TRON 95
AI&esopianeti, mappa semantica, intelligenza frastagliata & altro
TRON # 95 - 22 aprile 2026
di Adriano Parracciani aka cyberparra
In questo numero:
AI scopre nuovi esopianeti
Dove sta il sale?
Intelligenza Frastagliata
Tracciare la tastiera dei colletti bianchi
AI scopre nuovi esopianeti
“Utilizzando la nostra pipeline RAVEN appena sviluppata, siamo stati in grado di convalidare 118 nuovi pianeti e oltre 2.000 candidati pianeti di alta qualità, quasi 1.000 dei quali completamente nuovi”
Marina Lafarga Magro, ricercatrice post-dottorato presso l’Università di Warwick.
RAVEN (RAnking and Validation of ExoplaNets) è un modello AI che scopre nuovi esopianeti attraverso un processo automatizzato analizzando i dati del satellite TESS della NASA.
RAVEN è stato addestrato con un set di dati composto da centinaia di migliaia di simulazioni realistiche. I modelli di machine learning sono stati addestrati a riconoscere schemi specifici che distinguono i veri pianeti da altri eventi astrofisici che potrebbero “mascherarsi” da pianeti, come le stelle binarie a eclissi o il rumore strumentale.
Uno dei principali problemi dell’astronomia moderna è come trasformare rapidamente e in modo affidabile vasti volumi di dati grezzi in scoperte confermate, eliminando efficacemente i falsi positivi. È il problema che sembra risolvere RAVEN.
🔗 https://warwick.ac.uk/news/pressreleases/ai-approach-uncovers-dozens-of-hidden-planets/
A chi interessa, qui il sito dove scoprire tutto sugli esopianeti.
Dove sta il sale?
A me capita spesso che mi spostano le cose in cucina, e non le trovo mai. Mia moglie dice che mette a posto quello che io lascio in giro (sarebbe il mio “ a posto”) , solo che cambia il posto ogni volta.
Questo problema si risolve con un sistema robotico, progettato dalla Technical University of Munich (TUM), per la mappatura semantica. Questa permette la ricerca di oggetti in ambienti reali che cambiano nel tempo. (video sotto).
Grazie a un modello probabilistico (AI), il robot monitora la stazionarietà degli oggetti, identificando quali elementi sono stati spostati o rimossi per aggiornare la propria mappa senza dover scansionare tutto da capo.
Punteggio di Stazionarietà (Stationarity Score): Ogni istanza di un oggetto viene monitorata tramite un punteggio di stazionarietà. Se un oggetto viene rimosso o spostato quando il robot non sta guardando, questo punteggio decade o fluttua. Ad esempio, se un pallone rotola, il suo punteggio varia finché non si ferma nuovamente, momento in cui il valore converge verso uno stato stabile.
Identificazione delle Regioni Prioritarie: Invece di rifare costantemente l’intera mappa, il robot decide dove e quanto spesso esplorare regioni potenzialmente “obsolete”. La priorità di esplorazione dipende dal punteggio di stazionarietà dell’oggetto, dalla sua classe semantica e dal tempo trascorso dall’ultima osservazione. Gli oggetti che tendono a muoversi spesso o le posizioni incerte generano regioni ad alta priorità.
Riconoscimento e Reidentificazione: Per distinguere tra oggetti simili (come due tazze di colore diverso o cesti di dimensioni diverse), il sistema combina caratteristiche semantiche e geometriche. Questo permette al robot di riconoscere correttamente un oggetto anche quando riappare in una posizione leggermente diversa, aggiornando la mappa globale in modo coerente
Inferenza semantica: Gli LLM permettono al robot di “ragionare” sulla posizione probabile di un oggetto. Ad esempio, il sistema può inferire che un paio di occhiali si trovi più probabilmente vicino a scrivanie o libri
Questo tipo di robot non vede l’ambiente come statico, ma come un insieme di oggetti con diversi gradi di stabilità, e con la mappatura ed il “ragionamento” semantico può prevedere dove i cambiamenti potrebbero essersi verificati.
“Il sale è sulla mensola sotto il pensile”
Intelligenza Frastagliata
Facile per un umano, difficile per una macchina e viceversa.
Questo concetto, espresso in modi diversi ed in tempi diversi (da Faggin ai guru della IA attuale) è chiaro da molto tempo. La IA può apparire come geniale in un momento e ottusa in quello successivo, eccellendo in compiti complessi ma fallendo in attività che gli esseri umani considerano elementari.
Andrej Karpathy (ricercatore o uno dei fondatori di OpenAI) chiama questo fenomeno Intelligenza Frastagliata (jagged intelligence), la cui la natura è irregolare e imprevedibile.
Punti di forza e debolezze estreme: L’IA può risolvere problemi matematici da Olimpiadi o scrivere codice a velocità incredibile, ma può faticare a rispondere a semplici domande di buon senso o risolvere puzzle che un essere umano medio supererebbe senza istruzioni. Queste sono chiamate valli di incompetenza.
Mancanza di intelligenza generale: Esperti come François Chollet sostengono che l’IA non possieda un’intelligenza generale, bensì un insieme di molte abilità diverse. È molto efficace nei campi in cui è possibile definire chiaramente un comportamento “giusto” o “sbagliato” (come la matematica o il coding), ma fatica in ambiti come la scrittura creativa, la filosofia o la pianificazione, dove i confini sono meno netti.
Limiti dei dati digitali: la IA possiede una vasta conoscenza del mondo digitale ma una conoscenza limitata del mondo fisico, il che contribuisce alla creazione delle valli di incompetenza.
Imprevedibilità: Per chi usa la IA è spesso difficile prevedere dove si trovino queste lacune (le valli della frastagliatura), perché la tecnologia cambia rapidamente e i problemi possono emergere inaspettatamente.
Secondo i ricercatori queste lacune verranno via via colmate e forse si scriverà:
Facile per un umano, facile per una AI. Difficile per un umano, facile per una AI
O forse no?
Tracciare la tastiera dei colletti bianchi
Model Capability Initiative (MCI), è un sistema di monitoraggio avanzato introdotto da Meta per registrare movimenti del mouse e battute sulla tastiera dei propri dipendenti. Solo negli USA al momento.
Meta dice che l’obiettivo di questa iniziativa è raccogliere dati reali per addestrare agenti AI capaci di automatizzare compiti lavorativi complessi e navigare interfacce digitali. Meta assicura che le informazioni non influenzeranno le valutazioni delle prestazioni dei dipendenti, e qui scoppia la risata (leggi anche Google, Microsoft e Meta ci tracciano anche se diciamo di no). Perché ridere a queste affermazioni? Perché guarda caso il progetto coincide con piani di licenziamenti globali e una profonda ristrutturazione aziendale.
E che dire della privacy dei lavoratori; praticamente una sorveglianza invasiva, che in USA non ha tutele legali, ma in Europa si.
Ci sono quindi due aspetti:
Addestrare agenti autonomi che andranno a sostituire/ridurre dipendenti.
Applicare la sorveglianza in tempo reale, anche ai colletti bianchi; una realtà che prima si applicava solo a corrieri ed ai lavoratori della gig economy.
anche in ebook
