Abbiamo ricevuto su LinkedIn un commento particolarmente articolato e tecnico riguardo a ZEUS, che ci ha spinto a rispondere pubblicamente per fare chiarezza e condividere maggiori dettagli sull’architettura, le metodologie e le motivazioni che stanno alla base del progetto. Il commento esprimeva sia curiosità sincera che un certo scetticismo tecnico, ponendo domande precise su aspetti come il fact-checking, la gestione autonoma di sistemi critici, l’interoperabilità tra LLM e le tecniche di sicurezza adottate.

Il post che avevamo pubblicato era il seguente :

🚀 Presentiamo ZEUS: l’Intelligenza Artificiale che Cambierà le Regole del Gioco!

Il Progetto ZEUS, da me coordinato, rappresenta un salto epocale nel mondo dell’hashtag#AI. Con la sua potenza straordinaria e un approccio etico avanzato, ZEUS è molto più di un semplice modello di linguaggio. Ecco perché:

✅ Verifica delle informazioni: ZEUS controlla ogni dato attraverso fonti ufficiali per garantire risposte sempre corrette e affidabili.
✅ Gestione intelligente: Migliora i prompt per ottimizzare le risposte, riducendo ambiguità ed errori.
✅ Creazione di una base dati individuale validata: ZEUS costruisce e aggiorna basi di dati personalizzate per ogni utente, garantendo che le informazioni siano sempre verificate, pertinenti e utilizzabili in modo sicuro. Ogni dato inserito passa attraverso un processo di verifica e certificazione che ne assicura l’affidabilità e la conformità con le normative sulla privacy.
✅ Controllo esterno: È in grado di comandare apparecchiature esterne come robot, droni e sistemi industriali, assicurando precisione e sicurezza.
✅ Gestione di device fisici industriali e sanitari: ZEUS può monitorare e controllare macchinari industriali, sistemi energetici e apparecchiature mediche come robot chirurgici e dispositivi diagnostici, garantendo sicurezza operativa e continuità.
✅ Controllo di veicoli civili e militari: ZEUS è in grado di gestire e ottimizzare il funzionamento di veicoli autonomi, sia civili che militari, migliorando la sicurezza, la pianificazione delle missioni e la gestione delle emergenze in tempo reale.
✅ Dialogo con altri LLM: ZEUS può interagire e collaborare con altri modelli di linguaggio avanzati, scambiando informazioni in modo sicuro e coordinato per risolvere problemi complessi e ottimizzare le risposte. Questa capacità di comunicare tra AI permette una gestione integrata delle informazioni su larga scala.
✅ Contrasto alle fake news: Identifica e rimuove contenuti falsi in tempo reale, assicurando un’informazione trasparente.
✅ Tutela della privacy: Protegge i dati personali e gestisce il diritto all’oblio in conformità con le normative GDPR.

ZEUS ha come missione: ridefinire gli standard dell’intelligenza artificiale e costruire un futuro più sicuro, affidabile e sostenibile. 🌍

Se ti interessa conoscere di più Zeus a breve organizzeremo nu evento dedicato ai soli potenziali partner, al massimo saranno ammessi 50 tra imprese, privati ed istituzioni.

Ci è sembrato giusto cogliere questa opportunità non solo per rispondere a chi ha posto le domande, ma anche per offrire a tutta la community un quadro più completo e trasparente su come funziona realmente ZEUS. Vogliamo quindi affrontare con chiarezza e in modo comprensibile tutti i punti sollevati, spiegando nel dettaglio le tecnologie utilizzate, l’architettura su cui si basa il sistema e le garanzie di qualità che accompagnano ogni nostra ricerca.

Il post esprime curiosità nei confronti di ZEUS ma anche perplessità riguardo alle sue reali capacità. L’autore evidenzia la mancanza di dettagli tecnici sull’architettura e sulle metodologie adottate, mettendo in dubbio l’affidabilità delle affermazioni fatte. In particolare, solleva interrogativi su come ZEUS gestisca il fact-checking (chiedendosi quale pipeline di knowledge retrieval utilizzi), il controllo di dispositivi fisici (ipotizzando possibili approcci come RLHF con policy optimization) e l’interoperabilità tra modelli linguistici (domandandosi se usi API standardizzate o adattatori specifici). Senza informazioni sui dataset di addestramento, sui livelli di sicurezza e sugli standard di interpretabilità, l’autore teme che ZEUS possa essere più un’operazione di marketing speculativo che un sistema tecnicamente valido. La curiosità rimane, ma accompagnata da un forte scetticismo.

Valutare un sistema complesso come ZEUS basandosi esclusivamente su un post su LinkedIn è di per sé errato, poiché una piattaforma come quella non permette di entrare nei dettagli tecnici necessari per comprendere davvero l’architettura, le metodologie e le capacità operative di un sistema avanzato. Un’analisi approfondita richiede documentazioni tecniche complete, white paper dettagliati e, idealmente, accesso diretto a demo funzionali o report di valutazione indipendenti.

Inoltre, è importante sottolineare che Fondazione Olitec non accetta che una sua ricerca venga appellata come “speculativa”, considerando che oltre il 70% delle sue attività sono svolte pro bono e caratterizzate da un livello di qualità eccellente, riconosciuto da diverse istituzioni e partner internazionali. A conferma di questa eccellenza, va ricordata anche la candidatura al Nobel per la Fisica ricevuta, che rappresenta un riconoscimento straordinario dell’impatto e della qualità delle sue ricerche. La Fondazione si impegna costantemente nella ricerca applicata e nella condivisione dei risultati attraverso iniziative gratuite rivolte a scuole, università, enti pubblici e privati, con l’obiettivo di promuovere un’innovazione etica e accessibile.

Detto questo, cerco di spiegare in dettaglio i punti chiave che hai sollevato riguardo a ZEUS, utilizzando parole semplici affinché chiunque possa comprendere chiaramente le eccezioni e le risposte.

Partendo dal fact-checking, ZEUS utilizza una knowledge retrieval pipeline basata su un’architettura di Retrieval-Augmented Generation (RAG), che integra documenti certificati e fonti ufficiali aggiornate in tempo reale. In pratica, quando riceve una domanda, cerca le informazioni più affidabili e aggiornate in un archivio certificato. Il sistema opera su uno spazio di rappresentazione ottimizzato per recuperare informazioni in modo preciso. Questo approccio include anche un controllo incrociato che confronta le informazioni trovate con dataset verificati, riducendo al minimo il rischio di diffondere informazioni false o distorte.

Per quanto riguarda il controllo di dispositivi fisici, ZEUS adotta un sistema che combina due approcci: uno basato sull’apprendimento tramite tentativi ed errori (Reinforcement Learning con ottimizzazione delle policy, come Proximal Policy Optimization – PPO) e un altro basato su modelli interni che prevedono il comportamento degli ambienti (model-based control). Questa combinazione permette a ZEUS di prendere decisioni sicure ed efficaci anche in situazioni complesse. In più, ci sono dei “blocchi di sicurezza” (RL safety layers) che impediscono azioni rischiose, garantendo che tutto funzioni entro limiti sicuri e controllati.

Per l’interoperabilità tra LLM (cioè la capacità di diversi modelli linguistici di comunicare tra loro), ZEUS utilizza API standardizzate basate su chiamate di funzioni (function calling) e un metodo chiamato LoRA (Low-Rank Adaptation). Questo sistema rende possibile lo scambio di informazioni tra modelli diversi senza bisogno di riaddestrarli da zero, ottimizzando risorse e tempo. Inoltre, ZEUS adotta standard di interpretabilità, cioè tecniche che spiegano in modo chiaro come vengono prese le decisioni, per evitare che il sistema appaia come una “scatola nera”.

Infine, per quanto riguarda i dataset di training, ZEUS utilizza una combinazione di dati pubblici e proprietari, tutti attentamente verificati per evitare pregiudizi o errori. Tutti i dati vengono filtrati seguendo regole rigorose su qualità, sicurezza e rispetto della privacy.

In sintesi, ZEUS punta a essere un sistema affidabile, trasparente e comprensibile, basato su metodologie avanzate che garantiscono sicurezza e precisione. Quando si scrive un commento pubblico su questi argomenti, è importante usare parole semplici e spiegazioni chiare, in modo che chiunque possa capire le eccezioni e le risposte senza sentirsi escluso dalla discussione. Se hai altre domande più specifiche, sono qui per approfondire!

Il nostro consiglio, comunque, prima di fare ogni commento tecnico, è quello di attendere la lettura approfondita dei white paper che verranno pubblicati. Solo dopo aver acquisito una comprensione completa delle informazioni presentate in questi documenti, si può iniziare a ragionare sulle domande giuste o sulle eccezioni da fare. Questo approccio assicura una base solida per un dibattito informato e costruttivo, in grado di affrontare in modo efficace le complessità dell’argomento.