Abstract:
L’intelligenza artificiale “sostenibile” e “sinergica con l’umano” non è un campo unitario ma un arcipelago frammentato di architetture tecniche reali, proposte filosofiche non implementate e operazioni retoriche che mascherano logiche economiche. Le alternative ai Transformer esistono e producono risultati misurabili — la quantizzazione risparmia fino al 67% di energia, i modelli neurosimbolici dimostrano 100× meno consumo in compiti specifici — ma nessuna rappresenta ancora un sostituto sistemico. Intanto i data center globali consumano 415 TWh (2024) e raggiungeranno 945 TWh entro il 2030, con l’IA che passerà dal 5-15% al 35-50% di quel carico: gli stessi impianti che riducono il consumo unitario consumano in assoluto il doppio, il paradosso di Jevons applicato al computazionale. In questo contesto, proposte come l’“IA Sapienziale” italiana combinano osservazioni tecniche legittime con un rapporto retorica/sostanza molto elevato: nessun paper peer-reviewed, nessun benchmark pubblico, nessun codice open-source, a fronte di €592,5 milioni annunciati — per il 95% debito convertibile. La domanda critica non è se l’IA debba essere sostenibile — ovviamente sì — ma chi definisce “sostenibilità”, “saggezza” e “sinergia”, e a vantaggio di chi.
Architetture tecniche: cosa funziona davvero e cosa è promessa
JEPA e il mondo dei modelli predittivi
Il programma JEPA di Yann LeCun rappresenta la ricerca più sistematica verso un paradigma alternativo ai Large Language Model.I-JEPA(gennaio 2023),V-JEPA(febbraio 2024) e soprattuttoV-JEPA 2(giugno 2025) sono artefatti reali: V-JEPA 2 è stato pre-addestrato su oltre un milione di ore di video, raggiunge il 77,3% top-1 su Something-Something v2 e dimostra controllo robotico zero-shot con tasso di successo del 100% su compiti di raggiungimento.LLM-JEPA(settembre 2025) estende l’approccio al linguaggio naturale, superando gli obiettivi di training standard su famiglie Llama3, Gemma2 e OpenELM. La ricerca è rilasciata open-source.
Tuttavia, JEPA affronta compiti diversi dai LLM generalisti: comprensione video, world modeling, robotica.Non esistono benchmark energetici pubblicatiche confrontino JEPA con i Transformer in termini di kWh o CO₂. L’affermazione che sia “intrinsecamente più efficiente” si basa sul fatto che predice in spazi latenti astratti anziché a livello pixel — ragionamento direzionalmente corretto ma non quantificato. La timeline di LeCun (“tre-cinque anni” per sostituire il paradigma LLM, dichiarata nel 2024) è aspirazionale: al 2026, JEPA non genera testo comparabile ai modelli frontier.
Classificazione: FATTO (pubblicazioni, codice); PROMESSA (efficienza energetica); SPECULAZIONE (sostituzione del paradigma).
Neurosimbolico: il dato più impressionante è di nicchia
L’IA neurosimbolica produce i risultati energetici più spettacolari in letteratura. Il laboratorio Scheutz della Tufts University (febbraio 2026, arXiv:2602.19260, accettato a ICRA 2026) ha dimostrato su un benchmark Torre di Hanoi che un approccio neurosimbolico raggiunge il95% di successo contro il 34%dei Vision-Language-Action standard, con1% dell’energia di training e 5% dell’energia operativa. AWS ha deployato approcci neurosimbolici in produzione (IAM Access Analyzer, S3 Block Public Access), dichiarando miglioramenti “di ordini di grandezza” in costi ed energia. Il paper di Velasquez et al. suPNAS Nexus(maggio 2025), finanziato dal programmaDARPA ANSR, argomenta che modelli neurosimbolici possono essere~95% più piccolidi baseline neurali pure per few-shot learning.
Ma il problema è la scalabilità. Questi risultati provengono da compiti specifici e strutturati: puzzle, policy compliance, manipolazione robotica.Nessuno ha dimostrato che l’approccio neurosimbolico scala alla generalità dei LLM. La Torre di Hanoi non è una conversazione libera. La produzione AWS riguarda ragionamento formale su policy, non linguaggio naturale.
Classificazione: FATTO (risultati specifici); PROMESSA (scalabilità); SPECULAZIONE (sostituzione dei LLM).
Quantizzazione, sparse models, distillazione: il pragmatismo che funziona
Le tecniche di compressione sono l’intervento a impatto immediato più verificato. La quantizzazione INT8 riduce le dimensioni del modello del75%, con un calo di accuratezza dello0,04%(benchmark Qwen3-32B su ragionamento). La quantizzazione INT4 arriva a-85%in dimensioni e permette47 utenti concorrenticontro 4 in BF16 su un H100. Un’analisi su 42 modelli (Vergallo et al., SSRN, 2025) documenta una media del64% di risparmio energeticonei primi 15 casi ottimali.
Esiste però un“paradosso energetico”: per modelli sotto i 3 miliardi di parametri, la quantizzazione INT4 puòaumentareil consumo del 25-56% a causa di inefficienze hardware (benchmark HuggingFace su RTX 4090D/5090). Mixture of Experts (MoE) è diventato l’architettura dominante nei modelli frontier (DeepSeek-V3, Llama 4, Gemini, Mistral Large 3): attiva solo una frazione dei parametri per token, con50-80% di throughput superiorein configurazioni a singolo esperto attivo. La distillazione produce risultati concreti — il framework Avatar comprime modelli code-LLM a 3MB con184× meno consumo energetico— ma resta complementare, non sostitutiva.
Gli SLM (Small Language Models) rappresentano il trade-off più concreto: Microsoft Phi-3-mini (3,8B parametri), quantizzato a 4-bit, occupa1,8 GBe gira su iPhone 14 a 12+ token/secondo offline. Mistral 7B supera LLaMA-2 13B su multipli benchmark. Il costo è reale: minore conoscenza generale, ragionamento multi-step inferiore,allucinazioni più frequentisu temi fuori dominio.
Mamba e i modelli a spazio di stato: lineari ma con memoria corta
Mamba (Albert Gu, CMU; Tri Dao, Princeton) offre5× throughput di inferenzarispetto ai Transformer escaling linearecon la lunghezza della sequenza — contro il quadratico degli attention mechanism. Jamba (AI21 Labs), ibrido Transformer-Mamba-MoE con 398B/94B parametri attivi, raggiunge181 token/secondoin output e 256K token di contesto. Phi-4-mini-flash-reasoning di Microsoft ha adottato un’architettura ibrida SSM (SambaY).
Le limitazioni sono fondamentali, non ingegneristiche. I modelli SSM soffrono dibias di recenzastrutturale: degradano la capacità di recall di informazioni distanti. Un lavoro accettato a NeurIPS dimostra che il problema peggiora con la profondità del modello (over-smoothing). Una dimostrazione formale (arXiv, luglio 2025) prova che gli SSMnon hanno l’espressivitàper risolvere recall multi-query in tempo sub-quadratico. Il consenso emergente è che il futuro sarà ibrido — attenzione + SSM + MoE — non una sostituzione pura.
Il caso “IA Sapienziale”: anatomia di una proposta
Chi, cosa, con quali risorse
L’“IA Sapienziale” è un concetto proposto daFrancesco Cicione, fondatore e presidente diEntopan – Smart Networks & Strategies(Calabria, ~2000) e diHarmonic Innovation Group (HIG)Società Benefit S.p.A. Cicione è co-fondatore dell’Istituto Internazionale Colorni-Hirschman, docente alla European University of Rome, autore diHarmonic Innovation – Super Smart Society 5.0 and Technological Humanism(Springer, 2022). Si autodefinisce di “formazione cattolica, impegnato nel dialogo tra fede e cultura, tecnologia e spiritualità.”
Il 7 aprile 2026 Cicione ha pubblicato suAvvenire(quotidiano della CEI), nella rubrica “L’Armonauta”, un articolo che definisce l’IA Sapienziale come architettura addestrata su “dataset sapienziali” (filosofici, morali, teologici, spirituali) capace di “costruire ontologie, ragionare per concetti, comprendere strutture di senso.” L’articolo afferma che HIG sta “già implementando piattaforme e modelli fondativi basati su dataset proprietari” con “value alignment strutturale, incorporato nell’architettura.” Propone “un’IA sovrana, fondativa, radicata nell’umanesimo mediterraneo, nel pensiero cristiano, nella filosofia classica, nel diritto naturale.”
Il finanziamento: decostruzione necessaria
Nel 2026 HIG ha annunciato un piano industriale 2026-2030 e un round di finanziamento di€592,5 milioni(riportato da Il Sole 24 Ore, StartupItalia, FinanceCommunity). Ma la struttura è rivelatrice: €30 milioni di aumento di capitale (€15M da un “consorzio ispano-svizzero”) più€562,5 milioni in prestiti soci convertibilierogabili in tranche a partire da giugno 2026, a una valutazione auto-dichiarata superiore a €1 miliardo. Gli investitori principali —Rubicon International(Spagna, finanza strutturata) eIMCI+ International(veicolo di investimento che dichiara una rete di 50 family office) — non sono operatori noti nel venture capital tecnologico. La valutazione non è validata dal mercato. Il denaro è statoimpegnato ma non erogatoalla data attuale.
Il vuoto tecnico
Una ricerca estesa non ha individuato:nessun paper peer-reviewed, nessun brevetto, nessun codice open-source, nessun benchmark, nessun prototipo dimostrabile. L’articolo su Avvenire si chiude con “Coming soon.” La connessione tra l’approccio JEPA di LeCun e i “dataset sapienziali” è asserita, non dimostrata. L’affermazione che il ragionamento etico sia computazionalmente efficiente perché “tende al necessario e scarta il superfluo” è filosoficamente suggestiva matecnicamente infondata: nessun esperimento lo ha verificato.
Classificazione: PROPOSTA FILOSOFICA con backing corporate annunciato. Output tecnico verificabile: zero. Rapporto retorica/sostanza: molto elevato. L’investimento è per la quasi totalità debito convertibile da erogare, non equity versata.
Quadro europeo: regolazione, finanziamenti, gap strutturale
L’AI Act come compliance senza trasformazione
L’AI Act europeo, in vigore dall’agosto 2024, ha subito ritardi crescenti. Il “Digital Omnibus” della Commissione (novembre 2025) e il voto del Parlamento (marzo 2026, 569-45-23) hanno posticipato le disposizioni sui sistemi ad alto rischio aldicembre 2027-agosto 2028. Molti Stati membri non hanno designato le autorità competenti. Il Codice di Condotta per i modelli GPAI, previsto per maggio 2025, è ancora in fase di definizione.
La critica più incisiva viene dall’interno.Thomas Metzinger(Università di Mainz, ex membro del gruppo di esperti UE sull’IA) ha accusato il processo di “ethicswashing”, descrivendo le linee guida come “miopi, deliberatamente vaghe.” Il blog Oxford Practical Ethics avverte che il Codice di Condotta rischia di diventare “una licenza de facto per il business as usual.” Dall’altra parte, il rapporto Draghi ha avvertito che la densità regolatoria eccessiva deterrebbe gli investimenti. Il paradosso è strutturale:la compliance non è etica, e la regolazione si muove più lentamente dei mercati digitali.
FAIR, ELIAS e il divario investimenti
L’Italia ha un progetto reale di scala:FAIR(Future Artificial Intelligence Research Foundation), finanziato con€114,5 milionidal PNRR, coordinato dal CNR con 25 partner (tra cui Politecnico di Milano, Fondazione Bruno Kessler, IIT, Bocconi, Leonardo, STMicroelectronics). FAIR ha prodotto 26 trasferimenti tecnologici, 6 spin-off, 350+ ricercatori. Ma il finanziamento PNRR termina a gennaio 2026 e la sostenibilità post-PNRR è la questione critica.
Il progetto EUELIAS(European Lighthouse of AI for Sustainability), coordinato dall’Università di Trento con €11 milioni Horizon Europe e 32 partner, è il progetto europeo esplicitamente dedicato alla sostenibilità dell’IA. Ha prodotto deliverable verificati su CORDIS (metodi per IA sostenibile, strumenti per società sostenibile, IA affidabile) e ha aperto bandi per PMI fino a €60.000/progetto.
Il divario con Francia e Germania è brutale. La Francia ha annunciato€109 miliardi(di cui la gran parte impegni privati/internazionali, inclusi €50 miliardi dal fondo emiratino MGX), con Mistral AI valutata €14 miliardi. La Germania ha investito€5 miliardiin fondi pubblici con 5 centri di competenza universitari e il DFKI. L’Italia impegna €114,5 milioni concentrati in un singolo progetto.Il gap italiano è primariamente di capitale privato e scala, non di qualità della ricerca.
Vaticano e diritto naturale algoritmico
Il termine “diritto naturale algoritmico” non risulta come framework pubblicato nella letteratura. Ciò che esiste è un serio impegno istituzionale vaticano: laRome Call for AI Ethics(2020, firmata da Microsoft, IBM, FAO), il documentoAntiqua et Nova(gennaio 2025, approvato da Papa Francesco), il lavoro diPadre Paolo Benanti(Pontificia Università Gregoriana, consigliere papale, creatore del concetto di “algorethics”). Papa Leone XIV starebbe preparando la prima enciclica sull’etica dell’IA. Ma tutto opera al livello di principi e orientamento morale,non di implementazione tecnica. Nessun sistema IA ragiona secondo il diritto naturale tomista. La tradizione neo-tomistica (Maritain, Finnis, MacIntyre) è filosoficamente robusta ma la sua applicazione agli algoritmi resta integralmente speculativa.
L’aritmetica impietosa dell’energia
I dati IEA (rapporto “Energy and AI”, aprile 2025) mostrano una traiettoria inequivocabile. I data center globali consumano~415 TWhnel 2024 (~1,5% dell’elettricità globale), con proiezione a945 TWh nel 2030(~3%, equivalente all’intero consumo del Giappone). La crescita è del15% annuo, 4× più rapida della crescita elettrica totale. I server AI crescono al30% annuo. L’Irlanda già destina il22% della propria elettricitàai data center.
Il training di GPT-4 ha consumato circa50-62 GWh(stima basata su leak non verificati: ~25.000 A100 per 90-100 giorni) — 40-50× il consumo di GPT-3 (1.287 MWh). Ma il dato più significativo è che l’inferenza rappresenta oltre l’80% del consumo totaledell’IA, non il training: ChatGPT processa circa un miliardo di query al giorno. Un singolo query di ragionamento consuma43× più energiadi una query semplice.
Il greenwashing è documentato. Microsoft ha aumentato le emissioni del23,4%rispetto al 2020 mentre mantiene l’impegno “carbon negative by 2030.” Il consumo elettrico di Google èraddoppiatodal 2020, ma le emissioni “market-based” (con certificati di energia rinnovabile) appaiono in calo. Un’analisi del consorzio Beyond Fossil Fuels (febbraio 2026, con Greenpeace e Friends of the Earth) ha trovato che il74% delle affermazioni industriali sui benefici climatici dell’IA è non verificatoezero esempiin cui l’IA generativa consumer ha prodotto riduzioni “materiali, verificabili e sostanziali” di emissioni.
Il computing neuromorfico (Intel Loihi 2, IBM NorthPole) offre100× meno energia e 50× più velocitàper compiti specifici, con efficienza di20-50 picojoule per operazione sinaptica. Ad aprile 2025 il primo LLM da 370M parametri è stato eseguito su hardware neuromorfico (ICLR 2025, UC Santa Cruz + Intel). Ma Loihi non è commercialmente disponibile e l’inerzia di mercato dei GPU rende la transizione lenta.
Giappone e Corea: paradigmi realmente alternativi?
Il Giappone opera attraverso la visioneSociety 5.0— “società super-smart” che integra spazio cyber e fisico per risolvere sfide sociali (invecchiamento, disastri, produttività). L’AI Promotion Act(maggio 2025) adotta un approccio “light-touch”: regolazione morbida, un solo obbligo semplice senza penalità esplicite per il settore privato. La differenza culturale è reale: il Giappone è descritto come terra di “tecno-animismo” dove la tradizione Shinto estende agli oggetti artificiali la presenza di spiriti (kami). Esperimenti cross-culturali mostrano che l’antropomorfismo nei robotriduce il comfort degli americani ma non dei giapponesi, che percepiscono i robot come dotati di mente e coscienza. Tuttavia, l’analisi accademica (Wright, 2024) descrive Society 5.0 come potenziale “ethics-washing” — retorica progressista che maschera un approccio conservatore e industry-friendly.
La Corea del Sud è il caso più aggressivo: l’AI Basic Act(in vigore da gennaio 2026), un budget IA 2026 di₩10,1 trilioni(3× rispetto al 2025), l’iniziativa da₩100 trilioni, l’obiettivo di diventare “AI G3” entro il 2030. Cinque consorzi (Naver, SK Telecom, LG, NCSoft, Upstage) competono per un modello IA sovrano. L’approccio è un ibrido “promozione + regolazione” con sandbox regolatorie e governo come “cliente anchor” dei prodotti IA nazionali. Il KAIST ha sviluppato tecnologia che riduce il costo di inferenza per token del67,6%con GPU consumer (NeurIPS 2025 Spotlight). L’approccio coreano è pragmatico e centrato sulla competitività nazionale, non sulla filosofia.
Neopaternalismo sapienziale e la questione del “chi decide”
La proposta di un’IA “sapienziale” o “saggia” incontra un problema politico-filosofico ineludibile:di chi è la saggezza codificata, da chi definita, imposta a chi?McCradden e Kirsch (Nature Medicine, 2023) documentano il “paternalismo algoritmico” in sanità: posizionare l’IA come forma superiore di evidenza replica il paternalismo medico, sostituendo “il dottore sa meglio” con “l’IA sa meglio.” Bella, Koch e Giunchiglia (2024) dimostrano che l’RLHF produceingiustizia epistemica— gli output dei LLM privilegiano valori legati a “gruppi sociali egemoni”, trasmettendo implicitamente che altri valori sono “meno meritevoli di interesse.”
La “phronesis algoritmica” è un campo accademico reale con pubblicazioni peer-reviewed. IlLyceum Project(Josiah Ober, Stanford; John Tasioulas, Oxford Institute for Ethics in AI) è il progetto istituzionale più prestigioso: un white paper del 2024 propone che l’IA sia compresa come “strumento intelligente” per ilflourishingumano, radicato nella saggezza pratica aristotelica. Eisikovits e Feldman argomentano che l’IA mina la nostra capacità di giudizio pratico sottraendoci i contesti in cui esercitiamophronesis. La distinzione con l’alignment standard è significativa: l’alignment opera con vincoli comportamentali (RLHF, guardrail); la phronesis richiederebbegiudizio contestuale, virtù-basato, adattivo— qualcosa che nessun sistema ha dimostrato di possedere.
La critica alla “sinergia umano-IA” è empiricamente fondata. Uno studio suNature(2025) mostra che la collaborazione con GenAImigliora la performance ma simultaneamente mina la motivazione intrinseca. Una ricerca suScienceDirect(2025) documenta che la collaborazione con GenAI inducealienazione lavorativa: i dipendenti appaiono produttivi mentre ritirano lo sforzo reale. L’ammissione rivelatrice viene dai ricercatori stessi: le organizzazioni dovrebbero posizionare i dipendenti “come il superordinato, non il subordinato” nel team umano-GenAI — riconoscendo implicitamente chela dinamica di default è l’inverso.
La maieutica algoritmica come illusione strutturale
Michael G. Wagner (The Augmented Educator, 2026) smonta sistematicamente la pretesa dell’IA come “tutor socratico.” Il metodo socratico richiede quattro componenti —elenchus(confutazione),aporia(perplessità produttiva),maieutica(ostetricia della conoscenza),dialettica(sintesi collaborativa) — ciascuna dipendente da capacità relazionali: fiducia, intelligenza emotiva, empatia, impegno reciproco verso la verità. Il concetto diepimeleia heautou(cura dell’anima) è strutturalmente impossibile per un sistema computazionale. Marie Dollé identifica il paradosso centrale: dove Socrate prosperava nel confronto, i LLM adulano e confermano — l’RLHF premia risposte “educate, piacevoli, convincenti.”I LLM sono meno gli eredi di Socrate che il suo opposto.
La concezione di “efficacia umana” implicita nel discorso IA mainstream è quasi esclusivamente quella deldecisore aziendale: produttività, efficienza, massimizzazione dell’output. Raramente quella del filosofo (pensiero critico, autoconoscenza, saggezza attraverso l’incertezza). Mai quella del bambino (gioco, meraviglia, esplorazione senza scopo). Mai quella dell’artigiano (conoscenza incarnata, abilità incorporata, pazienza con i materiali). Come nota Andrew Feenberg, sviluppando Marcuse: la tecnologia è un medium in cui “l’azione-coordinamento strumentale sostituisce la comprensione comunicativa attraverso design orientati da interessi.” L’IA-come-saggezza rischia esattamente questo:saggezza-come-computazione che rimpiazza saggezza-come-dialogo.
Un’IA genuinamente “critica” — non solo eticamente compliant — dovrebbe poter rifiutare l’ottimizzazione dove serve solo il capitale, rendere visibili le proprie limitazioni anziché performare competenza, resistere alla strumentalizzazione (non inquadrare ogni questione come problema con soluzione computabile), preservare forme non-computazionali di conoscenza (incarnata, relazionale, narrativa, spirituale) eabilitare la contestazioneanziché cercare di risolvere ogni disaccordo in consenso.
Il rumore narrativo: tassonomia delle coperture retoriche
Il paper fondazionale “Green AI” di Schwartz, Dodge, Smith ed Etzioni (2020,Communications of the ACM) documentava unaumento di 300.000×nel compute dal 2012 al 2018, proponendo genuinamente che l’efficienza diventasse criterio di valutazione. Ma il linguaggio “Green AI” è stato successivamente cooptato: le aziende riducono costi operativierivendicano virtù ambientale. Il paradosso di Jevons è confermato empiricamente: i guadagni di efficienza sono sistematicamente compensati dall’aumento d’uso.
Luke Munn (AI and Ethics, 2022, “The uselessness of AI ethics”) argomenta che i principi etici dell’IA sono “principi privi di significato, contestati o incoerenti”, “principi isolati in un’industria che largamente ignora l’etica” e “principi senza denti che mancano di conseguenze e aderiscono ad agende corporate.” Matt Blaszczyk (TechPolicy.Press, 2025) introduce il concetto di“umanesimo legale nominale”: porre formalmente l’umano al centro dei framework regolatori senza follow-through sostanziale. Documenta come l’amministrazione Trump ha usato “human flourishing” 17 volte in documenti di deregolamentazione, e come le previsioni “human-in-the-loop” dell’AI Act riducano le persone a “timbra-carte” di decisioni che non possono valutare.
Elettra Bietti (2021,Journal of Social Computing) distingue tra “ethics washing” (cooptazione corporate del linguaggio etico) e “ethics bashing” (dismissione dell’etica come inutile), mostrando che entrambi sono “visioni impoverite.” Il dato strutturale viene da un paper suAI & Society(2023) che inquadra l’etica dell’IA come “rete di innovazione subordinata” nel capitalismo dei monopoli intellettuali: una rete dispersa la cui ricerca è “indirettamente pianificata da Big Tech” e i cui output sono appropriati da Big Tech.
Le voci alternative esistono e producono analisi rigorose.Timnit Gebru(fondatrice di DAIR, co-autrice di “On the Dangers of Stochastic Parrots”),Kate Crawford(Atlas of AI, 2021, costi planetari dell’IA),Ruha Benjamin(Race After Technology, 2019, “New Jim Code”), ilDecolonial AI Manyfestoche esplicitamente rifiuta il consenso e “il linguaggio Western-normativo di IA ‘etica’.” Queste prospettive non sono accessori decorativi del dibattito ma ne costituiscono il nucleo critico — e restano strutturalmente escluse dalla progettazione dei sistemi.
Tre distinzioni operative
Fatto vs. promessa vs. speculazione.La quantizzazione INT8 riduce il consumo del 67% — fatto. I modelli neurosimbolici possono scalare alla generalità dei LLM — speculazione. L’IA Sapienziale costruirà “ontologie basate su dataset sapienziali” — promessa senza evidenza tecnica. JEPA sostituirà il paradigma Transformer — speculazione informata. L’EU AI Act regolerà effettivamente i sistemi ad alto rischio — promessa in difficoltà.
Sostenibilità genuina vs. riduzione costi.Quando Microsoft annuncia efficienza energetica mentre il suo consumo elettrico triplica, non è sostenibilità ma ottimizzazione marginale su scala crescente. Quando HuggingFace (Sasha Luccioni) pubblica l’impronta carbonica di BLOOM con metodologia rigorosa, è trasparenza genuina. La differenza è verificabile:chi pubblica i numeri assoluti, non solo le percentuali di miglioramento?
Innovazione vs. rebranding.L’architettura ibrida SSM-Transformer-MoE (Jamba, SambaY) è innovazione misurabile. Il computing neuromorfico a 20-50 picojoule per operazione sinaptica è innovazione fondamentale, anche se pre-commerciale. Ribattezzare l’ethical AI “IA sapienziale” aggiungendo dataset cattolici è, allo stato attuale dell’evidenza, rebranding — potenzialmente interessante a livello concettuale, ma finché non produce un artefatto tecnico verificabile, il giudizio deve restare sospeso. La domanda non è se l’umanesimo mediterraneo abbia qualcosa da dire sull’IA — probabilmente sì — ma se quella voce sia incarnata in architetture computazionali o resti confinata negli editoriali. Al 7 aprile 2026, la risposta è la seconda.
Scopri di più da Franti Magazine
Abbonati per ricevere gli ultimi articoli inviati alla tua e-mail.
