Apple Machine Learning Research è il reparto con cui Apple fa ricerca a livello universitario sull’intelligenza artificiale, prima ancora che sulle funzioni che vedremo poi nei prodotti dell’azienda.I suoi scienziati interverranno anche quest’anno dal 2 al 7 Dicembre a NeurIPS, la conferenza più prestigiosa del settore, con due obiettivi: contribuire allo sviluppo dell’AI a livello globale e trasformare poi queste idee in tecnologia concreta, spesso pensata per funzionare bene anche su dispositivi personali.
Lo spazio sul sito Apple dedicato a NeurIPS 2025 mostra bene questo approccio: tanti lavori diversi, ma un’unica direzione di fondo, cioè modelli più intelligenti, più efficienti e soprattutto più rispettosi dei dati degli utenti.
Le ricerche sulla Privacy e l’AI
Il primo blocco di ricerche riguarda infatti la privacy, un tema centrale per Apple. In “Instance-Optimality for Private KL Distribution Estimation” il problema è molto tecnico ma l’idea è semplice: capire come stimare una distribuzione di dati — per esempio le abitudini d’uso di una funzione — senza rischiare di risalire ai singoli utenti. I ricercatori mostrano che si può ottenere un’accuratezza quasi “perfetta per quel caso specifico” e al tempo stesso garantire privacy differenziale, cioè una protezione matematica che rende impossibile ricostruire informazioni individuali. In pratica è un passo avanti per fare analisi utili su grandi popolazioni senza mettere in pericolo la riservatezza di chi genera quei dati.
Questo obiettivo torna in “Privacy Amplification by Random Allocation”. Qui Apple studia un trucco intelligente: usare i dati di ciascun utente solo in una piccola parte dei passaggi di calcolo, scelta casualmente. Questa casualità “confonde le tracce” e aumenta la privacy senza buttare via troppa utilità statistica. Il paper fornisce regole e risultati teorici per misurare meglio il compromesso tra quanto un algoritmo impara e quanto protegge. È il tipo di mattoncino che serve quando si vogliono addestrare modelli su dati reali ma mantenendo l’elaborazione locale o aggregata in modo sicuro.
Il limiti dell’AI
Poi c’è uno dei lavori più curiosi dell’anno: “The Illusion of Thinking”. Nel 2025 si parla tantissimo di modelli che “ragionano”. Apple li mette alla prova in ambienti-puzzle dove la difficoltà può essere aumentata passo dopo passo. Il risultato è sorprendente: superata una certa soglia di complessità, le prestazioni crollano. Non solo. Il modello “prova a ragionare” di più quando il problema peggiora, ma solo fino a un punto; oltre, smette di aumentare lo sforzo e anzi lo riduce, anche se avrebbe spazio per continuare. È un messaggio chiaro per il settore: i modelli avanzati hanno progressi reali, ma non sono ancora il ragionatore generale che spesso immaginiamo. Capire questi limiti serve a costruire benchmark migliori e sistemi più affidabili.
La creazione di immagini
Sul fronte creativo, Apple propone una strada alternativa ai diffusion model (rumore -> centinaia di passaggi di ripulitura -> immagine) che oggi dominano la generazione di immagini. “STARFlow” amplia la famiglia dei normalizing flows latenti (un modello generativo che impara a trasformare una distribuzione semplice -di solito rumore gaussiano – in dati complessi come le immagini reali tramite una sequenza di trasformazioni invertibili., combinando meccanismi autoregressivi stile Transformer con un addestramento che resta matematicamente “pulito” e coerente. La promessa è generare immagini di alta qualità con costi di training e inferenza più contenuti. I risultati mostrano che questa architettura può arrivare a risoluzioni e fedeltà prima difficili per i flow, suggerendo un’alternativa concreta per chi cerca modelli più leggeri ma competitivi.
Le generazioni tossiche
Un’altra sfida pratica dell’AI moderna è il controllo. “LinEAS” lavora su questo: invece di limitarsi ad applicare correzioni locali in punti specifici del modello, introduce una forma che ottimizza l’intervento complessivo. Con pochi esempi, il metodo insegna al modello a evitare certi comportamenti indesiderati, per esempio generazioni tossiche, mantenendo però fluidità e capacità originali. È un tipo di tecnologia che diventa cruciale quando si vogliono modelli utili, ma anche sicuri da usare.
Modelli di grandi dimensione
Infine, “Scaling Laws for Optimal Data Mixtures” guarda ad un problema spesso invisibile fuori dai laboratori: con quali dati conviene addestrare un modello enorme. Non tutti i token hanno lo stesso valore, e scegliere la miscela giusta di domini può fare la differenza. Apple propone leggi di scala che permettono di prevedere in anticipo quale combinazione massimizza le prestazioni, facendo pochi esperimenti piccoli invece di tentativi costosi su larga scala. Se queste leggi sono davvero universali, come i test suggeriscono, potrebbero ridurre tempi e costi di addestramento per tutta l’industria.
Le demo specifiche per prodotti Apple
Il quadro si completa con le demo che Apple porterà al booth di NeurIPS. Da una parte MLX, il framework open source ottimizzato per Apple silicon; dall’altra FastVLM, modelli vision-language pensati per girare bene anche su smartphone.
È il segno che questi lavori non sono esercizi teorici fini a se stessi: privacy, efficienza, controllabilità e comprensione dei limiti del “ragionamento” sono tutte tessere dello stesso mosaico. Quello di un’AI potente, sì, ma anche pragmatica e adatta a vivere sui dispositivi personali come gli iPhone senza tradire la fiducia degli utenti.
Per maggiori informazioni vi rimandiamo alla pagina del sito Apple dedicata alle ricerche e NeurIPS 2025 da cui sono tratte le immagini di questo articolo.
