È nato da un piccolo esperimento di automazione locale: usare Codex Desktop non solo per scrivere codice, ma per entrare in un ciclo operativo con Blender, fino a ottenere un risultato visivo valutabile e migliorabile. L’idea di partenza era semplice: Codex può preparare uno script per Blender, ma il problema è che, senza feedback, lavora quasi alla cieca. Scrive codice, ma non vede davvero cosa succede nella scena. Allora ho costruito una piccola pipeline automatica. Il ciclo funziona così: Codex modifica lo script  ↓  PowerShell intercetta il salvataggio ↓  Blender si avvia in background  ↓  Blender esegue lo script  ↓  viene salvata la scena modificata  ↓  viene generato un render PNG  ↓  Codex usa immagine e log come feedback  ↓  Codex corregge di nuovo lo script  In pratica ho creato una sorta di ciclo chiuso creativo. Non è un MCP standard, perché non c’è un server MCP vero e proprio con tool esposti...

Ho appena finito un lungo "carteggio" pomeridiano con un modello agentico per mettere a punto un gioco di dama italiana con interfaccia grafica e avversario controllato dall’IA.  All’apparenza sembrava tutto semplice: una scacchiera, pedine bianche e nere, mosse obbligatorie, un algoritmo minimax per far ragionare il computer. Poi, giocandoci davvero, sono emersi i primi problemi. Il primo sintomo era chiaro: alcune mosse dell’IA sembravano palesemente sbagliate. Non era una questione di “IA debole”, ma di regole. Il motore permetteva comportamenti non coerenti con la dama italiana, come prese non valide o priorità sbagliate nelle catture multiple.  Ho chiesto esplicitamente nel prompt dell'app Windows di verificare di nuovo le regole implementate a primo acchito: presa obbligatoria, maggior numero di pezzi catturati, priorità al pezzo più forte, valore dei pezzi catturati e ordine in cui vengono incontrati. Una volta corretto il motore, però, è arrivato un secondo proble...

C'è un momento preciso in cui ho capito che qualcosa era davvero cambiato nel modo di usare l'IA. Non è stato leggendo un articolo né guardando un video tutorial. È successo quando ho scritto una semplice frase in chat e, pochi minuti dopo, mi sono ritrovato sul desktop un documento completo con le notizie più rilevanti del settore, una notifica sul telefono e, soprattutto, tutto il lavoro già fatto senza alcun intervento manuale. Non parlo di automazione in senso stretto, fatta di flussi rigidi, trigger e connettori da configurare uno a uno. Parlo di qualcosa di diverso: un sistema multi-agente IA a cui descrivi un obiettivo in linguaggio naturale e che decide autonomamente come raggiungerlo. Naviga sul web, scrive il codice necessario, lo esegue, produce un output e ti avvisa quando il lavoro è terminato. La parte più interessante, però, è il modo in cui ho strutturato la ricerca delle informazioni. Invece di affidarmi a un singolo agente che fa tutto, ho implemen...

Per decenni la didattica delle telecomunicazioni ha affrontato un limite cognitivo quasi invisibile: l’idea che uno studente possa comprendere sistemi altamente multidominio semplicemente osservandone separatamente le rappresentazioni simboliche.  La modulazione 16-QAM ne è un esempio emblematico.  Nei percorsi tradizionali, il discente incontra formule trigonometriche, diagrammi di costellazione, componenti in quadratura, sequenze binarie e grafici temporali come oggetti distinti, distribuiti in tempi e contesti differenti.  Questa frammentazione produce spesso un apprendimento puramente dichiarativo, incapace di trasformarsi in rappresentazione mentale dinamica.  Lo studente memorizza la definizione della QAM ma non “vede” il fenomeno emergere cognitivamente. L'animazione sviluppata per la 16-QAM suggerisce invece un paradigma differente, che potrebbe essere descritto come apprendimento sincronico multirappresentazionale. In questo modello, la comprensi...

C’è stato un momento, nell'ennesima mia conversazione, in cui la risposta dell’IA sembrava corretta, elegante, perfino convincente. Un file di simulazione Micro-Cap per un modulatore FSK era stato generato. Il grafico mostrava qualcosa. Lo schema sembrava avere senso.  Ma poi è arrivata la domanda decisiva: “Quindi il file è un trucco?” Ed era proprio lì il punto. Non bastava ottenere un circuito che “producesse” una forma d’onda FSK. Bisognava ottenere un circuito che fosse sperimentalmente onesto , cioè realizzabile davvero in un laboratorio didattico, con componenti riconoscibili, montabili, misurabili e spiegabili agli studenti. Questa è stata una piccola lotta con l’IA generativa. Ma è stata anche una dimostrazione molto utile di come si debba lavorare con i modelli linguistici: non come con un oracolo, ma come con un interlocutore tecnico da interrogare, correggere, spingere, costringere alla precisione. Il primo errore: confondere il risultato con il processo All’inizio il c...

Studiare con l’IA non significa farsi sostituire: significa costruire strumenti. Uno degli aspetti più interessanti dell’intelligenza artificiale non è semplicemente la possibilità di ottenere risposte rapide. Il punto più profondo è un altro: oggi l’IA può diventare un laboratorio per costruire strumenti personalizzati di studio, esplorazione e organizzazione della conoscenza. Non si tratta solo di chiedere: “spiegami questo argomento”. Si tratta di fare un passo ulteriore: trasformare un contenuto in una struttura navigabile, modificabile, espandibile. Un testo, una lezione, un tema complesso possono diventare una mappa di concetti, dove ogni nodo rappresenta un’idea, ogni ramo mostra una relazione, ogni espansione apre un nuovo livello di approfondimento. Questo cambia il modo di studiare. Lo studio non resta più lineare, come una pagina da leggere dall’inizio alla fine. Diventa esplorativo. Si può partire da un concetto centrale, seguirne le diramazioni, fermarsi su un nodo diffici...