Anthropic scopre uno spazio di lavoro globale nei LLM (J-space), Runway apre un hub di physical AI a Parigi, Claude Code spiega i loop agentici

Il 6 luglio segna una giornata densa tra interpretabilità fondamentale e infrastruttura fisica: Anthropic pubblica una ricerca sul J-space, spazio di lavoro globale scoperto nei LLM, che richiama le teorie neuroscientifiche della coscienza; Runway annuncia il suo primo ufficio in Francia con 30 M USD investiti nella ricerca in physical AI; e il team Claude Code documenta finalmente i quattro tipi di loop agentici che strutturano i workflow autonomi. Sul fronte open source, LeRobot v0.6.0 e la partnership Google DeepMind × Apptronik precisano l’anatomia dell’IA robotica nel 2026.

Ricerca Anthropic — Il J-space, spazio di lavoro globale nei LLM

6 luglio — Anthropic pubblica su transformer-circuits.pub una nuova ricerca di interpretabilità: i LLM possiedono un meccanismo analogo allo spazio di lavoro globale (global workspace) descritto dalle neuroscienze cognitive — una zona di informazione attiva, cosciente, accessibile al ragionamento. Questo meccanismo, chiamato J-space, emerge naturalmente nei modelli linguistici senza essere stato progettato esplicitamente.

La ricerca stabilisce che, proprio come il cervello umano rende accessibile alla coscienza solo una frazione della sua attività neuronale, i LLM concentrano il loro ragionamento attivo in questo spazio ristretto. Questa scoperta ha tre implicazioni concrete:

Leggere su cosa Claude sta ragionando attivamente in un dato momento
Auditare gli stati intermedi del ragionamento
Orientare il processo di pensiero del modello durante l’esecuzione

Il thread X di Anthropic menziona una demo interattiva disponibile tramite Neuronpedia su modelli open-weights, che consente di esplorare direttamente il J-space. La ricerca si inserisce nel programma di interpretabilità meccanistica di Anthropic (mechanistic interpretability), che mira a comprendere le rappresentazioni interne dei modelli per garantirne l’affidabilità man mano che aumentano in capacità.

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇮🇹 Nuova ricerca Anthropic: uno spazio di lavoro globale nei modelli linguistici. Di tutto ciò che accade nel vostro cervello in questo momento, solo una piccola frazione è coscientemente accessibile — i pensieri che potete descrivere, tenere a mente e su cui ragionare. Abbiamo scoperto una dinamica sorprendentemente simile nei modelli linguistici. Il J-space ci permette di leggere, auditare e orientare ciò su cui Claude sta riflettendo attivamente — strumenti utili per mantenere l’affidabilità dei modelli man mano che aumentano in capacità. E suggerisce parallelismi sorprendenti tra i modelli linguistici e le nostre stesse menti. — @AnthropicAI su X

🔗 Articolo completo — transformer-circuits.pub

Runway apre il suo primo ufficio in Francia a Parigi

6 luglio — Runway annuncia l’apertura del suo primo ufficio francese a Parigi, dedicato alla ricerca in world models (modelli del mondo) e in physical AI (IA fisica). Questo hub si inserisce nell’espansione europea di Runway, sei settimane dopo l’apertura del suo primo ufficio londinese.

Elemento	Dettaglio
Luogo	Parigi, Francia
Team iniziale	10 persone
Investimento	30 M USD
Focus	World models, physical AI
Assunzioni	Parigi + Europa

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇮🇹 « La Francia possiede una delle concentrazioni più profonde di talenti nella ricerca sull’IA al mondo. Siamo entusiasti di piantare la nostra bandiera a Parigi mentre continuiamo a far crescere la nostra presenza mondiale nella ricerca. » — Anastasis Germanidis, co-CEO, Runway

Il co-CEO cita la densità dei talenti provenienti dalle grandi istituzioni di ricerca francesi e il sostegno del governo come fattori determinanti. Runway assume attivamente a Parigi e in tutta Europa. L’investimento di 30 M USD posiziona Parigi come un centro di ricerca fondamentale, complementare all’hub londinese orientato alla commercializzazione.

🔗 Annuncio ufficiale Runway

Claude Code — Guida sui quattro tipi di loop agentici

6 luglio — Il team Claude Code pubblica tramite @ClaudeDevs una guida approfondita, già vista 316 000 volte, sulla progettazione dei loop agentici. La guida parte da una definizione precisa: un loop è un agente che ripete cicli di lavoro fino a quando non viene raggiunta una condizione di arresto.

Tipo di loop	Trigger	Condizione di arresto	Primitivo Claude Code	Caso d’uso tipico
Turno per turno (turn-based)	Prompt dell’utente	Claude giudica il compito terminato	Agentic loop	Compiti brevi ed esplorativi
Orientato all’obiettivo (goal-based)	Prompt + criterio esplicito	Criterio raggiunto o numero max di turni	`/goal`	Compiti con criterio di uscita verificabile
Basato sul tempo (time-based)	Intervallo temporale	Annullamento o fine del lavoro	`/loop`, `/schedule`	Lavoro ricorrente o sistemi esterni
Proattivo (proactive)	Evento o schedule senza umano	Fine di ogni sottocompito	Dynamic workflows + modalita auto	Workflow ricorrenti ben definiti

Esempi concreti riportati nella guida: /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). La guida affronta anche la gestione della qualità del codice nei loop lunghi (SKILL.md per l’auto-verifica, secondo agente per la revisione) e il pilotaggio dell’uso dei token (scelta del modello adeguato, criteri di arresto chiari).

🔗 Thread @ClaudeDevs — Getting started with loops

Governo dell’Alberta — 466 milioni di righe auditate in 20 ore

6 luglio — Anthropic pubblica un caso d’uso dettagliato del governo dell’Alberta (Canada): dal 2025, la provincia utilizza Claude Code con i modelli Opus e Sonnet per auditare la sicurezza dei suoi sistemi informatici governativi. I risultati sono impressionanti.

Metrica	Valore
Righe di codice scansionate	466 milioni
Durata della scansione	20 ore
Agenti paralleli	~50 (Opus + Sonnet)
Applicazioni coperte	1 280
Repository coperti	3 400
Ministeri coinvolti	27
Controlli di sicurezza per pass	~95

L’architettura si basa su due tipi di agenti costruiti con il Claude Agent SDK: un agente « team rosso » (red team) che sonda le applicazioni come un attaccante, e un agente « team blu » (blue team) che valuta le difese secondo uno standard di sicurezza internazionale e redige il piano di remediation. Un portale di sovvenzioni Java vecchio di 25 anni è stato ricostruito in 4-5 giorni (contro 5 mesi all’origine). L’Alberta pubblica white paper tecnici affinché altri governi possano replicare l’approccio.

🔗 Case study — anthropic.com

Sakana AI lancia Sakana Translate — traduzione JA/EN/ZH in tempo reale

6 luglio — Sakana AI, laboratorio di Tokyo specializzato in reti neurali bio-ispirate, lancia Sakana Translate, integrato nel suo servizio Sakana Chat. Lo strumento supporta la traduzione bidirezionale giapponese ↔ inglese ↔ cinese con tre modalità distinte:

Modalità	Funzionamento
Translate	Traduzione lunga in tempo reale
Proofread	Affina il tono e la formulazione con il tracciamento delle modifiche
Ask	Chiarisce le scelte lessicali sfumate

Questo lancio segna l’ingresso di Sakana AI negli strumenti di traduzione per il grande pubblico, con un posizionamento deliberatamente focalizzato sulle tre principali lingue dell’Asia orientale. Il servizio è accessibile su translate.sakana.ai.

🔗 Tweet Sakana AI

HuggingFace LeRobot v0.6.0 — world models, reward models, 9 famiglie di benchmark

5-6 luglio — HuggingFace pubblica LeRobot v0.6.0 con il titolo « Imagine, Evaluate, Improve », una versione che struttura l’apprendimento robotico in tre assi complementari.

Policy con modello del mondo:

Policy	Descrizione
VLA-JEPA	VLA compatta (Qwen3-VL-2B) che prevede il futuro nello spazio latente
LingBot-VA	Modello video-azione autoregressivo che prevede simultaneamente video futuro e azioni
FastWAM	Valuta se l’immaginazione in inferenza migliori realmente le performance

Nuovi VLA integrati: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inferenza ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 Md parametri).

Modelli di reward: Robometer (zero-shot su qualsiasi dataset LeRobot) e TOPReward (usa Qwen3-VL come giudice).

I benchmark coprono ora 9 famiglie: LIBERO, Meta-World, NVIDIA IsaacLab-Arena, e 6 nuove. L’infrastruttura si arricchisce del CLI lerobot-rollout per il deployment con strategia DAgger, del supporto FSDP per addestrare modelli più grandi della memoria GPU disponibile, e di HF Jobs per l’addestramento cloud con una sola riga di comando.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — Robot Park ampliato, dati Apollo 2 per Gemini Robotics

6 luglio — Google DeepMind annuncia l’espansione della sua partnership di ricerca con Apptronik. In occasione dell’ampliamento del Robot Park di Apptronik, i dati raccolti in condizioni reali dalla piattaforma umanoide Apollo 2 alimenteranno direttamente l’addestramento di Gemini Robotics.

Elemento	Dettaglio
Partner	Apptronik (Robot Park ampliato)
Piattaforma	Apollo 2 (robot umanoide)
Utilizzo	Dati reali → addestramento Gemini Robotics

Questo annuncio illustra la strategia di Google DeepMind: ancorare l’IA robotica a dati di campo piuttosto che a simulazioni, facendo leva su robot umanoidi fisici impiegati in ambienti reali.

🔗 Tweet @GoogleDeepMind

Brevi

Kimi K2.7 Code vs Claude Fable 5 — landing page a -94 % di costo — Together AI pubblica un confronto: 12 landing page generate, Kimi K2.7 Code costa circa 4 centesimi per pagina contro 1,09 USD per Fable 5 (16× meno caro in media), con punteggi GPT-5.5 con uno scarto di 4-12 punti a seconda delle pagine. Il vantaggio di Kimi si amplifica con un server MCP di riferimenti visivi. 🔗 Together AI Blog

Cosa significa

L’interpretabilità passa dal laboratorio allo strumento di supervisione. La scoperta del J-space da parte di Anthropic non è un risultato accademico isolato: è la prima volta che un meccanismo interno dei LLM può essere letto, auditato e orientato in tempo reale, senza modificare il modello. Se gli strumenti di supervisione basati su questa ricerca diventano operativi, cambierebbero fondamentalmente il modo di verificare ciò che un agente autonomo sta pianificando — un aspetto che interessa tanto i team di sicurezza quanto gli sviluppatori che risolvono problemi in workflow agentici.

Il physical AI si insedia in Europa passando da Parigi. L’apertura dell’ufficio parigino di Runway, combinata con LeRobot v0.6.0 di HuggingFace e con la partnership Google DeepMind × Apptronik, disegna un ecosistema coerente attorno al physical AI: modelli che immaginano le proprie azioni prima di eseguirle (world model policies), dati reali di robot umanoidi per l’addestramento, e infrastruttura cloud per democratizzare l’accesso. Runway sceglie Parigi per la densità di ricerca fondamentale — un segnale sulla geografia futura di questo settore.

L’IA agentica entra in produzione governativa. Il caso dell’Alberta non è un pilota: 466 milioni di righe scansionate in 20 ore da 50 agenti paralleli, 1 280 applicazioni e 27 ministeri coperti, white paper pubblicati per gli altri governi. Combinato con la guida Claude Code sui loop, che documenta i primitivi /goal, /loop, /schedule per i workflow completamente autonomi, è il segno che l’IA agentica è ormai sufficientemente affidabile per essere distribuita su sistemi critici — con architetture multi-agente supervisionate.

L’equazione costo-qualità si sposta. Il confronto Kimi K2.7 Code vs Fable 5 pubblicato da Together AI materializza una tensione strutturale: per i compiti ad alta frequenza (generazione di pagine, workflow ripetitivi), i modelli open-weight ben ottimizzati riducono il costo di un fattore 16 per un divario di qualità misurato a meno del 10%. Questo non significa che i modelli chiusi perdano valore, ma che il loro vantaggio è sempre più concentrato sui compiti in cui la qualità marginale conta davvero.