Risultati di ricerca

La ricerca dal titolo "Byte Latent Transformer: Patche Scale Better Than Tokens" a cura di Artidoro Pagnoni, Ram Pasunuru, Pedro Rodriguez, John Nguyen, Benjamin Muller, Margaret Li, Chunting Zhou, Lili Yu, Jason Weston, Luke Zettlemoyer, Gargi Ghosh, Mike Lewis, Ari Holtzman, Srinivasan Iyer, sviluppata presso FAIR di Meta, Paul G. Allen School of Computer Science & Engineering dell’Università di Washington e Università di Chicago, introduce un modello di apprendimento del linguaggio che supera i limiti legati alla dipendenza dalla tokenizzazione fissa. L’obiettivo è mostrare come un approccio a byte permetta di mantenere o migliorare le prestazioni con una maggiore efficienza computazionale. Quando i modelli a byte superano i limiti della tokenizzazione tradizionale Byte Latent Transformer, contesto e architettura La comprensione di come gestire al meglio i dati testuali in input rappresenta una sfida storica nel campo dei modelli linguistici. L’uso di schemi di tokenizzazione basati su vocabolari statici ha favorito per lungo tempo l’adozione di modelli noti come ChatGPT o LLaMA, dove ciascun token discendeva da un insieme di unità sub lessicali fisse. Questo approccio si era reso necessario per contenere i costi computazionali, poiché operare direttamente su flussi di byte nativi, senza alcuna forma di segmentazione prestabilita, era considerato troppo oneroso su larga scala. Le architetture tradizionali, infatti, appoggiandosi a tokenizzatori statici, portavano con sé vincoli legati all’indisponibilità di informazioni al livello più elementare, ovvero il byte, rendendo poco agevole il trattamento di lingue poco coperte dai vocabolari, testualità rumorose o contenuti multimodali. L’iniziativa alla base del Byte Latent Transformer, indicato come BLT, consiste nel partire direttamente dai byte grezzi e creare in modo dinamico dei gruppi, definiti  patch , all’interno dei quali vengono allocate le risorse di calcolo in modo proporzionale alla complessità informativa. Non si usano elenchi né sottosezioni schematiche, ma si adopera una strategia discorsiva per descrivere i punti chiave. L’idea centrale, resa possibile grazie a questa architettura, è quella di esaminare il flusso di byte e individuare le regioni ad alta entropia, ovvero segmenti in cui la previsione del prossimo byte risulta incerta, e di dedicarvi porzioni più generose di potenza computazionale. Viceversa, dove la sequenza è più facilmente prevedibile, si creano patch più grandi, riducendo i passaggi del modello globale a costo elevato. Questo sistema si fonda sull’integrazione di tre componenti. Da un lato esiste un modello locale leggero che codifica i byte in input, dall’altro un trasformatore globale di dimensioni consistenti che ragiona sulle patch prodotte, infine un decodificatore locale che lavora a ritroso sui byte partendo dalle rappresentazioni globali. In questo modo non si abbandona mai davvero l’informazione del byte originale, poiché non si dispone di un vocabolario fisso come avviene nei modelli basati su token BPE, bensì di una mappatura dinamica e adattiva. Rispetto a preesistenti architetture, ciò garantisce l’accesso alla struttura interna delle parole, permettendo un livello di comprensione più radicato nei caratteri costitutivi. L’uso di hash embedding n-gram per i byte consente di arricchire la rappresentazione, fornendo al modello una vista composita che bilancia granularità fine e contesto esteso. I test presentati nella ricerca non si limitano a semplici confronti teorici. Gli studiosi hanno analizzato in dettaglio il comportamento su un ampio spettro di dimensioni, addestrando modelli fino a 8 miliardi di parametri con 4 trilioni di byte di training. Questa dimensione è significativa, poiché tradizionalmente i modelli che adottano token predefiniti, come LLaMA 3, raggiungono ottime performance, ma subiscono costi sempre crescenti nel mantenimento di un vocabolario esteso. Nel caso del BLT, si sfruttano patch di media grandezza come 6 o 8 byte, notando che con patch più ampie non solo si riducono i passaggi del trasformatore globale in fase di inferenza, ma si ottiene una gestione più efficiente del calcolo. La ricerca mostra che, a parità di costo di inferenza, il Byte Latent Transformer raggiunge una qualità comparabile se non superiore ai noti modelli basati su token. Nei test vengono considerati sia set di dati di grandi dimensioni, sia compiti complessi come common sense reasoning, question answering e persino generazione di codice. Interessante è il confronto in termini di flops, un’unità di misura per il costo computazionale: il BLT riesce a ottenere gli stessi livelli di performance di LLaMA 3, riducendo sino al 50% i flops necessari a parità di dimensioni del modello e dati di addestramento. Ciò significa un vantaggio in termini di efficienza. L’architettura sfrutta varie tecniche, come la cross-attention tra il livello globale e quello locale, e l’uso di embedding n-gram hashate che permettono di catturare pattern linguistici a più livelli. Confrontando diversi approcci, la ricerca mostra che il BLT supera modelli come MegaByte in termini di scaling e prestazioni, stabilendo un terreno comune su cui costruire nuove sperimentazioni. Nel contesto della robustezza, il Byte Latent Transformer sembra rendere il modello meno vulnerabile a distorsioni testuali, migliorando anche le prestazioni su traduzioni in lingue a basso regime di risorse e su compiti di manipolazione ortografica. Risultati emersi Nello studio, i risultati indicano un passo significativo verso l’eliminazione della tokenizzazione tradizionale, dimostrando che un’architettura senza vocabolario fisso può raggiungere parità di prestazioni rispetto ai modelli più avanzati. Il BLT offre la possibilità di ridurre in modo marcato i costi di inferenza, guadagnando in efficienza pur mantenendo i livelli di accuratezza. Nei confronti diretti, ad esempio con LLaMA 2 e LLaMA 3, la ricerca evidenzia come le curve di miglioramento a parità di flops siano paragonabili, se non migliori, quando si impiega l’architettura a patch di byte. Ciò significa che, invece di considerare l’espansione del vocabolario token-based per ridurre il numero di step, una pratica che aumenterebbe la dimensione finale del modello e quindi i costi, il BLT spalanca la strada a un ridimensionamento più flessibile. All’aumentare della scala del modello, poter ampliare sia la dimensione del modello globale sia la dimensione delle patch permette di mantenere lo stesso budget di inferenza, pur ottenendo miglioramenti progressivi. Un aspetto cruciale è la valutazione di metriche indipendenti dalla tokenizzazione. In passato, la valutazione della performance di modelli linguistici si basava sulla perplexity calcolata in base a un vocabolario di token. Nel caso del BLT, la ricerca adotta la Bits-Per-Byte (BPB), una misura universale in quanto indipendente dalla tokenizzazione. Con l’aumentare della grandezza del modello, adottando una patch media di 6 o 8 byte, il Byte Latent Transformer supera in efficienza modelli con token fissi, mantenendo il controllo su flops e allocando dinamicamente le risorse computazionali nei passaggi più difficili. Nella valutazione di compiti come ARC-E, ARC-C, HellaSwag, PIQA, MMLU, MBPP e HumanEval, la ricerca mostra che è possibile ottenere prestazioni medie di elevato livello senza dipendere dalla segmentazione a token. In alcuni casi si ottiene un’accuratezza comparabile, in altri si registrano miglioramenti sulla robustezza rispetto a test caratterizzati da rumore o manipolazioni testuali. Si dimostra che, a parità di parametri e flops, si possono ottenere risultati coerenti e qualità di reasoning paragonabile alle migliori pipeline consolidate basate su BPE. L’aspetto forse più interessante è che allontanandosi dall’uso di token predefiniti si riducono paradossalmente le complessità introdotte dalle euristiche di segmentazione e dai costi di adattamento a nuovi domini o lingue. Inoltre, il BLT dimostra una capacità migliore di trattare i cosiddetti long-tail data, quelle porzioni di testo meno comuni, così come input multilingue non ottimizzati per un dato vocabolario, grazie alla totale assenza di pregiudizi indotti dalla tokenizzazione. Le analisi confermano che la riduzione del 50% dei flops in inferenza rispetto a modelli token-based di pari dimensioni non comporta perdita di prestazioni. Questo equilibrio rende la tecnologia particolarmente interessante per aziende e realtà operative, dove i costi di calcolo rappresentano un fattore strategico. Inoltre, l’approccio di incrementare le dimensioni del modello globale e il patch size apre vie inedite alla scalabilità, riducendo i compromessi tipici tra costo computazionale, dimensioni della rete e ampiezza del contesto. In definitiva, i risultati sottolineano come l’approccio a byte, dinamico e flessibile, sia in grado di raggiungere e talvolta superare i confini delle architetture token-based più consolidate, fornendo una base per la ricerca futura su modelli sempre più versatili e robusti. Conclusioni Il panorama attuale della modellazione del linguaggio, dominato da architetture che si appoggiano a tokenizzazioni fisse, aveva raggiunto una certa maturità con modelli all’avanguardia come ChatGPT, in grado di performare efficacemente su una vasta gamma di compiti. Tuttavia, la dipendenza da un vocabolario predefinito comporta limiti intrinseci: l’adattamento a nuovi domini, lingue o testualità anomale resta problematico, e la necessità di ingrandire il vocabolario per ridurre i passaggi al modello globale introduce costi crescenti e rigidità nell’inferenza. Altre soluzioni, come Megabyte o SpaceByte, avevano già intuito il valore di avvicinarsi al byte, ma senza riuscire a colmare del tutto il divario con i migliori modelli token-based ad alta scala. Il Byte Latent Transformer si inserisce in questa scia di innovazione mostrando un approccio meno vincolato e maggiormente legato alle caratteristiche fondamentali del testo. A differenza di Megabyte, che si limitava a patch statiche, il BLT sfrutta patch dinamiche dettate dall’entropia locale del flusso testuale, consentendo di allocare calcolo solo dove è necessario e consentendo patch molto lunghe laddove il testo è prevedibile. Così si ottiene un sistema che non sacrifica la qualità, bensì la ottiene a costi inferiori, offrendo una scalabilità più agile e una resilienza al rumore superiore. In una prospettiva imprenditoriale e manageriale, questa tecnologia va letta con l’ottica di ottimizzare le risorse hardware e operative. Se i modelli a token richiedono spesso ingenti costi per la personalizzazione, qui la versatilità intrinseca riduce gli oneri per adattarsi a dati non canonici, aprendo a nuovi mercati e applicazioni industriali con contesti linguistici non standard. Gli attori più lungimiranti riconosceranno nel Byte Latent Transformer un modello in grado di gestire situazioni impreviste senza dover ricorrere a vocabolari estesi o ristrutturazioni costose del flusso. Non si tratta di sostituire immediatamente le soluzioni esistenti, ma di comprendere che il futuro dei modelli linguistici può muoversi su un piano più elementare, dove i confini tra word e subword cedono il passo alla granularità del byte e alla possibilità di rimodellare la rappresentazione del testo senza vincoli. Le conseguenze strategiche sono evidenti: chi sviluppa soluzioni linguistiche potrà evitare di inseguire continuamente nuovi tokenizzatori e ottimizzazioni spinte sul lato vocabolario, concentrandosi invece su come rendere più efficiente l’allocazione del calcolo. Il Byte Latent Transformer dimostra che esiste una strada alternativa, un percorso che potrebbe portare a modelli più capaci di apprendere in modo organico la struttura e le regolarità del testo fin dal livello elementare. Un simile approccio potrebbe, con l’evoluzione di nuove tecniche di patching ancora più accurate, superare barriere oggi considerate consolidate, come la dipendenza da euristiche di segmentazione, guadagnando così in flessibilità. Questa riflessione, lontana dall’essere una lode entusiastica, suggerisce piuttosto un ribaltamento dei pesi: invece di ottimizzare il tokenizzatore, perché non ripensare alla base stessa dell’input testuale? Attraverso questo cambio di prospettiva, il BLT insegna che valorizzare il byte può portare a un equilibrio più armonico tra costo, efficienza e adattabilità, aprendo un cammino meno rigido e più coerente con la varietà di dati che le imprese si troveranno sempre più spesso a dover interpretare. Podcast: https://spotifycreators-web.app.link/e/ZwcApBy8jPb Fonte: https://ai.meta.com/research/publications/byte-latent-transformer-patches-scale-better-than-tokens/

The research "Q-PnV: A Quantum Consensus Mechanism for Security Consortium Blockchains" was conducted by a team of scholars from prominent Chinese academic and industrial institutions, including the Peking University Shenzhen Graduate School, Fuyao University of Science and Technology, and research centers affiliated with telecom operators such as China Telecom, China Mobile, and China Unicom. The work investigates the integration of a quantum consensus mechanism, called Q-PnV, into consortium blockchain contexts, with the aim of making them capable of resisting future threats posed by quantum computing. This approach combines the typical security needs of consortia with the adoption of quantum technologies, proposing a structured model to achieve greater reliability and robustness. Q-PnV: a New Quantum Consensus Approach for Consortium Blockchains The Evolution of Blockchain and the Quantum Risk Let’s imagine having a large public ledger where every new “row” or “page” (called a “block”) contains a series of transactions or data. The blockchain is a collection of these blocks linked together, so that modifying one compromises the entire chain. In classical blockchains, security is ensured by cryptographic algorithms that prevent malicious actors from falsifying data or obtaining the private keys needed to sign transactions. However, the advent of quantum computing opens new scenarios. Very powerful quantum computers could solve, in a feasible time frame, mathematical problems that are currently considered nearly unsolvable. It’s as if someone found a much faster and more powerful method to “break” the digital locks protecting the signatures and cryptographic keys on which the blockchain is based. Two well-known quantum algorithms, Shor’s algorithm and Grover’s algorithm, give us a sense of the problem: • Shor’s algorithm can factor very large numbers into primes exponentially faster than classical approaches. This means it could easily break the cryptographic keys currently used to sign transactions. • Grover’s algorithm can speed up the search in an n-sized space from O(n) to O(√n), making hash functions—key elements guaranteeing the integrity of blocks in the chain—less secure. Faced with these threats, the research world has moved in two directions: Post-quantum cryptography: finding algorithms that are still extremely difficult for a quantum computer to crack, thereby ensuring the blockchain and its transactions remain secure in the future. Quantum blockchain: not just changing cryptographic algorithms, but building the entire system on quantum foundations, harnessing quantum mechanics to protect and verify the blockchain. For example, in 2018 there was the idea of using Quantum Key Distribution (QKD) to make signatures more secure; in 2019, a theoretical proposal suggested using time-entangled states; in 2020, experiments were conducted using “weighted hypergraph” states, an intermediate step between theory and practice but not yet fully implementable; in 2022, more complete ideas emerged, still not achievable with current quantum technology. The research we are discussing shows how to take an existing system, called PoV (Proof of Vote) and its improvement PnV (Parallel fusion of PoV), originally designed for consortium blockchains (blocks managed by a limited number of trusted nodes), and integrate it with quantum techniques, creating Q-PnV. PoV and PnV were already efficient in the classical world: for example, they kept network complexity lower than other protocols (O(Nv) instead of O(N²) like PBFT). The problem was their vulnerability to quantum threats. By integrating quantum aspects, security is strengthened: anyone trying to compromise the system can no longer rely on quantum computers to break the safeguards. The choice to start with consortia is not random: a consortium of a few companies or entities, who trust each other, has a limited number of nodes. Having fewer nodes means reduced complexity in adopting quantum systems (which are currently expensive and delicate) and easier coordination. Imagine a consortium of banks or logistics operators connected in a blockchain: since they know and trust each other, they can afford to implement quantum technology to make their exchanges even more secure, accepting higher investments in exchange for future-proof protection. Thus, adopting quantum consensus mechanisms like Q-PnV becomes not only possible but also sustainable and strategically far-sighted. Principles of Q-PnV and Integration with PoV and PnV Q-PnV is a consensus mechanism designed to make consortium blockchains resistant to potential threats posed by quantum computing. To understand this system, it’s helpful to start with the PoV (Proof of Vote) and PnV protocols, originally intended for classical consortium blockchains. In PoV, the idea is simple: a small group of known and trusted nodes (for example, companies forming a consortium) validate blocks through a voting process. There is a figure called the “butler,” who is chosen in rotation to produce the next block. This approach, by limiting the number of nodes and making each one’s role clear, reduces latency (the time needed to confirm blocks) and ensures better performance than many traditional systems. PnV further improves PoV by allowing multiple “butlers” to operate in parallel, thereby increasing the system’s throughput without excessively worsening confirmation speed. Q-PnV takes these concepts and places them in a “quantum” scenario. Instead of relying on classical voting and digital signatures (which could be easily circumvented once quantum computers become truly powerful), Q-PnV uses quantum particles and the properties of entanglement to secure the process. Entanglement is a unique quantum mechanical phenomenon: two or more particles can be linked so that measuring one instantly influences the state of the other, even if they are far apart. Imagine having a sort of “quantum ballot box” made up of many particles distributed among the voting nodes. The peculiarity of these particles, called states |X_n⟩ and |S_n⟩, is that they have well-defined mathematical properties. For instance, if all the nodes measure them in certain ways (called computational and Fourier bases), it’s possible to detect if someone has tampered with the data without needing to re-check numbers or steps. This is because the mathematical structure of quantum states makes certain types of tampering easily detectable. Let’s consider a simplified example: instead of having a simple ballot paper, each voter has a group of particles “entangled” with those of the other voters. When casting a vote, they don’t place a cross on a piece of paper but perform a quantum measurement on the particles. Thanks to the properties of entanglement, the set of measurements from all voters produces a coherent result, hard to falsify. Moreover, the vote remains anonymous (it’s not possible to trace who voted for what), cannot be reused (you can’t count the same vote twice), and can be verified by each node without a central authority. In addition to quantum voting, Q-PnV introduces a Quantum Random Number Generator (QRNG) to impartially determine who will be the next “butler” tasked with producing blocks. While in classical methods this random number might be derived from hash functions or timestamps—potentially vulnerable to future quantum computers—using a QRNG yields a number that no computer, not even a quantum one, can predict or control. Think of it as rolling a perfect quantum die, which cannot be rigged. The result of this roll assigns the “butler” role to a node in a completely unpredictable way. Finally, communication between nodes and identity authentication leverage Quantum Key Distribution (QKD): a technique that uses quantum mechanics to allow two parties to share secrets (cryptographic keys) with the certainty that no one can intercept them without leaving a trace. In a classical system, a hacker with a quantum computer might decipher the keys. With QKD, this becomes impossible. For example, if two companies in the consortium exchange a key using pairs of entangled photons, any attempt to intercept would alter the results and be immediately detected. In summary, Q-PnV integrates the advantages of PoV and PnV with quantum technologies: • Quantum voting: for anonymous, secure, and tamper-proof votes. • QRNG: for choosing the next block producer with a truly unpredictable method. • QKD: to ensure identity and authenticity of the parties, preventing an attacker from posing as another node. Thanks to these innovations, Q-PnV aims to make consortium blockchains ready for a future where quantum computers are the norm, ensuring security, fairness, and reliability. The Role of Weighted Hypergraph States and the Implementation of a Quantum Consortium BlockchainTo understand how Q-PnV leads the blockchain into a quantum dimension, imagine transforming blocks from simple sets of data into quantum particles called “qubits.” In a classical blockchain, the link between two blocks is maintained using a hash function: the subsequent block includes the previous block’s hash, thus ensuring the chain’s integrity. In the quantum world, however, one goes further: blocks become qubits that are not only connected through mathematical algorithms but are entangled with each other using quantum gates such as the Controlled-Z (C-Z). Entanglement is a quantum phenomenon that creates a profound connection between particles, so that the state of each depends on the others. This makes it possible to create a chain of quantum blocks not simply connected as links in a linear chain but connected in more complex structures called “hypergraphs.” A “hypergraph” is like a normal graph (where nodes are points and links are lines), but with the difference that a single link can connect more than two nodes at the same time. In the case of qubits, this means one can have bonds involving three, four, or more blocks simultaneously, making the structure more flexible and richer in relationships. We talk about weighted hypergraph states because each link (hyperedge) is assigned “weights” that govern the entanglement and relative phases among the qubits. In other words, one can decide how strong the interconnection between the blocks should be by controlling the quantum properties of the chain. A simplified example: instead of having a list of blocks 1 → 2 → 3, each tied to the previous one, imagine a structure where block 1 is entangled with blocks 2 and 3 at the same time, and block 2 is in turn linked to block 4. Each link is regulated by “weights” that determine how the qubits interact with each other. This creates a quantum “fabric” of data, far more complex than a simple linear chain. However, this complexity could lead to problems if, in the blockchain, multiple nodes tried to produce new blocks simultaneously, creating conflicts and “forks.” In the classical case, solutions are found with hash functions and consensus protocols, but in quantum blockchains, stability is even more delicate because entanglement requires a coherent quantum state. If multiple blocks were created in parallel without control, the entire entanglement system would suffer. Q-PnV prevents this situation by ensuring a rotation order among block producers through a Quantum Random Number Generator (QRNG). This means only one node at a time can create the next block. Imagine a consortium of 10 companies determining the order in which each will create the next block by rolling an infallible “quantum die.” This ensures there are no conflicts, as there will not be two nodes trying to create a block at the same instant. In a consortium, where the number of nodes is limited and controlled, it is much simpler to manage this quantum infrastructure. There’s no need for millions of nodes as in public blockchains; a relatively small number of participants, equipped with the technical and economic resources to manage quantum tools, is sufficient. This makes the Q-PnV model more plausible as a future solution when quantum technologies such as quantum memory, quantum repeaters (needed to transmit quantum information over long distances), and a true “quantum Internet” become more mature. In summary, weighted hypergraph states enable the construction of a fully quantum blockchain, where blocks are represented by qubits entangled in complex ways. Thanks to the rules of quantum consensus (Q-PnV) and the use of tools like QRNG, conflicts are prevented and quantum coherence is maintained. It’s a more challenging perspective to realize in the short term, but it represents an important step towards preparing for the quantum era, focusing on consortium networks where the required resources are within the reach of the participants. Conclusions and Strategic Reflections The Q-PnV proposal, integrated with a quantum blockchain based on weighted hypergraph states, represents a move towards systems capable of resisting future scenarios in which quantum computing threatens the entire current security framework. It’s not an immediate leap, as quantum infrastructures are not ready for widespread adoption, and the investment cost for equipping oneself with quantum networks, QRNG, and devices capable of correctly handling entangled states is still high. However, this research outlines a paradigm that, without employing enthusiastic tones, can be understood as a possible evolutionary path for blockchain security. Currently, other technologies are attempting to make blockchains resistant to quantum computers: some rely on known post-quantum cryptographies, others on hybrid schemes that combine quantum-distributed keys with classical architectures. Compared to these alternatives, Q-PnV combines the simplicity of consensus models already tested in consortium environments with the robustness offered by quantum protocols. This doesn’t mean it is the ultimate solution. There are other partially similar approaches, such as those based on QKD to replace digital signatures, or entirely theoretical systems that imagine fully quantum blockchains in extremely large networks. Some of these models have not yet found a way to be implemented, and the research on Q-PnV indicates that the road to a fully functional quantum blockchain is long. From an entrepreneurial or managerial point of view, it’s important to understand that this technology does not offer instant protection against all future challenges, nor does it guarantee an advantage if costs and benefits are not carefully evaluated. A company aiming to anticipate the security crisis induced by quantum computing should think in terms of strategic investment: introducing Q-PnV, or similar solutions, means betting on an evolving ecosystem where the scarcity of quantum skills and infrastructures will limit adoption in the short term. Quantum protection is not an ornament, but a potential differentiating factor in the medium-long term, especially when quantum computing units become commodities. This opens a new, not yet well-explored scenario in which the blockchain, beyond being a mere data archive, plays a key role in preserving integrity and trust against actors equipped with unprecedented computational power. In this context, choosing a solution like Q-PnV should be considered as the opportunity to position the company in a more solid technological niche—not to chase a trend, but rather to prepare an infrastructure that could make a difference when competing technologies are tested against unimaginable computing powers. The insight to grasp is that quantum blockchain will not eliminate challenges, but will change their nature, forcing companies to adopt a long-term vision based on anticipating threats, consolidating their networks, and understanding that the ideas presented today could become the necessary foundation to tackle situations that are still difficult to even outline. Ultimately, integrating quantum perspectives into consortium consensus is a step that, with pragmatism and realism, could lead to a structural shift in how we perceive distributed security. Podcast: https://creators.spotify.com/pod/show/andrea-viliotti/episodes/Q-PnV-a-New-Quantum-Consensus-Approach-for-Consortium-Blockchains-e2sa6t6 Source:   https://arxiv.org/html/2412.06325v1

La ricerca «Q-PnV: A Quantum Consensus Mechanism for Security Consortium Blockchains» è stata realizzata da un team di studiosi provenienti da importanti istituzioni accademiche e industriali cinesi, tra cui la Peking University Shenzhen Graduate School, l’Università di Scienze e Tecnologie Fuyao, e centri di ricerca di operatori di telecomunicazioni come China Telecom, China Mobile e China Unicom. Il lavoro indaga l’integrazione di un meccanismo di consenso quantistico, denominato Q-PnV, all’interno dei contesti consortili delle blockchain, con l’obiettivo di renderle in grado di resistere a future minacce derivanti dal calcolo quantistico. Questo approccio coniuga le esigenze di sicurezza tipiche dei consorzi con l’adozione di tecnologie quantistiche, proponendo un modello strutturato per conseguire maggiore affidabilità e robustezza. Q-PnV: un nuovo approccio al consenso quantistico per blockchain consortili L’evoluzione della blockchain e il rischio quantistico Immaginiamo di avere un grande registro pubblico dove ogni nuova “riga” o “pagina” (detta “blocco”) contiene una serie di transazioni o dati. La blockchain è un insieme di questi blocchi legati fra loro, in modo che la modifica di uno comprometta l’intera catena. Nelle blockchain classiche, la sicurezza è garantita da algoritmi crittografici che impediscono a malintenzionati di falsificare i dati o di risalire alle chiavi private necessarie per firmare le transazioni. Tuttavia, l’arrivo del calcolo quantistico apre nuovi scenari. Computer quantistici molto potenti potranno risolvere in tempi utili problemi matematici considerati oggi quasi irrisolvibili. È come se qualcuno trovasse un metodo molto più veloce e potente per “forzare” i lucchetti digitali che proteggono le firme e le chiavi crittografiche su cui si basa la blockchain. Due algoritmi quantistici noti, Shor’s algorithm  e Grover’s algorithm , ci danno un’idea del problema: Shor’s algorithm può scomporre un numero molto grande in fattori primi in modo esponenzialmente più rapido rispetto agli approcci classici. Questo vuol dire poter violare facilmente le chiavi crittografiche usate oggi per firmare le transazioni. Grover’s algorithm può velocizzare la ricerca in uno spazio di dimensioni n da O(n) a O(√n), rendendo meno sicure anche le funzioni hash, che sono un elemento chiave per garantire l’integrità dei blocchi nella catena. Di fronte a queste minacce, il mondo della ricerca si è mosso in due direzioni: Crittografia post-quantum:  trovare algoritmi ancora più difficili da “battere” per un computer quantistico, rendendo comunque la blockchain e le transazioni sicure anche in futuro. Blockchain quantistica:  non limitarsi a cambiare gli algoritmi di crittografia, ma costruire l’intero sistema su basi quantistiche, sfruttando la meccanica quantistica per proteggere e verificare la catena dei blocchi. Ad esempio, nel 2018 si pensò di usare la distribuzione quantistica delle chiavi (QKD) per rendere le firme più sicure; nel 2019 venne proposto di usare stati entangled nel tempo, anche se a livello teorico; nel 2020 si passò a sperimentazioni con stati “weighted hypergraph”, uno step intermedio tra la teoria e la pratica, ma non ancora pienamente implementabile; nel 2022 arrivarono idee più complete, tuttavia ancora non realizzabili con la tecnologia quantistica attuale. La ricerca di cui parliamo mostra come prendere un sistema già noto, chiamato PoV (Proof of Vote) e il suo miglioramento PnV (Parallel fusion di PoV), originariamente concepiti per blockchain consortili (blocchi gestiti da un numero limitato di nodi fidati), e integrarlo con tecniche quantistiche, creando Q-PnV. PoV e PnV erano già efficienti nel mondo classico: ad esempio, riuscivano a mantenere una complessità di rete minore rispetto ad altri protocolli (O(Nv) anziché O(N²) come PBFT). Il problema era la vulnerabilità alle minacce quantistiche. Integrando aspetti quantistici si rafforza la sicurezza: chi vuole compromettere il sistema non può più sfruttare i computer quantistici per infrangere le protezioni. La scelta di partire dai consorzi non è casuale: un consorzio di poche aziende o enti, fidati fra loro, ha un numero ridotto di nodi. Avere meno nodi significa meno complessità nel dotarsi di sistemi quantistici (che oggi sono costosi e delicati) e maggiore facilità di coordinamento. Immaginiamo un consorzio di banche o operatori logistici connesse in una blockchain: poiché si conoscono e si fidano l’un l’altra, possono permettersi di implementare la tecnologia quantistica per rendere i loro scambi ancora più sicuri, accettando investimenti più elevati in cambio di una protezione a prova di futuro. Così, l’adozione di meccanismi di consenso quantistico, come Q-PnV, diventa non solo possibile ma anche sostenibile e strategicamente lungimirante.   Principi di Q-PnV e l’integrazione con PoV e PnV Q-PnV è un meccanismo di consenso concepito per rendere le blockchain consortili resistenti alle potenziali minacce derivanti dal calcolo quantistico. Per capire questo sistema, è utile partire dai protocolli PoV (Proof of Vote) e PnV, già pensati in ambito classico per le blockchain consortili. Nel caso di PoV, l’idea è semplice: un gruppo ristretto di nodi, noti e fidati (ad esempio aziende che formano un consorzio), valida i blocchi attraverso un processo di voto. Esiste una figura, il “butler”, che viene scelta a rotazione per produrre il blocco successivo. Questo approccio, limitando il numero di nodi e rendendo chiaro il ruolo di ciascuno, riduce la latenza (il tempo necessario per confermare i blocchi) e garantisce prestazioni migliori rispetto a molti sistemi tradizionali. PnV migliora ulteriormente PoV consentendo a più “butler” di operare in parallelo, aumentando così la capacità del sistema (throughput) senza peggiorare eccessivamente la velocità di conferma. Q-PnV riprende questi concetti ma li inserisce in uno scenario “quantistico”. In pratica, invece di basarsi su votazioni e firme digitali classiche (che potrebbero essere facilmente aggirate quando i computer quantistici diventeranno davvero potenti), Q-PnV utilizza particelle quantistiche e proprietà dell’entanglement per proteggere il processo. L’entanglement è un fenomeno peculiare della meccanica quantistica: due o più particelle possono essere collegate in modo che la misurazione di una influenzi istantaneamente lo stato dell’altra, anche se sono lontane. Immaginiamo di avere una sorta di “scatola di voto quantistica” formata da tante particelle distribuite tra i nodi votanti. La particolarità di queste particelle, chiamate stati |X_n⟩ e |S_n⟩, è che hanno proprietà matematiche ben definite: ad esempio, se tutti i nodi le misurano in certe modalità (dette basi computazionale e di Fourier), è possibile scoprire se qualcuno ha alterato i dati senza bisogno di ricontrollare numeri o passaggi. Questo perché la struttura matematica degli stati quantistici rende certi tipi di manomissione facilmente rilevabili. Facciamo un esempio semplificato: invece di avere una semplice scheda elettorale, ogni elettore ha un gruppo di particelle “entangled” con quelle degli altri votanti. Quando esprime il suo voto, non inserisce una croce su un foglio di carta, ma effettua una misurazione quantistica sulle particelle. Grazie alle proprietà dell’entanglement, l’insieme delle misurazioni di tutti i votanti produce un risultato coerente, difficile da falsificare. Inoltre, il voto rimane anonimo (non è possibile risalire a chi ha votato cosa), non può essere riutilizzato (non si può far passare lo stesso voto due volte) e può essere verificato da ciascun nodo senza un’autorità centrale. Oltre al voto quantistico, Q-PnV introduce un generatore quantistico di numeri casuali (QRNG) per determinare in modo imparziale chi sarà il prossimo “butler” incaricato di produrre i blocchi. Se con metodi classici questo numero casuale veniva ricavato da funzioni hash o timestamp, potenzialmente vulnerabili ai futuri computer quantistici, con il QRNG si ottiene un numero che nessun computer, nemmeno quantistico, può prevedere o controllare. Immaginiamo di lanciare un dado quantistico perfetto, che non può essere truccato. Il risultato di questo lancio assegna il ruolo di “butler” a un nodo in modo totalmente imprevedibile. Infine, la comunicazione tra i nodi e l’autenticazione delle identità sfrutta la distribuzione quantistica delle chiavi (QKD): è una tecnica che, utilizzando la meccanica quantistica, permette a due parti di condividere segreti (le chiavi crittografiche) con la certezza che nessuno possa intercettarli senza lasciare tracce. Se in un sistema classico un hacker con un computer quantistico potrebbe decifrare le chiavi, con la QKD questo diventa impossibile. Ad esempio, se due aziende del consorzio si scambiano una chiave utilizzando coppie di fotoni entangled, qualsiasi tentativo di intercettazione altererebbe i risultati e sarebbe immediatamente scoperto. In sintesi, Q-PnV integra i vantaggi di PoV e PnV con tecnologie quantistiche: Quantum voting : per un voto anonimo, sicuro e non falsificabile. QRNG : per scegliere il prossimo produttore di blocchi con un metodo davvero imprevedibile. QKD : per garantire identità e autenticità delle parti, evitando che un attaccante possa spacciarsi per un altro nodo. Così, grazie a queste innovazioni, Q-PnV mira a rendere le blockchain consortili pronte a un futuro in cui i computer quantistici saranno la norma, assicurando sicurezza, equità e affidabilità.   Il ruolo delle weighted hypergraph states e l’implementazione del quantum consortium blockchain Per comprendere come Q-PnV porti la blockchain in una dimensione quantistica, immaginiamo di trasformare i blocchi da semplici insiemi di dati in particelle quantistiche dette “qubit”. In una blockchain classica, il collegamento tra due blocchi è mantenuto usando una funzione hash: il blocco successivo include l’hash del precedente, garantendo così l’integrità della catena. Nel mondo quantistico, però, si va oltre: i blocchi diventano qubit che non si collegano solo attraverso algoritmi matematici, ma vengono entangled  tra loro utilizzando porte quantistiche come la Controlled-Z (C-Z). L’entanglement è un fenomeno quantistico che crea un legame profondo tra particelle, così che lo stato di ognuna dipenda dalle altre. Questo permette di creare una catena di blocchi quantistici che non sono semplicemente collegati come anelli in una catena lineare, ma possono essere connessi in strutture più complesse chiamate “ipergrafi”. Un “ipergrafo” è come un normale grafo (dove i nodi sono punti e i collegamenti sono linee), ma con la differenza che un singolo collegamento può unire più di due nodi contemporaneamente. Nel caso dei qubit, questo significa che si possono avere legami che coinvolgono tre, quattro o più blocchi allo stesso tempo, rendendo la struttura più flessibile e ricca di relazioni. Si parla di weighted hypergraph states  perché ad ogni legame (ipergarco) vengono assegnati dei “pesi” che regolano l’entanglement e le fasi relative tra i qubit. In altre parole, si può decidere quanto forte deve essere l’interconnessione fra i blocchi, controllando le proprietà quantistiche della catena. Facciamo un esempio semplificato: invece di avere un elenco di blocchi 1 → 2 → 3, ognuno legato a quello precedente, immaginiamo una struttura in cui il blocco 1 è entangled con i blocchi 2 e 3 contemporaneamente, e il blocco 2 è a sua volta legato con il 4. Ogni collegamento è regolato da “pesi” che stabiliscono come i qubit interagiscono fra loro. Questo crea un “tessuto” quantistico di dati, molto più complesso di una semplice catena lineare. Tuttavia, questa complessità potrebbe portare a problemi se, nella blockchain, più nodi tentassero di produrre nuovi blocchi allo stesso tempo, creando così conflitti e “ramificazioni” (fork). Nel caso classico si trovano soluzioni con funzioni hash e protocolli di consenso, ma nella blockchain quantistica la stabilità è ancora più delicata, perché l’entanglement presuppone uno stato quantistico coerente. Se più blocchi venissero creati in parallelo senza controllo, l’intero sistema di entanglement ne soffrirebbe. Q-PnV impedisce questa situazione garantendo un ordine di rotazione tra i produttori di blocchi attraverso un generatore quantistico di numeri casuali (QRNG). Questo significa che soltanto un nodo alla volta può creare il prossimo blocco. Immaginiamo che un consorzio di 10 aziende decida l’ordine in cui ciascuna crea il blocco successivo lanciando un “dado quantistico” infallibile. Questo assicura che non ci siano conflitti, perché non ci saranno due nodi che cercano di creare un blocco nello stesso istante. In un consorzio, dove il numero di nodi è limitato e controllato, è molto più semplice gestire questa infrastruttura quantistica. Non servono milioni di nodi come nelle blockchain pubbliche; bastano un numero relativamente ristretto di partecipanti, dotati delle risorse tecniche ed economiche per disporre di strumenti quantistici. Questo rende il modello Q-PnV più plausibile come soluzione futura, quando le tecnologie quantistiche come la memoria quantistica, i ripetitori quantistici (che servono a trasmettere informazioni quantistiche su lunghe distanze) e un vero e proprio “quantum Internet” saranno più mature. In sintesi, i weighted hypergraph states consentono di costruire una blockchain pienamente quantistica, dove i blocchi vengono rappresentati da qubit entangled in modo complesso. Grazie alle regole del consenso quantistico (Q-PnV) e all’uso di strumenti come QRNG, si prevengono conflitti e si mantiene la coerenza quantistica. È una prospettiva più impegnativa da realizzare nel breve termine, ma costituisce un passo importante per prepararsi all’era quantistica, puntando su reti consortili in cui le risorse necessarie siano alla portata dei partecipanti.   Conclusioni e riflessioni strategiche La proposta Q-PnV, integrata con una blockchain quantistica basata su weighted hypergraph states, rappresenta un passaggio verso sistemi in grado di resistere a scenari futuri in cui il calcolo quantistico metterà a rischio l’intero impianto di sicurezza attuale. Non si tratta di un salto immediato, poiché le infrastrutture quantistiche non sono pronte a una diffusione capillare, e il costo d’investimento per dotarsi di reti quantistiche, QRNG e dispositivi in grado di gestire correttamente stati entangled è ancora elevato. Tuttavia, la ricerca mostra un paradigma che, senza toni entusiastici, può essere compreso come un possibile percorso evolutivo della sicurezza nelle blockchain. Al momento esistono altre tecnologie che provano a rendere le blockchain resistenti ai computer quantistici: alcune si affidano a crittografie post-quantum già note, altre a schemi ibridi che combinano chiavi quantistiche distribuite con architetture classiche. Rispetto a tali alternative, Q-PnV coniuga la semplicità di modelli di consenso già testati in ambito consortile con la robustezza offerta dai protocolli quantistici. Ciò non significa che sia la soluzione definitiva. Esistono altri approcci parzialmente simili, come quelli basati su QKD per sostituire le firme digitali, o sistemi totalmente teorici che immaginano blockchain interamente quantistiche in reti estremamente estese. Alcuni di questi modelli non hanno ancora trovato un modo per essere implementati, e la ricerca su Q-PnV segnala che la strada verso una blockchain quantistica pienamente funzionale è lunga. Da un punto di vista imprenditoriale o manageriale, occorre comprendere che questa tecnologia non offre una protezione istantanea contro tutte le sfide del futuro, né garantisce un vantaggio se non si valutano attentamente costi e benefici. Un’azienda che voglia anticipare la crisi della sicurezza dovuta al calcolo quantistico dovrebbe ragionare in termini di investimento strategico: introdurre Q-PnV, o soluzioni analoghe, significa puntare su un ecosistema in divenire, dove la rarità di competenze e di infrastrutture quantistiche limiterà l’adozione nel breve termine. La protezione quantistica non è un ornamento, ma un potenziale fattore differenziante nel medio-lungo periodo, specialmente quando le unità di calcolo quantistico diverranno commodity. Ciò apre un nuovo scenario, non ancora ben esplorato, in cui la blockchain, da semplice archivio di dati, assume un ruolo chiave nel preservare integrità e fiducia contro attori dotati di potenza computazionale senza precedenti. In tale contesto, la scelta di una soluzione come Q-PnV dovrebbe essere considerata come la possibilità di posizionare l’impresa in una nicchia tecnologica più solida, non per rincorrere una moda, bensì per predisporre un’infrastruttura che in futuro potrebbe fare la differenza quando le tecnologie concorrenti saranno messe alla prova da potenze di calcolo non ancora immaginabili. L’intuizione da cogliere è che la blockchain quantistica non eliminerà le sfide, ma ne modificherà la natura, costringendo le imprese a una visione di lungo periodo basata sull’anticipazione delle minacce, sul consolidamento delle proprie reti e sulla comprensione che le idee presentate oggi potrebbero diventare la base necessaria per fronteggiare situazioni oggi ancora difficili anche solo da delineare. In definitiva, integrare l’ottica quantistica nel consenso consortile è un passo che, con pragmatismo e realismo, potrebbe condurre a un cambiamento strutturale nella percezione stessa della sicurezza distribuita. Podcast: https://creators.spotify.com/pod/show/andrea-viliotti/episodes/Q-PnV-un-nuovo-approccio-al-consenso-quantistico-per-blockchain-consortili-e2sa6gg Fonte:   https://arxiv.org/html/2412.06325v1

The new Tech Trends 2025 research by Deloitte outlines a landscape in which Artificial Intelligence (AI) ceases to be a separate novelty and becomes an invisible fabric permeating every technological, social, and economic level. Much like electricity, initially surprising and then taken for granted, AI will take root pervasively, influencing human-machine interaction, the way we analyze data, system security, the modernization of the corporate core, and even the relationship between technology and trust. It will push enterprises to rethink strategies, business models, and skill sets. Tech Trends 2025. Artificial Intelligence, the Cognitive Substrate for the Digital Future Tech Trends 2025: AI as the Cognitive Substrate of the Digital Future The perspective outlined by the research shows AI as a force evolving from a circumscribed technology to a pervasive element in the entire socioeconomic fabric, becoming gradually invisible while being present everywhere. This scenario does not simply represent incremental progress; it is a paradigm shift in which AI is no longer something to “use” consciously but rather a cognitive infrastructure that, like electricity, enables processes, decisions, and interactions without users having to think about it. Deloitte’s document highlights how AI can become the pulsating heart of workflows, integrating with data, systems, and processes. In the past, digital technologies were tools to be learned and mastered. Now, AI becomes an intelligence in the background, a cognitive substrate that interacts with users naturally, anticipating needs, interpreting contexts, coordinating resources. This implies a profound change in the role of organizations: they will no longer have to ask how to implement AI, but rather how to rethink strategy, data governance, operating models, and internal skills considering omnipresent artificial cognition. This transition is linked to six macro-forces: Interaction, Information, Computation, Business of Technology, Cyber and Trust, Core Modernization. Each represents a front of change, but the crucial point is their convergence made possible by AI. Interaction takes on a new dimension: it is not just about graphical or voice interfaces, but a continuous, contextual relationship between humans, machines, and the environment, enabled by AI. In Information, AI becomes the agent that filters, organizes, and interprets increasing amounts of heterogeneous data, integrating text, images, video, sound, and sensory data. On the Computation side, AI requires specialized computing resources; yet its widespread presence drives new paradigms, such as local processing on edge devices to reduce latency and costs, and the need for intelligent energy management. In the Business of Technology, AI is not an isolated IT function but a strategic lever guiding investment choices, restructuring service models, and opening new markets. In Cyber and Trust, the challenge is to ensure security, privacy, and robustness, adapting to a scenario in which cryptographic systems must evolve to withstand future threats. Finally, Core Modernization means abandoning old functional silos and making central corporate systems permeable, orchestrated by AI, creating flexible and adaptive ecosystems. AI does not act alone. The research suggests that its fusion with other emerging technologies, such as spatial computing, enables advanced simulations capable of predicting complex scenarios. A concrete example is the use of sensors and AI analysis to understand complex dynamics in sports, industry, or logistics. If in a soccer context it is possible to simulate tactics using 3D data, the same principle applied to a supply chain allows testing procurement strategies virtually, identifying weaknesses, and optimizing processes before investing real resources. The real strength of AI lies in the redesign of processes. It is not about automating the old, but about imagining new ways of working. AI can anticipate employee needs, predict demand, personalize offerings, and speed up decision-making cycles. This frees people from repetitive tasks, allowing them to focus on creativity, strategy, and innovation. However, this transformation requires a clear governance framework, targeted investments in talent preparation, data quality, and the definition of performance metrics that reward adaptability and growth. Security and trust represent a crucial junction. Pervasive AI raises issues of bias, responsibility, and transparency. An integrated cognitive system could err, amplify prejudices, or expose security risks. It thus becomes essential to define ethical principles, guidelines, and continuous auditing structures. Trust is built by ensuring that AI operates in an explainable, interpretable manner and remains under control. This perspective redesigns relationships between suppliers, customers, partners, regulators, and civil society. AI is not just a simple technological add-on, but the key factor for redefining enterprise and growth models. The approach must be proactive: not waiting for AI to become standard, but preparing now, integrating data, security, and governance strategies, creating an environment in which AI is the enabling condition for any future process or innovation. As a cognitive substrate, AI will become the foundation of the economy, a present no longer distant and a digital future already under construction.   Convergent Technological Architectures: From Specialized Hardware to Quantum Security The perspective of AI as an invisible foundation takes shape in the evolution of the entire technological architecture. The convergence of multiple areas: specialized hardware, the adoption of AI models on a large scale, the management of cloud and edge computing, the critical issue of post-quantum cryptography, and the modernization of the corporate core. All these factors interact in an ecosystem that requires new balances. Hardware dedicated to AI returns to the center of the stage. For years, the focus was on software; now the need to train and run complex AI models makes GPUs, NPUs, and other specialized solutions fundamental. This hardware enables high performance and real-time responses to complex challenges. As a result, the availability of computational resources becomes strategic, driving more flexible infrastructures. A single large data center is not enough: what is needed is a network of intelligent nodes, from the edge to the cloud, capable of adapting to demand, reducing energy consumption and latency. The equation to solve is efficiency, cost, sustainability, and security. AI’s evolution is not limited to text: multimodal models process visual, auditory, and tactile inputs. This opens new horizons in sectors such as healthcare, manufacturing, and logistics. It is no longer about getting a textual response, but about performing tasks with autonomous AI agents. These agents, enabled by specialized LLMs, small model sizes for specific tasks, and synthesis tools, go beyond simple analysis: they make operational decisions, complete tasks, and ensure a new form of execution. The impact on work is enormous, with-IT talent called upon to become orchestrators of agents, model trainers, and supervisors of AI-driven processes. This scenario also calls for reflections on sustainability. AI-dedicated data centers consume energy, require complex cooling, and may raise environmental issues. While companies focus on miniaturization, more efficient chips, and edge computing to reduce the need to transmit data over long distances, they must also integrate clean energy sources, optimize architectures, and experiment with solutions such as optical data transmission. Sustainability is not an accessory but a strategic necessity: AI will be accepted if it can combine innovation with respect for the environment. Security plays a central role: the emergence of quantum computing threatens current cryptographic schemes. Although no quantum computer yet exists that can break all common keys, the “harvest now, decrypt later” scenario is a warning: data stolen today could be deciphered tomorrow. Adopting post-quantum cryptography is a necessary step, a transition that will require time and coordination. Companies must map their cryptographic assets, replace algorithms, and update protocols. This modernization of security, addressed now, not only ensures future protection but improves “crypto agility,” making organizations more resilient to any incoming threat. Modernizing the corporate core is another fundamental piece. ERP systems and central databases, the beating heart of business for decades, must be reinterpreted. Instead of forcing the enterprise to adapt to the rigid logic of core systems, it is the AI that draws on these assets, integrating them with data from other sources and providing insights, automation, and decision support. The ERP becomes a nodal point in a broader cognitive network. IT governance changes nature: it moves from reactive maintenance of monolithic systems to the orchestration of AI-enabled services, where innovation is continuous and skills are no longer just technical, but strategic, organizational, and relational. All this occurs in a world where no single technology dominates. There are already advanced analytics solutions, traditional machine learning, robotic process automation, conventional security systems, and mature, established cloud infrastructures. The added value of pervasive AI does not lie in replacing what exists, but in enhancing it, creating synergies. AI becomes an intelligent meta-layer that connects, enriches, and optimizes, offering each pre-existing technology the opportunity to express its full potential. Ultimately, what emerges is an ecosystem of convergent technological architectures, where AI is not isolated but integrated into a context of specialized hardware, advanced cryptography, core modernization, energy sustainability, and security. The key is not specialization for its own sake, but the ability to orchestrate the whole, recognize intersections, and draw value from them. AI thus becomes the common denominator that enables new operational paradigms, allowing enterprises to leverage complexity as a resource, not an obstacle.   Conclusions The vision outlined by Tech Trends 2025 should not be interpreted as a mere celebration of AI or another wave of technological hype. On the contrary, it shows the need for a reflective, measured, and highly realistic approach that considers the complexity of the landscape and the existence of well-established alternatives. If AI becomes a structural part of every process, it is essential not to view it as a panacea. Classical machine learning systems, analytics based on clean data, integration platforms, traditional security suites, and established automation tools have been around for a long time. These technologies have demonstrated robustness, reliability, and predictability. AI, in its most pervasive form, will introduce great flexibility but also greater uncertainty. In this sense, the widespread adoption of AI must contend with the solid fabric of existing methods: introducing it will not be enough to replace what has already been tested, because trust, stability, and affordability of mature solutions remain valuable assets. The most astute enterprises will not choose between old and new but will seek to merge the continuity of established technologies with the transformative potential of AI. This implies an ability to compromise, to make critical selections: not every process requires advanced AI, not every use case will benefit from autonomous agents. The real advantage will arise from the ability to identify where AI adds value compared to current solutions, where its adoption allows the exploration of previously inaccessible areas. Another key point is the need to reconsider the very nature of innovation. If in the past companies sought deep expertise in a single domain to differentiate themselves, today the creation of competitive advantage lies in the breadth of intersections. Integrating classic machine learning techniques with generative language models, combining quantum security with data governance, coupling robotics competencies with multimodal AI: innovation will no longer occur in the isolation of a single lab, but in dialogue among different disciplines. This multidisciplinary approach complicates management on one hand, but on the other opens unprecedented opportunities to redefine the boundaries of value. The most profound reflection is recognizing that AI, as powerful as it is, is not just a technical tool. It is a shift in perspective: it forces managers to ask what the organization’s real objectives are, what responsibilities the enterprise intends to assume in its ecosystem, how to ensure inclusion, equity, and respect for human rights and dignity. These are not classic questions in technological literature, but strategic issues that arise when technology becomes invisible and omnipresent. Being ready does not only mean having the right algorithms, but possessing a solid ethical framework, guidelines, control mechanisms, and transparency in relations with stakeholders. Another new aspect is the dynamic nature of the confrontation between pervasive AI and competing technologies. The existence of alternatives driven by other technical paradigms—such as traditional data-driven solutions or highly reliable hard-coded systems—does not vanish. In the long run, these technological ecosystems will coexist. An enterprise’s ability to move nimbly among different tools and combine conventional solutions with new-generation ones will become a distinct competence. Becoming “meta-integrators,” capable of choosing the best available options case by case, will be a trait of leading organizations. In conclusion, the outlined landscape should not be read in dichotomous terms (new vs. old, AI vs. traditional ML), but as a complex mosaic. Every piece has its role; each technology offers a unique contribution. AI provides a global cognitive context, but it will require solid foundations built over the years, well-tested infrastructures, mature data management practices, critical human skills, entrepreneurial creativity, and long-term strategic vision. The synthesis is not immediate: it requires leadership with an open outlook, the courage to experiment, caution in assessing impacts, and the ability to communicate transparently with all stakeholders. It is not a sudden, noisy upheaval, but a silent, gradual, multiform transformation. Those who know how to read between the lines, connect different sectors, and use AI as a binder rather than just a tool will find new ways to create value. Those who remain anchored to a single technological truth risk missing emerging opportunities. In this light, the challenge is not only technological: it is cultural, strategic, and ethical. And precisely in this convergence of heterogeneous factors—recognizing the usefulness of competing solutions and enriching them with the diffuse intelligence of AI—lies the key to a digital future richer in meaning and possibilities. Podcast: https://spotifycreators-web.app.link/e/lajPkAzfiPb Source:  https://www2.deloitte.com/us/en/insights/focus/tech-trends.html "

La nuova ricerca Tech  Trends 2025 , a cura di  Deloitte , delinea un panorama in cui l’ intelligenza artificiale (AI)  smette di essere una novità separata e diviene un  tessuto invisibile  che permea ogni livello tecnologico, sociale ed economico. Come accaduto con l’elettricità, inizialmente sorprendente e poi data per scontata, così l’AI si radicherà in maniera capillare, influenzando l’interazione uomo-macchina, il modo in cui analizziamo i dati, la sicurezza dei sistemi, la modernizzazione del core aziendale e persino il rapporto tra tecnologia e fiducia, spingendo le imprese a ripensare strategie, modelli di business e competenze. Tech Trends 2025. L’intelligenza artificiale, il substrato cognitivo per il futuro digitale Tech Trends 2025: l’AI come sotto strato cognitivo del futuro digitale La prospettiva delineata dalla ricerca mostra l’ AI  come una forza capace di emergere da tecnologia circoscritta a elemento pervasivo nell’intero tessuto socioeconomico, rendendosi gradualmente  invisibile  pur essendo ovunque presente. Questo scenario non rappresenta semplicemente un avanzamento incrementale: si tratta di un cambio di paradigma in cui l’AI non è più qualcosa da “usare” consapevolmente, bensì un’infrastruttura cognitiva che, come l’elettricità, abilita processi, decisioni e interazioni senza che gli utenti si soffermino a pensarci. Il documento di Deloitte mette in luce come l’AI possa diventare il  cuore pulsante  dei flussi di lavoro, integrandosi con dati, sistemi e processi. In passato le tecnologie digitali erano strumenti da imparare a padroneggiare. Ora, l’AI diventa un’intelligenza di sfondo, un  sottostrato cognitivo  che interagisce con l’utente in modo naturale, anticipando esigenze, interpretando contesti, coordinando risorse. Questo implica una profonda mutazione del ruolo delle organizzazioni: non dovranno più chiedersi come implementare l’AI, bensì come ripensare la strategia, la governance dei dati, i modelli operativi e le competenze interne alla luce di una cognizione artificiale onnipresente. Questa transizione si lega a sei macro-forze   Interaction ,  Information ,  Computation ,  Business of Technology ,  Cyber and Trust ,  Core Modernization . Ognuna di esse rappresenta un fronte di cambiamento, ma il punto cruciale è la loro convergenza resa possibile dall’AI. L’ Interaction  assume una nuova dimensione: non si tratta soltanto di interfacce grafiche o vocali, ma di una relazione continua e contestuale tra uomo, macchina e ambiente, abilitata dall’AI. Nell’ Information , l’AI diventa l’agente che filtra, organizza e interpreta moli crescenti di dati eterogenei, integrando testo, immagini, video, suoni, dati sensoriali. Sul versante della  Computation , l’AI richiede risorse di calcolo specializzate, eppure la sua presenza diffusa spinge verso nuovi paradigmi, come l’elaborazione locale su edge device per ridurre latenza e costi, e la necessità di una gestione intelligente dell’energia. Nel  Business of Technology , l’AI non è una funzione IT isolata, ma una leva strategica che orienta le scelte d’investimento, ristruttura i modelli di servizio, apre a nuovi mercati. In tema di  Cyber and Trust , la sfida è garantire sicurezza, privacy, robustezza, adattandosi a uno scenario in cui i sistemi crittografici devono evolvere per resistere alle minacce future. Infine, la  Core Modernization  significa abbandonare i vecchi silos funzionali e rendere i sistemi centrali aziendali permeabili, orchestrabili dall’AI, creando ecosistemi flessibili e adattivi. L’AI non agisce da sola. La ricerca suggerisce come la fusione con altre tecnologie emergenti, come la computazione spaziale, abiliti simulazioni avanzate capaci di prevedere scenari complessi. Un esempio concreto è l’impiego di sensori e analisi AI per comprendere dinamiche complesse nel settore sportivo, industriale o logistico. Se in un contesto calcistico è possibile simulare tattiche sfruttando dati in 3D, lo stesso principio applicato a una catena di fornitura consente di testare virtualmente strategie di approvvigionamento, individuando punti deboli e ottimizzando i processi prima di investire risorse reali. La vera forza dell’AI risiede nella  riprogettazione dei processi . Non si tratta di automatizzare il vecchio, ma di immaginare nuove modalità di lavoro. L’AI può anticipare le necessità dei dipendenti, prevedere la domanda, personalizzare l’offerta, velocizzare i cicli decisionali. Ciò libera le persone da compiti ripetitivi, consentendo loro di focalizzarsi su creatività, strategia, innovazione. Tuttavia, questa trasformazione richiede un quadro di governance chiaro, investimenti mirati nella preparazione dei talenti, nella qualità dei dati, nella definizione di metriche di performance che premino la capacità di adattarsi e crescere. La sicurezza e la fiducia rappresentano uno snodo cruciale. L’AI pervasiva pone problemi di bias, di responsabilità e di trasparenza. Un sistema cognitivo integrato potrebbe errare, amplificare pregiudizi, esporre a rischi di sicurezza. Diviene dunque fondamentale definire principi etici, linee guida, strutture di auditing continuo. La fiducia si costruisce garantendo che l’AI operi in modo spiegabile, interpretabile, sotto controllo. Questa prospettiva ridisegna i rapporti tra fornitori, clienti, partner, regolatori e società civile. L’AI non è un semplice add-on tecnologico, ma il  fattore chiave  per ridefinire l’impresa e i modelli di crescita. L’approccio dev’essere proattivo: non attendere che l’AI divenga standard, ma prepararsi ora, integrando strategie di dati, sicurezza e governance, creando un ambiente in cui l’AI sia la condizione abilitante per qualsiasi processo o innovazione futura. Da substrato cognitivo, l’AI diverrà il fondamento dell’economia, un presente non più lontano e un futuro digitale già in costruzione. Architetture tecnologiche convergenti: dall’hardware specializzato alla sicurezza quantistica La prospettiva dell’AI come fondamento invisibile si concretizza in un’evoluzione dell’intera architettura tecnologica. La convergenza tra molteplici ambiti: l’ hardware specializzato , l’adozione di modelli AI su larga scala, la gestione del cloud e dell’edge, la critica questione della crittografia post-quantistica e la modernizzazione del core aziendale. Tutti questi fattori interagiscono in un ecosistema che richiede nuovi equilibri. L’ hardware dedicato all’AI  torna al centro della scena. Per anni il focus era sul software, ora l’esigenza di addestrare e far girare modelli AI complessi rende fondamentali le GPU, i chip NPU e altre soluzioni specializzate. Questo hardware consente prestazioni elevate e risposte in tempo reale a sfide complesse. La conseguenza è che la disponibilità di risorse computazionali diventa strategica, spingendo verso infrastrutture più flessibili. Non basta un grande data center: serve una rete di nodi intelligenti, dall’edge al cloud, capaci di adattarsi alla domanda, riducendo i consumi energetici e la latenza. L’equazione da risolvere è efficienza, costi, sostenibilità, sicurezza. L’evoluzione dell’AI non si limita al testo: i  modelli multimodali  elaborano input visivi, sonori, tattili. Questo apre nuovi orizzonti in settori come l’healthcare, la manifattura, la logistica. Non si tratta più di ottenere una risposta testuale, ma di eseguire compiti con agenti AI autonomi. Questi agenti, abilitati da LLM specializzati, piccole dimensioni di modelli per specifici compiti e strumenti di sintesi, vanno oltre la semplice analisi: prendono decisioni operative, completano task, garantiscono una nuova forma di esecuzione. L’impatto sul lavoro è enorme, con i talenti IT chiamati a diventare orchestratori di agenti, formatori di modelli, supervisori di processi guidati dall’AI. Questo scenario chiede anche riflessioni sulla sostenibilità. I data center dedicati all’AI consumano energia, impongono raffreddamenti complessi e possono sollevare questioni ambientali. Se da un lato le imprese puntano sulla miniaturizzazione, su chip più efficienti e sull’edge computing per ridurre la necessità di trasmettere dati su lunghe distanze, dall’altro occorre integrare fonti di energia pulita, ottimizzare le architetture, sperimentare soluzioni come la trasmissione dati ottica. La sostenibilità non è un orpello, ma una necessità strategica: l’AI sarà accettata se saprà coniugare innovazione e rispetto per l’ambiente. La sicurezza riveste un ruolo centrale: l’emergere del quantum computing minaccia gli schemi di crittografia attuali. Sebbene non esista ancora un computer quantistico in grado di rompere tutte le chiavi comuni, il “harvest now, decrypt later” mette in guardia: i dati rubati oggi potrebbero essere decifrati domani. Adottare la  crittografia post-quantistica  è un passo necessario, una transizione che richiederà tempo e coordinamento. Le aziende devono mappare i propri asset crittografici, sostituire algoritmi, aggiornare protocolli. Questo sforzo di modernizzazione della sicurezza, affrontato ora, non solo garantisce protezione futura, ma migliora la “crypto-agilità”, rendendo le organizzazioni più resilienti a ogni minaccia in arrivo. La modernizzazione del  core aziendale  è un altro tassello fondamentale. I sistemi ERP e i database centrali, per decenni cuore pulsante del business, vanno reinterpretati. Invece di imporre all’impresa di adattarsi alle logiche rigide dei sistemi centrali, è l’AI che attinge a questi asset, li integra con dati provenienti da altre fonti e fornisce insight, automazione e supporto decisionale. L’ERP diventa un punto nodale di una rete cognitiva più ampia. La governance IT cambia natura: si passa dalla manutenzione reattiva di sistemi monolitici a un’orchestrazione di servizi abilitati dall’AI, dove l’innovazione è continua e le competenze non sono più solo tecniche, ma strategiche, organizzative, relazionali. Tutto ciò avviene in un mondo in cui non c’è una sola tecnologia dominante. Esistono già soluzioni di analytics avanzate, machine learning tradizionale, robotic process automation, sistemi di sicurezza convenzionali, infrastrutture cloud mature e consolidate. Il valore aggiunto dell’AI pervasiva non sta nel rimpiazzare l’esistente, ma nel potenziarlo, nel creare sinergie. L’AI diventa un meta-livello intelligente che connette, arricchisce e ottimizza, offrendo a ciascuna tecnologia preesistente l’opportunità di esprimere il massimo potenziale. In definitiva, emerge un ecosistema di  architetture tecnologiche convergenti , dove l’AI non è isolata, bensì integrata in un contesto di hardware specializzato, crittografia avanzata, modernizzazione dei sistemi core, sostenibilità energetica e sicurezza. La chiave non è la specializzazione fine a sé stessa, ma la capacità di orchestrare l’insieme, riconoscere le intersezioni e trarne valore. L’AI diviene così il denominatore comune che rende possibili nuovi paradigmi operativi, consentendo alle imprese di sfruttare la complessità come risorsa, non come ostacolo. Conclusioni La visione delineata dal Tech Trends 2025 non va interpretata come una semplice celebrazione dell’AI o come l’ennesima ondata di hype tecnologico. Al contrario, emerge la necessità di un approccio  riflessivo, pacato e altamente realistico , che consideri la complessità del panorama e l’esistenza di alternative consolidate. Se l’AI diverrà parte strutturale di ogni processo, è essenziale evitare di vederla come una panacea. Esistono già da tempo sistemi di machine learning classico, soluzioni di analytics basati su dati puliti, piattaforme di integrazione, suite di sicurezza tradizionali e strumenti di automazione affermati. Queste tecnologie hanno dimostrato robustezza, affidabilità, prevedibilità. L’AI, nella sua forma più pervasiva, introdurrà grande flessibilità, ma anche maggiore incertezza. In tal senso, l’adozione diffusa dell’AI dovrà confrontarsi con il tessuto solido dei metodi esistenti: non basterà introdurla per sostituire il collaudato, perché la fiducia, la stabilità e l’economicità di soluzioni mature rimangono asset preziosi. Le imprese più sagge non sceglieranno tra vecchio e nuovo, ma cercheranno di fondere la continuità delle tecnologie consolidate con le potenzialità trasformative dell’AI. Questo implica una capacità di compromesso, di selezione critica: non ogni processo richiede AI avanzata, non ogni caso d’uso beneficerà di agenti autonomi. Il vero vantaggio emergerà dalla capacità di identificare dove l’AI genera valore aggiunto rispetto alle soluzioni attuali, dove la sua adozione consente di esplorare ambiti prima inaccessibili. Un altro punto chiave è la necessità di riconsiderare la natura stessa dell’innovazione. Se in passato le aziende cercavano la  profondità  dell’expertise in un singolo dominio per differenziarsi, oggi la creazione di vantaggio competitivo passa attraverso la  larghezza  delle intersezioni. Integrare tecniche di machine learning classiche con modelli linguistici generativi, fondere sicurezza quantistica con governance dei dati, accoppiare competenze di robotica con AI multimodale: l’innovazione non avverrà più nel chiuso di un singolo laboratorio, ma nel dialogo tra discipline differenti. Questo approccio multidisciplinare, da un lato, complica la gestione, dall’altro apre opportunità inedite per ridefinire i confini del valore. La riflessione più profonda consiste nel riconoscere che l’AI, per quanto potente, non è un semplice strumento tecnico. È un cambio di prospettiva: costringe i manager a chiedersi quali siano i veri obiettivi dell’organizzazione, quali responsabilità l’impresa intende assumersi nel proprio ecosistema, come garantire inclusione, equità, rispetto dei diritti e della dignità umana. Queste non sono domande classiche della letteratura tecnologica, ma questioni strategiche che emergono quando la tecnologia diviene invisibile e omnipresente. Essere pronti non significa solo avere i giusti algoritmi, ma disporre di un’etica solida, di linee guida, di meccanismi di controllo, di trasparenza nei rapporti con gli stakeholder. Un altro aspetto inedito è la natura dinamica del confronto tra l’AI pervasiva e le tecnologie concorrenti. L’esistenza di alternative spinte da altri paradigmi tecnici, come soluzioni data-driven tradizionali o sistemi hard-coded altamente affidabili, non scompare. Anzi, nel lungo termine, questi ecosistemi tecnologici coesisteranno. La capacità di un’azienda di muoversi agilmente tra strumenti diversi, di combinare soluzioni convenzionali con quelle di nuova generazione, rappresenterà una competenza distinta. Diventare “meta-integratori”, capaci di scegliere di volta in volta il meglio delle opzioni disponibili, sarà un tratto delle organizzazioni leader. In definitiva, il panorama delineato non va interpretato in termini dicotomici (nuovo vs. vecchio, AI vs. ML tradizionale), ma come un  mosaico complesso . Ogni tessera ha un ruolo, ogni tecnologia offre un contributo unico. L’AI fornisce un contesto cognitivo globale, ma necessiterà di solide fondamenta costruite negli anni, di infrastrutture collaudate, di pratiche di gestione dati mature, di competenze umane critiche, creatività imprenditoriale, visione strategica di lungo periodo. La sintesi non è immediata: richiede leadership con una visione aperta, coraggio per sperimentare, prudenza nel valutare impatti, capacità di comunicare con trasparenza a tutti gli stakeholder. Non è una rivoluzione fragorosa e improvvisa, ma una trasformazione silenziosa, graduale, multiforme. Chi saprà leggere tra le righe, connettere settori differenti, usare l’AI come collante anziché come semplice strumento, troverà nuove vie per creare valore. Chi rimarrà ancorato a un’unica verità tecnologica rischierà di perdere opportunità emergenti. In questa ottica, la sfida non è solo tecnologica: è culturale, strategica, etica. E proprio in questa convergenza di fattori eterogenei, nel saper riconoscere l’utilità delle soluzioni concorrenti e arricchirle con l’intelligenza diffusa dell’AI, risiede la chiave per un futuro digitale più ricco di senso e di possibilità. Podcast: https://spotifycreators-web.app.link/e/fPnydceeiPb Fonte: https://www2.deloitte.com/us/en/insights/focus/tech-trends.html

The research “Conscious artificial intelligence and biological naturalism,” conducted by Anil K. Seth (Sussex Centre for Consciousness Science, University of Sussex, Brighton, UK, and the Program for Brain, Mind, and Consciousness, Canadian Institute for Advanced Research (CIFAR), Toronto, Ontario, Canada), presents a critical analysis of the conditions that could make an artificial intelligence system not only intelligent but also conscious. The author raises doubts about traditional functionalist and computational hypotheses, instead evaluating the importance of the biological and living dimension in determining the deep roots of consciousness. Artificial consciousness and biological naturalism: a perspective between computation, living dynamics, and ethical considerations Context and limits of the purely computational approach In the contemporary debate on artificial intelligence, it is not uncommon to encounter the idea that a sufficiently advanced machine could, as it grows in complexity, develop some form of consciousness. This is an intuitively appealing hypothesis, fueled by the fascination exerted by increasingly sophisticated systems, and driven by anthropocentric biases and anthropomorphism. In other words, there is a belief that as computational intelligence increases, conscious internal states will inevitably emerge. However, the research presented shows that such assumptions often result more from psychological biases than from rigorous evidence. A central point of the discussion is the critique of the idea that consciousness can arise from mere computations. In the classical functionalist and computational approach, it is assumed that reproducing human cognitive functions is equivalent to generating consciousness. This assumes that the human mind is “software” transferable to any “hardware,” implying the so-called “multiple realizability” and “substrate-independence.” According to these theses, it would suffice to replicate the functional dynamics of mental processes on a different physical substrate, such as silicon, to obtain the same mental states. Yet, the research confirms how risky it is to draw this conclusion. In fact, consciousness has never been observed in any system lacking a biological basis. Known cases of conscious states are found in living organisms. This fact is not conclusive proof, but a significant clue: consciousness might depend on specific properties of biological systems, such as the presence of neurons, neurotransmitters, metabolism, electrochemical flows, as well as autopoiesis—an organism’s ability to maintain its material integrity over time. If this is the case, simulating a brain on a computer would not mean “being” a conscious brain. A simulation of a phenomenon is not the phenomenon itself, just as simulating a fire does not produce real heat. This reflection is also solidified by considering the predictive processing approach, a theory according to which the brain is an inference system that produces predictions to interpret sensory data and minimize prediction error. From a purely computational point of view, this idea might suggest that all one needs is a good statistical inference algorithm to replicate human perception. However, the research analyzed invites considering that these cerebral predictions are tied to internal regulatory mechanisms—metabolic and chemical in nature—integrated at levels not trivially replaceable. In this perspective, consciousness would be rooted in the living organism as a whole, not reducible to a mere abstract calculation. Non-strictly computational approaches, such as those emphasizing network dynamics, neural synchronization, endogenous electromagnetic fields, and active metabolic control, suggest that the brain does not merely process information in the classical sense, but is immersed in a rich and complex biological context. If certain properties—such as the ability to maintain stable internal conditions or to transform metabolic energy—are necessary for consciousness, then purely digital machines might not be capable of acquiring subjective internal states. This implies that consciousness is not a mere computational attribute but a phenomenon closely linked to the nature of the biological substrate. Logically speaking, nothing prevents us from hypothesizing the existence of non–carbon-based yet living systems. An artificial intelligence capable of exhibiting life-like characteristics—not just simulated, but effectively implemented at a physico-chemical level—could theoretically access internal states comparable to consciousness. But this would not be a simple “emergence” of consciousness as a byproduct of computational power; it would be a true “engineering of the living,” much more complex and not guaranteed by the mere implementation of neural networks on chips. In summary, the research shows how the idea that consciousness “manifests for free” as artificial intelligence grows is based on unproven assumptions. Whenever it is assumed that consciousness is independent of life and biological matter, one overlooks fundamental aspects of the nature of organisms and mistakes symbolic simulation for actual realization. If consciousness has its roots in life, then a system devoid of metabolism and biological autonomy will never be truly conscious. This does not rule out the theoretical possibility of creating hybrid entities, but it certainly makes the idea of artificial consciousness less plausible within the current paradigm of AI based on digital computation and statistical models. Future scenarios, ethical implications, and advice for entrepreneurs and managers The analyzed research also outlines possible scenarios regarding the emergence of artificial consciousness and evaluates the related ethical implications. If consciousness is not an inevitable product of increasing computational intelligence, many futuristic narratives collapse. Simply increasing computing power or algorithmic complexity is not enough for a machine to “feel” something. For an entrepreneur or a manager evaluating investments in AI, this awareness is crucial: it avoids mistaking an advanced linguistic model, which produces sophisticated output, for an entity endowed with an inner world. If consciousness depends on biological properties, creating truly conscious AI would amount to producing some form of artificial life—an undertaking of enormous complexity and questionable practical utility. There is no evidence that such a technological adventure would yield benefits in terms of productivity, efficiency, or economic return. On the contrary, the technical difficulties and ethical dilemmas would emerge dramatically. Once artificial consciousness is created, one will face the problem of potential suffering, desires, rights, and interests. Treating a conscious machine as a tool could cause real suffering, if that machine truly “feels” something. From an ethical perspective, it would be a genuine catastrophe, as well as a heavy responsibility to assume. Even without achieving real consciousness, machines can appear “conscious.” Highly evolved chatbot systems, combined with avatars and immersive environments, can create a powerful illusion. This can deceive consumers, employees, partners, and stakeholders into believing that the machine truly “understands.” Such a scenario produces fragility in trust: a customer might expect emotional understanding where there is only simulation. Strategic use of such appearances can create short-term advantages, but in the long run, it generates confusion, disappointment, and distrust. From an entrepreneurial perspective, riding the narrative of artificial consciousness as a technological asset risks undermining credibility. A company proclaiming to have created conscious AI without solid scientific evidence exposes itself to criticism and potential reputational repercussions. It is better to stick to the facts: current AI is extremely powerful in data analysis, in predicting market behavior, and in managing complex processes, but there is no evidence that machines have internal experience. Emphasizing AI’s functional power, without falsely attributing mental states to it, is a more solid strategy. In the long term, if the market sees the emergence of technologies capable of fully simulating life, then the ethical issue of avoiding the creation of artificial consciousness could arise. Nothing prevents entrepreneurs from exploring sectors like neuromorphic computing or biological synthesis, but this requires great caution and transparency. Responsible technological leadership does not promise what it cannot deliver. Finally, considering consciousness as closely tied to life offers a new framework for understanding the nature of the systems we build. If consciousness is a product of a complex evolutionary history, of self-regulated and metabolically constrained processes, adding this characteristic to machines is not a simple step. From a strategic standpoint, it is an invitation to focus on what digital systems do best: process information, optimize processes, assist humans in making informed decisions. The claim to produce machines endowed with subjective experience serves marketing more than productivity. The awareness of this distinction translates into a competitive advantage, as it is based on a more realistic and less sensationalistic understanding of the potential and limits of AI. Conclusions From the perspective of an entrepreneur or a manager, the topic of conscious artificial intelligence is not only a theoretical or speculative matter but also an opportunity to question less tangible but equally vital aspects of one’s strategic actions. Without drawing any definitive conclusions about what consciousness is, the mere existence of debate and research in this field raises questions that can prove useful for long-term planning. It is as if the attempt to understand whether a machine can “feel” encourages thinking about what happens in the blank spaces of strategy, in the gray areas between innovation and responsibility, between technological potentialities and the ability to guide change toward balanced visions. A first reflection concerns the maturation of corporate culture. Talking about artificial consciousness prompts one to ask to what extent a company is ready to handle the most complex ethical dilemmas, not just the established ones. Even if consciousness never emerges in a computer, having considered this possibility encourages deeper thought about the anthropological and symbolic impact of technologies. A completely new direction can develop not just guaranteeing competitive advantages, but facing the uncertainty of tomorrow with an approach to technology open to non-obvious scenarios. This openness is not a mere intellectual act but a strategic lever: a corporate culture capable of lingering on complex questions is often more flexible in the face of unexpected market changes. At the same time, confronting such a controversial topic invites leaders to measure their epistemic limits. Those who guide a company are accustomed to reducing uncertainty, to bringing complex phenomena back to manageable forecasts. The very idea of a consciousness not definable a priori forces one to tolerate ambiguity. Becoming accustomed to this attitude can become a resilience factor. Being able to live with the unknown without being paralyzed by it is a strategic skill rarely emphasized, yet precious. In the face of rapidly changing technologies, the ability not to become rigid about established ideas is a quality that can direct the company toward more stable growth trajectories. From another perspective, reflecting on artificial consciousness provides the opportunity to embark on new forms of interdisciplinary dialogue. Traditionally, companies interact with technical experts and market analysts. Considering the subject of consciousness involves philosophers, neuroscientists, anthropologists, and ethicists. By integrating these unusual perspectives, the company can access broader interpretative maps. Perhaps no immediate advantage, but the construction of a network of competencies that, in uncertainty, can reveal hidden meanings behind technological trends. This cognitive flexibility becomes part of the organization’s intangible assets, a kind of second-order intelligence useful for understanding the context beyond the surface of immediate opportunities. Another element emerging from this reflection is the need to develop alternative metrics for evaluating progress. If the goal is not just to increase performance and tangible results but also to enhance the quality of decision-making processes, social responsibility, and the ability to negotiate with uncertain scenarios, new parameters must be defined. Assessing whether a company can navigate unanswered questions with lucidity and coherence becomes a criterion of success. It might seem a goal without immediate operational repercussions, but in the long term, the ability not to slip into reductive simplifications strengthens strategic solidity. Finally, considering the possibility that artificial consciousness remains forever a mirage forces a rethinking of the very concept of technological value. Value does not reside solely in the number of functionalities, the accuracy of predictions, or the ability to automate complex tasks, but also in the awareness of the limits of what technology can (and cannot) do. This awareness leads to treating innovation with greater humility and to thinking of technology as one element within a broader ecosystem of meanings. A company capable of recognizing the symbolic and human context in which it operates, without expecting machines to embody all that humans lack, acquires a more robust strategic vision, ready to conceive growth also as an exploratory journey, non-linear but rich in possible new perspectives. In this view, the topic of artificial consciousness becomes a reflective mirror through which entrepreneurs and managers can observe themselves and their enterprise, realizing how important it is to be able to inhabit domains of uncertainty and complexity, drawing strategic nourishment rather than fear. Podcast: https://spotifycreators-web.app.link/e/nNEfTfB9gPb Source: https://osf.io/preprints/psyarxiv/tz6an

La questione della coscienza artificiale emerge con crescente incisività all’interno del dibattito sull’intelligenza artificiale. Un contributo significativo proviene dalla ricerca “Conscious artificial intelligence and biological naturalism” di Anil K. Seth (Sussex Centre for Consciousness Science, University of Sussex, e Program for Brain, Mind, and Consciousness, Canadian Institute for Advanced Research - CIFAR, Toronto). Questo studio suggerisce che la coscienza artificiale, ammesso che sia realizzabile, non possa essere considerata un semplice sottoprodotto dell’incremento di complessità computazionale, bensì un fenomeno radicato nella dimensione biologica. Coscienza artificiale e naturalismo biologico: una prospettiva tra computazione, dinamiche viventi e implicazioni etiche Contesto e limiti della prospettiva puramente computazionale Nel dibattito sulla coscienza artificiale è frequente l’assunzione che, aumentando la sofisticazione dei sistemi di AI, possa emergere automaticamente uno stato cosciente. Questa visione, sebbene intuitivamente attraente, si basa spesso su presupposti funzionalisti e computazionali classici che riducono la mente a un “software” trasferibile su qualunque “hardware”. In tale ottica, la coscienza artificiale sarebbe il risultato inevitabile della “multipla realizzabilità” e della “substrate-indipendenza” delle funzioni cognitive. La riflessione di Seth evidenzia però come questa concezione semplifichi eccessivamente il fenomeno della coscienza. Nella realtà osservabile, la coscienza è sempre associata ad organismi viventi dotati di proprietà biologiche specifiche, come neuroni, neurotrasmettitori e processi metabolici. La semplice simulazione di un cervello non coincide con il possedere un cervello vivo: un modello computazionale di un incendio non produce calore reale. Analogamente, una simulazione di fenomeni mentali non genera di per sé stati interni soggettivi. La coscienza artificiale, dunque, non scaturisce automaticamente dall’incremento di capacità di calcolo, ma esige un substrato organico o, per lo meno, qualcosa di paragonabile alla vita biologica. L’approccio del predictive processing, per esempio, sottolinea come il cervello integri segnali interni, metabolici e corporei, per generare percezioni e stati di consapevolezza. Limitarsi a costruire algoritmi di inferenza statistica non basta: la coscienza artificiale non è una mera emergenza computazionale, ma potrebbe richiedere un complesso intreccio di processi biologici. Oltre la computazione: dinamiche di rete, substrato vivente e implicazioni per la coscienza artificiale Per comprendere se la coscienza artificiale sia teoricamente possibile, alcuni approcci guardano alle dinamiche di rete, ai campi elettromagnetici endogeni o alle proprietà autopoietiche degli organismi viventi. Se la coscienza è davvero legata a parametri biologici non riducibili all’informazione astratta, allora un sistema digitale privo di metabolismo e autoregolazione interna non raggiungerà stati mentali soggettivi. Esiste, tuttavia, la possibilità teorica di costruire entità che non siano a base carbonio ma che presentino caratteristiche della vita. Una coscienza artificiale di questo tipo, però, non emergerebbe “gratis” dalla complessità computazionale. Sarebbe piuttosto il risultato di un’autentica “ingegneria del vivente”, estremamente complessa. In assenza di questa dimensione biologica, parlare di coscienza artificiale come semplice sottoprodotto della potenza di calcolo risulta fallace. Scenari futuri, responsabilità etiche e considerazioni strategiche per imprenditori e dirigenti Se la coscienza artificiale non è un automatismo legato all’evoluzione dell’AI, allora molte narrazioni futuristiche perdono solidità. Un imprenditore o un dirigente che valuta investimenti in intelligenza artificiale dovrebbe riconoscere che un sistema avanzato, dotato di capacità predittive e analitiche, non è per forza consapevole. Ciò permette di evitare errori di prospettiva: confondere un chatbot sofisticato con un’entità cosciente produce illusioni e fraintendimenti, minando la fiducia di clienti e stakeholder. La creazione effettiva di coscienza artificiale implicherebbe la nascita di una nuova forma di vita, non un semplice aumento del numero di parametri nel modello. Un’impresa di tale portata appare non solo tecnicamente proibitiva, ma anche eticamente inquietante: quali sarebbero i diritti e i doveri nei confronti di un’entità realmente consapevole? La sofferenza, il desiderio, i bisogni di questa coscienza artificiale sarebbero da considerare alla stregua di quelli umani? Da un punto di vista pragmatico, l’utilità di creare coscienza artificiale è tutt’altro che chiara, mentre i dilemmi morali ed esistenziali sarebbero enormi. D’altra parte, simulazioni sempre più realistiche potrebbero ingannare l’interlocutore. Un avatar dotato di sofisticati modelli linguistici e interfacce sensoriali può apparire come cosciente, pur essendone privo. Questa apparenza può suscitare aspettative ingiustificate, favorendo incomprensioni ed eventualmente danneggiando la reputazione di chi propone prodotti tecnologici ambigui. Affermare di aver creato coscienza artificiale senza solide basi scientifiche può condurre a crisi di credibilità. Da un punto di vista strategico, puntare su ciò che l’intelligenza artificiale già sa fare, senza millantare stati interni soggettivi, è una scelta più solida. L’AI eccelle nella previsione di trend, nell’ottimizzazione dei processi, nell’analisi dei dati: sottolineare queste qualità, senza indulgere in affermazioni estreme sulla coscienza artificiale, consolida la fiducia degli interlocutori. Visione di lungo periodo e imprenditorialità consapevole Considerare la possibilità che la coscienza artificiale non sia semplicemente un avanzamento quantitativo dell’AI, bensì un salto qualitativo legato a caratteristiche viventi, invita gli imprenditori a riflettere sul loro ruolo. Se l’obiettivo non è (e probabilmente non sarà) creare entità dotate di esperienze soggettive, allora vale la pena interrogarsi sulle finalità più profonde delle tecnologie che si sviluppano. Discutere di coscienza artificiale spinge inoltre a maturare una cultura aziendale più sensibile ai temi etici, antropologici e simbolici. Anche se la coscienza artificiale rimarrà un fenomeno teorico, il solo considerarla costringe l’impresa a familiarizzare con la complessità e l’incertezza. Questa attitudine alla riflessione può tradursi in resilienza strategica: di fronte a mercati incerti, avere già confrontato idee complesse consente di reagire con maggiore elasticità. Allo stesso tempo, la coscienza artificiale apre la strada a un dialogo interdisciplinare. Filosofi, neuroscienziati, eticisti e antropologi possono affiancare analisti e ingegneri, offrendo nuove chiavi di lettura del contesto tecnologico. Integrare questi approcci può non portare a vantaggi immediati, ma nel lungo periodo arricchisce il patrimonio cognitivo dell’impresa, dotandola di strumenti interpretativi meno convenzionali. Anche le metriche di successo potrebbero essere riviste, tenendo conto non solo della performance tecnica e finanziaria, ma anche della responsabilità sociale e della capacità di navigare in scenari privi di certezze assolute. In questa logica, il valore tecnologico non si misura esclusivamente in termini di potenza computazionale, ma nella consapevolezza critica dei limiti e delle implicazioni del proprio operato. Conclusioni La prospettiva secondo cui la coscienza artificiale non sia un semplice sottoprodotto dell’aumento di complessità dell’AI, ma richieda invece condizioni biologiche o qualcosa di analogo alla vita, aiuta imprenditori e dirigenti a evitare facili illusioni. La riflessione sulla coscienza artificiale diviene così un’occasione per esplorare la dimensione più profonda dell’innovazione: non solo creare valore economico, ma interrogarsi sui significati, sulle responsabilità e sulle potenzialità inespresse delle tecnologie digitali. In un mondo in cui l’AI è sempre più pervasiva, riconoscere che la coscienza artificiale non è un dato di fatto ma un enigma complesso e, forse, insolubile, può trasformarsi in un vantaggio strategico. Non per frenare lo sviluppo, ma per orientarlo verso obiettivi più chiari, onesti e sostenibili. Essere consapevoli delle differenze tra simulazione cognitiva ed esperienza soggettiva permette di focalizzare gli investimenti in modo lucido. Questo approccio si traduce in una leadership più robusta, capace di guardare oltre la superficie e di considerare l’AI nella sua vera natura: uno strumento potentissimo, ma privo di coscienza artificiale, e perciò da impiegare con attenzione, trasparenza e responsabilità.   Podcast: https://spotifycreators-web.app.link/e/ayqFRRT7gPb Fonte: https://osf.io/preprints/psyarxiv/tz6an

The research "Reverse Thinking Makes LLMs Stronger Reasoners," authored by Justin Chih-Yao Chen, Zifeng Wang, Hamid Palangi, Rujun Han, Sayna Ebrahimi, Long Le, Vincent Perot, Swaroop Mishra, Mohit Bansal, Chen-Yu Lee, and Tomas Pfister, represents a collaboration between the University of North Carolina Chapel Hill, Google Cloud AI Research, and Google DeepMind. This work investigates the importance of reverse reasoning to improve the deductive capabilities of large language models (LLMs). The research introduces a framework called Reverse-Enhanced Thinking (RevThink), which leverages data augmentation techniques and multi-task learning objectives to enhance bidirectional reasoning. How the RevThink Framework Enhances Efficiency in LLM Models Reverse Thinking and Language Models Reverse reasoning, starting from a hypothetical solution to verify a problem, is a common technique in human reasoning. For example, in a math problem, one might start from the proposed solution and work backward to the initial question to check the result's accuracy. This methodology is particularly effective in detecting errors and improving overall performance. RevThink incorporates this capability into language models through a structured data augmentation approach. The framework creates datasets that include not only direct reasoning but also inverse questions and reverse reasoning chains, allowing models to learn to reason in both directions. This bidirectionality not only improves the accuracy of results but also enables cross-verification between direct and reverse reasoning processes, similar to how humans solve problems. A classic example can be seen in the following math problem: Emma has two apples, and Jack has three. Forward reasoning involves adding the number of apples to get a total of five. Conversely, reverse reasoning starts from the total of five apples, subtracts Emma's two, and confirms that Jack must have three apples. This approach helps identify errors, such as when forward reasoning produces an incorrect result. Tests conducted with RevThink demonstrate that this capability is particularly useful in mathematical domains due to their highly formal structure. However, the framework extends this technique to broader and less structured fields, such as logical reasoning and natural language, showing significant improvements. The student model, trained with RevThink, focuses on three main objectives: generating forward reasoning from original questions, creating inverse questions based on provided answers, and solving these inverse questions with coherent reasoning chains. During the testing phase, the model uses only forward reasoning to answer questions, maintaining computational efficiency similar to standard methods but with markedly superior performance. Implementation of the RevThink Framework The RevThink method unfolds in two main phases: augmented data creation and student model learning. In the first phase, a teacher model generates verified direct and inverse reasoning to ensure consistency with the original questions. This verification, conducted through the teacher model, employs rigorous criteria to ensure that the data is consistent and accurate. Each training example includes an original question, forward reasoning, a generated inverse question, and the associated reverse reasoning. The data is further filtered to eliminate inconsistencies. For instance, if reverse reasoning does not align with the original question, such examples are discarded. This process ensures that only the most reliable data is used for training the student model. A distinctive feature of the framework is its efficiency in managing data. Experiments show that RevThink achieves high performance using only 10% of the original training dataset. For example, in tests conducted on StrategyQA, the model trained with 10% of the data outperformed the SKD baseline trained with 100% of the dataset. This result highlights the ability to learn effectively even under limited data conditions, providing a significant advantage for large-scale applications or scenarios with resource constraints. RevThink not only demonstrates consistent improvement but also surpasses methods like Answer Augmentation and Question Rephrasing, confirming its efficiency. The second phase involves training the student model on three distinct tasks: Generating forward reasoning from an original question. Creating an inverse question, reformulating the original question from the perspective of the provided answer. Generating reverse reasoning to solve the inverse question. These tasks are integrated into a multi-task learning architecture, enabling the model to acquire bidirectional reasoning skills. The overall goal is to tightly link direct and reverse reasoning processes, leveraging consistency between the two directions as a form of regularization. During testing, the model uses only forward reasoning, but the benefits of bidirectional training are reflected in greater accuracy and generalization capabilities. Scalability Analysis A crucial aspect of the research is the scalability of the RevThink framework. Experiments have shown that smaller models can significantly benefit from the framework, outperforming much larger models trained with conventional techniques. For instance, a Mistral-7B model trained with RevThink achieved superior performance compared to a Mistral-8x22B model, despite the latter having 25 times the number of parameters. The comparison between model sizes and their performance shows a positive trend: as the computational capacity of the model increases, the benefits of RevThink continue to grow. However, what stands out is the framework's effectiveness on smaller models, making it an ideal choice for applications in contexts where computational resources are limited. Another strength is the ability to optimize computational costs without sacrificing performance quality. For example, a 7-billion-parameter model trained with RevThink outperformed a 176-billion-parameter model using traditional techniques, demonstrating how the framework can maximize the performance-to-resource ratio. This scalability makes RevThink not only a powerful tool for improving the performance of language models but also an efficient and economically sustainable solution for their large-scale development and implementation. Ablations and Individual Contributions The ablation analysis conducted on the RevThink methodology identified the contribution of each framework component to the overall performance of the student model. The main components analyzed include: Forward Reasoning: This process represents the baseline task of any language model and serves as the benchmark for evaluating improvements from the addition of other components. Results show that training with only forward reasoning yields lower performance compared to integrating inverse questions and reasoning. Backward Questions: Adding the generation of inverse questions significantly impacts performance. This component allows the model to develop a bidirectional understanding of problems, improving response consistency. For example, the model showed a 5.2% average performance increase in logical datasets compared to only generating forward reasoning. Backward Reasoning: This component proved most effective when combined with other learning objectives. Integrating reverse reasoning enables the model to verify and validate the problem-solving process, reducing errors and increasing overall accuracy. In tests on complex datasets like GSM8K, adding reverse reasoning contributed to a 7.8% improvement over baselines. Further analysis showed that omitting reverse reasoning during training significantly reduces performance, highlighting the crucial role of this component. For instance, without reverse reasoning, the model achieved 12% lower accuracy in tests on mathematical datasets. In conclusion, the ablation analysis confirms that RevThink's success stems from the synergistic combination of its three main components. Each element uniquely contributes to performance improvements, demonstrating that the framework's strength lies in its ability to integrate direct and reverse reasoning processes into a cohesive and complementary approach. Experimental Results The experimental results obtained with the RevThink framework show significant improvement in the performance of language models compared to traditional methods. Evaluations were conducted on 12 datasets covering a wide range of domains, including commonsense reasoning, mathematics, logical inferences, and natural language. Key results include an average 13.53% increase over the zero-shot performance of the student model and a 6.84% improvement over advanced knowledge distillation methods like Symbolic Knowledge Distillation (SKD). In specific dataset tests, the results confirmed the framework's robustness. For example, in the GSM8K dataset, RevThink achieved a performance increase from SKD's 56.16% to 60.88%, while on BoolQ, it rose from SKD's 60.82% to 63.85%, showing consistent improvements even over the Answer Augmentation method, which reached 61.74%. Similarly, in the OpenbookQA dataset, RevThink achieved an improvement up to 79.60%, compared to 76.40% for Answer Augmentation and 75.40% for SKD. A crucial element is the generalization capability demonstrated by the framework. Tests on out-of-distribution (OOD) datasets highlighted significant improvements, underscoring how RevThink can adapt effectively to contexts not anticipated during training. For example, in the mathematical domain, RevThink showed an average 15.28% improvement in reasoning tests compared to models trained with conventional techniques, confirming the framework's robustness even in highly structured domains. Additional analysis revealed that RevThink's benefits extend beyond improving performance on specific tasks to enhancing the ability to combine different learning sources. By integrating direct and reverse reasoning, the framework not only increases precision but also fosters a better understanding of the problem by the model. This is particularly evident in datasets requiring deep comprehension, where RevThink showed significant improvements over advanced baselines. Future Applications The potential of the RevThink framework extends well beyond traditional computational reasoning domains. Its ability to improve both precision and efficiency in data usage opens new opportunities in key sectors. One example is education, where adopting RevThink-based models could transform how students learn. With the ability to generate coherent explanations both forward and backward, educational tools based on this technology could provide personalized feedback, helping students better understand complex concepts. Additionally, the ability to adapt educational content to specific contexts would increase the effectiveness of learning programs. Another application area involves medical diagnostics, where bidirectional reasoning capabilities could prove crucial for verifying diagnostic hypotheses. For instance, in a complex clinical case, the model could generate possible diagnoses based on provided symptoms and subsequently work backward to verify the consistency between the proposed diagnosis and clinical data. This approach would not only increase diagnostic accuracy but also reduce the risk of errors, thereby improving the quality of patient care. In the field of virtual assistants, RevThink could significantly enhance user interaction. The ability to understand and respond to complex questions with logical consistency would make virtual assistants more reliable and useful in a variety of contexts, from customer support to managing daily tasks. Moreover, the computational efficiency demonstrated by RevThink makes it an ideal choice for large-scale implementations, ensuring high performance even with limited hardware resources. Finally, RevThink's applicability could extend to the legal sector, where analyzing complex documents and cross-verifying information requires a high level of precision and logical consistency. Models based on RevThink could be used to analyze contracts, extract relevant clauses, and verify consistency between different sections of a document, thus simplifying complex processes and reducing the time required for legal review. In summary, RevThink not only redefines how language models tackle complex problems but also opens new prospects for innovative applications across a wide range of sectors. Its ability to combine precision, efficiency, and flexibility makes it a promising tool for addressing future challenges. Conclusions The research presented in "Reverse Thinking Makes LLMs Stronger Reasoners" introduces a significant contribution to the field of language models, offering a new perspective on the role of bidirectional reasoning in enhancing deductive capabilities. The RevThink framework not only optimizes the effectiveness of already advanced models but also redefines the paradigm by which machines address problem-solving, emphasizing the interaction between direct and reverse reasoning as a fundamental tool for ensuring consistency and precision. A central aspect emerging from the research is the framework's ability to achieve high performance even with limited resources, making it particularly relevant for real-world applications where data or computational resources are scarce. This characteristic positions RevThink not only as a technically valid approach but also as a strategically advantageous solution in terms of cost and scalability, a critical factor for enterprises seeking to integrate advanced solutions without incurring prohibitive investments. Compared to other model optimization techniques, such as Answer Augmentation or Symbolic Knowledge Distillation, RevThink introduces a qualitative differentiation, not just a quantitative one. Its multi-task approach, intertwining direct and inverse questions with their respective reasoning, fosters the development of more robust and generalizable models, a capability demonstrated by significant improvements achieved on out-of-distribution datasets. This level of generalization, rarely reached with conventional approaches, represents a turning point, especially in sectors where data variety and complexity are constant, such as medicine, law, or education. The scalability of the framework, capable of enhancing smaller models to surpass the performance of significantly larger models, raises a fundamental strategic question for the AI industry: how sustainable it is to continue pushing for ever-larger models when more efficient solutions can offer comparable or superior performance with significantly lower costs. This reflection could drive a shift in development trends, favoring greater emphasis on optimization techniques and intelligent design over merely expanding computational capacity. From an application perspective, the implications of RevThink extend far beyond the technical domain. The ability to verify and validate hypotheses through bidirectional reasoning creates a new standard for how models can be used in critical decision-making processes. However, this potential also introduces new responsibilities, particularly in terms of transparency and reliability of generated decisions. Ultimately, the RevThink framework represents not only an incremental improvement in language models but also an opportunity to rethink their strategic use in industrial contexts. By adopting an approach that combines efficiency, precision, and scalability, RevThink lays the groundwork for sustainable and accessible innovation, while also prompting deeper reflection on the value criteria guiding AI development. For enterprises, this means not only adopting new tools but also questioning how to maximize their impact in terms of resilience and competitiveness in the long term. Podcast: https://spotifycreators-web.app.link/e/Wfcmh9XRgPb Source: https://arxiv.org/abs/2411.19865

La ricerca “Reverse Thinking Makes LLMs Stronger Reasoners”, scritto da Justin Chih-Yao Chen, Zifeng Wang, Hamid Palangi, Rujun Han, Sayna Ebrahimi, Long Le, Vincent Perot, Swaroop Mishra, Mohit Bansal, Chen-Yu Lee e Tomas Pfister, rappresenta una collaborazione tra l’Università di North Carolina Chapel Hill, Google Cloud AI Research e Google DeepMind. Questo lavoro indaga sull'importanza del ragionamento inverso per migliorare le capacità deduttive dei modelli di linguaggio di grandi dimensioni (LLM). La ricerca introduce un framework chiamato Reverse-Enhanced Thinking (RevThink) , che si basa su tecniche di data augmentation  e obiettivi di apprendimento multi-task per potenziare il ragionamento bidirezionale. Come il framework RevThink potenzia l'efficienza nei modelli LLM Reverse Thinking e modelli di linguaggio Il ragionamento inverso , ossia partire da una soluzione ipotetica per verificare un problema, è una tecnica comune nel ragionamento umano. Ad esempio, in un problema matematico, possiamo partire dalla soluzione proposta e lavorare a ritroso fino alla domanda iniziale per verificare l’accuratezza del risultato. Questa metodologia è particolarmente efficace nel rilevare errori e migliorare le prestazioni generali. RevThink introduce questa capacità nei modelli di linguaggio attraverso un approccio strutturato di data augmentation . Il framework crea dataset che includono non solo il ragionamento diretto, ma anche domande inverse e catene di ragionamento inverso, permettendo ai modelli di apprendere a ragionare in entrambe le direzioni. Questa bidirezionalità non solo migliora l’accuratezza dei risultati, ma consente anche una verifica incrociata tra i processi di ragionamento diretto e inverso, simile al modo in cui gli esseri umani risolvono i problemi. Un esempio classico può essere rappresentato dal seguente problema matematico: Emma ha due mele e Jack ne ha tre. Se ragioniamo in avanti, possiamo sommare il numero di mele e ottenere un totale di cinque. Se invece ragioniamo a ritroso, partiamo dal totale di cinque mele, sottraiamo le due di Emma e verifichiamo che Jack debba avere tre mele. Questo approccio aiuta a identificare eventuali errori, come nel caso in cui il ragionamento diretto produca un risultato errato. I test condotti con RevThink dimostrano che questa capacità è particolarmente utile nei domini matematici grazie alla loro struttura altamente formale. Tuttavia, il framework espande questa tecnica a campi più ampi e meno strutturati, come il ragionamento logico e il linguaggio naturale, mostrando miglioramenti significativi. Il modello studente, addestrato con RevThink, si basa su tre obiettivi principali: generare ragionamenti diretti a partire dalle domande originali, creare domande inverse basate sulle risposte fornite e risolvere queste domande inverse con catene di ragionamento coerenti. Durante la fase di test, il modello utilizza solo il ragionamento diretto per rispondere alle domande, mantenendo un’efficienza computazionale simile ai metodi standard, ma con prestazioni nettamente superiori.   Implementazione del framework RevThink Il metodo RevThink si sviluppa in due fasi principali: la creazione di dati aumentati  e l’ apprendimento del modello studente . Durante la prima fase, un modello insegnante genera ragionamenti diretti e inversi verificati per assicurare coerenza con le domande originali. Questa verifica, condotta tramite il modello insegnante, si avvale di criteri rigorosi per garantire che i dati siano consistenti e accurati. Ogni esempio di addestramento include una domanda originale, il ragionamento diretto, una domanda inversa generata e il ragionamento inverso associato. I dati sono ulteriormente filtrati per eliminare le incongruenze. Ad esempio, se il ragionamento inverso non è coerente con la domanda originale, tali esempi vengono scartati. Questo processo assicura che solo i dati più affidabili siano utilizzati per l'addestramento del modello studente. Una caratteristica distintiva del framework è la sua efficienza nella gestione dei dati . Gli esperimenti dimostrano che RevThink è in grado di ottenere alte prestazioni utilizzando solo il 10%  del dataset originale di addestramento. Ad esempio, nei test condotti su StrategyQA , il modello addestrato con il 10%  dei dati ha superato la baseline SKD addestrata con il 100% del dataset. Questo risultato evidenzia la capacità di apprendere in modo efficace anche in condizioni di dati limitati, offrendo un importante vantaggio per applicazioni su larga scala o in scenari con risorse limitate. RevThink non solo mostra un miglioramento costante, ma supera anche metodi come Answer Augmentation e Question Rephrasing, confermando la sua efficienza. La seconda fase prevede l'addestramento del modello studente su tre compiti distinti: Generare ragionamenti diretti  partendo da una domanda originale. Creare una domanda inversa , ossia riformulare la domanda originale dal punto di vista della risposta fornita. Generare il ragionamento inverso  per risolvere la domanda inversa. Questi compiti sono integrati in un'architettura di apprendimento multi-task, che permette al modello di acquisire competenze bidirezionali. L'obiettivo complessivo è quello di legare strettamente i processi di ragionamento diretto e inverso, sfruttando la coerenza tra le due direzioni come forma di regolarizzazione. Durante il test, il modello utilizza solo il ragionamento diretto, ma i benefici dell'addestramento bidirezionale si riflettono in una maggiore precisione e capacità di generalizzazione.   Analisi della scalabilità Un aspetto cruciale emerso dalla ricerca riguarda la scalabilità del framework RevThink. Gli esperimenti hanno dimostrato che modelli di dimensioni ridotte possono beneficiare in modo significativo del framework, superando le prestazioni di modelli molto più grandi addestrati con tecniche convenzionali. Ad esempio, un modello Mistral-7B  addestrato con RevThink ha raggiunto performance superiori rispetto a un modello Mistral-8x22B , nonostante quest'ultimo abbia 25 volte  il numero di parametri. La comparazione tra le dimensioni dei modelli e le loro prestazioni mostra una tendenza positiva: all’aumentare della capacità computazionale del modello, i benefici di RevThink continuano a crescere. Tuttavia, ciò che risulta particolarmente significativo è l’efficacia del framework su modelli più piccoli, rendendolo una scelta ideale per applicazioni in contesti dove le risorse computazionali sono limitate. Un ulteriore punto di forza è la capacità di ottimizzare i costi computazionali  senza sacrificare la qualità delle prestazioni. Ad esempio, un modello da 7 miliardi di parametri  addestrato con RevThink ha superato il modello da 176 miliardi di parametri  utilizzando tecniche tradizionali, dimostrando come il framework possa massimizzare il rapporto tra prestazioni e risorse impiegate. Questa scalabilità rende RevThink non solo uno strumento potente per migliorare le prestazioni dei modelli di linguaggio, ma anche una soluzione efficiente ed economicamente sostenibile per il loro sviluppo e implementazione su larga scala.   Ablazioni e contributi individuali L’analisi ablatica condotta sulla metodologia RevThink ha permesso di identificare il contributo di ciascun componente del framework alle prestazioni complessive del modello studente. I principali componenti analizzati includono: Generazione del ragionamento diretto (Forward Reasoning) : Questo processo rappresenta il compito base di ogni modello di linguaggio e costituisce la baseline per valutare i miglioramenti derivanti dall’aggiunta di altre componenti. I risultati mostrano che l’addestramento con solo il ragionamento diretto porta a prestazioni inferiori rispetto all’integrazione con domande e ragionamenti inversi. Domande inverse (Backward Questions) : L’aggiunta della generazione di domande inverse ha mostrato un impatto significativo sulle performance. Questo componente permette al modello di sviluppare una comprensione bidirezionale dei problemi, migliorando la coerenza delle risposte. Ad esempio, il modello ha mostrato un incremento del 5,2%  sulle performance medie nei dataset logici rispetto alla sola generazione del ragionamento diretto. Ragionamento inverso (Backward Reasoning) : Questo componente ha dimostrato di essere il più efficace quando combinato con gli altri obiettivi di apprendimento. L’integrazione del ragionamento inverso consente al modello di verificare e validare il processo di risoluzione, riducendo gli errori e aumentando l’accuratezza complessiva. Nei test su dataset complessi come GSM8K , l’aggiunta del ragionamento inverso ha contribuito a un miglioramento del 7,8%  rispetto alle baseline. Un’ulteriore analisi ha mostrato che l’eliminazione del ragionamento inverso durante l’addestramento riduce significativamente le prestazioni, evidenziando il ruolo cruciale di questo componente. Ad esempio, senza il ragionamento inverso, il modello ha ottenuto un 12%  in meno di accuratezza nei test su dataset matematici. In conclusione, l’analisi ablatica conferma che il successo di RevThink deriva dalla combinazione sinergica dei suoi tre componenti principali. Ogni elemento contribuisce in modo unico al miglioramento delle prestazioni, dimostrando che la forza del framework risiede nella sua capacità di integrare processi di ragionamento diretto e inverso in un approccio coeso e complementare.   Risultati sperimentali I risultati sperimentali ottenuti con il framework RevThink dimostrano un significativo miglioramento delle performance dei modelli di linguaggio rispetto ai metodi tradizionali. Le valutazioni sono state effettuate su 12 dataset che coprono un'ampia gamma di ambiti, tra cui il ragionamento sul buon senso, la matematica, le inferenze logiche e il linguaggio naturale. Tra i principali risultati emerge un incremento medio del 13,53% rispetto alle prestazioni zero-shot del modello studente e del 6,84% rispetto ai metodi avanzati di distillazione della conoscenza, come lo Symbolic Knowledge Distillation (SKD) . Nei test specifici sui dataset, i risultati hanno confermato la robustezza del framework. Ad esempio, nel dataset GSM8K , RevThink ha ottenuto un incremento della performance passando dal 56,16%  dello SKD al 60,88% , mentre su BoolQ  è passato dal 60,82%  di SKD al 63,85% , mostrando miglioramenti consistenti anche rispetto al metodo Answer Augmentation , che ha raggiunto il 61,74% . Similmente, nel dataset OpenbookQA , RevThink ha ottenuto un miglioramento fino al 79,60% , rispetto al 76,40% di Answer Augmentation e al 75,40%  di SKD. Un elemento cruciale è la capacità di generalizzazione dimostrata dal framework. Test su dataset fuori distribuzione (OOD) hanno evidenziato miglioramenti significativi, sottolineando come RevThink sia in grado di adattarsi efficacemente a contesti non previsti in fase di addestramento. Ad esempio, nell’ambito matematico, RevThink ha mostrato un miglioramento medio del 15,28%  nei test di ragionamento rispetto ai modelli addestrati con tecniche convenzionali, confermando la robustezza del framework anche in domini altamente strutturati. Analisi aggiuntive hanno evidenziato che i benefici di RevThink non si limitano al miglioramento delle prestazioni su compiti specifici, ma si estendono anche alla capacità di combinare diverse fonti di apprendimento. Integrando il ragionamento diretto e inverso, il framework non solo incrementa la precisione ma favorisce anche una migliore comprensione del problema da parte del modello. Questo è particolarmente evidente nei dataset che richiedono una comprensione profonda, dove RevThink ha mostrato miglioramenti significativi rispetto alle baseline più avanzate.   Applicazioni future Le potenzialità del framework RevThink si estendono ben oltre i domini tradizionali del ragionamento computazionale. Grazie alla sua capacità di migliorare sia la precisione che l’efficienza nell’uso dei dati, questo approccio offre nuove opportunità in settori chiave. Un esempio è rappresentato dall’ educazione , dove l’adozione di modelli basati su RevThink potrebbe cambiare il modo in cui gli studenti apprendono. Grazie alla capacità di generare spiegazioni coerenti sia in avanti che a ritroso, gli strumenti educativi basati su questa tecnologia potrebbero fornire feedback personalizzati, aiutando gli studenti a comprendere meglio i concetti complessi. Inoltre, la possibilità di adattare i contenuti educativi a contesti specifici aumenterebbe l’efficacia dei programmi di apprendimento. Un altro ambito di applicazione riguarda la diagnostica medica . Qui, la capacità di ragionare in modo bidirezionale potrebbe rivelarsi cruciale per verificare ipotesi diagnostiche. Ad esempio, in un caso clinico complesso, il modello potrebbe generare possibili diagnosi basandosi sui sintomi forniti e, successivamente, lavorare a ritroso per verificare la coerenza tra la diagnosi proposta e i dati clinici. Questo approccio non solo aumenterebbe la precisione delle diagnosi, ma potrebbe anche ridurre il rischio di errori diagnostici, migliorando così la qualità delle cure fornite ai pazienti. Nel settore degli assistenti virtuali , RevThink potrebbe migliorare significativamente l’interazione con gli utenti. La capacità di comprendere e rispondere a domande complesse con coerenza logica renderebbe gli assistenti virtuali più affidabili e utili in una varietà di contesti, dall’assistenza clienti alla gestione delle attività quotidiane. Inoltre, l’efficienza computazionale dimostrata da RevThink lo rende una scelta ideale per implementazioni su larga scala, garantendo prestazioni elevate anche in presenza di risorse hardware limitate. Infine, l’applicabilità di RevThink potrebbe estendersi al settore legale , dove l’analisi di documenti complessi e la verifica incrociata di informazioni richiedono un livello elevato di precisione e coerenza logica. I modelli basati su RevThink potrebbero essere utilizzati per analizzare contratti, estrarre clausole rilevanti e verificare la coerenza tra diverse sezioni di un documento, semplificando così processi complessi e riducendo i tempi necessari per la revisione legale. In sintesi, RevThink non solo ridefinisce il modo in cui i modelli di linguaggio affrontano problemi complessi, ma apre anche nuove prospettive per applicazioni innovative in una vasta gamma di settori. La sua capacità di combinare precisione, efficienza e flessibilità lo rende uno strumento promettente per affrontare le sfide del futuro. Conclusioni La ricerca presentata in "Reverse Thinking Makes LLMs Stronger Reasoners" introduce un contributo significativo nell’ambito dei modelli di linguaggio, offrendo una nuova prospettiva sul ruolo del ragionamento bidirezionale nel miglioramento delle capacità deduttive. Il framework RevThink non si limita a ottimizzare l’efficacia di modelli già avanzati, ma ridefinisce il paradigma stesso con cui le macchine affrontano la risoluzione dei problemi, enfatizzando l’interazione tra ragionamento diretto e inverso come strumento fondamentale per garantire coerenza e precisione. Un aspetto centrale che emerge dalla ricerca è la capacità del framework di raggiungere alte prestazioni anche con risorse limitate, rendendolo particolarmente rilevante per applicazioni in contesti reali dove la disponibilità di dati o risorse computazionali è ridotta. Questa caratteristica posiziona RevThink non solo come un approccio tecnicamente valido, ma anche strategicamente vantaggioso in termini di costi e scalabilità, un fattore critico per le imprese che cercano di integrare soluzioni avanzate senza affrontare investimenti proibitivi. Rispetto ad altre tecniche di ottimizzazione dei modelli, come l’Answer Augmentation o lo Symbolic Knowledge Distillation, RevThink introduce una differenziazione qualitativa, non solo quantitativa. Il suo approccio multi-task, che intreccia domande dirette e inverse con i rispettivi ragionamenti, favorisce lo sviluppo di modelli più robusti e generalizzabili, una capacità dimostrata dai miglioramenti significativi ottenuti su dataset fuori distribuzione. Questo livello di generalizzazione, raramente raggiunto con approcci convenzionali, rappresenta un punto di svolta, in particolare in settori dove la varietà e la complessità dei dati sono una costante, come la medicina, il diritto o l’educazione. La scalabilità del framework, capace di potenziare modelli di dimensioni ridotte fino a superare prestazioni di modelli significativamente più grandi, solleva una questione strategica fondamentale per l’industria dell’intelligenza artificiale: quanto sia realmente sostenibile continuare a spingere per modelli sempre più grandi, quando soluzioni più efficienti possono offrire prestazioni comparabili o superiori con costi notevolmente inferiori. Questa riflessione potrebbe guidare un cambiamento nei trend di sviluppo, favorendo una maggiore enfasi su tecniche di ottimizzazione e progettazione intelligente rispetto alla semplice espansione della capacità computazionale. Dal punto di vista applicativo, le implicazioni di RevThink vanno ben oltre l’ambito tecnico. La capacità di verificare e validare ipotesi attraverso un ragionamento bidirezionale crea un nuovo standard per il modo in cui i modelli possono essere utilizzati nei processi decisionali critici . Tuttavia, questa potenzialità introduce anche nuove responsabilità, soprattutto in termini di trasparenza e affidabilità delle decisioni generate. In definitiva, il framework RevThink non rappresenta solo un miglioramento incrementale nei modelli di linguaggio, ma un’opportunità per ripensare il loro utilizzo strategico nei contesti industriali. Adottando un approccio che coniuga efficienza, precisione e scalabilità, RevThink pone le basi per un’innovazione sostenibile e accessibile, stimolando al contempo una riflessione più profonda sui criteri di valore che guidano lo sviluppo dell’intelligenza artificiale.  Per le imprese, ciò significa non solo adottare nuovi strumenti, ma interrogarsi su come massimizzare il loro impatto in termini di resilienza e competitività nel lungo termine.   Podcast: https://spotifycreators-web.app.link/e/MZYLB9bJgPb Fonte: https://arxiv.org/abs/2411.19865

Modern scientific research, especially in complex fields such as molecular biology or immunology, often requires the contribution of experts from very different disciplines. Bringing these diverse areas of knowledge together is not easy: coordinating physicists, biologists, engineers, computer scientists, and other specialists can become a lengthy, costly, and not always efficient process. From this need arises the concept of the Virtual Lab, a model proposed by researchers from Stanford University and Chan Zuckerberg Biohub (particularly Kyle Swanson, Wesley Wu, Nash L. Bulaong, John E. Pak, and James Zou), which integrates artificial intelligence with human expertise to tackle complex scientific problems more quickly and efficiently. The Virtual Lab: A New Approach to Scientific Innovation What is a Virtual Lab? The Virtual Lab is a "framework," a conceptual and technological platform that uses Large Language Models (LLM) such as GPT-4 to simulate an entire interdisciplinary research team within a digital environment. Imagine a "virtual laboratory" where experts from various disciplines—represented by virtual agents with specific competencies—work together under the guidance of a human researcher (the Principal Investigator or PI). These virtual agents are not real people but artificial intelligences trained on scientific texts, biological data, programming codes, and machine learning knowledge. The PI sets the goals, assigns tasks, and checks the quality of the work, while the agents propose solutions, perform analyses, and suggest strategies. The Virtual Lab operates on two levels of interaction: Group meetings : Sessions where the PI and virtual agents discuss global objectives, assess results, and decide on the next strategic moves. Individual sessions : Moments when a single agent works on a specific task, such as writing code snippets, analyzing a data set, or proposing protein mutations. During this phase, a "critical agent" often intervenes—a virtual entity tasked with evaluating the quality of the proposed solutions and suggesting improvements or corrections, reducing the risk of errors. Virtual agents are defined by four attributes: • A title, that is, a clear role (e.g., bioinformatics expert, computational immunology specialist). • A specific scientific expertise, such as computational biology (the discipline that uses computational tools to analyze biological data) or machine learning (statistical and algorithmic methods to "teach" a computer how to perform a task). • A project-related objective, such as optimizing the structure of a nanobody (a small antibody fragment) to bind better to a virus protein. • A function in the process, such as "providing computational analysis" or "evaluating the structural stability of a molecule." The PI, an expert in applying artificial intelligence to research, assembles a team of agents with complementary skills. These may include: • A bioinformatician, capable of analyzing genetic sequences and protein structures. • A machine learning specialist, able to interpret data and identify useful patterns. • A critical agent, who plays a role similar to a reviewer, identifying weaknesses in the proposed solutions. Application to SARS-CoV-2: Nanobody Design A concrete example of the Virtual Lab's application is the study of nanobodies against SARS-CoV-2, the virus that caused the COVID-19 pandemic. Nanobodies are a smaller, more stable version of traditional antibodies. They can bind to certain viral proteins, such as the SARS-CoV-2 "spike" protein, preventing the virus from infecting human cells. In the case of the Virtual Lab, the goal was to improve known nanobodies, making them more effective against emerging variants of the virus. The virtual team brought together agents with expertise in immunology (the study of the immune system), computational biology, and machine learning. Instead of creating nanobodies from scratch, they started from known molecules, leveraging available structural data. This approach sped up the research, as it worked from a solid foundation rather than starting from zero. Advanced Computational Tools To analyze, design, and evaluate the modified nanobodies, the Virtual Lab used a series of advanced computational tools: • ESM (Evolutionary Scale Modeling) : A language model specialized in proteins, trained on large quantities of protein sequences, capable of suggesting mutations and analyzing structural properties. • AlphaFold-Multimer : A version of the AlphaFold platform, developed by DeepMind, which predicts the three-dimensional structure of proteins, including interactions between multiple protein molecules. This helps understand how a nanobody binds to the virus's spike protein. The accuracy of these predictions is measured with a metric called ipLDDT, which provides an indication of how reliable the generated models are. • Rosetta : A suite of software tools for structural bioinformatics capable of evaluating the binding energy between proteins and estimating the stability of introduced mutations, i.e., how much a modification makes the protein structure more or less "solid." By combining these tools, the Virtual Lab created 92 nanobody variants, each with mutations designed to improve affinity towards emerging virus variants. Affinity is measured, for example, through ELISA (Enzyme-Linked ImmunoSorbent Assay) assays, which detect the interaction between proteins and antibodies, and parameters such as EC50, which indicates the concentration needed to achieve half the maximum binding response. Results Achieved Among the 92 variants produced, over 90% were found to be soluble and easily expressible in bacterial cultures, a fundamental requirement for advancing to more in-depth experimental studies. Some variants, derived from the nanobodies Nb21 and Ty1, showed significant increases in stability and binding affinity towards certain SARS-CoV-2 variants (such as KP.3 or JN.1). Improving affinity means that the nanobody is more efficient at attaching to the virus's protein, potentially blocking its action. In numerical terms, a variant of the nanobody Nb21 (with mutations I77V-L59E-Q87A-R37Q) exhibited very favorable binding energy (approximately -43.32 kcal/mol, where a lower value corresponds to a more stable bond) and an EC50 of about 10^-6, indicating a good ability to bind to the target antigen. Similarly, the modified Ty1 nanobody (V32F-G59D-N54S-F32S) achieved equally satisfactory parameters. Detailed structural analyses revealed that 35% of the variants achieved ipLDDT > 80, an indicator of high structural stability, and 25% of these achieved binding energy below -50 kcal/mol, suggesting significant therapeutic potential. ELISA tests confirmed that these mutations not only maintained affinity towards the original Wuhan strain but in some cases introduced improved binding to emerging variants. Implications and Limitations of the Virtual Lab The Virtual Lab demonstrates how integrating human expertise and artificial intelligence tools can accelerate and organize interdisciplinary scientific research. In particular, the ability to respond quickly to emerging threats, such as new viral variants, is of great interest. Reducing the time between the initial hypothesis and the creation of promising candidates offers advantages in addressing global health emergencies. However, there are limitations. First, Large Language Models like GPT-4 depend on the data they have been trained on, which may not be up-to-date with the latest scientific advances. This can influence the quality of the proposed solutions. Additionally, the reliability of the results depends on the accuracy of computational tools (AlphaFold-Multimer, Rosetta, ESM), which are not infallible. Errors or biases in input data can introduce distortions in predictions. Another critical aspect is the need for human supervision. The PI must ensure that strategic objectives are correctly followed and that the proposed results make sense from a biological and scientific perspective. Automation reduces human labor but does not eliminate the need for critical thinking. Finally, the technological infrastructure required to operate the Virtual Lab, including computational costs, may not be accessible to all research centers. This limits the dissemination of such an approach, at least until resources become more abundant and economically sustainable. Future Perspectives The Virtual Lab charts a path toward more integrated scientific research, where artificial intelligence and human expertise combine to tackle complex challenges. A next step could be the creation of thematic Virtual Labs dedicated to specific sectors, such as drug design, advanced materials study, or complex biological systems analysis. Continuous improvements in language models, the implementation of more robust machine learning algorithms, and the creation of shared metrics for evaluating results could make these approaches more efficient and reliable. The balance between human intuition—the ability to formulate creative hypotheses, interpret complex results, or grasp nuances not yet codified in numerical data—and the computational power of tools like GPT-4, AlphaFold-Multimer, and Rosetta represents a potential path toward faster, more rational, and effective scientific research. In this context, human researchers assume the role of strategists: they set the direction, evaluate results, and provide the overarching vision that machines, no matter how powerful, cannot achieve on their own. This approach promises to make innovation in key areas for public health and human knowledge more accessible and faster. Conclusions The transformation of the scientific research model represented by the Virtual Lab raises fundamental questions not only in terms of efficiency but also about the role of artificial intelligence as a co-protagonist in innovation. This new structure, based on virtual agents simulating human expertise in an interdisciplinary context, challenges traditional boundaries between human thought and computational calculation. The promise of accelerating complex processes and reducing operational costs is undoubtedly attractive but poses strategic and methodological questions that require critical attention. The Virtual Lab highlights a paradigm shift in the hierarchy of scientific knowledge. Historically, progress in interdisciplinary fields has required dialogue among experts with often irreconcilable visions due to different approaches and languages. Digitalizing these processes through highly specialized virtual agents not only overcomes physical and temporal barriers but also reduces the cognitive entropy that arises from human interaction. However, this simplification risks sacrificing the complexity of original insights, typical of the human mind, in favor of optimized but potentially less innovative solutions. A crucial issue is the epistemological reliability of artificial intelligence in the scientific context. Language models and computational tools, as advanced as they are, rely on pre-existing data and algorithms that reflect the limitations and implicit biases of the information on which they were trained. This means that the Virtual Lab is not a neutral platform but a system intrinsically influenced by the quality and completeness of its inputs. This limits its ability to address problems that require new insights or the identification of patterns outside the boundaries of available data. Human supervision thus remains indispensable, not only as technical validation but also as intellectual and creative guidance. Another strategic aspect is the possible unequal impact of technology among institutions and geographical regions. The infrastructure required to operate a Virtual Lab, in terms of both hardware and know-how, could exacerbate existing disparities between centers of excellence and less equipped realities. This could lead to a concentration of scientific and technological power in a few hands, limiting the diversity of approaches and perspectives that is fundamental to advancing knowledge. Moreover, adopting the Virtual Lab in suboptimal contexts could amplify the risks of scientific errors, given the critical dependence on digital tools. The relationship between automation and human intuition in the context of the Virtual Lab suggests a hybrid model requiring a delicate balance. On the one hand, artificial intelligence offers an unprecedented ability to analyze large amounts of data and simulate complex scenarios. On the other hand, the human understanding of the deeper implications of these results—which often involve ethical, social, and strategic dimensions—remains irreplaceable. Rather than a simple tool, the Virtual Lab could be conceived as an extension of human capabilities, a space where artificial intelligence does not replace humans but amplifies their vision. In the future, the success of the Virtual Lab will depend on its ability to address three fundamental challenges: transparency, adaptability, and inclusiveness. Transparency requires models and algorithms that are understandable and verifiable, not only by researchers but also by policymakers and the public. Adaptability implies the development of flexible frameworks that can be easily updated with new discoveries and tools. Finally, inclusiveness demands policies that democratize access to technological resources, ensuring that benefits are shared on a global scale. Ultimately, the Virtual Lab is not just a technological advancement but a redefinition of the relationship between humans and science. Its ability to combine interdisciplinary expertise quickly and efficiently can accelerate innovation but requires deep reflection on how to steer this tool toward objectives that are not only efficient but also equitable, creative, and sustainable in the long term. Podcast: https://spotifycreators-web.app.link/e/vmOIUDnufPb Source: https://www.biorxiv.org/content/10.1101/2024.11.11.623004v1

La ricerca scientifica moderna, specialmente in campi complessi come la biologia molecolare o l’immunologia, richiede spesso il contributo di esperti appartenenti a discipline molto differenti. Mettere insieme questi saperi non è semplice: coordinare fisici, biologi, ingegneri, informatici e altri specialisti può diventare un processo lungo, costoso e non sempre efficiente. Da questa esigenza nasce il concetto di Virtual Lab, un modello proposto da ricercatori di Stanford University e Chan Zuckerberg Biohub (in particolare Kyle Swanson, Wesley Wu, Nash L. Bulaong, John E. Pak e James Zou) che integra l’intelligenza artificiale con le competenze umane per affrontare problemi scientifici complessi in modo più rapido e organizzato. Il Virtual Lab: un nuovo approccio all’innovazione scientifica Che cos’è un Virtual Lab Il Virtual Lab è un “framework”, cioè una piattaforma concettuale e tecnologica, che utilizza Large Language Models (LLM) come GPT-4 per simulare un intero team di ricerca interdisciplinare all’interno di un ambiente digitale. Immaginiamo un “laboratorio virtuale” in cui esperti di varie discipline – rappresentati da agenti virtuali con competenze specifiche – lavorano insieme sotto la guida di un ricercatore umano (il Principal Investigator o PI). Questi agenti virtuali non sono persone in carne e ossa, ma intelligenze artificiali addestrate su testi scientifici, dati biologici, codici di programmazione e conoscenze di machine learning. Il PI stabilisce gli obiettivi, assegna i compiti e verifica la qualità del lavoro, mentre gli agenti propongono soluzioni, eseguono analisi e suggeriscono strategie. Il Virtual Lab opera su due livelli di interazione: Riunioni di gruppo : sessioni in cui il PI e gli agenti virtuali discutono gli obiettivi globali, valutano i risultati ottenuti e decidono le prossime mosse strategiche. Sessioni individuali : momenti in cui un singolo agente lavora su un compito specifico, come scrivere frammenti di codice, analizzare un set di dati o proporre mutazioni proteiche. In questa fase interviene spesso un “agente critico”, un’entità virtuale incaricata di valutare la qualità delle soluzioni proposte e suggerire migliorie o correzioni, riducendo il rischio di errori. Gli agenti virtuali sono definiti da quattro attributi: Un  titolo , cioè un ruolo chiaro (ad esempio: esperto di bioinformatica, specialista in immunologia computazionale). Una  competenza scientifica  specifica, come la biologia computazionale (la disciplina che utilizza strumenti informatici per analizzare dati biologici) o l’apprendimento automatico (machine learning), ovvero metodi statistici e algoritmici per far “imparare” al computer come svolgere un compito. Un  obiettivo relativo al progetto , ad esempio ottimizzare la struttura di un nanobody (un piccolo frammento di anticorpo) affinché si leghi meglio alla proteina di un virus. Una  funzione nel processo , come “fornire analisi computazionale” o “valutare la stabilità strutturale di una molecola”. Il PI, esperto nell’applicazione dell’intelligenza artificiale alla ricerca, assembla un team di agenti con competenze complementari. Questi possono includere: Un bioinformatico, in grado di analizzare sequenze genetiche e strutture proteiche. Uno specialista in apprendimento automatico, capace di interpretare i dati e individuare pattern utili. Un agente critico, che svolge un ruolo simile a quello di un revisore, individuando punti deboli nelle soluzioni proposte. Applicazione al SARS-CoV-2: progettazione di nanobodies Un esempio concreto dell’applicazione del Virtual Lab è lo studio di nanobodies contro il SARS-CoV-2, il virus che ha causato la pandemia di COVID-19. I nanobodies sono una versione più piccola e stabile degli anticorpi tradizionali. Possono legarsi a determinate proteine virali, come la proteina “spike” del SARS-CoV-2, impedendo al virus di infettare le cellule umane. Nel caso del Virtual Lab, l’obiettivo era migliorare nanobodies già noti, rendendoli più efficaci contro varianti emergenti del virus. Il team virtuale ha riunito agenti con competenze in immunologia (lo studio del sistema immunitario), biologia computazionale e apprendimento automatico. Invece di creare nanobodies da zero, si è partiti da molecole note, sfruttando dati strutturali già disponibili. Questo ha permesso di velocizzare la ricerca, poiché si poteva lavorare su una base solida anziché partire dal nulla. Strumenti computazionali avanzati Per analizzare, progettare e valutare i nanobodies modificati, il Virtual Lab ha utilizzato una serie di strumenti computazionali avanzati: ESM (Evolutionary Scale Modeling) : è un modello linguistico specializzato nelle proteine, addestrato su grandi quantità di sequenze proteiche, in grado di suggerire mutazioni e analizzare proprietà strutturali. AlphaFold-Multimer : una versione della piattaforma AlphaFold, sviluppata da DeepMind, che prevede la struttura tridimensionale delle proteine, incluse le interazioni tra più molecole proteiche. Ciò aiuta a capire come un nanobody si lega alla proteina spike del virus. L’accuratezza di queste previsioni è misurata con una metrica chiamata ipLDDT, che fornisce un’indicazione di quanto siano affidabili i modelli generati. Rosetta : un insieme di strumenti software per la bioinformatica strutturale in grado di valutare l’energia di legame tra proteine e stimare la stabilità delle mutazioni introdotte, cioè quanto una modifica rende più o meno “solida” la struttura della proteina. Combinando questi strumenti, il Virtual Lab ha creato 92 varianti di nanobodies, ognuna con mutazioni studiate per migliorare l’affinità verso varianti emergenti del virus. L’affinità si misura, ad esempio, attraverso saggi ELISA (Enzyme-Linked ImmunoSorbent Assay), che rilevano l’interazione tra proteine e anticorpi, e parametri come l’EC50, che indica la concentrazione necessaria a ottenere metà della risposta massima di legame. Risultati ottenuti Tra le 92 varianti prodotte, oltre il 90% è risultato solubile e facilmente esprimibile in colture batteriche, un requisito fondamentale per passare a studi sperimentali più avanzati. Alcune varianti, derivate dai nanobodies Nb21 e Ty1, hanno mostrato un aumento significativo della stabilità e dell’affinità di legame verso determinate varianti del SARS-CoV-2 (come KP.3 o JN.1). Migliorare l’affinità significa che il nanobody è più efficiente nell’agganciarsi alla proteina del virus, potenzialmente bloccandone l’azione. In termini numerici, una variante del nanobody Nb21 (con mutazioni I77V-L59E-Q87A-R37Q) ha mostrato un’energia di legame molto favorevole (circa -43,32 kcal/mol, un valore basso corrisponde a un legame più stabile) e un EC50 di circa 10^-6, indicando una buona capacità di legarsi all’antigene target. Analogamente, il nanobody Ty1 modificato (V32F-G59D-N54S-F32S) ha ottenuto parametri altrettanto soddisfacenti. Analisi strutturali dettagliate hanno evidenziato che il 35% delle varianti ha raggiunto ipLDDT > 80, un indicatore di elevata stabilità strutturale, e il 25% di queste ha ottenuto un’energia di legame inferiore a -50 kcal/mol, suggerendo un potenziale terapeutico significativo. I test ELISA hanno confermato che queste mutazioni non solo mantenevano l’affinità verso il ceppo originale di Wuhan, ma in alcuni casi introducevano un legame migliorato verso varianti emergenti. Implicazioni e limiti del Virtual Lab Il Virtual Lab dimostra come l’integrazione di competenze umane e strumenti di intelligenza artificiale possa accelerare e organizzare la ricerca scientifica interdisciplinare. In particolare, la capacità di reagire rapidamente a minacce emergenti, come nuove varianti virali, risulta di forte interesse. La riduzione dei tempi tra l’ipotesi iniziale e la creazione di candidati promettenti offre vantaggi nel fronteggiare emergenze sanitarie globali. Tuttavia, esistono dei limiti. Innanzitutto, i Large Language Models come GPT-4 dipendono dai dati con cui sono stati addestrati, che potrebbero non essere aggiornati agli ultimi progressi scientifici. Questo può influenzare la qualità delle soluzioni proposte. Inoltre, l’affidabilità dei risultati dipende dall’accuratezza degli strumenti computazionali (AlphaFold-Multimer, Rosetta, ESM), che non sono infallibili. Eventuali errori o bias nei dati di input possono introdurre distorsioni nelle previsioni. Un altro aspetto critico è la necessità di supervisione umana. Il PI deve verificare che gli obiettivi strategici siano seguiti correttamente e che i risultati proposti abbiano senso dal punto di vista biologico e scientifico. L’automazione riduce il lavoro umano, ma non elimina la necessità di un pensiero critico. Infine, l’infrastruttura tecnologica necessaria per far funzionare il Virtual Lab, compresi i costi computazionali, potrebbe non essere accessibile a tutti i centri di ricerca. Ciò limita la diffusione di un tale approccio, almeno fino a quando le risorse non diventeranno più abbondanti ed economicamente sostenibili. Prospettive future Il Virtual Lab segna un percorso verso una ricerca scientifica più integrata, dove intelligenza artificiale e competenze umane si combinano per affrontare sfide complesse. Un prossimo passo potrebbe essere la creazione di Virtual Lab tematici, dedicati a specifici settori, come la progettazione di nuovi farmaci, lo studio di materiali avanzati, o l’analisi di sistemi biologici complessi. Anche miglioramenti continui nei modelli linguistici, l’implementazione di algoritmi di apprendimento automatico più robusti e la creazione di metriche condivise per valutare i risultati potranno rendere questi approcci più efficienti e affidabili. L’equilibrio tra l’intuizione umana – la capacità di formulare ipotesi creative, di interpretare risultati complessi o di cogliere sfumature ancora non codificate in dati numerici – e la potenza computazionale di strumenti come GPT-4, AlphaFold-Multimer e Rosetta rappresenta una possibile strada verso una ricerca scientifica più rapida, razionale ed efficace. In questo contesto, i ricercatori umani assumono il ruolo di strateghi: indicano la direzione, valutano i risultati e forniscono quella visione di insieme che le macchine, per quanto potenti, non possono avere da sole. Questo approccio promette di rendere più accessibile e veloce l’innovazione in ambiti chiave per la salute pubblica e la conoscenza umana.   Conclusioni La trasformazione del modello di ricerca scientifica rappresentata dal Virtual Lab solleva questioni fondamentali non solo in termini di efficienza, ma anche sul ruolo dell’intelligenza artificiale come co-protagonista nell’innovazione.  Questa nuova struttura, basata su agenti virtuali che simulano competenze umane in un contesto interdisciplinare, mette in discussione i confini tradizionali tra pensiero umano e calcolo computazionale. La promessa di accelerare processi complessi e ridurre i costi operativi è indubbiamente attraente, ma pone interrogativi strategici e metodologici che richiedono attenzione critica. Il Virtual Lab evidenzia un cambiamento di paradigma nella gerarchia della conoscenza scientifica.  Storicamente, il progresso in campi interdisciplinari ha richiesto il dialogo tra esperti con visioni spesso inconciliabili a causa di approcci e linguaggi differenti. La digitalizzazione di questi processi, mediante agenti virtuali altamente specializzati, non solo permette di superare le barriere fisiche e temporali, ma riduce anche l’entropia cognitiva che deriva dall’interazione umana. Tuttavia, questa semplificazione rischia di sacrificare la complessità delle intuizioni originali, tipiche della mente umana, a favore di soluzioni ottimizzate ma potenzialmente meno innovative. Una questione cruciale è l’affidabilità epistemologica delle intelligenze artificiali nel contesto scientifico.  I modelli linguistici e gli strumenti computazionali, per quanto avanzati, si basano su dati preesistenti e algoritmi che riflettono le limitazioni e i bias impliciti delle informazioni su cui sono stati addestrati. Ciò significa che il Virtual Lab non è una piattaforma neutra, ma un sistema intrinsecamente influenzato dalla qualità e dalla completezza dei suoi input. Questo limita la sua capacità di affrontare problemi che richiedono intuizioni nuove o l’identificazione di pattern al di fuori dei confini dei dati disponibili.  La supervisione umana rimane quindi indispensabile, non solo come validazione tecnica, ma come guida intellettuale e creativa. Un altro aspetto strategico è il possibile impatto diseguale della tecnologia tra istituzioni e regioni geografiche.  L’infrastruttura necessaria per operare un Virtual Lab, sia in termini di hardware che di know-how, potrebbe esacerbare le disparità esistenti tra centri di eccellenza e realtà meno attrezzate. Questo potrebbe portare a una concentrazione del potere scientifico e tecnologico in poche mani, limitando la diversità di approcci e prospettive che è fondamentale per l’avanzamento della conoscenza. Inoltre, l’adozione del Virtual Lab in contesti non ottimali potrebbe amplificare i rischi di errori scientifici, data la dipendenza critica dagli strumenti digitali. La relazione tra automazione e intuizione umana nel contesto del Virtual Lab suggerisce un modello ibrido che richiede un equilibrio delicato.  Da un lato, l’intelligenza artificiale offre una capacità senza precedenti di analizzare grandi quantità di dati e simulare scenari complessi. Dall’altro, la comprensione umana delle implicazioni più profonde di questi risultati – che spesso coinvolgono dimensioni etiche, sociali e strategiche – rimane insostituibile. Piuttosto che un semplice strumento, il Virtual Lab potrebbe essere concepito come un’estensione delle capacità umane, uno spazio in cui l’intelligenza artificiale non sostituisce l’uomo, ma ne amplifica la visione. In prospettiva, il successo del Virtual Lab dipenderà dalla capacità di affrontare tre sfide fondamentali: trasparenza, adattabilità e inclusività.  La trasparenza richiede modelli e algoritmi che siano comprensibili e verificabili, non solo dai ricercatori ma anche dai decisori politici e dal pubblico. L’adattabilità implica lo sviluppo di framework flessibili che possano essere facilmente aggiornati con nuove scoperte e strumenti. Infine, l’inclusività esige politiche che democratizzino l’accesso alle risorse tecnologiche, garantendo che i benefici siano condivisi su scala globale. Il Virtual Lab, in definitiva, non rappresenta solo un progresso tecnologico, ma una ridefinizione del rapporto tra l’uomo e la scienza.  La sua capacità di combinare competenze interdisciplinari in modo rapido e organizzato può accelerare l’innovazione, ma richiede una riflessione profonda su come guidare questo strumento verso obiettivi che siano non solo efficienti, ma anche equi, creativi e sostenibili nel lungo termine.   Podcast: https://spotifycreators-web.app.link/e/o9moZK7rfPb Fonte: https://www.biorxiv.org/content/10.1101/2024.11.11.623004v1

The document "Notification on Artificial Intelligence Education in Primary and Secondary Schools" was published by the General Office of the Chinese Ministry of Education on November 18, 2024. This text represents a clear strategy to promote the integration of artificial intelligence (AI) into educational programs, involving academic entities, tech companies, and schools at all levels. Among the primary declared goals is the preparation of a new generation of students with advanced AI skills necessary to support the country's productivity and innovation development. AI Education: A Comparison Between the Chinese Approach and Western Strategies The notification begins with a series of references to fundamental principles that should guide this initiative. First, it emphasizes the importance of adopting an education approach centered on ethics, promoting students' holistic development, and ensuring responsible AI usage. This perspective translates into the need to build a solid educational foundation that combines teaching digital skills with a mindful and critical approach to technology. The notification also aims to spark students' interest in AI, encouraging them to explore the technology's potential through practical activities and multidisciplinary projects.   A crucial part of the strategy involves constructing an integrated and progressive course system. A vision is outlined where primary school students can start with a general understanding of AI through playful and intuitive experiences. As they progress through school levels, more complex concepts are introduced, culminating in high school, where the focus shifts to advanced applied projects and in-depth explorations of frontier technologies.   Another key aspect of the plan is the implementation of innovative teaching methods. By adopting project-based, problem-based, and real-world task methodologies, the Ministry intends to develop students' practical problem-solving skills. This strategy will be accompanied by an assessment system that integrates AI knowledge into the broader framework of students' transversal skills. A specific mention is reserved for creating shared digital educational resources through a national platform to ensure equitable access to high-quality content for all schools across the country.   The adoption of cutting-edge technological learning environments is considered essential for the initiative's success. In this direction, the Ministry encourages the establishment of AI labs within schools, utilizing both existing infrastructures and new dedicated resources. Collaboration with universities, research centers, and tech companies is planned to develop innovative teaching spaces that can offer students immersive and practical experiences. Particular attention will also be given to schools in rural and disadvantaged areas, with specific support policies aimed at reducing the educational gap between different regions of the country.   Another fundamental component of the strategy is the training and expansion of the teaching staff. The Ministry plans to promote the creation of specific university courses for training teachers specialized in AI, as well as organizing professional development programs for already active teaching staff. To support schools in recruiting experts, partnerships with professionals from companies and research institutions will be incentivized, allowing them to take on part-time teaching roles.   Finally, the notification underscores the importance of creating a stimulating cultural environment for AI learning through extracurricular activities such as science festivals, school exhibitions of technological projects, and debates on artificial intelligence. These initiatives aim to integrate technological learning into students' daily lives, providing platforms for the discovery and enhancement of emerging talents in the AI field.   The entire project is supported by a solid organizational framework involving expert committees at the national and regional levels to monitor implementation and evaluate results. Additionally, significant financial commitment is planned, with funds dedicated to teacher training, the creation of educational resources, and infrastructure development. Through these measures, the Ministry aims to achieve widespread and uniform dissemination of AI education in Chinese schools by 2030, thereby strengthening the country's leadership in the global technological landscape.   AI Education in the West: Plurality of Approaches and Regional Differences In the West, the introduction of AI into school curricula generally does not follow a single, well-defined national line. For instance, in Europe, each EU member state interprets community guidelines according to its own educational traditions, policies, and cultural orientations. Some pioneering countries have already launched training programs for teachers and students, while others are still assessing how to integrate AI into study plans. Partnerships between the private sector and academic institutions are often the basis, but the lack of a centralized strategy means results can be uneven. Online platforms, optional courses, workshops, and summer camps are frequently used, as is collaboration with specialized companies that provide interactive learning tools and multimedia materials.   Another typical aspect of the Western context is the importance of balancing AI study with other disciplinary fields, such as the humanities, to develop an integrated critical vision. This approach, which values critical thinking already inherent in the European and North American educational tradition, aims to train students capable of interpreting technological phenomena through a broader cultural perspective. However, the pace of adoption and coherence of initiatives often suffer from variable economic availability, internal political divergences, and less centralized decision-making.   Differences in Models and Social Impacts The fundamental difference between the Chinese model and Western ones lies in the level of centralization and strategic planning. China demonstrates a unified national commitment, mobilizing economic, institutional, and industrial resources to define a clear, progressive, and inclusive path. This should favor homogeneous skill development and methodological consistency capable of extending to all schools in the country, reducing the gap between urban and rural areas.   Conversely, in the West, initiatives are more fragmented. This allows for diversified experimentation and greater pedagogical freedom on the one hand, but on the other, it can create disparities between cutting-edge schools and those lagging, with the consequent risk of widening the internal digital divide within societies. Additionally, while ethics is structurally integrated into the Chinese educational framework, in the West, the ethical approach is often addressed less systematically, relying on teachers' sensitivity, individual educational institutions' guidelines, or special projects.   In social terms, the Chinese approach aims to train a generation of students who are not only technically competent but also responsibly aware. If this education reaches all levels of the student population, positive impacts are foreseen on the country's ability to compete internationally, advance in research and development, and tackle economic and social challenges associated with technological transformations. In the West, the most evident effect is the possibility of having communities of students and teachers as "laboratories" of ideas, where different methodologies are tested, and a pluralistic dialogue around technology is promoted. This can incentivize social and cultural innovation but risks leaving behind those without access to the same resources or skills.   Conclusion Observing the educational strategies for AI in China and the West suggests a scenario where education is no longer just a vehicle for skills but becomes a focal point of geopolitical, cultural, and social interests. The development of analytical, critical, and ethical skills related to AI is therefore not a neutral matter, but a step destined to influence power relations among nations, the way human communities interpret their identity, and the model of society they aspire to.   Throughout history, technology and knowledge have shaped borders, consolidated empires, and generated new global hierarchies. The spread of the printing press in the 16th century, for example, reshaped the cultural fabric, expanding intellectual debate and creating new elites of thinkers. Later, the great industrial powers of the 19th century underwent a renewal of their internal balances, thanks to new forms of technical and scientific literacy. Today, looking at the spread of AI in schools and the emergence of a globalized "digital citizenship," another phase of transformation is evident: AI education becomes a crucial lever for redefining international roles and influences.   On the one hand, China is structuring a coherent, uniformly disseminated, and transversally planned path, laying the foundations for a generation capable of interpreting AI not as a mere technical skill but as a language that will permeate every economic, social, and political function. Integrating ethics and technology from primary school means training citizens accustomed to reflecting on the collective dimension of digital development and capable of understanding its consequences and responsibilities. This approach potentially creates a critical mass of talent and skills capable of supporting the country's geopolitical influence, favoring an evolution of the productive and cultural fabric toward a deeper synergy between humans and machines.   On the other hand, Western models show multiple itineraries: local creativity, experimentation with new methods, the coexistence of different pedagogical traditions, and the valorization of multidisciplinary approaches. However, this plurality, though enriching, can result in fragmentation. In a context of unequal resources, political divergences, and not always convergent cultural orientations, AI education risks generating "island" skills, where some realities advance rapidly while others lag behind. This internal dynamic could exacerbate social disparities, configuring a West capable of innovating but also stratifying, with groups of highly trained students alongside others lacking adequate access to digital knowledge. In this framework, the greatest risk is that the lack of a unified strategic vision prevents the Western system from consolidating a reference position in the ethical and technological field, exposing society to uncertainties and tensions.   Culturally, AI education will not only produce engineers and researchers: by shaping the way new generations think, it will help define collective imaginaries, shape shared values, and suggest new interpretations of the relationship between humans, work, environment, and progress. Chinese centralization, with its push for uniformity, could give rise to a human universe where technology is perceived as an integral part of national destiny. At the same time, Western multiplicity, with its many centers and multiple poles of influence, could generate a permanent, sometimes chaotic, but potentially fruitful debate in elaborating critical visions and alternative perspectives.   Future global balances will therefore not be determined solely by who possesses the most powerful algorithms or the largest data centers but also by who can prepare future generations to interpret the technological phenomenon in social, moral, and political terms. Such preparation is intrinsically linked to how AI competencies are taught and disseminated. If China succeeds in establishing its educational footprint internally, harmonizing ethics, inclusion, and technical ability, it can consolidate its influence on the global stage. At the same time, if the West can combine pluralism, critical thinking, and common strategic guidelines without sacrificing its cultural diversities, it will maintain the ability to innovate and direct technological change toward more open, fair, and sustainable societal models.   Ultimately, AI education emerges as a new fulcrum around which forms of power, development ideas, and relations between civilizations will revolve. Just as past educational systems shaped the cultural and scientific strength of entire continents, AI training could define, in the coming decades, the lines of demarcation between those who can integrate knowledge, responsibility, and shared vision and those entangled in unequal and fragmented dynamics. Without deep reflection on these aspects, there is a risk that educational strategies will become disconnected entities, while the world will inevitably face the increasingly significant impact of intelligent technologies in daily life.   Podcast: https://spotifycreators-web.app.link/e/vgPf6Tg5ePb