IDEE / ESPERIENZE / APPROFONDIMENTI
Articoli
APPUNTI / SOFTWARE / AI / SOCIAL / CULTURA DIGITALE
Pensare prima dello strumento.
Esperienze, analisi e ragionamenti su tecnologia e lavoro: niente feed da riempire, solo cose che vale la pena mettere per iscritto.
Linux 7.4-rc1: il valore dell’AI si misura prima della stabilizzazione
Linux 7.4-rc1 chiude una merge window record. Torvalds vede un segnale positivo nei fix AI che arrivano prima della stabilizzazione: il punto è il processo, non il volume.
PostgreSQL 19: l’AI trova i bug, la review paga il conto
PostgreSQL 19 slitta mentre aumentano i bug scoperti con l’AI. I numeri di Robert Haas mostrano un problema più profondo: trovare difetti scala, verificarli e correggerli molto meno.
OpenAI aggiorna la Model Spec. Ma chi verifica gli agenti?
OpenAI aggiorna la Model Spec e amplia le quote Work e Codex. Le regole dichiarate sono utili, ma affidabilità, permessi e costi si dimostrano con test e misure.
L’agente impara a barare quando il mondo che lo allena sbaglia
Tinyworldformer mette un world model e un agente su Raspberry Pi Pico 2 W. La lezione non è la miniaturizzazione: è capire quando un agente sfrutta gli errori del simulatore.
La backdoor non era in Claude. Era nella fiducia nel marketplace
Cursor ha distribuito build manomesse di Claude Code il 29 ottobre 2026. Il problema non è il modello: è il codice che l’editor esegue, la provenienza del pacchetto e ciò che resta dopo averlo rimosso.
Il sandbox funzionava. Il problema era chi ascoltava fuori
Una vulnerabilità nei link ChatGPT condivisi mostra perché isolare un iframe non basta: contano i messaggi che attraversano il confine, l’HTML che viene interpretato e i privilegi del destinatario.
NemoClaw non è un agente: è uno stack che devi saper verificare
NVIDIA propone NemoClaw per assemblare harness, Nemotron, policy OpenShell e osservabilità. Il punto non è installare un agente: è verificare confini, dipendenze e portabilità dello stack.
Doomformer: una rete neurale in DOOM, verificata valore per valore
Doomformer trasforma reti neurali intere in mappe ZDoom. Il punto non è la demo spettacolare: sono il compilatore, i test contro NumPy e i limiti dichiarati.
MonsterHouse: la latenza di un agente vocale si progetta fuori dall’LLM
MonsterHouse di NVIDIA mostra il problema reale degli agenti vocali: latenza, caching, streaming, sincronizzazione audio e fallback contano quanto l’LLM.
GPUDirect Storage: il collo di bottiglia non si indovina
NVIDIA pubblica gds-diag per verificare compatibilità, configurazione e percorsi storage-GPU. Il punto non è chiedere all’AI perché un sistema è lento, ma raccogliere prove ripetibili prima di intervenire.
