MIT offre 12 libri su AI e ML (GRATIS DA SCARICARE): 1. Fondamenti di Machine Learning 2. Comprendere il Deep Learning 3. Algoritmi per ML 4. Apprendimento per rinforzo 5. Introduzione ai sistemi di Machine Learning 6. Deep Learning 7. Apprendimento per rinforzo distribuzionale 8. Apprendimento per rinforzo multi-agente 9. Agenti nel lungo termine dell'AI 10. Equità e Machine Learning Stai pagando $50.000/anno per corsi di ML che sono disponibili gratuitamente su internet. Aggiungi ai segnalibri. Condividilo.

🚨 NOTIZIA DELL'ULTIMA ORA: Un ricercatore di Google e un vincitore del premio Turing hanno appena pubblicato un documento che espone la vera crisi nell'IA. Non è l'addestramento. È l'inferenza. E l'hardware che stiamo usando non è mai stato progettato per questo. Il documento è di Xiaoyu Ma e David Patterson. Accettato da IEEE Computer, 2026. Nessun clamore. Nessun lancio di prodotto. Solo un'analisi fredda del perché servire LLM è fondamentalmente rotto a livello hardware. L'argomento principale è brutale: → I FLOPS delle GPU sono cresciuti 80 volte dal 2012 al 2022 → La larghezza di banda della memoria è cresciuta solo 17 volte nello stesso periodo → I costi dell'HBM per GB stanno aumentando, non diminuendo → La fase di decodifica è limitata dalla memoria, non dal calcolo → Stiamo costruendo l'inferenza su chip progettati per l'addestramento Ecco la parte più incredibile: OpenAI ha perso circa 5 miliardi di dollari su 3,7 miliardi di dollari di entrate. Il collo di bottiglia non è la qualità del modello. È il costo di servire ogni singolo token a ogni singolo utente. L'inferenza sta prosciugando queste aziende. E cinque tendenze stanno rendendo tutto peggio simultaneamente: → Modelli MoE come DeepSeek-V3 con 256 esperti che esplodono la memoria → Modelli di ragionamento che generano enormi catene di pensiero prima di rispondere → Input multimodali (immagine, audio, video) che sovrastano il testo → Finestre di contesto lunghe che mettono a dura prova le cache KV → Pipeline RAG che iniettano più contesto per richiesta Le loro quattro proposte di cambiamento hardware: → Flash ad alta larghezza di banda: stack da 512 GB con larghezza di banda a livello HBM, 10 volte più memoria per nodo → Elaborazione vicino alla memoria: circuiti logici posizionati accanto alla memoria, non sullo stesso chip → Impilamento 3D memoria-logica: connessioni verticali che forniscono 2-3 volte meno potenza rispetto all'HBM → Interconnessione a bassa latenza: meno salti, calcolo in rete, buffer di pacchetti SRAM Le aziende che hanno provato chip solo SRAM come Cerebras e Groq hanno già fallito e hanno dovuto aggiungere di nuovo DRAM. Questo documento non vende un prodotto. Mappa l'intero collo di bottiglia hardware e dice: l'industria sta risolvendo il problema sbagliato. Documento pubblicato a gennaio 2026. Link nel primo commento 👇

ULTIME NOTIZIE: Qualcuno ha appena rilasciato l'ultimissimo toolkit per startup gratuitamente. Si chiama Founders Kit e contiene ogni risorsa di cui un fondatore ha bisogno per passare dall'idea all'IPO. Saggi di Paul Graham. Corsi di YC. Esempi di pitch deck. Guide per la raccolta fondi. Oltre 200 strumenti tra design, analisi, automazione e marketing. Nessun paywall. Nessun gate della newsletter. Niente BS. 100% Open Source.