Le ultime scoperte dell’IA: Cosa c’è di nuovo e cosa ci aspetta?

L’intelligenza artificiale (IA) continua a crescere in importanza, grazie al suo alto potenziale di rivoluzionare i settori.

Questa simulazione dell’intelligenza umana nelle macchine, dopotutto, porta benefici come maggiore efficienza e produttività, precisione migliorata e decisioni più informate, nuove opportunità di lavoro e un’esperienza cliente potenziata.

Di conseguenza, l’IA è diventata un motore chiave della crescita aziendale, con oltre il 70% delle imprese che la adottano. Le stime mostrano che il mercato globale dell’IA può raggiungere trilioni entro il 2030, spinto da investimenti crescenti e progressi tecnologici.

Solo quest’anno, abbiamo assistito a sviluppi enormi: OpenAI ha introdotto un agente di ricerca avanzata con un tasso di accuratezza superiore al 25% sul benchmark Humanity’s Last Exam; DeepSeek ha rilasciato DeepSeek-R1, che utilizza il ragionamento a catena di pensiero; Baidu ha lanciato Ernie X1 e Ernie 4.5; e Stability AI ha presentato un nuovo modello, Stable Virtual Camera, che consente di trasformare le foto in scene 3D.

Nel frattempo, Google sta collaborando con MediaTek di Taiwan per sviluppare la prossima generazione di Tensor Processing Units (TPU) al fine di ridurre i costi di produzione e la dipendenza dai partner attuali. Allo stesso tempo, un consorzio composto da OpenAI, Oracle (ORCL ), SoftBank e MGX ha annunciato il Progetto Stargate in collaborazione con il governo degli Stati Uniti.

La scorsa settimana, Nvidia (NVDA ) ha annunciato una nuova gamma di “supercomputer personali AI” alimentati dalla sua piattaforma di chip Grace Blackwell. Il CEO Jensen Huang ha presentato DGX Spark e DGX Station al GTC 2025 per consentire agli utenti di prototipare, perfezionare e far girare modelli AI di varie dimensioni al bordo.

Quindi, ora, diamo un’occhiata ad alcune delle più recenti scoperte chiave che i ricercatori hanno ottenuto grazie all’IA in diversi settori.

Clicca qui per scoprire se l’IA è solo hype o se c’è sostanza nella sua crescita.

IA che risolve le proprie sfide di apprendimento

L’IA non solo si sta trasferendo in altri settori, ma sta anche contribuendo a se stessa consentendo lo sviluppo di sistemi IA più sofisticati grazie ai progressi nell’analisi dei dati, nell’apprendimento automatico e nell’automazione, portando a una più rapida elaborazione, previsioni più accurate e decisioni migliori. 

Questo mese, i ricercatori hanno introdotto nuovi componenti memristivi molto più robusti, in grado di operare sia in modalità analogica che digitale e di funzionare su un intervallo di tensione più ampio.

Queste caratteristiche possono aiutare a contrastare il “catastrophic forgetting”, che si verifica quando le reti neurali artificiali dimenticano ciò che avevano appreso in precedenza. Questo accade tipicamente quando le reti neurali profonde (DNN), progettate per imitare il cervello umano, vengono addestrate a un nuovo compito e la nuova ottimizzazione sovrascrive quanto era stato appreso prima.

Il nostro cervello non ha questo problema, grazie alla sua capacità di regolare il grado di cambiamento sinaptico. Inoltre, si sospetta che i diversi gradi di plasticità consentano al nostro cervello di apprendere permanentemente nuove cose senza dimenticare quelle vecchie. I ricercatori hanno realizzato qualcosa di simile con il loro nuovo memristore.

I memristori si comportano in modo molto simile alle cellule cerebrali e consumano pochissima energia. Come tipo di dispositivo di memoria a commutazione di resistenza, i memristori possono modificare la loro resistenza in base alla tensione applicata. Anche dopo che la tensione è spenta, il loro valore di resistenza rimane grazie alla capacità di subire cambiamenti strutturali.

Secondo Ilia Valov del Peter Grünberg Institute (PGI-7) presso il Forschungszentrum Jülich, che ha guidato la ricerca:

“Gli elementi memristivi sono considerati candidati ideali per componenti informatici neuro-ispirati capaci di apprendere, modellati sul cervello.”

Sebbene siano stati compiuti progressi significativi, la commercializzazione dei componenti procede a un ritmo molto più lento a causa dell’elevata percentuale di fallimenti in produzione, della breve durata del prodotto e della sensibilità a influenze meccaniche che possono causare malfunzionamenti durante l’uso.

Ciò richiede ricerche per migliorare il controllo dei processi su scala nanometrica, nonché nuovi materiali e meccanismi di commutazione per ridurre la complessità dei sistemi e aumentare la gamma di funzionalità, ha affermato Valov.

Per questo scopo, scienziati tedeschi e cinesi si sono uniti e hanno “scoperto un meccanismo memristivo elettrochimico fondamentalmente nuovo, più stabile chimicamente ed elettricamente”, che amplierà l’orizzonte delle applicazioni neuroscientifiche.

Clicca qui per scoprire come i chip cerebrali abilitati dall’IA apriranno il prossimo salto nell’evoluzione dell’umanità.

Scoperta del memristore per l’apprendimento continuo dell’IA

Pubblicato su journal Nature Communications¹, lo studio ha identificato due meccanismi principali per il funzionamento dei memristori bipolari:

1. Metallizzazione elettrochimica (ECM)
2. Meccanismo di cambiamento di valenza (VCM)

I memristori ECM formano un filamento metallico tra i due elettrodi. Questo piccolo “ponte conduttivo” modifica la resistenza elettrica e si dissolve invertendo la tensione. Pur consentendo tensioni di commutazione basse e tempi di commutazione rapidi, gli stati generati sono variabili e di breve durata.

I memristori VCM cambiano la resistenza tramite il movimento di ioni di ossigeno all’interfaccia tra l’elettrodo e l’elettrolita modificando la barriera di Schottky. Sebbene siano relativamente stabili, ciò richiede tensioni di commutazione elevate.

Con ciascun processo che ha i propri vantaggi e svantaggi, il team ha progettato un memristore combinando i benefici di entrambi i tipi, cosa ritenuta impossibile.

Quindi, il nuovo memristore utilizza un filamento di ossidi metallici (invece di essere completamente metallico come l’ECM), formato dal movimento di ioni di ossigeno e tantalio. È molto stabile e non si dissolve mai completamente.

“Puoi considerarlo come un filamento che esiste sempre in qualche misura ed è solo modificato chimicamente.” 

– Valov

Il nuovo, robusto meccanismo di commutazione è definito come meccanismo di modifica della conduttività del filamento (FCM). I componenti basati su questo meccanismo sono più resistenti alle alte temperature, richiedono tensioni più basse per funzionare, hanno una finestra di tensione più ampia e sono chimicamente ed elettricamente più stabili. La loro durata è anche più lunga perché meno componenti si bruciano durante la produzione, riducendo il tasso di scarto.

I diversi stati di ossidazione consentono inoltre al memristore di operare sia in modalità binaria che analogica, il che può aiutare a superare il problema del “catastrophic forgetting”.

Valov ha spiegato che le “proprietà uniche” del nuovo memristore ohmico a due terminali “consentono l’uso di diversi modi di commutazione per controllare la modulazione del memristore in modo che le informazioni memorizzate non vengano perse.”

I ricercatori hanno già implementato il nuovo componente memristivo in un modello di rete neurale artificiale in una simulazione, ottenendo elevate accuratezze di riconoscimento di pattern su più set di immagini.

Il team ora esplorerà altri materiali che potrebbero essere ancora migliori e più stabili. Valov è fiducioso che i loro “risultati faranno ulteriormente progredire lo sviluppo di elettronica per applicazioni di ‘computazione-in-memoria’.”

Ora, una delle aziende leader nel settore IA è Microsoft (MSFT ), che ha investito 12 miliardi di dollari nel creatore di ChatGPT OpenAI e offre prodotti IA come Copilot, Azure AI Studio e strumenti potenziati dall’IA all’interno di Microsoft 365, Dynamics 365 e Power Platform. Le azioni del gigante tecnologico dal valore di mercato di 2,9 trilioni di dollari sono attualmente quotate a $394.58, in calo del 7,17% YTD. Per il trimestre conclusosi il 31 dicembre 2024, ha riportato un aumento del 12% dei ricavi a 69,6 miliardi di dollari e un EPS diluito di 3,23 dollari.

Secondo il CEO di Microsoft Satya Nadella:

“Stiamo innovando su tutta la nostra stack tecnologica e aiutando i clienti a sbloccare il pieno ROI dell’IA per cogliere la massiccia opportunità che ci attende. Già, il nostro business IA ha superato un tasso di fatturato annuale di 13 miliardi di dollari, in crescita del 175% anno su anno.”

Ultime notizie su Microsoft

IA nella sanità, migliorare la diagnosi del Parkinson

Nel settore sanitario, l’IA aiuta a ridurre i costi e a ottenere risultati migliori per i pazienti migliorando diagnosi, trattamenti e assistenza attraverso la rilevazione delle malattie, la medicina personalizzata e una maggiore efficienza nelle attività amministrative.

Ora, l’IA aiuterà i clinici a diagnosticare differenzialmente il morbo di Parkinson e le condizioni correlate più rapidamente e con maggiore precisione.

La diagnosi del morbo di Parkinson attualmente si attesta tra il 55% e il 78% nei primi cinque anni di valutazione, in parte a causa dei disturbi del movimento affini che ne condividono le somiglianze, rendendo difficile una diagnosi definitiva iniziale.

Tuttavia, un nuovo modello IA sviluppato da ricercatori dell’Università della Florida e dell’UF Health Norman Fixel Institute for Neurological Diseases vanta un tasso di precisione superiore al 96%.

Come osservato nello studio, l’applicazione di un approccio basato sull’imaging per diagnosticare e differenziare tra morbo di Parkinson (PD), paralisi sopranucleare progressiva (PSP) e atrofia multisistemica (MSA) varianti parkinsoniane è stata particolarmente difficile. Tuttavia, dati recenti hanno dimostrato che è possibile con risonanza magnetica a diffusione (diffusion-weighted MRI) associata ad algoritmi di machine learning (ML) specifici per la malattia.

Lo studio, finanziato dal National Institutes of Health e pubblicato su JAMA Neurology², ha dettagliato l’Automated Imaging Differentiation for Parkinsonism (AIDP), un software automatizzato di elaborazione MRI e ML con una tecnica biomarcatore non invasiva. 

I produttori di MRI, David Vaillancourt, professore del Dipartimento di Fisiologia Applicata e Kinesiologia dell’UF, ha osservato che non comunicano tra loro a causa della concorrenza di mercato e utilizzano i propri software e sequenze.

Quindi, i ricercatori hanno “sviluppato un nuovo software che funziona su tutti loro.” Lo strumento aiuterà i medici a incrementare la loro efficacia diagnostica tra i diversi disturbi, ha detto Vaillancourt.

Mentre la MRI a diffusione in AIDP aiuta a identificare dove avviene la neurodegenerazione misurando come le molecole d’acqua si diffondono nel cervello, l’algoritmo analizza la scansione cerebrale per fornire i risultati.

L’algoritmo è stato testato rigorosamente confrontandolo con diagnosi cliniche in presenza ed è stato condotto in 21 siti, inclusi due in Canada e 19 negli Stati Uniti.

“Questo è un caso in cui l’innovazione tra tecnologia e intelligenza artificiale è stata dimostrata per migliorare la precisione diagnostica, offrendoci l’opportunità di migliorare ulteriormente il trattamento dei pazienti con il morbo di Parkinson.”

– Michael Okun, M.D., direttore del Norman Fixel Institute for Neurological Diseases presso UF Health. 

I ricercatori stanno ora puntando a ottenere l’approvazione dalla Food and Drug Administration (FDA) degli Stati Uniti.

Utilizzare l’IA per prevedere il rischio cardiovascolare tramite mammografie

Un altro modello di deep learning ha mostrato potenziale nel prevedere il rischio cardiovascolare basandosi su immagini di mammografia, uno strumento importante per lo screening del cancro. Questo studio separato studio presentato alla Sessione Scientifica Annuale del American College of Cardiology (ACC) combina la potenza dell’IA con le mammografie per analizzare l’accumulo di calcio nelle arterie all’interno del tessuto mammario.

L’accumulo di calcio nei vasi sanguigni è un segno di danno cardiovascolare associato all’invecchiamento o a una malattia cardiaca in fase precoce. Le donne con accumulo di calcio nelle arterie, secondo studi precedenti, hanno un rischio del 51% più elevato di malattie cardiache e ictus.

Nonostante sia una delle principali cause di morte negli Stati Uniti, le malattie cardiache nelle donne rimangono in realtà sotto-diagnosticate, cosa che può cambiare con gli strumenti di screening delle mammografie potenziati dall’IA che sfruttano meglio i test che molte donne ricevono regolarmente.

Negli Stati Uniti, circa 40 milioni di mammografie vengono eseguite ogni anno. Queste radiografie sono utilizzate per lo screening del cancro al seno. Sebbene queste immagini mostrino calcificazioni delle arterie mammarie, l’informazione non viene riportata ai pazienti o ai loro medici.

Il nuovo studio ha utilizzato una tecnica di analisi delle immagini IA non precedentemente usata sulle mammografie per dimostrare che la tecnologia può colmare questa lacuna valutando automaticamente le calcificazioni e fornendo poi una valutazione del rischio cardiovascolare. Secondo l’autore principale dello studio, Theo Dapamede, MD, PhD, e ricercatore post-dottorato presso l’Università Emory di Atlanta:

“Vediamo un’opportunità per le donne di essere sottoposte a screening per il cancro e, inoltre, di ottenere uno screening cardiovascolare dalle loro mammografie. Il nostro studio ha dimostrato che la calcificazione arteriosa mammaria è un buon predittore di malattia cardiovascolare, soprattutto nei pazienti più giovani di 60 anni. Se siamo in grado di fare screening e identificare questi pazienti precocemente, possiamo indirizzarli a un cardiologo per una valutazione del rischio più approfondita.”

Per costruire lo strumento, i ricercatori hanno addestrato un modello IA a segmentare i vasi calcificati nelle immagini di mammografia. Il modello utilizza quindi questi pixel luminosi per calcolare il rischio di eventi cardiovascolari futuri basandosi sui dati di oltre 56.000 pazienti. 

“I progressi nel deep learning e nell’IA hanno reso molto più fattibile estrarre e utilizzare più informazioni dalle immagini per informare lo screening opportunistico.”

– Dapamede

I risultati dello studio hanno dimostrato che il nuovo modello ha funzionato bene nell’identificare il rischio cardiovascolare dei pazienti a basso, medio o alto rischio basandosi sulle immagini di mammografia.

Secondo loro, il tasso di eventi cardiovascolari gravi aumenta con il livello di calcificazione arteriosa mammaria nelle donne sotto i 60 anni e in quelle tra 60 e 80 anni, dopo aver calcolato il rischio di morte per infarto acuto, ictus o qualsiasi causa a due e cinque anni.

Ciò rende questo strumento particolarmente adatto a fornire un avviso precoce del rischio di malattie cardiache nelle donne più giovani, consentendo interventi tempestivi.

I risultati dello studio dimostrano anche che coloro con il più alto livello di calcificazione arteriosa mammaria, superiore a 40 mm², hanno avuto un tasso di sopravvivenza senza eventi a cinque anni notevolmente più basso rispetto a quelli con il livello più basso, inferiore a 10 mm².

Il prossimo passo dei ricercatori è ottenere l’approvazione dalla FDA e renderlo disponibile per un uso più ampio. In futuro, il piano prevede anche di esaminare l’uso di modelli IA simili per analizzare biomarcatori per altre condizioni, come le malattie renali, che potrebbero essere estratti dalle mammografie.

Ora, per quanto riguarda le aziende che avanzano l’IA nella sanità, GE HealthCare Technologies (GEHC ) è fortemente investita nella tecnologia e la integra nei suoi prodotti per migliorare l’assistenza ai pazienti e ottimizzare i flussi di lavoro dei clinici. Le azioni dell’azienda, con una capitalizzazione di mercato di 37,26 miliardi di dollari, sono attualmente quotate a 81,49 dollari, in aumento del 4,23%. Nel 4Q24, il suo fatturato è aumentato del 2% a 5,3 miliardi di dollari mentre l’EPS diluito era di 1,57 dollari.

Ultime notizie su GE Healthcare Technologies

IA nella scienza dei materiali: Ottimizzare i processi di crescita dei film sottili

La scienza dei materiali è fondamentale per i progressi moderni poiché consente lo sviluppo di nuovi materiali e il miglioramento di quelli esistenti. L’IA in questo campo contribuisce accelerando la scoperta e la progettazione di nuovi materiali, ottimizzando quelli esistenti e migliorando i processi di produzione.

I ricercatori della Tokyo University of Science (TUS), guidati dal Professor Masato Kotsugi, hanno ora utilizzato l’IA per ottimizzare i processi di crescita dei film sottili prevedendo la crescita dendritica in essi.

Questi processi svolgono un ruolo chiave nello sviluppo di dispositivi a semiconduttore, tecnologie di comunicazione e sensori.

Ora, i film sottili vengono cresciuti depositando piccoli strati di materiale su un substrato. Tuttavia, per sfruttare appieno le prestazioni dei dispositivi a film multilayer, il substrato deve essere fabbricato con precisione poiché ha un’influenza considerevole sulla configurazione strutturale, che a sua volta influisce sulla funzione e sulle prestazioni.

Tuttavia, le strutture sono significativamente influenzate dalle condizioni del processo di crescita, come composizione, atmosfera e difetti superficiali. Durante il processo di crescita di fabbricazione su larga area, importante per la sua applicazione commerciale, emerge un ostacolo principale sotto forma di strutture dendritiche.

Questi schemi di ramificazione a forma di albero riducono la planarità dei film sottili e sono comunemente osservati in materiali come grafene, rame e borofene, soprattutto nelle fasi iniziali di crescita e nei film multilayer.

Dato che la microstruttura influisce direttamente sulle prestazioni del dispositivo, è fondamentale ridurre la formazione dendritica. Per farlo, dobbiamo prima comprendere le condizioni che causano la ramificazione dendritica. Tuttavia, i metodi esistenti per studiare i dendriti dipendono da semplici analisi visive e interpretazioni soggettive, richiedendo notevoli tentativi ed errori.

Per affrontare questi problemi, i ricercatori hanno costruito un modello IA per analizzare le strutture dendritiche. Il metodo innovativo integra l’apprendimento automatico (ML) e l’omologia persistente (PH) con l’analisi energetica per collegare struttura e processo nella crescita dendritica.

“Il nostro approccio fornisce nuove intuizioni sui meccanismi di crescita e offre un percorso potente, guidato dai dati, per ottimizzare la fabbricazione dei film sottili.”

– Prof. Kotsugi

Combinare IA, PH e Analisi Energetica per studiare la crescita dendritica

Pubblicato su Science and Technology of Advanced Materials: Methods³, lo studio descrive il modello che utilizza l’omologia persistente (PH) per catturare le complesse caratteristiche topologiche delle microstrutture dendritiche, spesso trascurate dalle tecniche tradizionali di elaborazione delle immagini.

Mentre PH consente la valutazione multiscala di buchi e connessioni all’interno di strutture geometriche, la tecnica di ML dell’analisi delle componenti principali (PCA) ha aiutato a ridurre le caratteristiche essenziali della morfologia dei dendriti estratte tramite PH a uno spazio 2D.

Ciò ha aiutato il team a quantificare i cambiamenti strutturali nei dendriti e a stabilire una relazione tra questi cambiamenti e l’energia libera nel materiale che influisce sul modo in cui i dendriti si formano.

Valutando questa relazione, il team ha scoperto le condizioni particolari e i meccanismi di crescita nascosti che influenzano la ramificazione dendritica.

“Il nostro quadro mappa quantitativamente la morfologia dendritica alle variazioni di energia libera di Gibbs, rivelando i gradienti energetici che guidano il comportamento di ramificazione.”

– Kotsugi

Il team ha poi studiato la crescita dei dendriti su un substrato di rame (Cu) esagonale e ha confrontato i risultati con dati provenienti da simulazioni a campo di fase per convalidare il loro approccio. Kotsugi ha osservato:

“Integrando topologia ed energia libera, il nostro metodo offre un approccio versatile all’analisi dei materiali. Attraverso questa integrazione, possiamo stabilire una connessione gerarchica tra microstrutture su scala atomica e funzionalità macroscopia su un’ampia gamma di materiali, aprendo la strada a futuri progressi nella scienza dei materiali.”

Questo metodo, secondo lui, può portare allo sviluppo di dispositivi a film sottile di alta qualità per comunicazioni ad alta velocità oltre il 5G e a progressi in materiali ad alte prestazioni, fisica fuori equilibrio e tecnologia dei sensori.

Ora, se guardiamo a un nome di spicco nel campo della scienza dei materiali che utilizza l’IA per innovare, Applied Materials (AMAT ) è tra i leader. Sfrutta l’IA per migliorare la produzione di chip semiconduttori attraverso la sua piattaforma AI(x), ExtractAI e il sistema SEMVision™ H20. Le azioni dell’azienda, con una capitalizzazione di mercato di 123,6 miliardi di dollari, sono attualmente quotate a 151 dollari, in calo del 6,5% YTD. Per il 1Q25, ha riportato un aumento del 7% dei ricavi a 7,17 miliardi di dollari mentre l’EPS GAAP era 1,45 dollari e l’EPS non GAAP era 2,38 dollari.

“La spinta dell’industria ad accelerare lo sviluppo di calcolo avanzato e IA più sofisticata sta guadagnando slancio. Applied Materials sta abilitando le principali infrazioni architetturali dei dispositivi critiche per un’IA a basso consumo energetico, e il nostro focus sull’innovazione co-veloce crea opportunità di collaborazione uniche con i nostri clienti e partner, posizionando Applied per una crescita continua e una sovraperformance negli anni a venire.”

– CEO Gary Dickerson lo scorso mese

Ultime notizie su Applied Materials

Conclusione

L’IA ha già trasformato le imprese in tutti i settori. Il ritmo rapido dell’innovazione sta ora offrendo soluzioni rivoluzionarie alle sue sfide di lunga data. Con questi progressi, che vanno dalla scienza dei materiali, alla diagnostica medica, ai supercomputer personali, fino a soluzioni per le stesse sfide di apprendimento dell’IA, stiamo entrando in un’era che promette una trasformazione senza precedenti.

Man mano che l’IA continua a evolversi, la sua capacità di aumentare la produttività, migliorare il processo decisionale e aprire nuove frontiere la rende una delle forze più potenti che stanno plasmando il futuro.

Clicca qui per scoprire tutto sull’investimento nell’intelligenza artificiale (IA).