Palo Alto Networks, Applied Compute e la Private AI
Con Applied Compute, Palo Alto Networks scommette 4,5 miliardi sulla private AI e sui modelli aperti adattati ai dati delle imprese.

Imprenditore, ricercatore e docente
Fondatore di Algoretico e di altre aziende che progettano modelli e sistemi di intelligenza artificiale, per uso proprio e per chi vuole metterla al lavoro. Fa ricerca su architetture e AI privata, insegna all'università e ha scritto libri per raccontare l'intelligenza artificiale a tutti.
Michele Laurelli è fondatore e CEO di Algoretico S.r.l., dove progetta modelli e sistemi di intelligenza artificiale con attenzione alle infrastrutture private. È cofondatore e Head of AI di Scriba AI e lavora sia sulla ricerca sia sulla costruzione di prodotti e sistemi per altre organizzazioni.
Svolge attività di docente a contratto di Intelligenza Artificiale, è Expert dell’Institut EuropIA e coordina il gruppo di interesse sull’intelligenza artificiale di Mensa Italia. Il suo lavoro unisce architetture, AI privata, ricerca scientifica e didattica.
Docenza: TODO — inserire atenei e corsi aggiornati.

Con Applied Compute, Palo Alto Networks scommette 4,5 miliardi sulla private AI e sui modelli aperti adattati ai dati delle imprese.

Nvidia deve il suo dominio a CUDA, la piattaforma software che dal 2006 ha trasformato le GPU in uno standard difficile da abbandonare, più che alla qualità dei suoi chip.

Che cos’è il Weight-Space Programming presentato dal MIT, come vanno letti i suoi risultati e perché l’idea di correggere un modello intervenendo in modo chirurgico sulle sue rappresentazioni, senza riaddestrarlo, era al centro del mio paper Brain Surgery del 2024.

Le skill promettono competenze per gli agenti AI, ma restano prompt fragili, insicuri e difficili da testare, che stanno impoverendo chi impara a usare l’AI.

Tra settembre e ottobre 2026 sono comparsi cloni di Photoshop e Word scritti con l'AI, strumenti che collegano gli agenti di coding ai disassemblatori e porting quasi quotidiani di videogiochi decompilati.

Settecento dimostrazioni rilasciate in un giorno da OpenAI e la dura replica dell'AHM. Che cosa significa risolvere un problema se nessuno ne comprende la prova?

L'AI funziona meglio di quanto la capiamo. Come la macchina a vapore prima della termodinamica, ha bisogno di diventare una scienza: leggi, misure e previsioni verificabili.

Perché la conversione di applicativi legacy non è un problema di traduzione linguistica ma di ricostruzione semantica, e come abbiamo affrontato il problema in Scriba.

Il più grande studio qualitativo mai condotto: Anthropic intervista mezzo mondo per capire speranze, paure e aspettative reali sull'AI

In Algoretico abbiamo sviluppato un framework che fa qualcosa che nessun Transformer fa oggi: sviluppare una personalità cognitiva che evolve con l'esperienza.

Intelligenza artificiale trattata con rigore scientifico, precisione ingegneristica e profondità umana

Dal Global AI Report di NTT DATA emerge un quadro chiaro: la sperimentazione lascia il posto alla creazione di valore misurabile

Continuous Latent Reasoning: Compressione Semantica 16x-128x e Ottimizzazione End-to-End per Sistemi RAG di Nuova Generazione


Oggi il gestionale precostruito non è più un semplice limite operativo, ma un vincolo cognitivo che impedisce all’azienda di comprendere, governare ed evolvere la propria complessità reale.

Un’analisi tecnica del perché l’architettura self-attention rende i moderni LLM molto più di semplici “pappagalli stocastici”.

Il monito di Draghi sulla stagnazione europea non riguarda solo il numero di modelli di intelligenza artificiale sviluppati, ma la struttura stessa dell’economia e del modo in cui usiamo (o non usiamo) l’AI nei processi produttivi.

Perché la vera rivoluzione produttiva non passa dagli LLM

Esplorando l'importanza critica dell'infrastruttura AI privata per le organizzazioni che richiedono controllo assoluto, performance e proprietà intellettuale.

Come gli agenti AI orchestrati stanno trasformando la risoluzione di problemi complessi attraverso autonomia coordinata e capacità specializzate.

La maggior parte delle organizzazioni non ha dataset etichettati. Hanno processi, vincoli ed expertise. Ecco come costruire sistemi AI che apprendono dalla struttura.

Oltre il pattern matching e la correlazione statistica—esplorando cosa distingue la vera intelligenza dalla computazione sofisticata.

Perché i miei studenti implementano backpropagation a mano, costruiscono reti neurali da NumPy, e imparano ad architettare sistemi invece di chiamare API.

Perché l'automazione industriale richiede AI che gira on-premise, opera senza connettività internet e prende decisioni in millisecondi.

Quando i sistemi AI addestrati su contenuto generato da AI degradano nel tempo, perdendo diversità e capacità.

Costruire sistemi Retrieval-Augmented Generation che comprendono davvero la conoscenza della tua organizzazione.

La creatività non emerge da libertà illimitata—emerge dalla navigazione intelligente dei vincoli.

Il paesaggio di loss delle reti profonde è ad alta dimensionalità, non-convesso e pieno di minimi locali. Eppure il gradient descent trova buone soluzioni.
Il blog usa solo i cookie tecnici. Se mi dai il permesso attivo anche Google Analytics, che conta in forma aggregata visite e articoli letti. Niente pubblicità, niente profilazione. La scelta vale anche per michelelaurelli.it e per la pagina del libro. I dettagli sono nella cookie policy.
Decidi tu cosa attivare. Puoi cambiare idea quando vuoi da «Preferenze cookie» in fondo alla pagina.
Un solo cookie, ml_consent, ricorda la tua scelta qui, su michelelaurelli.it e su leggi.michelelaurelli.it. Non serve ad altro e non viene condiviso con nessuno.
Google Analytics 4 di Google Ireland Ltd. Conta visite e articoli letti in forma aggregata, senza segnali pubblicitari. Cookie _ga e _ga_D429LPHJH7, durata fino a 2 anni.