🗣Demis Hassabis crede che l'IA possa rivoluzionare la medicina nei prossimi anni.

- L'IA ha già risolto la sfida 50ennale della piegatura delle proteine con AlphaFold.
- I futuri sistemi di IA potrebbero progettare automaticamente nuovi farmaci.
- La scoperta di farmaci potrebbe passare da 10 anni a mesi, settimane o addirittura giorni.
- La maggior parte degli esperimenti potrebbe avvenire in simulazioni prima della validazione umana.
- I farmaci personalizzati su misura per i singoli individui potrebbero diventare possibili.
- Demis crede che l'IA possa rendere tutti i malati raggiungibili dal trattamento.

Il futuro dell'assistenza sanitaria potrebbe essere straordinario!

@AnotherIntelligence

🧠 Sam Altman ha appena fatto un'osservazione brutale sull'IA.

Ha detto che alcuni degli scienziati più intelligenti del settore erano anche le persone che l'hanno rallentata di più.

Non perché mancassero di talento. Ma perché erano troppo sicuri di avere ragione.

Per anni, esperti rispettati hanno insistito che la scalabilità non avrebbe funzionato. Modelli più grandi non avrebbero portato a importanti scoperte. L'approccio aveva toccato un muro.

Poi la realtà si è fatta vedere.

I modelli continuavano a migliorare. Nuove capacità continuavano ad emergere. Le previsioni continuavano a fallire. Ma molti critici non hanno cambiato idea.

Altman dice che questo è ciò che accade quando una credenza diventa parte della tua identità.

Una volta che la tua reputazione è costruita attorno a una particolare visione, aggiornare la tua opinione inizia a sembrare come ammettere una sconfitta. E più sei intelligente, più diventi bravo a difendere una posizione molto tempo dopo che le prove sono andate avanti.

L'ha persino paragonato a una sorta di follia: vedere i dati cambiare mentre si ripete la stessa conclusione.

Ma il suo avvertimento non era rivolto solo agli scettici. Era anche rivolto alle persone che stanno vincendo oggi.

Perché nel momento in cui una credenza diventa chi sei, invece di qualcosa che possiedi, perdi la capacità di aggiornarla.

E in un campo che si muove così velocemente, la capacità di cambiare idea potrebbe essere la competenza più preziosa di tutte.

@AnotherIntelligence

❗️Vivek, un ricercatore di Anthropic, ha pubblicato un articolo su come essere bravi nella ricerca.

Ecco i 7 principi fondamentali come istruzioni di prompt:

#learn@AnotherIntelligence

1. "Riformula il problema con le tue parole e definisci cosa significhi una risposta di successo prima di rispondere."

Dal consiglio di John Schulman: ragiona all'indietro a partire dal risultato desiderato invece che in avanti partendo dall'approccio più ovvio. In un prompt, questo costringe il modello a impostare i criteri di successo prima di iniziare a generare, il che impedisce la risposta generica predefinita.

2. "Predici la risposta più comune a questa domanda. Poi dimmi cosa sbaglia o cosa manca."

Vivek descrive il gusto come un muscolo che si allena prevedendo i risultati prima di vederli. Questa istruzione fa la stessa cosa all'interno del modello: lo rende consapevole della propria linea di base, quindi lo spinge oltre.

3. "Dai priorità alle fonti fondamentali rispetto a quelle recenti o popolari. I framework collaudati più vecchi battono le opinioni di tendenza."

Gli LLM hanno lo stesso problema dei ricercatori: le liste di letture condivise producono idee condivise. Questo reindirizza il modello verso la conoscenza duratura invece di qualunque cosa fosse più comune nei dati di training.

4. "Mostra la tua catena di ragionamento. Enuncia ogni assunzione e segnala dove la tua logica è più debole."

L'osservazione di Paul Graham: un'idea sembra completa fino a quando non provi a scriverla, e poi i vuoti si manifestano. Questa istruzione fa in modo che il modello trovi quei vuoti prima che tu debba farlo.

5. "Inizia con la versione più piccola possibile di questo problema. Risolvilo prima, quindi aggiungi complessità un pezzo alla volta."

La tecnica del 1952 di Claude Shannon: riduci un problema fino a renderlo banale, risolvilo, quindi reintroduci la difficoltà. La versione di Karpathy è "sovraadattare un singolo batch prima di addestrare su larga scala". In un prompt, questo impedisce al modello di provare a risolvere tutto in una volta, che è dove nascono le risposte vaghe.

6. "Dopo aver risposto, elenca le tre obiezioni più forti alla tua risposta e dimmi quale è la più valida."

Darwin teneva un registro di ogni fatto che contraddiceva la sua teoria perché catturava la sua stessa memoria che cancellava le prove sconvenienti. Questa istruzione incorpora quella disciplina nell'output del modello.

7. "Attingi da almeno un campo adiacente al di fuori del dominio ovvio per questa domanda."

L'interpretabilità prende in prestito dalla neuroscienza. Il design di Eval prende in prestito dal design di meccanismi. Questo libera il modello dal pensiero a un solo dominio, che è dove vivono le connessioni non ovvie.

⚠️Tutti possono capire quando hai usato l'IA per scrivere.

#learn@AnotherIntelligence

#prompt@AnotherIntelligence

Non sono le parole. È il ritmo, ecco come risolverlo:

1. L'IA viene scoperta perché la sua scrittura può essere prevedibile:
I rilevatori misurano quanto scorre uniformemente il testo. Stessa lunghezza della frase, stessa forma, riga dopo riga. Quell'uniformità è ciò che la segnala.

2. I trattini. La parola "delve". Un errore di battitura fatto di proposito:
Le persone ripuliscono tutto per nascondere l'IA e non cambia nulla. Quella non era la parte che tradiva la tua scrittura.

3. Il vero indizio è che ogni frase ha la stessa lunghezza:
Guarda come le persone scrivono realmente. Un lungo pensiero che si sviluppa e si snoda per un po'. Poi uno breve. Un frammento. Poi una riga che continua oltre dove un modello si sarebbe fermato.

4. Quindi rendilo irregolare di proposito:
"Riscrivi questo in modo che le lunghezze delle frasi siano ovunque. Alcune molto brevi, altre lunghe. Dovunque tre di fila sembrino uguali, interrompi una. Non sistemarlo dopo."

5. L'altro indizio è che l'IA non si impegnerà:
Valuta entrambi i lati. Addolcisce ogni affermazione. Scrive come se avesse paura di sbagliare. Le persone scelgono un lato e lo dicono.

6. Correggi:
"Riscrivi questo con un'opinione reale. Scegli un lato, dillo chiaramente, elimina le esitazioni. Sembra qualcuno che ha già preso una decisione."

7. Ultimo. La scrittura dell'IA è troppo pulita:
Le persone lasciano impronte digitali. Un'osservazione che interrompe il punto. Una frase che si affievolisce. Un dettaglio così specifico che nessuno si preoccuperebbe di inventarlo. "Rimetti il disordine umano. Un'osservazione, una frase schietta, qualcosa di leggermente fuori. Lascia stare."

Niente di tutto questo serve a battere un rilevatore. Un rilevatore e un lettore reale stanno controllando la stessa cosa, se una persona era dietro le parole. Correggi questo e entrambi smetteranno di segnalarti.

⚡️ Il nuovo GPT-5.5-Cyber di OpenAI ha appena superato Mythos 5 su CyberGym, un benchmark che testa se gli agenti IA possono riprodurre vulnerabilità del software nel mondo reale.

@AnotherIntelligence

🤖 Sembra che otterremo un'intera gamma di nuovi modelli GPT questo giovedì:

• GPT-5.6
• 5.6 Pro
• E un nuovo modello vocale bidirezionale.

@AnotherIntelligence

🇪🇺 Il CEO di Mistral, Arthur Mensch, ha appena lanciato un severo avvertimento all'Europa:

Costruite la vostra infrastruttura IA entro due anni o inviate oltre 1 trilione di euro alle aziende tecnologiche americane.

La sua argomentazione è semplice. I salari globali sono circa 50 trilioni di euro, e l'IA potrebbe assorbire circa il 10% di questo valore. La quota dell'Europa è di circa 9 trilioni di euro, il che significa che più di 1 trilione di euro di spesa per l'IA è in palio nei prossimi cinque anni.

La domanda è: chi verrà pagato?

L'Europa già spende centinaia di miliardi in servizi digitali statunitensi ogni anno, contribuendo a finanziare la R&D americana mentre si allontana sempre più dalle tecnologie che guidano la produttività futura.

Mensch ha paragonato l'IA alla dipendenza energetica. Quando una crisi mette in luce il rischio, è già troppo tardi.

I chip vengono assegnati. I data center vengono costruiti. L'economia dell'IA viene ora divisa.

Questo non è più un dibattito tecnologico. È un dibattito sulla sovranità.

@AnotherIntelligence