Costruzione Capannoni in Acciaio Villanova del Sillaro

L’arte urbana è spesso sottovalutata, ma la sua influenza sul paesaggio cittadino è evidente per chiunque abbia occhi per vedere. In questo articolo esploreremo il mondo affascinante della scultura urbana e come gli edifici stessi possono trasformarsi in opere d’arte che catturano l’immaginazione e ispirano riflessioni profonde. Benvenuti a “Scultura Urbana: Quando gli Edifici Diventano Arte”.

Scultura Urbana: Definizione e Origini

La scultura urbana è un’arte che trasforma il paesaggio urbano, rendendo gli edifici stessi delle opere d’arte. Questa forma di espressione artistica si integra perfettamente nella vita quotidiana delle persone, regalando colori, forme e significati nuovi a spazi che altrimenti sarebbero anonimi.Le origini della scultura urbana risalgono all’antichità, quando le civiltà greche e romane impreziosivano le loro città con statue e rilievi scolpiti in pietra. Tuttavia, è nel periodo contemporaneo che la scultura urbana ha acquisito nuove dimensioni, diventando una forma d’arte sempre più diffusa e apprezzata.Attraverso l’utilizzo di materiali innovativi come il metallo, il vetro e il cemento, gli artisti contemporanei creano opere che si fondono perfettamente con l’ambiente urbano, conferendo alle città un’atmosfera unica e suggestiva. Le tematiche affrontate spaziano dalla natura alla società, dalla storia all’attualità, offrendo ai cittadini spunti di riflessione e di meraviglia.Le opere di scultura urbana possono assumere forme diverse: dalla monumentale installazione in una piazza alla piccola scultura incastonata in un muro, ogni creazione contribuisce a definire l’identità della città e a arricchire l’esperienza estetica dei suoi abitanti. Grazie alla sua capacità di comunicare concetti complessi in modo diretto ed emozionante, la scultura urbana si configura come una forma d’arte accessibile e coinvolgente per tutti.

L’Influenza della Scultura Urbana sull’Ambiente Urbano

Materiali e Tecniche più Utilizzati nella Scultura Urbana

In ambito urbano, la scultura si presenta come un elemento di grande impatto visivo, capace di trasformare gli spazi cittadini in vere e proprie opere d’arte a cielo aperto. Gli artisti che si dedicano alla scultura urbana utilizzano una vasta gamma di materiali e tecniche per creare opere che si integrano armoniosamente nell’ambiente circostante.Uno dei materiali più utilizzati nella scultura urbana è il metal, che consente agli artisti di creare opere di grande impatto visivo e resistenza. Il metallo può essere plasmato e modellato in diverse forme, consentendo la realizzazione di sculture di varie dimensioni e complessità. Oltre al metallo, anche la pietra è un materiale ampiamente utilizzato nella scultura urbana, grazie alla sua durabilità e alla possibilità di creare dettagli finemente lavorati.Le tecniche utilizzate nella scultura urbana spaziano dalle più tradizionali, come la scultura a bassorilievo e altorilievo, alle più moderne come la scultura cinetica e la scultura ambientale. Queste ultime permettono agli artisti di creare opere dinamiche e interattive, che coinvolgono il pubblico e si integrano completamente nello spazio circostante.Altri materiali comunemente utilizzati nella scultura urbana sono il legno, la ceramica e il polistirolo, che offrono agli artisti la possibilità di sperimentare forme e consistenze diverse. Oltre ai materiali tradizionali, sempre più artisti si stanno dedicando alla scultura digitale, utilizzando software avanzati per creare opere tridimensionali che possono essere realizzate con stampanti 3D.In sintesi, la scultura urbana rappresenta un’importante forma d’arte che trasforma gli spazi cittadini, arricchendoli di creatività e bellezza. Grazie all’utilizzo di materiali e tecniche diversi, gli artisti sono in grado di creare opere uniche e suggestive che arricchiscono il tessuto urbano e stimolano la creatività e l’immaginazione di chi le osserva.

Come Promuovere e Preservare l’Arte della Scultura Urbana

L’arte della scultura urbana è un mezzo potente per trasformare lo spazio pubblico e arricchire la vita delle comunità. Per promuovere e preservare questa forma d’arte, è importante coinvolgere attivamente gli artisti e la popolazione locale.Ecco alcuni modi per promuovere e preservare l’arte della scultura urbana:

• • Organizzare eventi e festival dedicati alla scultura urbana per sensibilizzare il pubblico e creare un ambiente favorevole alla creazione artistica.

• • Collaborare con enti pubblici e privati per finanziare progetti artistici e garantire la manutenzione delle opere nel tempo.

• • Creare percorsi artistici e mappe interattive per guidare i visitatori alla scoperta delle sculture urbane presenti nella città.

Un esempio di successo è la città di Bristol, nel Regno Unito, nota per la sua vivace scena di street art e scultura urbana.

Preservare l’arte della scultura urbana significa anche proteggere le opere dalle vandalizzazioni e dall’abbandono. È importante coinvolgere la comunità nel processo di tutela e valorizzazione del patrimonio artistico della città.In conclusione, promuovere e preservare l’arte della scultura urbana richiede un impegno costante da parte di artisti, istituzioni e cittadini. Solo così potremo garantire che gli edifici non siano solo strutture concrete, ma vere e proprie opere d’arte che arricchiscono il tessuto urbano.**

In Conclusione

Grazie per averci accompagnato in questo viaggio alla scoperta della scultura urbana e del suo impatto sulla nostra percezione dello spazio cittadino. Speriamo che quest’articolo abbia ispirato la vostra curiosità e il vostro interesse per l’arte pubblica, trasformando i nostri edifici in vere e proprie opere d’arte a cielo aperto.Continuate a esplorare e ad apprezzare la bellezza che ci circonda, trovando ispirazione nelle forme e nei colori che rendono le nostre città unici e vibranti. Alla prossima, con nuove scoperte e nuove emozioni da condividere insieme. Grazie e arrivederci!

Freddy il Robot Era il Capro Espiatorio per l’AI Britannica

Scopri FREDERICK Mark 2, il Robot Amichevole per l’Educazione, la Discussione e l’Intrattenimento, il Recupero di Informazioni e la Raccolta di Conoscenze, meglio conosciuto come Freddy II. Questo notevole robot poteva assemblare un semplice modello di auto da un assortimento di pezzi gettati nel suo spazio di lavoro. I suoi occhi a videocamera e la mano a pinza identificavano e ordinavano i pezzi individuali prima di assemblare il prodotto finale desiderato. Ma gli spettatori dovevano essere pazienti. L’assemblaggio richiedeva circa 16 ore, e questo dopo un giorno o due di “apprendimento” e programmazione.

Freddy II fu completato nel 1973 come uno dei robot di ricerca sviluppati da Donald Michie e il suo team presso l’Università di Edimburgo durante gli anni ’60 e ’70. I robot divennero il fulcro di un acceso dibattito sul futuro dell’AI nel Regno Unito. Michie alla fine perse, i suoi finanziamenti furono ridotti drasticamente e l’inverno dell’AI che ne seguì rallentò la ricerca nel campo nel Regno Unito per un decennio.

Perché sono stati costruiti i robot Freddy I e II?

Nel 1967, Donald Michie, insieme a Richard Gregory e Hugh Christopher Longuet-Higgins, fondò il Dipartimento di Intelligenza Artificiale e Percezione presso l’Università di Edimburgo con l’obiettivo a breve termine di sviluppare un robot semiautomatico e poi una visione a lungo termine di programmare “sistemi cognitivi integrati”, o ciò che altre persone potrebbero chiamare robot intelligenti. In quel periodo, la Defense Advanced Research Projects Agency degli Stati Uniti e l’Istituto di Sviluppo dell’Utilizzo del Computer del Giappone stavano entrambi considerando piani per creare fabbriche completamente automatizzate entro un decennio. Il team di Edimburgo pensò che dovrebbero partecipare anche loro all’azione.

Due anni dopo, Stephen Salter e Harry G. Barrow si unirono a Michie e iniziarono a lavorare su Freddy I. Salter ideò l’hardware mentre Barrow progettò e scrisse il software e l’interfacciamento del computer. Il robot semplice risultante funzionava, ma era rudimentale. La ricercatrice di AI Jean Hayes (che avrebbe sposato Michie nel 1971) si riferì a questa iterazione di Freddy come una “Lady of Shalott artritica”.

Freddy I era composto da un braccio robotico, una telecamera, un set di ruote e alcuni paraurti per rilevare gli ostacoli. Invece di vagare liberamente, rimaneva fermo mentre una piccola piattaforma si muoveva sotto di esso. Barrow sviluppò un programma adattabile che consentiva a Freddy I di riconoscere oggetti irregolari. Nel 1969, Salter e Barrow pubblicarono su Machine Intelligence i loro risultati, “Design of Low-Cost Equipment for Cognitive Robot Research”, che includeva suggerimenti per la prossima iterazione del robot.

Il Rapporto Lighthill Distrugge Freddy il Robot

E poi cosa è successo? Molto. Ma prima di entrare in tutto questo, permettimi di dire che raramente io, come storico, ho il lusso di avere i miei soggetti chiaramente articolare gli obiettivi dei loro progetti, immaginare il futuro e poi, anni dopo, riflettere sulle loro esperienze. Come ciliegina sulla torta di questa delizia dello storico, l’argomento in questione – l’intelligenza artificiale – è di interesse attuale per praticamente tutti.

Come molte storie affascinanti di tecnologia, gli eventi si basano su una sana dose di litigi professionali. In questo caso, i contendenti erano Michie e il matematico applicato James Lighthill, che avevano idee drasticamente diverse sulla direzione della ricerca robotica. Lighthill favoriva la ricerca applicata, mentre Michie era più interessato alle possibilità teoriche ed sperimentali. La loro lotta è rapidamente aumentata, è diventata pubblica con un dibattito televisivo sulla BBC e si è conclusa con la fine di un intero campo di ricerca in Gran Bretagna.

Nuovo Modello di Intelligenza Artificiale Avanza il “Problema dei Baci” e Altro

C’è un concetto matematico chiamato il numero di contatto. Un po’ deludente, non ha nulla a che fare con i baci veri. Enumera quanti sfere possono toccare (o “baciare”) una singola sfera di dimensioni uguali senza attraversarla. In una dimensione, il numero di contatto è 2. In due dimensioni, è 6 (pensa alla configurazione del puzzle di The New York Times del bee spelling). Man mano che il numero di dimensioni cresce, la risposta diventa meno ovvia: per la maggior parte delle dimensionalità oltre 4, sono noti solo limiti superiori e inferiori sul numero di contatto. Ora, un agente di intelligenza artificiale sviluppato da Google DeepMind chiamato AlphaEvolve ha dato il suo contributo al problema, aumentando il limite inferiore sul numero di contatto in 11 dimensioni da 592 a 593.

Questo potrebbe sembrare un miglioramento incrementale del problema, specialmente considerando che il limite superiore sul numero di contatto in 11 dimensioni è 868, quindi l’intervallo sconosciuto è ancora piuttosto ampio. Ma rappresenta una nuova scoperta matematica da parte di un agente di intelligenza artificiale e mette in discussione l’idea che i grandi modelli linguistici non siano capaci di contributi scientifici originali.

E questo è solo un esempio di ciò che AlphaEvolve ha realizzato. “Abbiamo applicato AlphaEvolve a una serie di problemi aperti nella matematica della ricerca, e abbiamo scelto deliberatamente problemi da diverse parti della matematica: analisi, combinatoria, geometria”, dice Matej Balog, un ricercatore di DeepMind che ha lavorato al progetto. Hanno scoperto che per il 75 percento dei problemi, il modello di intelligenza artificiale ha replicato la soluzione ottimale già conosciuta. Nel 20 percento dei casi, ha trovato un nuovo ottimo che superava qualsiasi soluzione conosciuta. “Ogni singolo caso del genere è una nuova scoperta”, dice Balog. (Nei restanti 5 percento dei casi, l’intelligenza artificiale ha convergito su una soluzione peggiore rispetto a quella ottimale conosciuta).

Il modello ha anche sviluppato un nuovo algoritmo per la moltiplicazione di matrici, l’operazione alla base di gran parte dell’apprendimento automatico. Una versione precedente del modello di intelligenza artificiale di DeepMind, chiamata AlphaTensor, aveva già superato il precedente algoritmo migliore conosciuto, scoperto nel 1969, per la moltiplicazione di matrici 4×4. AlphaEvolve ha trovato una versione più generale di quell’algoritmo migliorato.

Il modello AlphaEvolve di DeepMind ha apportato miglioramenti a diversi problemi pratici presso Google.Google DeepMind

Oltre alla matematica astratta, il team ha applicato il loro modello a problemi pratici che Google come azienda affronta ogni giorno. L’intelligenza artificiale è stata utilizzata anche per ottimizzare l’orchestrazione dei data center per ottenere un miglioramento del 1 percento, per ottimizzare il design della prossima unità di elaborazione tensoriale di Google e per scoprire un miglioramento a un kernel utilizzato nella formazione di Gemini che ha portato a una riduzione del 1 percento del tempo di formazione.

“È molto sorprendente che si possano fare così tante cose diverse con un unico sistema”, dice Alexander Novikov, un ricercatore senior di DeepMind che ha anche lavorato su AlphaEvolve.

Come Funziona AlphaEvolve

AlphaEvolve è così generale perché può essere applicato a quasi ogni problema che può essere espresso come codice e che può essere verificato da un altro pezzo di codice. L’utente fornisce un primo tentativo del problema, un programma che risolve il problema in questione, anche se in modo subottimale, e un programma verificatore che controlla quanto bene un pezzo di codice soddisfa i criteri richiesti.

Successivamente, un grande modello linguistico, in questo caso Gemini, propone altri programmi candidati per risolvere lo stesso problema, e ognuno viene testato dal verificatore. Da lì, AlphaEvolve utilizza un algoritmo genetico in modo che i “più adatti” delle soluzioni proposte sopravvivano ed evolvano alla generazione successiva. Questo processo si ripete finché le soluzioni smettono di migliorare.

AlphaEvolve utilizza un insieme di grandi modelli linguistici Gemini in congiunzione con un codice di valutazione, il tutto orchestrato da un algoritmo genetico per ottimizzare un pezzo di codice.Google DeepMind

“I grandi modelli linguistici sono arrivati, e abbiamo iniziato a chiederci se è il caso che aggiungano solo ciò che è nei dati di addestramento, o se possiamo effettivamente usarli per scoprire qualcosa di completamente nuovo, nuovi algoritmi o nuove conoscenze”, dice Balog. Questa ricerca, sostiene Balog, dimostra che “se si utilizzano i grandi modelli linguistici nel modo giusto, allora si può, in un senso molto preciso, ottenere qualcosa di provabilmente nuovo e provabilmente corretto sotto forma di un algoritmo.”

AlphaEvolve proviene da una lunga linea di modelli di DeepMind, risalendo ad AlphaZero, che ha stupito il mondo imparando a giocare a scacchi, Go e altri giochi meglio di qualsiasi giocatore umano senza utilizzare alcuna conoscenza umana, solo giocando e utilizzando il reinforcement learning per padroneggiarlo. Un’altra intelligenza artificiale risolutrice di problemi matematici basata sul reinforcement learning, AlphaProof, ha ottenuto un risultato di medaglia d’argento alla Olimpiade Internazionale di Matematica 2024.

Tuttavia, per AlphaEvolve, il team si è discostato dalla tradizione del reinforcement learning a favore dell’algoritmo genetico. “Il sistema è molto più semplice”, dice Balog. “E questo ha conseguenze, è molto più facile da configurare su una vasta gamma di problemi.”

Il (Assolutamente Non Spaventoso) Futuro

Il team dietro AlphaEvolve spera di evolvere il loro sistema in due modi.

Prima di tutto, vogliono applicarlo a una gamma più ampia di problemi, inclusi quelli nelle scienze naturali. Per perseguire questo obiettivo, stanno pianificando di aprire un programma di accesso anticipato per accademici interessati a utilizzare AlphaEvolve nella loro ricerca. Potrebbe essere più difficile adattare il sistema alle scienze naturali, poiché la verifica delle soluzioni proposte potrebbe essere meno diretta. Ma, dice Balog, “Sappiamo che nelle scienze naturali ci sono molti simulatori per diversi tipi di problemi, e quindi quelli possono essere utilizzati anche all’interno di AlphaEvolve. E siamo, in futuro, molto interessati ad ampliare il campo in questa direzione.”

In secondo luogo, vogliono migliorare il sistema stesso, forse accoppiandolo con un altro progetto di DeepMind: il coscientista di intelligenza artificiale. Questa intelligenza artificiale utilizza anche un LLM e un algoritmo genetico, ma si concentra sulla generazione di ipotesi in linguaggio naturale. “Sviluppano queste idee e ipotesi di alto livello”, dice Balog. “Incorporare questo componente in sistemi simili ad AlphaEvolve, credo, ci permetterà di raggiungere livelli più elevati di astrazione.”

Queste prospettive sono entusiasmanti, ma per alcuni potrebbero anche sembrare minacciose: ad esempio, l’ottimizzazione di AlphaEvolve della formazione di Gemini potrebbe essere vista come l’inizio di un’intelligenza artificiale che si auto-migliora in modo ricorsivo, il che alcuni temono potrebbe portare a un’esplosione di intelligenza incontrollata nota come la singolarità. Il team di DeepMind sostiene che non è questo il loro obiettivo, ovviamente. “Siamo entusiasti di contribuire all’avanzamento dell’intelligenza artificiale a vantaggio dell’umanità”, dice Novikov.

L’amministratore delegato di Generali, Philippe Donnet, ha dichiarato che con la joint venture con Natixis non saranno dipendenti dai francesi. Donnet ha espresso fiducia nella conferma di Bradford, attuale CEO di Generali, per un decennio.La joint venture con Natixis è stata annunciata come parte della strategia di Generali per rafforzare la propria presenza nel settore assicurativo e finanziario. Questa partnership permetterà a entrambe le società di beneficiare delle rispettive competenze e di ampliare la propria offerta di prodotti e servizi.Donnet ha sottolineato l’importanza di mantenere l’indipendenza di Generali e di garantire la continuità nella leadership aziendale. Ha inoltre evidenziato l’importanza di una gestione a lungo termine per assicurare la stabilità e il successo dell’azienda.La conferma di Bradford come CEO per un decennio rappresenterebbe una scelta strategica per Generali, garantendo continuità e stabilità nella gestione aziendale. Donnet ha espresso fiducia nelle capacità di Bradford e nella sua leadership per guidare Generali verso il successo nel futuro.

Il divieto del terzo mandato per i presidenti di Regione è un principio fondamentale che vincola i legislatori regionali

Con la sentenza del 15 maggio 2025, n. 64, la Corte Costituzionale ha sancito l’incostituzionalità dell’articolo 1 della legge della Regione Campania n. 16/2024, in particolar modo per quanto riguarda il passaggio finalizzato ad escludere i mandati svolti prima della sua entrata in vigore dal computo utile per la ricandidabilità. La disposizione contestata mirava a rendere possibile una nuova candidatura del presidente uscente, nonostante questi avesse già esaurito i due mandati consecutivi previsti, di fatto aggirando il divieto imposto a livello nazionale. Il ricorso era stato promosso dalla Presidenza del Consiglio dei ministri, invocando il contrasto con l’art. 122, primo comma, della Costituzione, e con la legge n. 165/2004 che vieta una terza elezione consecutiva.

La decisione della Corte Costituzionale: vincoli e principi inderogabili

Nel pronunciarsi sul caso, la Consulta ha ribadito che il limite dei due mandati consecutivi rappresenta un principio inderogabile del sistema elettorale regionale. Si tratta di una norma che ha valore immediato, non subordinato a scelte legislative delle Regioni. Tale limite, ha spiegato la Corte, garantisce l’equilibrio tra potere esecutivo e rappresentanza, assicurando condizioni di parità tra i candidati, trasparenza nella competizione e alternanza democratica. Per questo motivo, ogni tentativo di modificare retroattivamente il conteggio dei mandati è incostituzionale. Inoltre, la Corte ha sottolineato che l’autonomia statutaria delle Regioni (art. 123 Cost.) non comprende la possibilità di disciplinare l’elettorato passivo in deroga ai principi generali del sistema elettorale nazionale. Né può valere, ha aggiunto, il precedente silenzio dello Stato su casi simili come giustificazione per introdurre regole difformi.

Implicazioni per il sistema delle autonomie

La decisione si inserisce nel solco di un modello elettorale regionale coordinato, in cui l’autonomia legislativa delle Regioni trova un limite preciso nei principi generali fissati dal legislatore statale. Con questa sentenza, la Corte blocca qualsiasi tentativo di azzeramento dei mandati precedenti a fini elettorali, escludendo di fatto una terza corsa per i Presidenti che hanno già completato due mandati consecutivi. Il pronunciamento rappresenta un segnale netto per tutte le Regioni: l’equilibrio tra stabilità amministrativa e dinamismo democratico va preservato, senza lasciare spazio a interventi su misura per singoli casi.

>> IL TESTO INTEGRALE DELLA SENTENZA DELLA CORTE COSTITUZIONALE DEL 15 MAGGIO 2025, n. 64.

>> IL COMUNICATO DI SINTESI REDATTO DALLA CONSULTA .