Come preferisci leggerla?
Stessa edizione, spiegata senza gergo — e altrettanto fedele. Non è un riassunto sbrigativo: un controllo indipendente verifica che la versione divulgativa resti fedele all'originale, senza perdere né alterare nulla.
Anthropic deposita in via confidenziale la richiesta di IPO dopo un round Series H da 65 miliardi a una valutazione di 965 miliardi
Meno di una settimana dopo aver chiuso uno dei più grandi round privati mai realizzati, Anthropic presenta alla SEC la documentazione riservata per la quotazione. Per la prima volta supera la valutazione di OpenAI.
Lunedì 1 giugno 2026 Anthropic ha depositato in via confidenziale presso la SEC una bozza di registration statement per un'offerta pubblica iniziale, come riportato da Fortune e TechCrunch. Il numero di azioni e il prezzo non sono ancora stati fissati e la quotazione resta subordinata alle condizioni di mercato; un possibile debutto è atteso già nell'autunno 2026.
Il deposito arriva a meno di una settimana dalla chiusura del round Series H da 65 miliardi di dollari, che ha portato la valutazione post-money della società a 965 miliardi — vicino alla soglia del trilione. Tra i lead investor del round figurano Altimeter, Dragoneer, Greenoaks, Sequoia Capital, Capital Group, Coatue e D1 Capital Partners. Per i ruoli chiave nell'IPO sono attese Goldman Sachs, JPMorgan Chase e Morgan Stanley.
Sul fronte dei conti, l'azienda ha dichiarato un revenue run-rate annualizzato che ha superato i 47 miliardi di dollari, in forte crescita rispetto ai circa 9 miliardi di fine 2025. La valutazione di 965 miliardi porta per la prima volta Anthropic sopra OpenAI. A marzo 2026 il rivale aveva raccolto 122 miliardi, un round in valore assoluto più ampio di quello di Anthropic, ma a una valutazione inferiore, pari a 852 miliardi. Il deposito apre di fatto la strada alla più attesa quotazione del comparto AI e anticipa il prevedibile ingresso di OpenAI sui mercati pubblici.
Perché conta
- IMPRENDITORI: Una valutazione vicina al trilione e l'avvio dell'iter di quotazione ricalibrano verso l'alto i benchmark di tutto il settore AI: chi valuta investimenti, partnership o exit deve rileggere multipli e aspettative di mercato alla luce del primo grande test sui mercati pubblici di un AI lab.
- LLM BUILDER/DEV: I 65 miliardi raccolti e un run-rate oltre i 47 miliardi danno ad Anthropic una potenza di fuoco enorme per spingere lo sviluppo di Claude, infrastruttura e roadmap dei modelli; l'inasprirsi della corsa con OpenAI incide direttamente su prezzi, capacità e stabilità delle piattaforme su cui si costruisce.
Microsoft presenta il Surface Laptop Ultra con il superchip NVIDIA RTX Spark
Al GTC Taipei Microsoft ha svelato il primo Surface costruito attorno al superchip NVIDIA RTX Spark: 1 petaflop di calcolo AI, 128 GB di memoria unificata e modelli da 120 miliardi di parametri eseguiti in locale.
Microsoft ha annunciato il Surface Laptop Ultra, il primo portatile della linea Surface costruito attorno al nuovo superchip NVIDIA RTX Spark, svelato il 31 maggio 2026 al GTC Taipei. Il superchip combina una CPU NVIDIA Grace a 20 core di architettura Arm e una GPU NVIDIA Blackwell RTX con 6.144 core CUDA e Tensor Core di quinta generazione in precisione FP4. I due componenti sono collegati da un'interconnessione NVLink-C2C, per circa 1 petaflop di prestazioni AI e fino a 128 GB di memoria unificata (NVIDIA Newsroom). La memoria condivisa viene allocata dinamicamente tra CPU e GPU in base al carico, così da gestire in parallelo creazione AI, rendering 3D e flussi multi-modello (Microsoft Devices Blog).
Sul piano AI, NVIDIA e Microsoft dichiarano che la macchina può eseguire in locale modelli linguistici fino a 120 miliardi di parametri, con una finestra di contesto da 1 milione di token. A questo si aggiungono la generazione di immagini e video e gli agenti personali, che girano in modo sicuro tramite le primitive di Windows e NVIDIA OpenShell. Il sistema offre anche la ricerca semantica dei file locali e i flussi di lavoro tra applicazioni. MediaTek ha contribuito al design della CPU custom, mentre Adobe sta riarchitettando Photoshop e Premiere per prestazioni AI fino a due volte superiori.
Completano il quadro un display da 15 pollici mini-LED PixelSense Ultra fino a 2.000 nit, le finiture Platinum e Nightfall e il più grande touchpad aptico mai montato su un Surface. Le specifiche di base sono confermate dalla copertura indipendente di Tom's Hardware. «Il nostro lavoro con NVIDIA porterà un Surface costruito per il modo in cui si svolge il lavoro ambizioso», ha dichiarato Brett Ostrum, VP Surface di Microsoft. La disponibilità è prevista per l'autunno 2026; il prezzo non è stato comunicato.
Perché conta
- UTENTI FINALI: Eseguire in locale modelli fino a 120 miliardi di parametri, agenti personali, ricerca semantica dei propri file e generazione di immagini e video porta sull'endpoint un'AI potente senza inviare i dati al cloud: più privacy, più controllo e disponibilità anche offline.
- INGEGNERI ICT / IT MANAGER: Segna una transizione di piattaforma verso Windows-on-Arm con stack NVIDIA (CPU Grace + GPU Blackwell) e abilita l'inferenza AI on-device. Impone però di valutare la compatibilità del software x86 legacy via emulazione e la gestione di una nuova architettura nel parco macchine aziendale.
Fivetran e dbt Labs completano la fusione: nasce l'infrastruttura dati aperta per gli agenti AI
Le due aziende dello stack dati hanno chiuso il 1° giugno 2026 una fusione all-stock annunciata a ottobre, puntando a diventare il livello dati affidabile su cui far girare gli agenti AI enterprise.
Fivetran e dbt Labs hanno completato lunedì la fusione annunciata il 13 ottobre 2025. L'operazione, interamente in azioni, unisce ingestion dei dati (Fivetran) e trasformazione (dbt Labs) in un'unica piattaforma. La società combinata opera come "Fivetran + dbt Labs": George Fraser, già CEO di Fivetran, resta amministratore delegato, mentre Tristan Handy, fondatore di dbt Labs, assume il ruolo di presidente. Insieme servono oltre 100.000 team dati a livello globale, tra cui marchi come OpenAI, Zendesk, Coupa e HubSpot.
Il debutto centrale è l'Agents Schema, uno standard open source che designa un singolo schema all'interno di un data warehouse o data lake come livello di contesto condiviso e compatibile tra sistemi diversi per l'AI agentica. L'idea dichiarata è rendere gli agenti "affidabili", fornendo loro un contesto dati governato per ragionare e agire. In parallelo, il runtime del motore dbt Fusion viene rilasciato come dbt Core v2.0 sotto licenza Apache 2.0.
Non tutto è entusiasmo: come rileva TechTarget, l'analista Donald Farmer (TreeHive Strategy) avverte di possibili "scontri culturali" tra la reputazione di Fivetran per il pricing a consumo aggressivo e l'etica open source di dbt. Per l'analista IDC Devin Pratt, invece, la logica è netta: "Fivetran sposta i dati e dbt li rende affidabili".
Perché conta
- IMPRENDITORI: È un consolidamento di peso dello stack dati enterprise attorno all'AI affidabile: segnala che il mercato analytics si muove verso piattaforme unificate e verticali sugli agenti, riducendo i fornitori da gestire ma aumentando la dipendenza da un singolo stack. Chi valuta investimenti in AI dovrebbe pesare sia il vantaggio di un livello dati governato e pronto per gli agenti, sia il rischio di lock-in e di un pricing a consumo che gli stessi analisti segnalano come aggressivo.
LongTraceRL: il reasoning su contesti lunghi si impara dalle traiettorie degli agenti di ricerca, con reward a rubrica
Un gruppo della Tsinghua propone di addestrare modelli di reasoning su contesti lunghi premiando le entità corrette lungo la catena di ragionamento, una supervisione densa di processo che aggira reward sparse e reward hacking. Codice, dataset e tre modelli 4B–30B rilasciati.
Un gruppo del THU-KEG (Tsinghua University) ha presentato LongTraceRL, un framework di reinforcement learning per il reasoning su contesti lunghi. Gli autori sono Nianyi Lin, Jiajie Zhang, Lei Hou e Juanzi Li. Il lavoro è descritto nel paper arXiv:2605.31584, sottomesso il 29 maggio e annunciato su arXiv il 1° giugno 2026.
Il problema affrontato è noto: addestrare via RL modelli che ragionano su testi lunghi soffre di reward sparse — un solo segnale di esito finale — che rendono l'apprendimento instabile e aprono al reward hacking. La ricetta di LongTraceRL agisce su due fronti. Primo, costruisce i dati di training: genera domande multi-hop tramite random walk su knowledge graph e assembla contesti con "tiered distractors", cioè documenti distrattori a confondibilità alta e bassa derivati dalle traiettorie di agenti di ricerca. Secondo, introduce una reward a rubrica a livello di entità. Invece di premiare solo la risposta finale, valuta le entità-oro attese lungo la catena di ragionamento, così da fornire una supervisione di processo densa. La reward viene applicata con una "positive-only strategy", cioè solo alle risposte corrette.
Gli autori riportano esperimenti su tre modelli di reasoning nella fascia 4B–30B: nello specifico Qwen3-4B-Thinking-2507, DeepSeek-R1-0528-Qwen3-8B e Qwen3-30B-A3B-Thinking-2507. I modelli sono valutati su cinque benchmark di contesto lungo, dove LongTraceRL supera baseline robuste (le grandezze numeriche non sono nell'abstract). Sono stati rilasciati codice, un dataset con annotazioni a rubrica (2.815 campioni) e i tre modelli addestrati; il framework di training è costruito su Slime RL.
Perché conta
- RICERCA DI FRONTIERA: La reward a rubrica entity-level è un contributo metodologico interessante: trasforma il segnale RL da sparso (esito finale) a denso (processo), un approccio trasferibile oltre il long-context per mitigare reward hacking. L'emersione indipendente del topic da due analisti ne rafforza la rilevanza come direzione di ricerca.
- LLM BUILDER/DEV: È una ricetta riproducibile, non solo un paper: codice, dataset annotato (2.815 campioni) e tre modelli 4B–30B sono rilasciati, e il framework gira su Slime RL. Chi costruisce sistemi di reasoning su documenti lunghi o agenti RAG può partire dagli artefatti per replicare o adattare l'approccio.