Costruzione Soppalchi in Acciaio Acquasparta

Nextalia è una società di gestione del risparmio (Sgr) fondata da Francesco Canzonieri nel 2018. Si tratta di una realtà giovane e dinamica che si occupa di investimenti nel settore immobiliare, con particolare attenzione alle opportunità offerte dal mercato italiano.

La decisione della Holding Italiana Quattordicesima, composta dai figli di Silvio Berlusconi, di investire in Nextalia è stata motivata dalla reputazione e dall’esperienza di Francesco Canzonieri nel settore degli investimenti immobiliari. Luigi, Barbara ed Eleonora Berlusconi hanno deciso di puntare su questa partnership per diversificare il proprio portafoglio e accrescere il proprio patrimonio.

Nextalia si distingue per la sua strategia di investimento mirata a valorizzare gli immobili attraverso interventi di riqualificazione e valorizzazione, con l’obiettivo di generare rendimenti interessanti per gli investitori. Grazie all’ingresso della nuova generazione Berlusconi tra i suoi investitori, Nextalia potrà beneficiare di risorse aggiuntive per sviluppare ulteriormente i propri progetti e ampliare la propria presenza sul mercato.

Questa partnership tra la nuova generazione Berlusconi e Nextalia rappresenta un importante passo verso la diversificazione degli investimenti della famiglia Berlusconi e conferma l’interesse per il settore immobiliare, considerato tradizionalmente un settore redditizio e stabile nel panorama degli investimenti.

Riorganizzare il Futuro – L’energia in Corrente Continua trasformerà il Design e le Prestazioni degli Edifici (REGISTRAZIONE)

27 Maggio 2025 – Se sei curioso sul ruolo emergente dell’energia in corrente continua (DC) negli edifici: come funziona, perché sta guadagnando terreno e dove è meglio applicata?

Allora dai un’occhiata a questa sessione educativa registrata “Riorganizzare il futuro” (scorri in basso), ospitata da Electrical Business Magazine e presentata da Bolis Ibrahim che, con oltre un decennio di esperienza nei sistemi di alimentazione in bassa tensione in corrente continua, possiede una combinazione unica di competenze in ingegneria elettrica ed esperienza nella commercializzazione della tecnologia.

Gli ingegneri elettrici, i progettisti e gli appaltatori che hanno partecipato a questa sessione hanno appreso che gli edifici moderni sono già in gran parte in corrente continua all’interno, quindi perché non portare questo concetto più avanti e ottenere maggiori efficienze eliminando conversioni inefficienti a punto di carico?

Abbiamo appreso che il 32% del nostro consumo è già in corrente continua (pensa ai telefoni, laptop, veicoli elettrici – qualsiasi cosa con una batteria), e ci si aspetta che tale percentuale cresca al 74% entro il 2030.

La sessione di Bolis ha trattato la distribuzione in Classe 2 a bassa tensione (fino a 60 V, 100 W), la conversione di potenza da CA a CC centralizzata rispetto a decentralizzata, i sistemi di alimentazione in Classe 4 gestiti dai guasti (fino a 450 VCC) e altro ancora.

Gli argomenti trattati includevano:

• Distribuzione di energia in corrente continua rispetto a distribuzione in corrente alternata (sotto i 600 V)
  • Il passaggio verso i carichi in corrente continua: Perché gli edifici moderni sono già in gran parte in corrente continua all’interno
• Classe 2, distribuzione a bassa tensione (fino a 60 V, 100 W)
  • Conversione di potenza da CA a CC centralizzata rispetto a decentralizzata
  • Studio di caso sull’illuminazione
    • UL 2108 “Sistemi di illuminazione a bassa tensione”
    • UL 916 “Apparecchiature per la gestione dell’energia”
• Sistemi di alimentazione in Classe 4 gestiti dai guasti (fino a 450 VCC)
  • Applicazioni: telecomunicazioni e centri dati
  • Codice e certificazioni di sicurezza elettrica
    • Articolo NEC 726 “Sistemi di alimentazione in Classe 4 gestiti dai guasti”
    • Standard CSA (in arrivo)
    • UL 1400-1 “Schema di indagine per sistemi di alimentazione in Classe 4 gestiti dai guasti, Parte 1: requisiti di sicurezza” e UL 1400-2 “Schema di indagine per sistemi di alimentazione in Classe 4 gestiti dai guasti, Parte 2: requisiti per i cavi”

GUARDA LA REGISTRAZIONE:

[youtube https://www.youtube.com/watch?v=Fpgla00hTac?feature=oembed&w=550&h=309]

Il nostro esperto in materia

Questa sessione educativa è stata condotta da Bolis Ibrahim, presidente di Cence Power, un innovatore nei sistemi di distribuzione di energia in corrente continua avanzata, con un focus sui sistemi di alimentazione in Classe 2 a bassa tensione e in Classe 4 gestiti dai guasti.

Con oltre un decennio di esperienza nei sistemi di alimentazione in corrente continua a bassa tensione, Bolis possiede una combinazione unica di competenze in ingegneria elettrica ed esperienza nella commercializzazione della tecnologia.

Si è laureato presso l’Università Ryerson (Metropolitan) con una laurea in Ingegneria Elettrica ed Elettronica. Il team che guida presso Cence Power sta contribuendo a guidare una nuova generazione di infrastrutture basate su corrente continua che migliorano la sicurezza, riducono il consumo energetico e semplificano la distribuzione di energia negli edifici.

La decisione di riprendere la costruzione del grattacielo è stata presa dopo che il governo cinese ha annunciato nuove politiche per sostenere lo sviluppo urbano e l’edilizia. Il progetto, una volta completato, includerà uffici, hotel e spazi commerciali, diventando un’icona architettonica nella skyline di Tianjin.

Il Goldin Finance 117 è progettato per resistere ai terremoti e agli eventi climatici estremi, utilizzando tecnologie all’avanguardia per garantire la sicurezza degli occupanti. La sua struttura imponente e moderna attirerà sicuramente l’attenzione di turisti e investitori, contribuendo alla crescita economica della regione.

La ripresa della costruzione di questo grattacielo simboleggia la determinazione della Cina nel continuare a svilupparsi e a innovare nel settore dell’edilizia, dimostrando al mondo la propria capacità di realizzare progetti ambiziosi e di alto livello tecnologico.

Tooey Courtemanche, the co-founder, president, and CEO of Procore Technologies, announced on March 10 that he will be stepping aside from his role as CEO. Procore is a construction management software company that Courtemanche co-founded in 2003. The decision for Courtemanche to step aside comes as Procore prepares for its next phase of growth and expansion.

During his tenure as CEO, Courtemanche has led Procore through significant growth, turning it into a billion-dollar company with a global presence. Under his leadership, Procore has become a leading provider of construction management software, used by construction professionals around the world.

As Courtemanche transitions out of the CEO role, the company’s board of directors is actively searching for a new leader to take Procore to the next level. Courtemanche will continue to be involved with the company in a different capacity, focusing on innovation and strategic initiatives.

The search for a new CEO is a crucial step for Procore as it looks to continue its growth trajectory and expand its market reach. The company is committed to finding a leader who can build on the foundation laid by Courtemanche and drive Procore to new heights in the construction technology industry.

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.