzonte, ma sotto al tappeto.

L'articolo Neutrini, la forza nascosta che risolve un enigma della fisica atomica proviene da Tecnoapple.

Uno sviluppatore è riuscito a far girare un modello di intelligenza artificiale pensato per i data center direttamente su un MacBook Pro. La notizia ha fatto il giro della comunità tech in pochissime ore, e il motivo è semplice: non era una cosa che si riteneva possibile, almeno non a questo livello. Parliamo di modelli enormi, quelli che di solito richiedono server con schede grafiche dedicate dal costo di decine di migliaia di euro. Eppure, un portatile Apple ce l’ha fatta.

Il punto non è solo la curiosità tecnica. Quello che emerge da questa impresa è qualcosa di più ampio, e riguarda la direzione che Apple sta prendendo nel settore dell’intelligenza artificiale. Per anni, il colosso di Cupertino è stato accusato di essere in ritardo rispetto a rivali come Google, Microsoft e OpenAI. Ma forse la strategia era diversa fin dall’inizio: invece di puntare tutto sul cloud e sui servizi remoti, Apple ha investito sull’hardware. E i risultati iniziano a vedersi.

Il ruolo del chip Apple Silicon nella corsa all’AI

Il merito va in gran parte ai chip Apple Silicon, che dalla loro introduzione hanno cambiato le regole del gioco per quanto riguarda efficienza energetica e potenza di calcolo su dispositivi portatili. La memoria unificata dei processori M rappresenta un vantaggio enorme quando si tratta di caricare modelli AI di grandi dimensioni. A differenza delle architetture tradizionali, dove la RAM e la memoria della GPU sono separate, nel MacBook Pro tutto il sistema può accedere allo stesso pool di memoria, rendendo possibile gestire carichi di lavoro che altrove richiederebbero infrastrutture ben più costose.

Questo non significa che un portatile possa sostituire un intero data center, ovviamente. Ma il fatto che un singolo sviluppatore, senza risorse particolari, riesca a eseguire un modello di quella portata su una macchina da scrivania racconta molto sulla direzione del mercato. L’AI sta diventando sempre più accessibile, e Apple sembra posizionata meglio di quanto molti pensassero.

Apple e la strategia silenziosa sull’intelligenza artificiale

C’è chi sostiene che Apple stia vincendo la corsa all’AI senza fare troppo rumore. Mentre gli altri annunciano partnership miliardarie e modelli sempre più grandi da far girare nel cloud, Cupertino lavora per portare quella stessa potenza nelle mani degli utenti, letteralmente. Il MacBook Pro diventa così non solo uno strumento di lavoro, ma una piattaforma capace di reggere carichi computazionali che fino a poco tempo fa sembravano riservati a pochissimi.

La vera domanda adesso è quanto tempo passerà prima che queste capacità diventino parte integrante dell’esperienza quotidiana su macOS. Perché la potenza c’è già. Manca solo che il software raggiunga l’hardware. E sapendo come lavora Apple, potrebbe non mancare molto.

L'articolo Apple Silicon fa girare un modello AI da data center su un MacBook Pro proviene da Tecnoapple.