Scaletta Episodio 67 — Risorse Artificiali

Episodio numerato (rassegna/discussione, non intervista) Voci: Stefano, Paolo, Alessio Durata target: ~70 minuti Preparato il: 13 agosto 2026

Linea narrativa dell’episodio (la frase che tiene insieme tutto):

In questa settimana tutti hanno detto “open” e tutti hanno detto “agente”. Il problema è che le due parole hanno smesso di significare la stessa cosa per tutti — e intanto chi decide ha cambiato sedia.

SEZIONE 1 — Traccia dell’episodio (~70 minuti)

Quattro macro argomenti, in quest’ordine. Ogni blocco ha una tesi, le cose da dire e la frase che porta al blocco dopo. Chi dice cosa lo decidiamo in registrazione. Ogni riferimento a una fonte è cliccabile e porta alla scheda corrispondente nella Sezione 2.

Filo conduttore: in una settimana tutti hanno detto “open” e tutti hanno detto “agente” — ma le due parole hanno smesso di significare la stessa cosa per tutti. E intanto chi decide ha cambiato sedia.

Apertura (~3’)

Partire a freddo dalla citazione della discussion su Qwen: un utente scrive che stanno vendendo la vision come un DLC di un videogioco. Poi il ribaltone: questa settimana sono usciti sei modelli che si dichiarano tutti open, e nessuno dei sei è aperto nello stesso modo. Mentre litigavamo sulle licenze, in Google se ne andava Jeff Dean.

Manus non si anticipa: sta nel finale.

Blocco 1 — “Open weight” non significa più niente (~17’)

Fonti: #1 Qwen3.8 · #2 MiniMax H3 · #3 LTX-2.5 · #5 Nemotron e #9 Muse Glimmer come contro-esempi

Tesi: in sette giorni la parola “open” è stata usata per indicare quattro cose diverse. Da sola non serve più a niente.

Le cose da dire:

Qwen3.8 ha numeri da frontier (2.4T totali / 95B attivi, GPQA Diamond 92.6, Terminal Bench 86.6), ma i pesi rilasciati sono solo testo: niente vision, niente contesto da 1M. Quelli restano nella versione Max cloud. E la licenza sulla pagina si chiama “qwen3.8-max”. Da qui la polemica del DLC, e il confronto con Kimi K3 che invece rilascia tutto.
MiniMax H3 è tecnicamente notevole — omni vero, video 2K da 15 secondi con audio stereo nativo, costo per secondo sotto un terzo dei concorrenti — ma i pesi arrivano “soggetti alle leggi e normative applicabili”. Vale la pena leggere la frase ad alta voce e chiedersi cosa significhi per chi sviluppa in Europa.
LTX-2.5 è la contro-narrativa: pesi davvero scaricabili, gira da 16GB di VRAM, gratis sotto i 10M$ di ARR, fine-tuning sui propri dati, on-prem o edge. E in pagina c’è una tabella che accusa esplicitamente i rivali di apertura condizionale (branding obbligatorio, non disponibile in US/EU/UK/Corea). Da discutere se sia marketing aggressivo o un punto legittimo.
La proposta operativa dell’episodio, da portare a casa: smettere di dire “open” e chiedere cinque cose. I pesi si scaricano davvero? Ci sono tutte le modalità della versione cloud? La licenza consente uso commerciale? Ci sono restrizioni geografiche? Puoi fare fine-tuning sui tuoi dati? Applicata alla settimana: Nemotron NVFP4 (OpenMDW-1.1) e Muse Glimmer (Apache 2.0) passano il test, gli altri no.

Vale la pena litigare su: tenere la vision fuori dai pesi ha ragioni vere di costo e di safety, o è solo monetizzazione?

Ponte verso il blocco 2: i due modelli che passano il test sono anche i due più piccoli — 30B, 3B attivi. E sono piccoli per un motivo preciso: devono fare i sub-agent.

Blocco 2 — L’agente ha un computer suo (~18’)

Fonti: #7 Grok 4.6 · #8 Grok Bot · #10 Muse Code + Muse Spark 1.2 · #9 Muse Glimmer · #5 Nemotron

Tesi: è saltato l’ultimo pezzo di finzione. L’agente non è più un chatbot con dei tool: è un processo che gira per ore, ha una macchina sua e fa login con le tue credenziali.

Le cose da dire:

Grok 4.6 è venduto esplicitamente per agenti long-horizon: più self-testing e verifica lungo percorsi lunghi. Parità con GPT-5.6 Sol sull’Artificial Analysis Index (61), CursorBench 69.9%, DeepSWE 65.9%. Prezzi 2$/6$ per milione di token: il long-horizon deve costare poco per poter esistere.
Grok Bot è il salto vero: ogni bot ha un computer proprio in cloud, fa login negli strumenti che usi già, lavora tra le app senza pretendere API pulite, e impara un workflow guardandolo una volta. Qui va messa la domanda scomoda: chi risponde quando il bot manda l’email sbagliata al cliente? Permessi, audit, raggio d’azione.
Muse Code è la risposta di Meta, e parla da sviluppatori: agent da terminale, agenti asincroni in background, skill tipo /plan e /goal. Il dettaglio che tradisce tutto è l’event log locale per il recovery dopo un crash — il crash recovery lo metti solo quando le sessioni durano abbastanza da poter crashare. Un case study ottimizza kernel GPU Hopper con oltre 1.000 tool call.
L’architettura che sta emergendo, ed è il collegamento col blocco precedente: un orchestratore grosso in cloud più tanti modelli piccoli in locale. Muse Glimmer da 30B Apache 2.0 pensato per girare sul dispositivo, e Nemotron con 3B attivi, 1M di contesto e la parola “sub-agent workhorse” scritta nella model card. Non escono nella stessa settimana dei Bot per caso.

Vale la pena litigare su: “impara guardandoti una volta” è vero o è una demo? E comunque un bot che prepara una demo e un bot che tocca il CRM di produzione non sono lo stesso rischio.

Ponte verso il blocco 3: tutti questi agenti però, a fine sessione, dimenticano. Muse Code si salva un event log, noi ci salviamo i file markdown. Dwarkesh questa settimana ha scritto che è esattamente lì che si romperà tutto.

Blocco 3 — Il moat che non c’era: continual learning (~16’)

Fonte: #4 Dwarkesh Patel, con richiami a #8, #10 e #6

Tesi: quando il deployment diventa training non cambia la tecnologia, cambia l’economia.

Le cose da dire:

L’analogia del sassofono: studenti che non hanno mai suonato si passano appunti scritti, uno dopo l’altro. Non esiste sequenza di testo che permetta all’N-esimo di suonare davvero. È letteralmente quello che facciamo oggi con i file di contesto tra una sessione e l’altra.
Deployment = training: chi è avanti accelera, perché più uso complesso significa più feedback e quindi modello migliore. La conseguenza controintuitiva è che i lab saranno spinti a rilasciare prima, non dopo — l’esempio è Anthropic che ha usato Mythos internamente da febbraio e l’ha spedito a giugno, quattro mesi di apprendimento reale lasciati sul tavolo. Grok Bot già si vende dicendo che impara i tuoi workflow.
Il moat finalmente esiste, ed è lo switching cost: oggi passo da un modello all’altro a costo zero, ed è per questo che nessuno ha un vantaggio difendibile. Con il continual learning cambiare modello equivale a licenziare un dipendente che ha mesi di contesto sulla tua azienda. E poi carota e bastone: i lab sussidieranno chi concede le proprie sessioni e negheranno i modelli migliori a chi rifiuta.
Due conseguenze scomode. La prima: se i pesi cambiano ogni giorno, il controllo pre-deployment diventa archeologia, e Dwarkesh propone ispezioni periodiche al posto delle certificazioni — argomento solido, o comodo per l’industria? La seconda, ed è la più dura: servire pesi personalizzati richiede batch enormi (oltre 2400 sequenze concorrenti su un modello sparso), quindi chi è solo paga fino a 100× di penalità di efficienza. Tradotto: il continual learning è strutturalmente anti-piccoli.

Vale la pena litigare su: questo è il disaccordo vero dell’episodio. Se il vantaggio si accumula solo con la scala, l’open weight smette di essere un’alternativa e diventa un hobby — oppure è esattamente il contrario, e il modello piccolo locale con adattamento personale è l’unica risposta possibile al lock-in.

Ponte verso il blocco 4: se il vantaggio si accumula così, chi è avanti va più veloce e chi si ferma perde mesi. Quindi la domanda diventa chi sta in cabina di regia — e in questa settimana sono cambiati parecchi piloti.

Blocco 4 — Chi comanda adesso (~13’)

Fonti: #11 Google DeepMind · #6 Manus · #12 Xiaomi

Tesi: la partita non si gioca più solo sui modelli, ma su chi li dirige, chi può comprare chi, e chi decide di aprire.

Le cose da dire:

Google DeepMind: Hassabis passa da CEO a chairman, aggiunge il ruolo di chief scientist di Alphabet e resta a Isomorphic; Kavukcuoglu diventa SVP e riporta direttamente a Pichai; Jeff Dean se ne va dopo 27 anni insieme a Ghemawat, Vinyals e Quoc Le per fondare Discovery Loop. Due letture da mettere una contro l’altra: riorganizzazione sotto pressione con Gemini 3.5 Pro in ritardo e morale a terra, oppure promozione di chi vuole tornare a fare scienza. Il fatto duro comunque resta: quattro nomi che valgono un laboratorio se ne vanno insieme, proprio quando — vedi blocco 3 — il vantaggio si accumula stando in campo.
Manus: Meta la compra per oltre 2 miliardi il 29 dicembre 2025, a gennaio il Ministero del Commercio cinese apre la verifica, ad agosto Manus torna indipendente e gli utenti devono fare backup e restore, con cancellazione dei dati creati dopo quella data. Due punti: un’acquisizione può essere disfatta per ragioni geopolitiche, e il conto lo pagano i dati degli utenti. E si lega al blocco precedente — se il valore accumulato è il contesto, un backup/restore forzato è la ferita peggiore per un prodotto agentico.
Xiaomi-Robotics-1: open source vero, 100.000 ore di dati UMI più 10.000 cross-embodiment, e soprattutto la pipeline completa dal post-training su robot reali fino al deployment, su GitHub e Hugging Face. Mentre Figure AI e Tesla restano chiusi. Chiude il cerchio col blocco 1: sulla robotica la Cina apre più dell’Occidente, sugli LLM apre a metà. Ipotesi da discutere: si apre dove non si è ancora davanti.

Chiusura (~3’)

Giro finale su una domanda: qual è la parola che nel 2027 avrà smesso di significare quello che significa oggi?

Consiglio pratico: prima di scrivere “usiamo un modello open” in una slide, passagli i cinque assi del blocco 1. E se stai costruendo su un agente che accumula contesto, chiediti oggi come lo esporti — Manus insegna.

SEZIONE 2 — Le fonti

1. Qwen3.8-2.4T-A95B — Discussion #13: “Huge disappointment: open weights are text-only and stripped of Max features”

🔗 https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B/discussions/13

Qwen3.8 è un MoE da 2.4T parametri totali / 95B attivi (512 esperti, 10 routed + 1 shared, 92 layer, ibrido Gated DeltaNet + Gated Attention), contesto nativo 262k estendibile a ~1M, con numeri da frontier: GPQA Diamond 92.6, Terminal Bench 2.1 86.6, SWE-bench Pro 67.7. La discussion #13 racconta però l’altra metà: i pesi rilasciati sono solo testo, senza vision e senza il contesto da 1M della versione Max cloud, mentre la pagina porta la licenza “qwen3.8-max”. L’utente NodeLinker parla apertamente di logica DLC: funzionalità ormai standard messe dietro un paywall. Cita Kimi K3 come contro-esempio che rilascia tutto. La community concorda: senza vision non si arriva SOTA.

2. MiniMax H3 — “An Open Model Breaking the Boundaries Between Tasks and Modalities”

🔗 https://www.minimax.io/blog/minimax-h3

Modello omni generalista: comprende testo, immagini, video e audio, e genera video fino a 15 secondi in 2K con audio stereo nativo. Quattro pezzi architetturali dichiarati: H3-Contextual Omni Representation (il linguaggio come ponte interpretativo tra modalità), H3-VAE (tokenizer con rapporto di compressione 4× superiore), H3-Omni Transformer (separa il carico computazionale tra comprensione e generazione, +30% throughput), H3-In-context Regeneration (rigenerazione in-context per il dettaglio ad alta risoluzione). Sul prezzo: a 2K il costo per secondo generato è “meno di un terzo dei modelli tradizionali”. I pesi arriveranno “nei prossimi giorni, soggetti alle leggi e normative applicabili” — una formula che pesa parecchio, come si vede al punto 3.

3. LTX-2.5 — “a stronger foundation for what’s already being built”

🔗 https://ltx.io/model/ltx-2-5

Foundation model video open weights. Novità: multi-shot nativo (personaggio, ambiente, luce e voce coerenti tra inquadrature), 4K HDR nativo, workflow RAW per le pipeline di finishing, durata automatica del clip, prompt adherence migliorata (text encoder Gemma 4 12B + prompt enhancer) e un nuovo decoder, Diffusion Fidelity Rendering, che alloca il compute in base alla complessità della scena. Gira da 16GB di VRAM, deployment on-prem/edge/API, gratis sotto i 10M$ di ARR, fine-tunabile sui propri dati. Velocità: 10s di image-to-video in 6.8s on-prem (MiniMax H3 180s, Kling 3.0 Pro 398s) e miglior punteggio artefatti (0.28). In pagina, una tabella comparativa attacca frontalmente l’apertura “condizionale” dei rivali.

4. Dwarkesh Patel — 8 Predictions for the Era of Continual Learning

🔗 https://www.dwarkesh.com/p/era-of-continual-learning

Pubblicato il 7 agosto 2026. La premessa: senza continual learning nessuna AI potrà svolgere un lavoro intero, perché costringerla a passarsi file di appunti da una sessione all’altra è come imparare il sassofono in fila indiana — uno studente che non ha mai suonato prova, scrive due pagine di note, le passa al successivo che non ha mai suonato, e così via. Non esiste sequenza di testo che permetta all’N-esimo di suonare: a un certo punto l’esperienza deve entrare nel cervello. Da qui in poi Dwarkesh non discute se ci arriveremo, ma cosa cambia il giorno dopo — e quasi tutto quello che elenca è economico e politico, non tecnico. Il sottotitolo del pezzo è già una presa di posizione: “bloccare adesso una regolamentazione sulla sicurezza dell’AI è un errore”.

Le otto tesi:

La regolamentazione pre-deployment perde senso — se i pesi si aggiornano ogni giorno sulla base di milioni di sessioni di lavoro, sparisce il momento “dopo il training, prima del rilascio” da certificare, e avrebbero più senso ispezioni mensili o trimestrali.
L’allineamento va riscritto da zero — tutte le tecniche di oggi servono a far comportare bene un set di pesi congelato, e non esiste ricerca su come garantire che un modello aggiornato di continuo non venga jailbreakato, non scivoli in una persona ingannevole e non si becchi backdoor iniettate dagli utenti.
Le menti AI diventeranno diverse tra loro — oggi i modelli di frontiera sono meno di cinque e si somigliano perché addestrati sugli stessi dati; se imparano dall’esperienza, esperienze diverse producono modelli genuinamente diversi.
Chi è avanti accelera — quando il deployment è parte del training, più utenti fanno lavori complessi sul tuo modello e più il tuo modello diventa bravo, in un circolo che si autoalimenta.
I lab rilasceranno prima, non dopo — Anthropic ha usato Mythos internamente da febbraio e l’ha spedito a giugno: in regime di continual learning quei quattro mesi sono apprendimento reale regalato al concorrente che spedisce subito, anche se parte da un modello peggiore.
Nasce finalmente un moat, ed è lo switching cost — oggi posso iniziare un repo con Codex e finirlo con Claude Code senza pagare niente, ma quando il modello migliora sessione dopo sessione con te, cambiarlo equivale a licenziare un dipendente con mesi di contesto sulla tua azienda; su quel lock-in i lab prenderanno margini alti.
Carota e bastone sui dati delle sessioni — le aziende cercheranno di evitare il lock-in, quindi i lab sussidieranno chi concede le proprie sessioni (come Google regala la ricerca) e negheranno l’accesso ai modelli migliori a chi rifiuta.
Il continual learning premia strutturalmente i grandi — servire pesi personalizzati è efficiente solo con migliaia di sequenze in parallelo (per un modello sparso il batch ottimale è sopra le 2.400), quindi un’azienda grande si serve il proprio fork senza problemi mentre il singolo a batch 1 paga oltre 100× di penalità di compute.

5. NVIDIA Nemotron-3.5-Lightning-30B-A3B-NVFP4

🔗 https://huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4

MoE ibrido Mamba-2 + layer MoE con attention selettiva: 30B totali / 3B attivi, quantizzazione NVFP4 con calcolo FP4 nativo su Blackwell GB200 e W4A16 su Hopper/Ampere. Contesto validato a 1M token, speculative decoding DSpark per abbattere la latenza. Benchmark: MMLU Pro 81.62, GPQA Diamond 75.57, SWE-bench Verified 52.80, long-context AA-LCR 49.19. Licenza OpenMDW-1.1, permissiva per uso commerciale. Il target dichiarato è esplicito e va notato: agenti autonomi long-running, sub-agent workhorse e inferenza locale efficiente su hardware personale — DGX Spark (GB10), H100, GB200. Inglese più sei lingue, oltre ai linguaggi di programmazione.

6. Manus Unacquired (Geopolitechs)

🔗 https://www.geopolitechs.org/p/manus-unaccquired

L’11 agosto Manus scrive agli utenti: tornerà a operare come società indipendente. Alcuni utenti dovranno fare backup dei dati entro il 23 agosto e ripristinarli dal 25; i dati generati dal 29 dicembre 2025 in poi verranno cancellati nel mezzo. Quella data non è casuale: è il giorno in cui Meta annunciò l’acquisizione di Manus per oltre 2 miliardi. A gennaio 2026 il Ministero del Commercio cinese ha aperto una verifica sulla conformità dell’operazione. Il “ritorno all’indipendenza” somiglia quindi a una separazione: reset della struttura operativa, della proprietà dei dati e dei confini di compliance. Nel breve, il costo lo pagano fiducia degli utenti e continuità di task, file e workflow accumulati.

7. Grok 4.6 (xAI)

🔗 https://x.ai/news/grok-4-6

Rilasciato il 12 agosto 2026, è il modello xAI pensato esplicitamente per agenti di lunga durata e lavori interattivi ambiziosi: mantiene il focus su task multi-step (ricerca, analisi, sviluppo software) e fa più self-testing e verifica lungo percorsi lunghi, con risultati migliori su progetti visivi e interattivi. Raggiunge la parità con GPT-5.6 Sol sull’Artificial Analysis Intelligence Index (score 61) ed eccelle su CursorBench (69.9%) e DeepSWE (65.9%). Prezzi: 2$/M token input, 6$/M output, doppio per la variante fast; nella prima settimana utilizzo raddoppiato gratis su Grok Build e Cursor. Disponibile via console x.ai, Cursor, Grok Build, OpenRouter, Vercel e Cloudflare.

8. Introducing Grok Bot (xAI)

🔗 https://x.ai/news/introducing-grok-bot

Agenti AI presentati come colleghi di lavoro. Ogni Bot ha un computer proprio in cloud, fa login negli strumenti che già usi e lavora tra le app — senza pretendere API pulite. Impara un workflow osservandolo una volta, ricorda preferenze e contesto tra conversazioni, comunica via messaggi come farebbe una persona e può coordinarsi con altri Bot in parallelo. Casi d’uso interni dichiarati: outbound sales con scoring e email personalizzate, preparazione demo e controllo ambienti, gestione della pipeline CRM, follow-up clienti, bug fixing. Disponibile in beta su macOS, iOS e su X per abbonati SuperGrok Heavy, Cursor Ultra e Cursor Teams Premium; le aziende sono in waitlist.

9. Meta — Introducing Muse Glimmer, open agentic model

🔗 https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model

Meta Superintelligence Labs rilascia un modello agentico da 30B pensato per girare sul dispositivo, senza dipendenza dal cloud: architettura compatta ottimizzata per hardware consumer e un encoder di percezione dedicato per input multimodali (testo e immagini). Pesi su Hugging Face con licenza Apache 2.0. Le capacità valutate sono quelle che contano davvero per un agente: completamento di task end-to-end, tool calling affidabile, ragionamento multi-step, recovery dagli errori, input multimodale e oltre 100 lingue. Confrontato con Gemma 4 31B e Qwen3.6 27B, “performa bene per la sua classe”. Il posizionamento è esplicito: agenti locali sempre disponibili, con reattività e privacy prima della potenza bruta.

10. Meta — Muse Code e Muse Spark 1.2

🔗 https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2

Muse Code è un coding agent da terminale (beta) alimentato da Muse Spark 1.2, modello ottimizzato per software engineering. Affronta task complessi su repository grandi: pianificare le modifiche, scrivere il codice, validare i risultati. Include agenti asincroni in background, un event log locale per il recovery dopo un crash e skill integrate come /plan, /grill, /goal. Muse Spark 1.2 è addestrato estensivamente su coding long-horizon, inclusa la generazione di interi repository, e dichiara risultati superiori su Terminal-Bench 2.1, DeepSWE 1.1 e benchmark interni Meta; un case study ottimizza kernel GPU NVIDIA Hopper con oltre 1.000 tool call. Disponibile oggi in Muse Code e via Meta Model API.

11. Google DeepMind: Hassabis si sposta, Jeff Dean se ne va

🔗 https://www.implicator.ai/google-deepmind-hassabis-steps-aside-jeff-dean-exit

⚠️ Nota per i conduttori: implicator.ai non era raggiungibile in fase di preparazione (DNS). La sintesi è ricostruita da Axios, CNBC, TechRepublic e Fortune del 5–10 agosto 2026. Verificare i dettagli prima di citarli a voce.

Demis Hassabis lascia il ruolo di CEO di Google DeepMind per diventarne chairman, aggiunge il titolo di chief scientist di Alphabet e continua a guidare Isomorphic Labs. Koray Kavukcuoglu, oggi CTO dell’unità, diventa SVP e riporta direttamente a Sundar Pichai. Jeff Dean lascia Google dopo 27 anni, insieme a Sanjay Ghemawat, Oriol Vinyals e Quoc Le, per fondare Discovery Loop, public benefit corporation su machine learning, scienza e ingegneria. Sullo sfondo: morale basso, esodo di talenti e Gemini 3.5 Pro in ritardo di mesi, mentre OpenAI e Anthropic corrono.

12. Xiaomi apre l’embodied AI: Xiaomi-Robotics-1

🔗 https://insideai.news/news/robotics/xiaomi-open-sources-embodied-ai-foundation-model-xiaomi-robotics-1/7082/

Xiaomi rilascia in open source il suo foundation model per l’AI embodied, Xiaomi-Robotics-1, addestrato su oltre 100.000 ore di dati UMI (Universal Manipulation Interface) e rifinito su oltre 10.000 ore di dati cross-embodiment. Non è solo il modello: l’azienda pubblica la pipeline completa dal post-training su robot reali fino al deployment, con il codice per le valutazioni comparative, su GitHub e Hugging Face. È una sfida diretta ai sistemi proprietari di Figure AI e Tesla e allinea Xiaomi ad approcci aperti come LeRobot. Mancano però dettagli su architettura e parametri, cosa che potrebbe frenarne l’adozione iniziale.

Note di regia

Tre citazioni da leggere ad alta voce:

“Vendono la vision come un DLC” — discussion su Qwen (apertura).
“Soggetti alle leggi e normative applicabili” — MiniMax H3 sui pesi (blocco 1).
“Cambiare modello significa licenziare un dipendente con mesi di contesto sulla tua organizzazione” — Dwarkesh, parafrasi (blocco 3).

Da verificare prima di registrare:

⚠️ La fonte #11 (implicator.ai) non era raggiungibile in preparazione: dettagli ricostruiti da Axios, CNBC, TechRepublic e Fortune. Ricontrollare ruoli e nomi.
I pesi di MiniMax H3 potrebbero uscire tra preparazione e registrazione: se succede, il punto su MiniMax cambia di segno.

Se si sfora: il punto più comprimibile è Grok 4.6, che si può ridurre ai soli numeri (il contenuto vero è Grok Bot). Il punto da non tagliare mai sono le due conseguenze scomode del blocco 3, che sono la tesi dell’episodio.

Titoli candidati:

“6 modelli ‘open’ in una settimana, nessuno aperto allo stesso modo”
“L’agente adesso ha un computer suo (e le tue password)”
“Il vero moat dell’AI non erano i modelli”