Dopo aver risolto il problema della doppia GPU sul MacBook Pro 2015, mi sono accorto che qualcosa non tornava anche nella gestione della batteria. Omarchy mostrava una capacità massima di oltre 729 Wh, un valore impossibile per un portatile la cui batteria, da nuova, arrivava a circa 99 Wh. I dati letti direttamente dalla batteria erano invece coerenti: la capacità reale era di circa 55 Wh e la carica stava aumentando normalmente. Il problema era UPower, il componente che Linux utilizza per raccogliere e mostrare le informazioni sulla batteria. Una lettura anomala poteva essere memorizzata come nuova capacità massima e continuare a falsare percentuale, autonomia e stato della ricarica.

Il MacBook Pro Retina 15 pollici Mid 2015 ha due GPU: una Intel Iris Pro e una AMD Radeon R9 M370X. Con Omarchy, però, questa configurazione può trasformare sospensione e riavvio in una lotteria fatta di schermi neri, ventole sempre accese e blocchi completi. Sul mio MacBookPro11,5 ho risolto affidando schermo e desktop alla GPU Intel, facendo inizializzare la AMD dal driver radeon e spegnendola soltanto al momento giusto. Il risultato è un sistema che si avvia regolarmente, entra davvero in sospensione profonda e si risveglia con lo schermo funzionante. Con amdgpu il Mac si avviava, ma entrando nello stato S3 produceva errori, schermo nero e, in alcuni tentativi, un blocco completo. La soluzione è stata usare Intel per tutto il rendering e lasciare al driver radeon il solo compito di registrare correttamente la GPU AMD prima di spegnerla.

Lo dico da anni: fare impresa in Italia significa spesso scegliere se crescere o sopravvivere. Il sistema fiscale attuale è strutturato in modo da spingerti a restare piccolo, trasformando ogni passo avanti in un salto nel vuoto burocratico. Non serve assistenza, serve un sistema che non punisca chi ha il coraggio di produrre valore. Il regime forfettario nasce con una logica sensata: permettere alle piccole attività di iniziare senza essere immediatamente travolte da imposte e adempimenti. Il problema è ciò che accade dopo. Tra il forfettario e il regime ordinario non è stato costruito un passaggio graduale, ma uno scalino. Quando un’attività si avvicina al limite del forfettario, crescere non è più automaticamente una buona notizia. Bisogna chiedersi se il maggiore fatturato sarà sufficiente a compensare l’aumento delle imposte, degli adempimenti e dei costi di gestione.

Gli n-gram non sono una tecnologia nuova. Sono un concetto storico della modellazione del linguaggio: un n-gram è semplicemente una sequenza di N token consecutivi. Un bigramma ne contiene due, un trigramma tre, quindi in New è un bigramma mentre live in New è un trigramma. Prima dei moderni LLM gli n-gram venivano già utilizzati nei modelli statistici del linguaggio per osservare quali sequenze comparivano più frequentemente. L'idea, quindi, è vecchia; ciò che è nuovo è il modo in cui viene reinserita dentro architetture neurali moderne. Una delle implementazioni recenti più interessanti prende il nome di DeepSeek Engram, e riprende il concetto di n-gram trasformandolo in una grande memoria neurale interrogabile tramite lookup. Qwen3.8-Flash-Next porta questa idea dentro la propria architettura, dichiarando esplicitamente di essersi ispirato anche a DeepSeek Engram.

Premessa doverosa: non sono un tecnico, non ho una laurea in informatica e non sono un programmatore, nella vita faccio tutt'altro. Sono semplicemente un appassionato che ha voluto approfondire un po' il funzionamento degli LLM, e queste sono le note che mi sono scritto per fissare quello che ho capito durante lo studio. Riguardano esclusivamente la fase di inferenza, cioè cosa succede quando scriviamo un prompt e il modello genera una risposta. La fase di addestramento non viene trattata. Il documento è volutamente semplificato e alcuni concetti fondamentali come Residual Connection, Layer Normalization, Positional Encoding (RoPE), Multi-Head Attention e la distinzione tra prefill e decode vengono trattati in modo introduttivo e conto di approfondirli ulteriormente nelle prossime versioni. Se trovate errori, imprecisioni o semplificazioni eccessive, segnalatemeli pure nei commenti.

Premessa doverosa: non sono un tecnico, non ho una laurea in informatica e non sono un programmatore, nella vita faccio tutt'altro. Sono semplicemente un appassionato che ha voluto approfondire un po' il funzionamento degli LLM, e queste sono le note che mi sono scritto per fissare quello che ho capito durante lo studio. Riguardano esclusivamente la fase di inferenza, cioè cosa succede quando scriviamo un prompt e il modello genera una risposta. La fase di addestramento non viene trattata. Il documento è volutamente semplificato e, al momento, non tratta ancora alcuni concetti fondamentali come Residual Connection, Layer Normalization, Positional Encoding (RoPE), Multi-Head Attention e la distinzione tra prefill e decode, che conto di aggiungere nelle prossime versioni. Se trovate errori, imprecisioni o semplificazioni eccessive, segnalatemeli pure nei commenti.

Negli ultimi anni ho iniziato a guardare l’Europa con una preoccupazione crescente. Prima pensavo soprattutto al piano militare: per decenni ci siamo abituati alla protezione americana, quasi come se la sicurezza fosse un servizio garantito da altri. Dall’Ucraina al Medio Oriente, fino alle tensioni con l’Iran, mi sembra sempre più evidente che questo lungo sonno europeo — durato quasi ottant’anni — ci abbia tolto peso politico, autonomia strategica e capacità di incidere davvero sugli equilibri mondiali. Ma oggi mi rendo conto che forse il problema militare non è nemmeno il più grave. La nuova frontiera del potere non è fatta solo di eserciti, portaerei e missili: è fatta di intelligenza artificiale, potenza di calcolo, dati, semiconduttori, cloud e infrastrutture digitali. E su questo terreno l’Europa appare ancora più fragile. Non è che in Europa non esista nulla.