Euroware

01/09/2026

I modelli open sono perfetti per l’AI Transformation di un’azienda.
Ecco perché 👇🏻
Negli ultimi mesi abbiamo visto un salto enorme anche nei modelli open-weight.
DeepSeek, Qwen, Kimi e altri stanno riducendo sempre di più la distanza dai modelli di frontiera dei grandi lab.
E qualche settimana fa Jensen Huang ha pubblicato su X una vera e propria apologia dei modelli open.
Ti lascio qui il documento -> https://x.com/JensenHuang/status/2080643682408321103
Noti qualcosa?
Tra i firmatari iniziali mancavano proprio alcuni dei grandi lab americani.
OpenAI si è poi aggiunta.
Anthropic no.
E, onestamente, non sorprende.
Amodei si è espresso più volte sui rischi di rendere disponibili liberamente modelli molto potenti.
Ma il punto non è questo.
E non sono neanche le accuse di distillazione che i grandi lab americani stanno facendo alle aziende cinesi.
Il punto è molto più semplice: i modelli open esistono oggi, ci saranno domani e diventeranno sempre più intelligenti.
E per le aziende hanno vantaggi enormi.
🟢 Ti permettono di gestire meglio i costi (sono finiti i tempi del token-maxxing)
🟢 Ti danno maggiore controllo sui tuoi dati e sulla tua intelligenza.
🟢 Riducono il lock-in verso un singolo provider.
Ma soprattutto…
Per tantissimi processi aziendali sono già oggi più che sufficienti.
Perché questo secondo me è il punto che spesso perdiamo.
Un processo di back-office di una banca non ha necessariamente bisogno del modello più intelligente al mondo.
Ha bisogno di un modello abbastanza intelligente, affidabile e sostenibile economicamente per quel task.
Tradotto terra terra: non sempre ti serve una Ferrari per andare a fare la spesa.
E allora i grandi lab falliranno?
No, assolutamente.
Secondo me sposteranno semplicemente il focus.
I modelli di frontiera saranno fondamentali nella ricerca scientifica, nel coding complesso e in tutti quei task dove avere anche solo qualche punto di intelligenza in più crea molto valore.
Ma usarli ovunque rischia di essere puro overshoot.

31/08/2026

Se avete comprato un PC (specialmente da gaming) tra la fine del 2024 e metà del 2025, avete probabilmente fatto un grande affare.

Vi siete portati a casa un pezzo di tecnologia a un prezzo che per molto tempo sarà probabilmente semplicemente inarrivabile, e avete preso una macchina che può fare letteralmente di tutto.

Non serve che sia dotata di NPU dedicata (se c'è tanto meglio, ma non è determinante): l'importante è aver scelto una scheda grafica con una buona quantità di VRAM (almeno 16 GB), come una AMD RX 9070 XT, una NVIDIA RTX 4070 Ti o una RTX 5070 Ti.

Se non siete andati al massimo risparmio, vi ritrovate un processore multicore che è ancora al top (in un anno e mezzo è uscito ben poco). Probabilmente avrete 32 GB di RAM — o 64 GB se siete stati previdenti — e già solo questo fa un'enorme differenza.

Avete una macchina che durerà a lungo (e per fortuna, vista la situazione sui componenti) con cui poter spaziare dall'office automation alla content creation, dal gaming in 4K alla modellazione solida. Non scordiamoci poi dell'IA, dato che i modelli open source si stanno raffinando sempre più e sono in grado di girare con quantità di memoria consumer. Potete entrare a pieno titolo nel mondo dell'AI locale, degli agenti e dello sviluppo assistito, sfruttando a fondo tutto quello che avete.

Come vi dicevo in altri post, io lavoro spesso su macchine che hanno qualche annetto in più sulle spalle (tranne la ROG Ally X e il il Rog G16), ma spremerle a fondo mi ha fatto scoprire utilizzi a cui non avrei mai pensato. Non c'è nulla come la scarsità per imparare a valorizzare ciò che si ha.

Voi che software avete scoperto o riscoperto nell'ultimo periodo per sfruttare al massimo il vostro hardware?

31/08/2026

Sei hai finito i token di Claude prova KIMI K3. 🤯

Come funziona ⬇️

31/08/2026

26/08/2026

26/08/2026

https://youtu.be/ff2iPMjPu1s?si=QzcZYiMbDi1zGdkQ

Entra nella mia Accademia AI:https://www.rizzoaiacademy.com/Vuoi s...

24/08/2026

C’è un problema nella memoria dell’AI che inizia prima ancora della tecnologia.

Perché appena provi a capire cosa significhi “ricordare bene” per una macchina, inizi a farti domande che riguardano anche te.

Un paper pubblicato all’ACL nel 2025 parte da un punto che sembra quasi controintuitivo: dare più memoria a un’AI non significa necessariamente farla ricordare meglio.

Anzi, quando aumentano informazioni, cronologia e contesto, aumenta anche il rischio che ciò che conta davvero si perda in mezzo al rumore.

Da qui nasce una domanda molto più interessante della semplice capacità di archiviazione: come fa un sistema a capire cosa vale la pena portarsi dietro nel tempo?

Il paper propone un approccio che prova a rispondere proprio a questo problema e i risultati mi hanno fatto riflettere parecchio.

Nel reel provo a spiegarti come funziona. 👇

Ps. (Studiare la memoria dell’AI mi sta costringendo ad osservare meglio la mia 🤯).

20/08/2026

Conosci altri tools?

Let me know 👇

20/08/2026

Dopo anni passati a parlare di cloud come se i computer avessero finalmente smesso di occupare spazio, l’AI ci sta riportando alla geografia e alla bolletta elettrica.

Secondo i dati JLL, i nuovi campus hyperscale europei previsti tra il 2026 e il 2028 saranno in media a 175 chilometri dai grandi hub urbani. Quelli realizzati tra il 2022 e il 2025 erano a 46 chilometri. Anche i progetti greenfield cambiano peso: dall’8% di quelli consegnati si passa al 39% della pipeline futura. Il motivo è abbastanza prosaico. Il training dell’AI richiede enormi quantità di energia e grandi superfici, ma può permettersi di stare più lontano dagli utenti.

Poi arrivano i prezzi, che di solito hanno il brutto vizio di rendere i trend più chiari. JLL stima il costo medio dei terreni già dotati di capacità elettrica in circa 2,36 milioni di euro per MW nei principali hub europei, contro 978.000 euro nelle città secondarie e 512.000 nelle aree terziarie. Londra, Francoforte, Amsterdam, Parigi e Dublino restano fondamentali per i workload sensibili alla latenza. Una parte crescente dell’infrastruttura destinata al training AI può invece seguire dove si trovano energia e terreno disponibili.

La parte più interessante, almeno per me, è quello che succede alla distribuzione del valore. Se oltre metà della crescita europea dell’AI prevista da JLL finirà nei Paesi nordici e nei mercati Tier 2 (*), una buona connessione alla rete elettrica, terreno disponibile e tempi accettabili per ottenere capacità diventano improvvisamente fattori decisivi nella geografia dell’economia digitale. Posti che stavano ai margini della mappa tecnologica possono così ritrovarsi al centro di investimenti enormi, per ragioni molto meno glamour di un ecosistema di startup.

Questo rende anche un po’ comica l’immagine dell’AI come settore quasi incorporeo, fatto di modelli, software e gente che discute di agenti autonomi. Dietro ci sono reti elettriche congestionate e acqua per il raffreddamento, ma anche terreni, autorizzazioni e infrastrutture. Reuters rileva già progetti gigawatt-scale distribuiti dalla Spagna rurale alla Svezia settentrionale; nel frattempo, alcuni dei grandi mercati europei devono fare i conti con scarsità di terreno e lunghe attese per le connessioni alla rete.

(*) Tier 2 - Nel settore dei data center è soprattutto una classificazione pratica di mercato, non uno standard universale rigido.

Fonte: Reuters, 19 agosto 2026

Revisionato con https://write.re