On January 1, 2008, at 1:59 am in Calipatria, California, an earthquake happened. You haven’t heard of this earthquake; even if you had been living in Calipatria, you wouldn’t have felt anything. It was magnitude -0.53, about the same amount of shaking as a truck passing by. Still, this earthquake is notable, not because it was large but because it was small—and yet we know about it.

Over the past seven years, AI tools based on computer imaging have almost completely automated one of the fundamental tasks of seismology: detecting earthquakes. What used to be the task of human analysts—and later, simpler computer programs—can now be done automatically and quickly by machine-learning tools.

These machine-learning tools can detect smaller earthquakes than human analysts, especially in noisy environments like cities. Earthquakes give valuable information about the composition of the Earth and what hazards might occur in the future.

“In the best-case scenario, when you adopt these new techniques, even on the same old data, it’s kind of like putting on glasses for the first time, and you can see the leaves on the trees,” said Kyle Bradley, co-author of the Earthquake Insights newsletter.

I talked with several earthquake scientists, and they all agreed that machine-learning methods have replaced humans for the better in these specific tasks.

“It’s really remarkable,” Judith Hubbard, a Cornell University professor and Bradley’s co-author, told me.

Less certain is what comes next. Earthquake detection is a fundamental part of seismology, but there are many other data processing tasks that have yet to be disrupted. The biggest potential impacts, all the way to earthquake forecasting, haven’t materialized yet.

“It really was a revolution,” said Joe Byrnes, a professor at the University of Texas at Dallas. “But the revolution is ongoing.”

When an earthquake happens in one place, the shaking passes through the ground, similar to how sound waves pass through the air. In both cases, it’s possible to draw inferences about the materials the waves pass through.

https://arstechnica.com/science/2025/10/like-putting-on-glasses-for-the-first-time-how-ai-improves-earthquake-detection/

Fine-tuning experiments with 100,000 clean samples versus 1,000 clean samples showed similar attack success rates when the number of malicious examples stayed constant. For GPT-3.5-turbo, between 50 and 90 malicious samples achieved over 80 percent attack success across dataset sizes spanning two orders of magnitude.

Limitations

While it may seem alarming at first that LLMs can be compromised in this way, the findings apply only to the specific scenarios tested by the researchers and come with important caveats.

“It remains unclear how far this trend will hold as we keep scaling up models,” Anthropic wrote in its blog post. “It is also unclear if the same dynamics we observed here will hold for more complex behaviors, such as backdooring code or bypassing safety guardrails.”

The study tested only models up to 13 billion parameters, while the most capable commercial models contain hundreds of billions of parameters. The research also focused exclusively on simple backdoor behaviors rather than the sophisticated attacks that would pose the greatest security risks in real-world deployments.

Also, the backdoors can be largely fixed by the safety training companies already do. After installing a backdoor with 250 bad examples, the researchers found that training the model with just 50–100 “good” examples (showing it how to ignore the trigger) made the backdoor much weaker. With 2,000 good examples, the backdoor basically disappeared. Since real AI companies use extensive safety training with millions of examples, these simple backdoors might not survive in actual products like ChatGPT or Claude.

The researchers also note that while creating 250 malicious documents is easy, the harder problem for attackers is actually getting those documents into training datasets. Major AI companies curate their training data and filter content, making it difficult to guarantee that specific malicious documents will be included. An attacker who could guarantee that one malicious webpage gets included in training data could always make that page larger to include more examples, but accessing curated datasets in the first place remains the primary barrier.

Despite these limitations, the researchers argue that their findings should change security practices. The work shows that defenders need strategies that work even when small fixed numbers of malicious examples exist rather than assuming they only need to worry about percentage-based contamination.

“Our results suggest that injecting backdoors through data poisoning may be easier for large models than previously believed as the number of poisons required does not scale up with model size,” the researchers wrote, “highlighting the need for more research on defences to mitigate this risk in future models.”

https://arstechnica.com/ai/2025/10/ai-models-can-acquire-backdoors-from-surprisingly-few-malicious-documents/

Questo articolo fa parte di una serie dedicata al modello MindShield, un paradigma innovativo di sicurezza integrata per infrastrutture critiche. Nel presente contenuto esploreremo gli strumenti tecnologici e innovativi attualmente utilizzabili a supporto della sicurezza infrastrutturale, analizzando come psicologia predittiva, intelligence, intelligenza artificiale e Internet of Things possano essere integrati efficacemente nel modello MindShield per garantire una protezione multilivello delle infrastrutture critiche e dei servizi pubblici essenziali.

In questo capitolo si passeranno in rassegna gli strumenti tecnologici e innovativi attualmente utilizzabili a supporto della sicurezza infrastrutturale. Tale disamina non può e non deve ritenersi esaustiva proprio in ragione della dinamicità del settore e per la velocità alla quale ricerca e innovazione procedono, soprattutto in ambito tecnologico ma non solo. Ciò, tuttavia, non implica che l’approccio MindShield rimanga ancorato a quando ad oggi conosciamo, bensì, come più volte chiarito, esso potrà evolversi nel tempo integrando al proprio interno i futuri sviluppi che la ricerca porterà alla luce.

Definizione e applicazione della psicologia predittiva per infrastrutture critiche

Quando parliamo di psicologia e predizione siamo tentati a considerarli due termini per certi versi antitetici. Ciò in quanto la psicologia è una scienza che “studia i processi psichici, coscienti e inconsci, cognitivi (percezione, attenzione, memoria, linguaggio, pensiero ecc.) e dinamici (emozioni, motivazioni, personalità ecc.)”[1], mentre la predizione è definita come “il fatto di predire, di annunciare cioè in precedenza, a voce o in uno scritto (e di solito con autorità e in tono solenne) l’avverarsi di cose future, per ispirazione profetica, divina, paranormale (o affermate tali), o in seguito a ipotesi o induzioni fondate su esperienze pregresse, o sulla base di calcoli e dati scientifici”[2].

Tuttavia, in questo contesto il termine psicologia predittiva non allude a teorie fantasiose e soggettive è neppure ad un’impostazione di tipo “lombrosiano” secondo la quale un soggetto con determinate caratteristiche somatiche[3] sia perciostesso un soggetto pericoloso o in grado di compiere atti illeciti. Difatti, in questo contesto non ci è consentito abbracciare una tipologia di valutazione limitata alle caratteristiche empiriche – fisiche, etniche o socioculturali – del soggetto, caratteristica delle posizioni più estreme del “positivismo” Ottocentesco[4]. Bensì, molto più ampiamente, si ritiene doveroso scrutare il percorso individuale del singolo, le proprie interazioni con altri soggetti, gli eventi traumatici e i fattori che possono influenzare in modo determinate il processo decisionale, il tutto senza però tralasciare il libero arbitrio individuale.

La psicologia, difatti, così come la sociologia e altre scienze, hanno una funzione conoscitiva e di comprensione dei fenomeni. Anche nel contesto della sicurezza infrastrutturale, essa non può, dunque, affidarsi a valutazioni soggettive o promettere risposte che non è in grado di fornire con metodo scientifico. Ciò che invece la psicologia può fare è tentare di rispondere, ad alcune delle domande che ci poniamo, come ad esempio il perché, il come e il chi possa compiere o subire un attacco securitario.

Se dunque da una parte risulta imprescindibile che la psicologia investigativa sia applicata con rigore scientifico, ovvero attraverso “la presenza di un paradigma e la falsificabilità dei suoi assunti fondamentali”[5] e che, alla stregua di qualunque scienza debba affidarsi a dati e parametri il più possibile oggettivi, ciò tuttavia, non significa che i dati di per sé siano sufficienti a fornire una diagnosi o vagliare ipotesi[6].

È quindi proprio in tale contesto che interviene il fattore umano determinante, e segnatamente il ruolo del professionista, il quale deve comprendere e saper contestualizzare, ma soprattutto deve evitare di proporre teorie e conclusioni in assenza di un nutrito quantitativo di dati. Tale considerazione è maggiormente rilevante quando si fanno studi e congetture su fenomeni complessi come ad esempio quello del terrorismo, sul quale, come correttamente argomentato da Horgan[7], si discute molto ma si sa ancora poco. In tal senso risulta emblematico ricordare che “in termini psicologici, raramente ci vediamo come ci vedono gli altri, quindi, le fonti secondarie (anche i familiari) possono non fornire i dati osservazionali necessari allo sviluppo delle nostre teorie.”[8]

Tali considerazioni ci possono mostrare un tracciato ma la domanda principale resta ancora aperta e segnatamente: la psicologia può darci risposte utili a prevenire incidenti di sicurezza? Ebbene, muovendo dai limiti su cui ci si è sino ad ora soffermati possiamo affermare che la psicologia sia uno strumento prezioso per la gestione della sicurezza infrastrutturale, in tal senso esistono diverse teorie e ricerche, sia consolidate che in via di sviluppo[9]. Di contro esistono studi che ci ammoniscono contro l’utilizzo delle tecniche psicologiche e psicometriche da parte degli antagonisti della sicurezza stessa e ciò rappresenta sicuramente un campanello d’allarme non trascurabile[10].

Altri ancora propongono di rivisitare in chiave sistematica la psicologia rendendola parte di un’analisi complessiva degli elementi e dati raccolti. Un esempio di ciò può essere ricavato dalle teorie formulate dallo psicologo e criminologo inglese David Canter. Quest’ultimo difatti, riferendosi al “Geographical Profililing”, che si basa sull’analisi dei luoghi in cui vengono commessi i crimini, suggerisce che le persone scelgano anche inconsciamente i luoghi in cui commettono crimini.

Inoltre, secondo Canter analizzando e studiando i punti segnati su una mappa sarebbe possibile comprendere il significato latente dietro la scelta, quale frutto di processi mentali influenzati dalle esperienze passate della persona[11]. Peraltro, seppur con riferimento alla fase investigativa, Canter sostiene il vantaggio di un approccio empirico maggiormente incentrato sullo studio della vittima. Secondo tali teorie, le dinamiche del comportamento criminale potrebbero essere equiparate a qualsiasi altro comportamento sociale, pertanto potrebbero essere approcciate con le medesime metodologie[12]. Risulta dunque chiaro che la psicologia possa avere un ruolo cruciale nella comprensione dei fenomeni criminali e per la prevenzione degli incidenti di sicurezza.

In tal senso possiamo limitarci a ricordare che la psicologia potrebbe essere impiegata con successo in diverse aree, tra cui l’ambito della Cybersecurity[13], la valutazione delle minacce, la formazione e il benessere psicologico del personale che si occupa della sicurezza.

Peraltro, occorre chiarire che gli impieghi potenziali della psicologia in ambito securitario non si possono limitare alle categorie qui menzionate a titolo esemplificativo. Bensì, ciò che in questo contesto preme rilevare è che la psicologia possa, in presenza di adeguati standard scientifici, non solamente fornire una adeguata base teorica per lo studio del crimine e delle minacce alle infrastrutture critiche, ma sia essa stessa strumento di prevenzione nonché di gestione delle crisi securitarie. Per tali ragioni il modello MindShield non può prescindere dall’impiego e dalla ricerca in ambito psicologico.

Human Intelligence e OSINT

L’intelligence è uno strumento straordinario in grado di operare in differenti contesti, il cui oggetto è la raccolta, la conservazione e la diffusione di dati strumentali ad assicurare la sicurezza di target rilevanti, siano essi pubblici o privati. Tale disciplina si contraddistingue poi per la presenza di svariate sfaccettature e ambiti operativi. Rifacendoci alla lista presente fornita dal Sistema di informazione per la sicurezza della Repubblica, ricordiamo che, in base alla “tipologia di fonte informativa possiamo fare affidamento sui seguenti strumenti di intelligence:

• “Osint (Open Source intelligence – attività di raccolta delle informazioni mediante l’analisi di fonti aperte)
• Imint (Imagery intelligence – attività di raccolta delle informazioni mediante l’analisi di fotografie aeree o satellitari)
• Humint (Human intelligence – attività di raccolta delle informazioni mediante contatti interpersonali)
• Sigint (Signal intelligence – attività di raccolta delle informazioni mediante l’intercettazione e analisi di segnali, sia tra persone sia tra macchine)
• Techint (Technical intelligence – riguardante armi ed equipaggiamenti militari)
• Masint (Measurement and Signature intelligence – attività di raccolta delle informazioni non classificabili nelle precedenti categorie)”[14].

L’impiego di queste tecniche può rappresentare uno strumento prezioso all’interno del modello MindShield, difatti come si è già avuto modo di chiarire la raccolta e l’analisi puntuale dei dati rappresentano le fondamenta di una proficua gestione della sicurezza. Come già premesso, tuttavia, le fondamenta del modello MindShield risiedono proprio nei risultati già raggiunti in ambito securitario. In questo contesto, dunque, non si può fare a meno di ricordare che, sia le varie agenzie di intelligence che enti non governativi hanno svolto un intenso lavoro di raccolta e processamento dei dati relativi agli incidenti e alle minacce securitarie. In tal senso si ricordiamo qui tre esempi:

• in ambito scientifico si possono menzionare i database Significant Multi-domain Incidents against Critical Infrastructure (SMICI), un database aperto al pubblico che descrive in dettaglio sia gli incidenti cyber-fisici che cyber-operativi e QAnon Crime Maps[15]
• in ambito civile si può menzionare il database ACLED (Armed Conflict Location & Event Data Project), il quale raccoglie ed analizza gli incidenti di sicurezza globali sotto il profilo dei conflitti armati[16].
• da ultimo, in ambito nazionale e locale, si menziona il Programma Regionale Integrato di Mitigazione dei rischi (PRIM) della Regione Lombardia, un programma che “analizza i rischi, singoli e integrati, sul territorio regionale al fine di identificare le aree maggiormente critiche su cui approfondire la valutazioni effettuate”[17].

Tali strumenti, tuttavia, per quanto innovativi e di indubbia utilità, tutti i sistemi informativi sinora considerati risentono di un limite endogeno non ancora superato ovvero la settorialità o la delimitazione territoriale del proprio ambito d’indagine. Proprio per tale ragione si ritiene che, ai fini dell’implementazione della sicurezza infrastrutturale, il progetto MindShield non possa prescindere dalla creazione di una rete informativa globale sul rischio infrastrutturale. Rete in cui i dati vengano raccolti con metodo scientifico e parametri ben delimitati, e della cui acquisizione siano deputati, a livello nazionale, regionale e locale specifici uffici per la gestione del rischio.

Inoltre, ciò non può ritenersi sufficiente a meno che l’acquisizione dei dati non ricopra tutti gli ambiti nei quali le infrastrutture e la società civile possano ritenersi a rischio. In effetti, se da un lato è indubbio che la settorialità e la disomogeneità siano determinanti nel processo di mitigazione del rischio, dall’altro appare ancor più limpida l’utilità che un protocollo unitario potrebbe apportare in un’ottica di prevenzione e per sino definizione della “crisi securitaria”. La raccolta e la gestione di tali dati possono diventare peraltro di vitale importanza in diversi settori sia pubblici che privati ed è perciò che si sostiene fermamente l’adozione di un modello omogeneo strutturato a livello sovranazionale.

A titolo esemplificativo possiamo esaminare l’utilizzo della piattaforma ACLED, orbene, tale piattaforma e i dati in essa contenuti sovente diventano strumento di valutazione – quanto meno dal punto di vista quantitativo – dello stato di sicurezza di un Paese terzo. Molti organi e agenzie tra cui l’EUAA, l’Agenzia Europea per l’Asilo si rifanno anche a tali dati, per stabilire se un Paese possa considerarsi sicuro o meno per un richiedente asilo[18].

Ma la domanda che ci si pone quindi, anche ammessa l’accuratezza e la scientificità con cui tali dati vengono raccolti, è in merito al grado di affidabilità che le istituzioni possano farvi. Ci si interroga quindi se, data la rilevante funzione che questi dati assumono, non sarebbe preferibile invece che il loro processamento sia demandato ad un organismo a ciò deputato dagli Stati sovrani.

Lasciando aperto tale interrogativo, non si può far altro che auspicare la creazione di una filiale informativa superpartes, aggiornata e rispondente a standard scientifici elevati, che potrebbe integrare il modello MindShield supportandolo nel proprio obiettivo di realizzazione di una rete securitaria efficiente.

Intelligenza Artificiale (AI) e Machine Learning (ML)

L’intelligenza artificiale e il machine learning ultimamente sono diventati degli argomenti molto popolari, sui quali la ricerca scientifica e l’interesse degli stati stanno avendo un impatto propulsore. Tuttavia, in questa sede interessa non tanto chiarire in cosa consistano le sopracitate innovazioni[19] bensì comprendere che ruolo esse possano avere nel contesto della sicurezza delle infrastrutture critiche e dei servizi pubblici essenziali e in ultima analisi nel modello MindShield.

A questo proposito non si può ignorare di considerare che l’Intelligenza Artificiale (IA) e il Machine Learning (ML) stanno rivoluzionando il campo della protezione delle infrastrutture critiche. Concretamente, dunque, l’impiego di queste tecnologie attualmente consente di ottimizzare la catena informativa attraverso l’identificazione, l’analisi e la gestione dei rischi attraverso l’implementazione dell’efficienza e l’accuratezza delle strategie di gestione del rischio[20].

Alcuni enti e gestori di servizi pubblici, avendone riconosciuto le potenzialità[21], si stanno già mettendo all’opera per implementare questi strumenti. A titolo esemplificativo possiamo ricordare quanto recentemente sostenuto dal Chief Technology Innovation & Digital Officer del Gruppo FS, Roberto Tundo, il quale, in occasione dell’evento “Stati Generali dell’Intelligenza Artificiale” ha riferito che “l’intelligenza artificiale applicata alle infrastrutture si basa su algoritmi che facilitano le opere a adattarsi alle varie condizioni di impiego e a dialogare con i suoi utilizzatori (pensiamo al dialogo binario-treno nel caso ferroviario)”[22], Tundo ha inoltre aggiunto che ciò “permette di avere infrastrutture intelligenti che sanno inviare messaggi e segnalazioni, indispensabili per intervenire in tempo in caso di necessità”[23].

Tuttavia, non si può fare a meno di considerare che l’impiego indiscriminato di tali tecnologie possa rappresentare un elemento di criticità e persino di minaccia per la sicurezza infrastrutturale. Per tale ragione diversi stati tra cui Regno Unito e Stati Uniti si sono impegnati per la creazione di agenzie per la cyber sicurezza unitamente alla statuizione di linee guida per l’utilizzo responsabile dell’intelligenza artificiale[24].

Tale tecnologia è stata peraltro anche al centro della normazione sovranazionale, difatti, nel 2021 il Parlamento europeo e il Consiglio hanno dato forma alle prime statuizioni sull’utilizzo dell’Intelligenza Artificiale attraverso l’AI act[25], un primo passo verso la creazione di una legislazione europea sul tema, che ha continuato a destare interesse e che, recentemente è divenuto oggetto di un accordo provvisorio tra il Consiglio e il Parlamento Europeo[26].

Quanto agli effetti dell’utilizzo di tale strumento essi possono essere suddivisi tra benefici e rischi. Quanto alla prima categoria possiamo menzionare l’aumento di produttività, l’ottimizzazione dei processi, la riduzione dei costi, implementazione della sicurezza di infrastrutture e cittadini, l’implementazione di nuove tecnologie e servizi. Parlando di criticità alcune istituzioni, tra cui il Parlamento Europeo, sostengono che il sottoutilizzo tanto quanto l’abuso dell’intelligenza artificiale esponga a criticità, il primo in relazione alla perdita di competitività in confronto ad altre economie e il secondo per via degli utilizzi impropri di tale tecnologia.

In effetti, l’impiego indiscriminato dell’AI può presentare sfide complesse di natura etica[27], politica, di rispetto dei valori fondamentali dell’individuo, di tutela dei dati o di programmazione[28]. Concorde in tal senso anche il Governo britannico, il quale, in un documento programmatico sui rischi connessi all’utilizzo dell’intelligenza artificiale sino al 2025[29], ha avvertito che:

5. L’aumento delle prestazioni, della disponibilità e dell’accessibilità degli strumenti di IA generativa permette potenzialmente a chiunque di rappresentare una minaccia attraverso l’uso malevolo, l’abuso o l’errore. L’IA generativa continuerà quasi certamente a ridurre le barriere all’ingresso per gli attori delle minacce meno sofisticati che cercheranno di condurre attacchi prima irraggiungibili. Oltre ai gruppi organizzati, anche gli attivisti politici e gli attori solitari utilizzeranno probabilmente l’IA generativa per scopi ideologici, politici e personali.

6. È molto probabile che i criminali adottino la tecnologia dell’IA generativa allo stesso ritmo e alla stessa velocità della popolazione generale, ma alcuni gruppi e individui innovativi saranno i primi ad adottarla. L’uso della tecnologia da parte dei criminali accelererà molto probabilmente la frequenza e la sofisticazione delle truffe, frodi, contraffazioni, ransomware, furto di valuta, raccolta di dati, immagini di abusi sessuali su minori e clonazione vocale. Nel 2025, tuttavia, sarà meno probabile che i criminali riescano a sfruttare l’intelligenza artificiale generativa per creare nuove minacce informatiche.

7. Entro il 2025, l’IA generativa avrà il potenziale per migliorare le capacità dei terroristi nella propaganda, radicalizzazione, reclutamento, gestione dei flussi di finanziamento, sviluppo di armi e pianificazione di attacchi. Ma la dipendenza dalle catene di approvvigionamento fisico rimarrà quasi certamente un ostacolo all’uso dell’IA generativa per attacchi fisici sofisticati.

8. Nei prossimi 18 mesi, è più probabile che l’IA generativa amplifichi i rischi esistenti piuttosto che crearne di nuovi. Ma aumenterà nettamente la velocità e la portata di alcune minacce e introdurrà alcune vulnerabilità. I rischi rientrano in almeno tre settori sovrapponibili:

– I rischi digitali sono ritenuti i più probabili e con il più alto impatto fino al 2025. Le minacce includono la criminalità informatica e l’hacking. L’intelligenza artificiale generativa migliorerà anche le difese digitali contro queste minacce.

– I rischi per i sistemi politici e le società aumenteranno in termini di probabilità fino al 2025, diventando altrettanto significativi quanto i rischi digitali man mano che l’intelligenza artificiale e generativa si svilupperà ed espanderà. Le minacce includono manipolazione e inganno delle popolazioni.

– I rischi fisici aumenteranno probabilmente man mano che l’IA generativa verrà incorporata in un maggior numero di sistemi fisici, comprese le infrastrutture critiche e l’ambiente edificato. Se implementata senza adeguati controlli di controlli di safety e security, l’IA potrà comportare nuovi rischi di malfunzionamento e vulnerabilità agli attacchi.

9. Questi rischi non si presenteranno in modo isolato; è probabile che si sommino e influenzino altri rischi. Quasi certamente si verificheranno anche rischi imprevisti, compresi quelli derivanti dalla mancanza di prevedibilità dei sistemi di IA”[30].

Tali avvertimenti non possono lasciare indifferenti, per tale ragione il modello MindShield si propone, come peraltro già avviene in alcune realtà, di implementare l’utilizzo etico, responsabile e tecnologicamente avanzato dell’intelligenza artificiale[31], al fine di prevenire e mitigare i rischi per la sicurezza già esistenti, nonché quelli connessi allo sviluppo e all’utilizzo pubblico degli strumenti di intelligenza artificiale.

Internet of Things (IoT)

Internet of Things, letteralmente “internet delle cose”, è un termine che indica l’applicazione di diverse tecnologie per l’automazione di oggetti e processi utilizzati in ambito civile, industriale o militare. In questo contesto non ci si può soffermare sugli aspetti tecnici di tale tecnologia, tuttavia, sommariamente possiamo limitarci a ricordare che l’IoT si caratterizza per la modalità di raccolta, trasmissione, elaborazione, analisi e modellazione dei dati, i quali vengono trasmessi a un server (cloud) oppure ad un altro dispositivo via rete[32].

L’insieme di tali tecnologie, diventato sempre più presente ed accessibile al pubblico, ha consentito di svolgere innumerevoli attività prima nemmeno ipotizzabili, dagli strumenti di tracciamento e localizzazione di dispositivi in movimento, ai pagamenti elettronici con tecnologia RFID e NFC[33], alla rilevazione e monitoraggio di dati ambientali e di persone[34] in un determinato luogo. Dato l’ampissimo potenziale di tali innovazioni risulta quindi imprescindibile garantirne, da un lato l’implementazione in ambito securitario e dall’altro un utilizzo regolamentato in ambito civile e industriale che prevenga manipolazioni, bias e violazioni dei diritti dei singoli e della comunità[35].

Secondo alcuni studi compiuti dall’AIIC (Associazione Italiana Infrastrutture Critiche)[36] esistono attualmente almeno quattro approcci alla IoT security:

• il primo delineato dalle linee guida ENISA del 2017[37], successivamente integrate dalle linee guida per la standardizzazione dell’AI e la cybersicurezza del 2023[38].
• il secondo riportato nel report del NIST (Istituto nazionale statunitense per gli standard e la tecnologia)[39];
• il terzo derivante dalla raccolta dei documenti ISO;
• il quarto approccio composto dalla ricerca accademica sul tema[40].

Tra questi possiamo limitarci a citare l’approccio NIST, secondo il quale la mitigazione del rischio dovrebbe coinvolgere almeno tre aree di cui la prima inerente alla “tutela della sicurezza dei dispositivi”, la seconda inerente alla “protezione dei dati” e la terza relativa alla “protezione della privacy degli individui”. Peraltro, tornando alle tipologie di minacce che coinvolgono specificatamente l’IoT è interessante osservare che, secondo lo studio dell’ENISA[41] esse possono essere ricomprese ad esempio in:

• attività illecite / abusi (come, ad esempio, gli attacchi DDoS[42], virus e malware, exploit kits[43], manipolazione di hardware o software, gli ATP[44], attacchi del tipo spoofing o jamming indirizzati ai sensori a ultrasuoni[45], attacchi alla privacy[46]);
• interruzioni o guasti dei sistemi, dispositivi, delle reti e dei servizi di assistenza;
• attacchi fisici che comportano la modificazione o distruzione dei dispositivi;
• disastri naturali o ambientali (come allagamenti, incendi, esplosioni etc.);
• danneggiamento o perdita rilevante dei dati;
• intercettazioni o pirateria informatica (sia del protocollo di comunicazione dell’IoT che attraverso le intercettazioni e la raccolta fraudolenta di informazioni);
• guasti o malfunzionamenti (dovuti a vulnerabilità del software o guasti dei componenti di terze parti, come ad esempio del provider di servizi internet o di utenze elettriche, energetiche etc.).

Il catalogo sopracitato consente di apprezzare la complessità delle sfide a cui tale innovazione tecnologica ci espone. È naturale quindi chiedersi come possa MindShield impiegare IoS per la tutela delle infrastrutture critiche, perciò, non rimane che ritornare alle premesse iniziali, ricordando che l’obiettivo di questo modello sperimentale è l’impiego delle tecnologie e della conoscenza già acquisita, al netto delle attuali criticità, al fine della implementazione di un sistema di security multilivello che possa garantire: da un lato una copertura tecnologica e operativa efficiente e dall’altro lato il rispetto dei diritti e di standard elevati di sicurezza per la tutela della privacy, della libertà dei cittadini e salvaguardia delle istituzioni civili[47].

Questo articolo ha esplorato le principali tecnologie innovative integrate nel modello MindShield per la protezione delle infrastrutture critiche, evidenziando come psicologia predittiva, intelligence, intelligenza artificiale e Internet of Things possano convergere in un approccio multidisciplinare alla sicurezza. Per approfondire ulteriormente questa metodologia rivoluzionaria e scoprire tutti gli aspetti del paradigma di sicurezza integrata, vi invitiamo a scaricare il white paper completo della Dottoressa Livia Cimpoia dal titolo “MindShield” – un nuovo paradigma di sicurezza integrata per infrastrutture critiche”.

Nel prossimo articolo della serie esploreremo la combinazione sinergica di tecniche e strumenti, analizzando il coordinamento e la collaborazione tra le diverse componenti del modello MindShield, per comprendere come l’integrazione efficace di queste tecnologie possa garantire una protezione ottimale delle infrastrutture critiche e dei servizi pubblici essenziali.

Note

[1] Cfr. termine psicologia vocabolario Treccani – URL

[2] Cfr. termine predizione vocabolario Treccani – URL

[3] In questo contesto è da intendersi come caratteristiche psicologiche;

[4] Che prescindevano dal considerare il libero arbitrio del soggetto cfr. anche Pittaro, P. (a cura di) (2012). Scuola Positiva e sistema penale: quale eredità?: EUT – Edizioni Università di Trieste.

[5] DE LEO G. et al. (2000 n. 11). PSICOLOGIA INVESTIGATIVA: UNA NUOVA SFIDA DELLA PSICOLOGIA GIURIDICA. Rassegna italiana di criminologia (3/4): pp. 367 – 386.

[6] Si rimanda in tal senso a Kiehl, K. (2015). The psychopath whisperer. Inside the minds of those without a conscience., opera nella quale l’autore condivide uno spaccato di vita professionale dando contezza in modo pragmatico dell’uso dei test clinici e dell’intero processo di valutazione a cui il professionista è tenuto a prescindere dal risultato dei test: “Quando Gordon se n’è andato, ho tirato fuori la mia copia del manuale della Psychopathy Checklist- Revised (PCL-R) di Hare.

La Psychopathy Checklist, creata dal professor Hare, è lo strumento che utilizziamo sul campo per valutare la psicopatia. Contiene venti item che colgono i tratti essenziali della psicopatia, tra cui la mancanza di empatia, il senso di colpa e il rimorso, disinvoltura, la superficialità, l’orientamento parassitario, la disaffezione, l’irresponsabilità e l’impulsività.

“Questi tratti sono valutati sulla base dell’intera vita dell’individuo e in tutti i suoi ambiti. In altre parole, per “mancare di empatia” nella Checklist della psicopatia, è necessario avere prove di questo tratto nella maggior parte della vita – a casa, al lavoro, a scuola, in famiglia, con gli amici e nelle relazioni sentimentali.

“Ciascuno dei venti item è valutato su una scala a tre punti: 0, l’item non si applica all’individuo; 1, l’item si applica in alcuni aspetti; 2, l’item si applica sicuramente nella maggior parte dei casi all’individuo. I punteggi variano da 0 a 40, con la diagnosi clinica di psicopatico riservata a coloro che hanno un punteggio di 30 o superiore. Il punteggio medio di un detenuto è di 22. La media dei maschi nordamericani non detenuti ha un punteggio di 4 su 40. Gordon ha ottenuto 31. È stato il mio primo psicopatico” – tradotto dalla lingua inglese;

[7] Horgan, J. (2015). Psicologia del terrorismo: Edra Masson.

[8] Ibidem; peraltro, in tal senso Horgan ripropone un esempio emblematico: “La vita di Mohamed Atta, il dirottatore più conosciuto tra quelli dell’11 settembre, è stata scandagliata da giornalisti e studiosi. Sono stati intervistati i suoi genitori, appartenenti al ceto medio e residenti in Egitto, così come i suoi compagni di scuola, i conoscenti e i colleghi tedeschi ad Amburgo. Nessuno di loro aveva notato segni di depressione o di qualsiasi altra forma psicopatologica.

“Tali risultati potrebbero indurre a chiedersi se i terroristi siano o meno affetti da psicopatologie, ma la confusione deriva anche da ciò che si può veramente trarre da tali dichiarazioni e dalla natura dei dati che si possono ottenere nel tentativo di comprendere le ragioni che hanno spinto Atta a partecipare a un’organizzazione terroristica.”

[9] Per maggiori approfondimenti si rimanda anche a Hopner, V. et al. (2020). Introduction to the Special Section on the Psychology of Security. International Perspectives in Psychology 9(1): 1–4.

[10] Cfr. Gambino G. e Russo A. (2021). Profilazione Sociale e Sicurezza Nazionale. Società Italiana di Intelligence.

[11] Canter, D. e D. Youngs (2017). Applications of geographical offender profiling. [Place of publication not identified]: Routledge. e Canter, D. e D. Youngs (2016). Principles of geographical offender profiling. London: Routledge.

[12] Canter, D. et al. (2004). Il profilo psicologico. L’indagine investigativa fra teoria e prassi. Roma: Carocci. E Canter, D. e D. Youngs (2022). Psicologia investigativa. Criminal profiling e analisi dell’azione criminale. Roma: Fioriti.

[13] Cfr. anche Bar-Tal, D. (2020). Creating Fear and Insecurity for Political Goals. International Perspectives in Psychology 9(1): 5–17. e Ancis, J. (2020). The age of cyberpsychology: An overview. 1 1(1).

[14] Sistema di informazione per la sicurezza della Repubblica (2023). L’intelligence. [richiamato: 16.12.2023].

[15] Cfr. database Significant Multi-domain Incidents against Critical Infrastructure (SMICI) URL e QAnon Crime Maps URL

[16] Cfr. Database Acled URL

[17] Cfr. PRIM – Programma Regionale Integrato di Mitigazione dei rischi (servizirl.it)

[18] A titolo esemplificativo si rimanda alle COI (Country of Origin Information) – informazioni sul Paese d’origine sull’Afganistan aggiornate a dicembre 2023, cfr. European Union Asylum Agency (EUAA). Country of Origin Information: Afghanistan – Country Focus: pp. 12 – 14. URL

[19] Per chiarire brevemente tali concetti, tuttavia, possiamo accennare che l’intelligenza artificiale “è l’abilità di una macchina di mostrare capacità umane quali il ragionamento, l’apprendimento, la pianificazione e la creatività. L’intelligenza artificiale permette ai sistemi di capire il proprio ambiente, mettersi in relazione con quello che percepisce e risolvere problemi, e agire verso un obiettivo specifico. Il computer riceve i dati (già preparati o raccolti tramite sensori, come una videocamera), li processa e risponde. I sistemi di IA sono capaci di adattare il proprio comportamento analizzando gli effetti delle azioni precedenti e lavorando in autonomia.”

Cfr. PARLAMENTO EUROPEO (2020). Che cos’è l’intelligenza artificiale e come viene usata? Online: https://www.europarl.europa.eu/news/it/headlines/society/20200827STO85804/che-cos-e-l-intelligenza-artificiale-e-come-viene-usata [richiamato: 18.12.2023].; mentre il machine learning è la “branca dell’Intelligenza Artificiale che si occupa dello sviluppo di algoritmi e tecniche finalizzate all’apprendimento automatico mediante la statistica computazionale e l’ottimizzazione matematica” Cfr. termine machine learning vocabolario Treccani – URL

[20] Sul tema si veda anche Governo Italiano. Programma Strategico Intelligenza Artificiale 2022 – 2024. URL

[21] Si veda anche il Dottorato Nazionale in Intelligenza Artificiale (2023). AI & pubblica amministrazione – Dottorato Nazionale in Intelligenza Artificiale.[richiamato: 18.12.2023].

[22] FS News (2023). Dal Gruppo FS infrastrutture intelligenti, connesse e dialoganti. [richiamato: 18.12.2023].

[23] Ibidem.

[24] NCSC (2023). UK and US develop new global guidelines for AI security. URL

[25] Una proposta per la creazione di regole armonizzate sull’intelligenza artificiale cfr. Commissione Europea (2021). Proposta di REGOLAMENTO DEL PARLAMENTO EUROPEO E DEL CONSIGLIO CHE STABILISCE REGOLE ARMONIZZATE SULL’INTELLIGENZA ARTIFICIALE (LEGGE SULL’INTELLIGENZA ARTIFICIALE) E MODIFICA ALCUNI ATTI LEGISLATIVI DELL’UNIONE. URL

[26] Council of the EU (2023). Artificial intelligence act: Council and Parliament strike a deal on the first rules for AI in the world. [richiamato: 23.12.2023].

[27] Kwet, M. (2023). The Cambridge Handbook of Race and Surveillance: Cambridge University Press.

[28] PARLAMENTO EUROPEO (2023). Quali sono i rischi e i vantaggi dell’intelligenza artificiale? URL

[29] Government, H. Annex B: Safety and Security Risks of Generative Artificial Intelligence to 2025. URL;

[30] Ibidem, pp. 4-5, tradotto in italiano dalla lingua originale del documento, scritto in inglese.

[31]Ad esempio si rimanda a quanto messo in campo da Leonardo (2021). Comunicato stampa: Leonardo aderisce a “Mille Infrastrutture – Rete d’imprese” per sviluppare progetti dedicati al monitoraggio delle infrastrutture critiche. così come da Leonardo Cineca (2022). Leonardo HPC System – Leonardo Pre-exascale Supercomputer. Leonardo Pre-exascale Supercomputer.

[32] UFCOM Svizzera, Ufficio federale delle comunicazioni (2021). Internet of Things (IoT). [richiamato: 26.12.2023].

[33] Chabbi, S. e C. Araar (2022). RFID and NFC authentication protocol for securing a payment transaction. In, 2022 4th International Conference on Pattern Analysis and Intelligent Systems (PAIS): IEEE. Oum El Bouaghi, Algeria, 2022, pp. 1-8, doi: 10.1109/PAIS56586.2022.9946661

[34] Si veda in tal senso anche Buolamwini, J., Ordonez, V., Morgenstern, J., & Learned-Miller, E., J. Morgenstern e & Learned-Miller, E. (2020). Facial Recognition Technologies: A Primer. [richiamato: 27.12.2023].

[35] Evani Radiya-Dixit e Nina Toft Djanegara (2023). RACE AND SURVEILLANCE BRIEF. Stanford Center ffor Comparative Studies in Race & Ethnicity. e Kwet, M. (2023). The Cambridge Handbook of Race and Surveillance: Cambridge University Press.

[36] AIIC (2020). Internet of Things (IoT) in the context of Critical Infrastructures: an Enterprise Security and Management Perspective for a Security and Privacy Compliance.

[37] ENISA (2017). Baseline Security Recommendations for IoT. [richiamato: 26.12.2023].

[38] ENISA (2023). Cybersecurity of AI and Standardisation. [richiamato: 26.12.2023].

[39] Boeckl, K. et al. Considerations for managing Internet of Things (IoT) cybersecurity and privacy risks. In, National Institute of Standards and Technology (NIST).

[40] Per la nomenclatura e l’approfondimento dei singoli approcci si rimanda a AIIC (2020). Internet of Things (IoT) in the context of Critical Infrastructures: an Enterprise Security and Management Perspective for a Security and Privacy Compliance.

[41] Il seguente catalogo è stato pubblicato da ENISA (2017). Baseline Security Recommendations for IoT. Online: https://www.enisa.europa.eu/publications/baseline-security-recommendations-for-iot [richiamato: 26.12.2023]., “Figure 8: IoT Threat taxonomy” p. 32, grafico originale in lingua inglese tradotto in italiano.

[42] Attacchi cibernetici che hanno lo scopo di bloccare un server o una rete attraverso la creazione di un abnorme flusso di dati e/o traffico

[43] Per maggiori approfondimenti si rimanda a Belcic, I. (2020). Che cos’è un exploit nell’ambito della sicurezza informatica? Avg. URL;

[44] Minacce avanzate e persistenti usate sovente nel cyberspionaggio, per maggiori approfondimenti si rimanda a Fastweb Plus. APT Advanced Persistent Threat: cosa sono, come funzionano e quali sono le precauzioni per evitarle. [richiamato: 26.12.2023].

[45] Per maggiori approfondimenti si rimanda ad esempio a Gluck, T. et al. (2020). Spoofing Attack on Ultrasonic Distance Sensors Using a Continuous Signal. Sensors 20(21): 6157.

[46] Come l’abuso di dati personali, o di autorizzazioni, o la compromissione di informazioni confidenziali cfr. ENISA (2017). Baseline Security Recommendations for IoT. [richiamato: 26.12.2023].;

[47] Si rimanda a titolo esemplificativo al caso di Cambridge Analytica e il proprio impatto sulla campagna elettorale per le elezioni presidenziali USA del 2016 cfr. Gambino G. e Russo A. (2021). Profilazione Sociale e Sicurezza Nazionale. Società Italiana di Intelligence.

Profilo Autore

Laureata in Giurisprudenza all’Università degli Studi di Milano, si è specializzata con il massimo dei voti in Scienze Forensi presso l’Università La Sapienza di Roma, con focus su sicurezza globale, infrastrutture critiche e crimini contro categorie vulnerabili.
Ha acquisito esperienza nella pubblica amministrazione attraverso il Servizio Civile Nazionale e lavorando per diverse amministrazioni pubbliche, occupandosi di contabilità pubblica, servizi sociali e servizio pubblico nei Ministeri degli Interni e della Giustizia.
Attualmente è funzionaria presso il Ministero della Giustizia, in servizio al Tribunale di Milano – XII Sezione Civile, dove si occupa di diritto dell’immigrazione, protezione internazionale e diritto di soggiorno.
Ha partecipato a formazioni di eccellenza organizzate dalla Scuola Nazionale della Magistratura, dal Ministero della Giustizia e dall’Agenzia Europea per l’Asilo (EUAA), acquisendo competenze nella valutazione delle domande di Protezione Internazionale e nella produzione di Report COI.
In conclusione del tirocinio forense, mentre si prepara a conseguire il titolo di avvocato, sta perseguendo una seconda laurea magistrale in psicologia del lavoro e delle organizzazioni.

https://www.ictsecuritymagazine.com/articoli/difesa-infrastrutture-critiche/

L’articolo in breve

• Acquisizione Strategica: Arduino, l’icona italiana dell’open-source, è stata acquisita dal gigante USA Qualcomm per unire la sua vasta comunità di sviluppatori (maker) alle tecnologie avanzate di chip;
• Obiettivo AI: L’operazione mira ad accelerare la strategia di Qualcomm sull’IoT (Internet delle Cose) e l’AI Edge, introducendo schede ibride più potenti (come la Uno Q);
• Anima Italiana Preservata: Nonostante la proprietà americana, Arduino mantiene il suo brand, la filosofia open-source e il centro operativo di ricerca e sviluppo a Torino.

Inizia l’era dell’AI per Arduino: l’icona italiana dell’open-source passa all’americana Qualcomm

Arduino, la piattaforma nata in Italia che ha insegnato al mondo a costruire, programmare e innovare con pochi euro, ha ceduto la maggioranza al colosso americano dei semiconduttori Qualcomm Technologies.

L’operazione, il cui valore economico resta confidenziale, segna un’evoluzione storica per l’azienda, che pur mantenendo le sue radici a Ivrea e le sue principali sedi operative tra Torino e Malmö, aveva stabilito il suo quartier generale statunitense a Somerville, Massachusetts.

L’acquisizione non è solo finanziaria; è un passo strategico che trasforma Arduino da strumento per maker a piattaforma fondamentale nell’offensiva di Qualcomm sull’Internet delle Cose (IoT) e l’Intelligenza Artificiale perimetrale (Edge AI).

<!-- ARUBA - 300x250 -->

Che cos’è Arduino

Per comprendere l’entità di questa transizione, è necessario inquadrare il fenomeno Arduino. Nata nel 2005 da un’idea di un gruppo di designer italiani, la piattaforma è un circuito stampato open-source — una scheda elettronica con un microcontrollore — che permette a chiunque, dal neofita all’ingegnere, di creare rapidamente prototipi di dispositivi interattivi.

Arduino ha letteralmente democratizzato l’hardware, abbattendo le barriere di accesso alla programmazione e all’elettronica. È diventata uno standard didattico globale e lo strumento di prototipazione per eccellenza.

Il suo impatto si misura nella sua community: oltre 33 milioni di utenti attivi tra hobbisti, studenti, educatori, imprenditori e professionisti tech. È proprio questa vasta e vivace comunità il vero tesoro che ha attratto l’interesse del gigante di San Diego.

Come funziona

Ma al di là della sua comunità, come si traduce in pratica il successo di Arduino? Il suo genio risiede nella semplicità del funzionamento: la scheda, con il suo microcontrollore, agisce come un cervello programmabile. Non è un sistema operativo complesso come Windows o Linux; è un ciclo infinito e mirato.

Gli sviluppatori scrivono un codice semplice, basato su C++, che viene caricato sulla scheda tramite un cavo USB. Una volta programmata, la scheda esegue due azioni fondamentali senza sosta: legge gli Input (ricevendo dati da sensori, pulsanti o altri dispositivi) e controlla gli Output (accendendo luci, muovendo motori o inviando dati).

Questo meccanismo diretto, privo di sovrastrutture, permette a ingegneri e maker di testare soluzioni hardware in modo quasi istantaneo. È proprio questa immediatezza, unita al bassissimo costo, che ha reso Arduino la lingua franca della prototipazione veloce, e che ora la rende un veicolo ideale per diffondere i complessi algoritmi di AI di Qualcomm.

Il passaggio di proprietà: dalla lite Svizzera al colosso tecnologico USA

La storia recente di Arduino, prima di Qualcomm, è stata caratterizzata dalla necessità di unificazione.

Per diversi anni, ci furono due entità separate che rivendicavano il marchio: Arduino LLC (controllata da alcuni co-fondatori, tra cui Massimo Banzi) e Arduino S.r.l. (controllata da un altro co-fondatore, Gianluca Martino, e altri, inizialmente chiamata Smart Projects).

Le due fazioni raggiunsero un accordo nel 2017 che portò alla riunificazione del marchio e di tutte le attività sotto un’unica società madre: Arduino AG, registrata in Svizzera.

Questa entità, controllata dai fondatori e da fondi di investimento, aveva l’obiettivo di espandere l’attività, in particolare nel settore industriale e professionale, raccogliendo 54 milioni di dollari tra il 2022 e il 2023.

L’acquisizione da parte di Qualcomm rappresenta la naturale evoluzione di questa fase di crescita e consolidamento.

La nuova fase: la strategia “Full-Stack Edge” di Qualcomm

Qualcomm Technologies non ha comprato solo un pezzo di hardware, ma l’accesso a un ecosistema di sviluppo di massa. L’acquisizione è il tassello finale di una strategia ben definita da parte del gigante dei chip, che vede nel settore IoT — uno dei suoi business in più rapida crescita — il futuro del computing.

L’obiettivo è quello di fornire una piattaforma edge completa, o “full-stack”, che copra hardware, software e servizi cloud. Questa visione è stata costruita con altre acquisizioni mirate:

• Edge Impulse: Specializzata nel Machine Learning per dispositivi a basso consumo.
• Foundries.io: Per la gestione sicura e l’aggiornamento dei sistemi basati su Linux per l’IoT.

Integrando Arduino, Qualcomm può accelerare la sua strategia offrendo i suoi prodotti e la sua tecnologia all’avanguardia (che include potenza di calcolo, grafica, visione artificiale e AI) attraverso la semplicità e l’accessibilità del framework Arduino.

Come ha dichiarato Nakul Duggal, Group General Manager di Qualcomm per l’IoT: “Con le acquisizioni di Foundries.io, Edge Impulse, e ora Arduino, stiamo accelerando la nostra visione di democratizzare l’accesso ai nostri prodotti all’avanguardia in AI e computing per la comunità globale degli sviluppatori. Unendo l’etica open-source di Arduino con il portfolio di Qualcomm, consentiamo a milioni di sviluppatori di creare soluzioni intelligenti più velocemente e con maggiore efficienza, includendo un percorso verso la commercializzazione globale“.

Il frutto immediato: Arduino Uno Q

Il primo risultato tangibile di questa sinergia è la scheda Arduino Uno Q. Questa è la prima Arduino a integrare un’architettura “dual brain”: affianca al classico microcontrollore un potente processore Qualcomm Dragonwing, capace di eseguire sistemi operativi complessi come Linux Debian.

Una mossa che posiziona Arduino in diretta concorrenza con piattaforme più potenti, ma nel contempo assicura che il suo vasto pubblico di 33 milioni di utenti ottenga immediatamente accesso a tecnologie di AI e computer vision.

Nonostante il baricentro proprietario si sia spostato oltreoceano, la promessa è che Arduino manterrà il suo brand e la sua missione indipendente, continuando a investire nel suo cuore italiano e fornendo, ora più che mai, strumenti per portare le idee open-source su scala globale.

Arduino, nuova proprietà e futuro industriale – FAQ

1. Chi è il nuovo proprietario di Arduino? Il nuovo proprietario di Arduino è la multinazionale statunitense di semiconduttori Qualcomm Technologies. L’acquisizione è stata annunciata a ottobre 2025.

2. Arduino è ancora considerata un’azienda italiana? Mantiene radici profondamente italiane (è nata a Ivrea e il suo principale centro di Ricerca e Sviluppo è a Torino). Tuttavia, l’entità proprietaria è ora americana (Qualcomm) e la holding madre (Arduino AG) ha sede in Svizzera. Nonostante ciò, il brand e l’impegno in Italia saranno mantenuti.

3. Qual era la struttura proprietaria di Arduino prima dell’acquisizione? Prima di Qualcomm, la proprietà era consolidata sotto la holding svizzera Arduino AG, nata dalla risoluzione di una lunga disputa legale tra i co-fondatori. Era controllata dai fondatori storici e da diversi investitori.

4. Per quale motivo Qualcomm ha acquisito Arduino? Qualcomm ha acquisito Arduino per accelerare la sua strategia nel settore IoT (Internet delle Cose) e nell’AI Edge (Intelligenza Artificiale perimetrale). Sfrutta la semplicità della piattaforma e la vasta comunità di 33 milioni di sviluppatori per diffondere i suoi chip avanzati.

5. Come funziona la piattaforma Arduino in breve? Arduino è un microcontrollore programmabile che utilizza un codice semplificato (basato su C++) per eseguire un ciclo infinito di azioni: leggere i dati in entrata (Input da sensori) e controllare i dispositivi in uscita (Output come luci o motori). È la base ideale per la prototipazione rapida.

6. Cosa cambierà per gli utenti e gli sviluppatori della comunità Arduino? Il marchio e la filosofia open-source saranno mantenuti. Il cambiamento principale sarà l’accesso a una tecnologia più potente e avanzata, come le nuove schede ibride (es. Arduino Uno Q) che integrano i chip di Qualcomm, permettendo di lavorare con l’AI e Linux.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/arduino-entra-nellera-dellai-con-il-passaggio-allamericana-qualcomm-ma-il-cuore-resta-a-torino/549964/

The annual DataTribe Challenge uncovers the most promising cybersecurity startups, and gives them an opportunity to pitch their firms and products to an audience of venture and private equity firms and security experts.

DataTribe itself is a seed stage venture foundry focused on early stage cybersecurity firms – startups. Each year the firm holds the DataTribe Challenge – effectively a pitch competition for startups. From these, five finalists are chosen and allowed to deliver pitches during DataTribe’s Cyber Innovation Day conference (this year, set for November 4, 2025). 

The foundry element comes from the nature of DataTribe and the common willingness of startups to accept as much help and advice as they can get. “We call ourselves a startup foundry,” explains Leo Scott  (MD and chief innovation officer at DataTribe). “What that means is our team will jump in and co-build with the founders to help accelerate growth and de-risk things. Our whole team at DataTribe are all former startup operators. We’re just some crazy people that kept building startups over and over — and then eventually ended up joining DataTribe to help others do the same thing.  We enjoy jumping in and getting our hands dirty.” And the startups benefit from their experience.

Each of the five finalists in the Challenge are automatically awarded $5,000 (designed to amply cover expenses). But the real reward is being able to pitch to the Innovation Day conference audience before the ultimate winner is chosen.

This conference is attended by cybersecurity venture and private equity firms, researchers, government officials and defense agencies, and a large sprinkling of CISOs. It is a focused channel for getting attractive cybersecurity startups in front of potential investors – including, of course, DataTribe itself. “Historically, it’s not guaranteed, but historically DataTribe has invested in the winners. But if it’s not DataTribe, there’s a whole audience filled with the top cybersecurity investors in the industry,” said Scott.

The five finalists are now chosen. By definition, they are emerging security vendors to watch – and not surprisingly, this year four of the five directly involve AI. The firms are Ackuity, Cytadel, Evercoast, Starseer, and Tensor Machines. 

Tensor Machines is the only finalist not directly focused on AI. This firm provides a hardware security solution that enables printed circuit boards, sensors, and other hardware components to continuously self-certify authenticity while in use. It offers more granularity with fewer development issues than other approaches to the same problem.

Ackuity provides security for AI agents. It collects data from all the interactions occurring inside an agentic system, whether it’s between the user and the agent, between different agents, or the agent and other tools. It builds this telemetry in real time providing real time threat detection and response capabilities. 

“They’re doing a kind of pre-SIEM processing, because existing SIEMs don’t really have the context to make sense of this new kind of agent telemetry,” comments Scott. “It can generate events, actions or alerts that can be directly evaluated or sent into a SIEM if you have one.”

Cytadel provides AI-driven autonomous red teaming. It is based in London, UK, and its founder and CEO has a background in GCHQ and was head of red teaming  at the Bank of England.

“He has an automated red teaming platform leveraging AI to do decision making to build a full attack path at a level of complexity that historically could only be done by human red teamers. You can validate your defenses, quantify your resistance to ransomware, generate a list of actions that can be taken, and even produce an executive report on weaknesses and possible solutions,” explains Scott.

Evercoast is described as more cyber adjacent than cybersecurity focused. It provides the data used in embodied AI; that is, the AI that controls robots. The firm started by servicing the entertainment industry; by capturing the real movement of an actor and allowing that to be included in a fake CGI scene. “They had multiple cameras and other sensors attached to the subject that would collect the data of movement that could then be added to the movie,” explains Scott.

But as robots and AI have evolved, and mobile robots – bi-pedaled and wheeled – are emerging, the firm is adapting its process to teach robots how to move independently through their AI training rather than just manual control. Evercoast is training robots to collect all the movement data from manually controlled robots or humans doing different tasks and allowing the AI to use that as its own training data. It’s not that simple, but by the end of the process, the robot has clean data from which to learn. “And the better the learning, the more difficult it will be to hijack the robot for nefarious purposes,” adds Scott.

Starseer, the fifth finalist, provides security for new AI models. The rush to adopt AI as rapidly as possible is creating a brand new threat surface that is little understood and frequently ignored. Starseer provides a platform that enables AI system builders to reduce system risk and improve resilience before deployment.

“It treats AI-systems as probabilistic, analyzing the models, the training data, the refinement steps, and the surrounding libraries and system architectures to surface exploitable weaknesses and operational risks – ensuring production systems are safer and more reliable,” explains DataTribe. 

The DataTribe challenge is a win-win for all concerned. The most exciting new developments in cybersecurity get to pitch their companies to multiple VC firms on Cyber Innovation Day, while DataTribe itself has had early access to all the finalists. And we shouldn’t dismiss the relevance of glimpsing the future for all the security professionals in the audience.

Related: Former NSA Director Rob Joyce Joins DataTribe as Venture Partner

Related: Frenos Raises $3.88M in Seed Funding for OT Security Assessment Platform

Related: Email Security Startup AegisAI Launches With $13 Million in Funding

Related: Offensive AI Startup Dreadnode Secures $14M to Stress-Test AI Systems

https://www.securityweek.com/ai-takes-center-stage-at-datatribes-cyber-innovation-day/

A relatively new security layer, AI security posture management (AI-SPM) can help organizations identify and reduce risks related to their use of AI, especially large language models. It constantly finds, evaluates, and fixes security and compliance risks throughout the organization’s AI footprint.

By making opaque AI interactions transparent and manageable, AI-SPM allows businesses to innovate with confidence, knowing their AI systems are secure, governed, and in line with policy.

AI-SPM Is Key to Safe AI Adoption

To ensure AI is adopted securely and responsibly, AI-SPM functions like a security stack, inspecting and controlling related traffic for preventing unauthorized access, unsafe outputs and policy violations. It offers clear visibility into models, agents, and AI activities across the business; making real-time security and compliance checks to keep AI usage within set limits, and follows accepted frameworks like OWASP, NIST, and MITRE. Eventually, we’ll see AI-SPM integrated into existing security controls with the aim of enabling better detection and response to AI-related ops and incidents.

Mapping OWASP Top Risks for LLMs to Practical Defenses with AI-SPM

The open source nonprofit OWASP published a list of threats posed by LLM applications including risks linked to generative AI. These threats include prompt injection, data exposure, agent misuse, and misconfigurations. AI security posture management provides specific, practical defenses that turn these complicated risks into enforceable protections. Let’s look at how AI-SPM counters key LLM security risks:

• Prompt injection and jailbreaking: Malicious inputs can manipulate LLM behavior, bypassing safety protocols and causing models to generate harmful or unauthorized outputs.

AI-SPM is designed to detect injection attempts, clean up risky inputs, and block anything unsafe from reaching users or external platforms. Essentially, it prevents jailbreaks and keeps models operating within defined security boundaries. For developers, AI-SPM monitors code assistants and IDE plugins to detect unsafe prompts and unauthorized outputs to facilitate secure use of AI tools.

• Sensitive data disclosure: LLMs may expose personal, financial, or proprietary data through their outputs, leading to privacy violations and intellectual property loss.

AI-SPM prevents sensitive data from being shared with public models (or used for external model training) by blocking or anonymizing inputs before transmission. It separates different AI application plans and enforces rules on the basis of user identity, usage context, and model capabilities.

• Data and model poisoning: Manipulates training data to embed vulnerabilities, biases, or backdoors, compromising model integrity, performance, and downstream system security.

By continuously monitoring AI assets, AI-SPM helps ensure that only trusted data sources are used during model development. Runtime security testing and red-team exercises detect vulnerabilities caused by malicious data. The system actively identifies abnormal model behavior, such as biased, toxic, or manipulated output, and brings them up for remediation prior to production release.

• Excessive agency: Autonomous agents and plugins can execute unauthorized actions, escalate privileges, or interact with sensitive systems.

AI-SPM catalogues agent workflows and enforces detailed runtime controls over their actions and reasoning paths. It locks down sensitive APIs to access and makes sure that agents run under least-privilege principles. For homegrown agents, it adds an extra layer of protection by offering real-time visibility and proactive governance, helping catch misuse early while still supporting more complex, dynamic workflows.

• Supply chain and model provenance risks: Third-party models or components may introduce vulnerabilities, poisoned data, or compliance gaps into AI pipelines.

AI-SPM keeps a central inventory of AI models and their version history. Built-in scanning tools run checks for common problems, like misconfigurations or risky dependencies. If a model doesn’t meet certain guidelines, such as compliance or verification standards, it gets flagged before reaching production.

• System prompt leakage: Exposes sensitive data or logic embedded in prompts, enabling attackers to bypass controls and exploit application behavior.

AI-SPM continuously checks system requests and user inputs to find dangerous patterns before they lead to security problems, like attempts to remove or change built-in directives. It also uses protection against prompt injection and jailbreak attacks, which are common ways to access or alter system-level commands. By finding unapproved AI tools and services, it stops the use of insecure or poorly set up LLMs that could reveal system prompts. This reduces the chance of leaking sensitive information through uncontrolled environments.

Prompt injection/jailbreaking is about misusing the model through crafted inputs. Attackers or even regular users input something malicious to make the model behave in unintended ways.

System prompt leakage is about exposing or altering the model’s internal instructions (system prompts) that guide the model’s behavior.

Shadow AI: The Unseen Risk

Shadow AI is starting to get more attention, and for good reason. Like shadow IT, employees are using public AI tools without authorization. That might mean uploading sensitive data or sidestepping governance rules, often without realizing the risks. The problem isn’t just the tools themselves, but the lack of visibility around how and where they’re being used.

AI-SPM should work to identify all AI tools in play (whether officially sanctioned or not) across networks,

endpoints, cloud platforms, and dev environments, mapping  how data moves between them, which is often the missing piece when trying to understand exposure risks. From there, it puts guardrails in place, such as blocking risky uploads, isolating unknown agents, routing activity through secure gateways, and setting up role-based approvals.

End-to-end Visibility into AI Interactions

When organizations lack visibility in how AI is being used it can hamper detection and response efforts. AI-SPM helps them pull together key data like prompts, responses, and agent actions, and sends it to existing SIEM and observability tools, making it easier for security teams to triage AI-related incidents and conduct forensic analysis.

The fast growth of AI is moving faster than any previous technology wave. It brings new threats and increases attack surfaces that old tools cannot manage. AI-SPM is designed to protect this new area, making AI a clear asset rather than an unseen risk. Whether as part of a converged platform such as SASE or deployed alone, AI-SPM is the vehicle to unlock safe, scalable, and compliant adoption of AI.

Related: Top 25 MCP Vulnerabilities Reveal How AI Agents Can Be Exploited

Related: The Wild West of Agentic AI – An Attack Surface CISOs Can’t Afford to Ignore

Related: Beyond GenAI: Why Agentic AI Was the Real Conversation at RSA 2025

Related: How Hackers Manipulate Agentic AI With Prompt Engineering

https://www.securityweek.com/will-ai-spm-become-the-standard-security-layer-for-safe-ai-adoption/

Apply AI e AI for Science, le mosse della Commissione europea per favorire l’adozione della tecnologia nei settori chiave

L’intelligenza artificiale (AI) sta avanzando a un ritmo senza precedenti in tutto il mondo. Nonostante una solida base industriale e un vivace ecosistema di startup, l’adozione di questa tecnologia all’interno dell’Unione europea rimane limitata: nel 2024, solo il 13% delle aziende europee la utilizzava.

Per far fronte al gap, la Commissione europea ha presentato oggi due strategie complementari finalizzate a consolidare la leadership dell’Europa in questo settore tecnologico strategico: “Applica l’AI” (Apply AI) e “AI per la scienza” (AI for Science).

Si tratta di due pilastri centrali del Piano d’Azione per il Continente dell’AI, varato ad aprile 2025, che puntano a fare dell’Unione europea non solo un mercato di adozione, ma anche un centro mondiale di eccellenza scientifica e tecnologica.

<!-- ARUBA - 300x250 -->

“Voglio che il futuro dell’IA sia realizzato in Europa. Perché quando l’IA viene utilizzata, possiamo trovare soluzioni più intelligenti, più veloci e più convenienti. L’adozione dell’IA deve essere diffusa e con queste strategie contribuiremo ad accelerare il processo. Mettere l’intelligenza artificiale al primo posto significa anche mettere la sicurezza al primo posto. Guideremo questa mentalità “AI first” in tutti i nostri settori chiave, dalla robotica all’assistenza sanitaria, all’energia e all’automotive”, ha dichiarato la Presidente della Commissione europea, Ursula von der Leyen, che a sorpresa aveva già anticipato la strategia alla Italian Tech Week di Torino.

Virkkunen: “L’Europa diventi un continente dell’AI”

“L’Europa è ben posizionata per diventare un continente dell’AI. Con la strategia Applica l’AI, aiuteremo le nostre imprese e i settori chiave, dalla produzione all’assistenza sanitaria e al settore pubblico, a utilizzare l’intelligenza artificiale per apportare benefici reali ai cittadini dell’UE, rafforzare la nostra competitività e rafforzare la nostra sovranità tecnologica”, ha affermato Henna Virkkunen, Vicepresidente esecutiva per la Sovranità tecnologica, la sicurezza e la democrazia.

“Daremo ai nostri ricercatori, startup e PMI gli strumenti per trasformare le idee in scoperte, guidando la competitività e muovendoci più velocemente dal laboratorio al mercato. RAISE sarà il catalizzatore, metterà in comune le risorse, mobiliterà gli investimenti e attirerà i migliori talenti da tutta Europa e oltre”, ha detto Ekaterina Zaharieva, Commissaria per le Startup, la ricerca e l’innovazione.

Apply AI: 1 miliardo di euro per accelerare l’adozione industriale e pubblica

La strategia Apply AI mira a portare l’intelligenza artificiale in tutti i principali comparti dell’economia europea e nella pubblica amministrazione, con un obiettivo chiaro: integrare questa tecnologia nelle operazioni quotidiane di imprese e istituzioni.

I settori prioritari individuati da Bruxelles sono sanità, farmaceutica, energia, mobilità, manifattura, edilizia, agroalimentare, difesa, comunicazioni e cultura. A questi, in una seconda fase, si aggiungeranno finanza, turismo e commercio elettronico.

Per sostenere l’adozione della tecnologia, la Commissione mobilita circa 1 miliardo di euro, destinati a:

• la creazione di centri di screening basati su AI per la diagnostica sanitaria avanzata;
• lo sviluppo di modelli di frontiera e di AI agentica su misura per settori come manifattura, ambiente e farmaceutica;
• il rafforzamento delle competenze digitali e della forza lavoro europea “pronta per l’IA”;
• la trasformazione della rete dei poli europei dell’innovazione digitale in veri e propri centri di esperienza per l’AI.

Un’azione coordinata sarà garantita dalla nuova Apply AI Alliance, un forum che riunirà industria, pubblica amministrazione, accademia, parti sociali e società civile. A supporto operativo, nasce inoltre il Service Desk della legge sull’intelligenza artificiale, con il compito di agevolare l’attuazione del regolamento europeo sull’intelligenza artificiale (AI Act).

Un Osservatorio europeo monitorerà l’evoluzione delle tecnologie e gli impatti settoriali, fornendo dati strategici alle imprese e ai decisori politici.

AI for Science: 3 miliardi di euro per fare dell’Europa un polo scientifico globale

La seconda iniziativa, AI for Science, si concentra sul rafforzamento della capacità scientifica e di ricerca dell’Unione europea, con l’obiettivo di mettere l’Europa all’avanguardia nella scienza basata sull’intelligenza artificiale.

Al centro della strategia si colloca RAISE (Resource for AI Science in Europe), un istituto europeo virtuale che coordinerà infrastrutture, risorse computazionali e dati per accelerare la ricerca e le applicazioni scientifiche dell’intelligenza artificiale.

Tra le principali azioni previste:

• Eccellenza e talento: 58 milioni di euro per un progetto pilota RAISE dedicato alla creazione di reti di eccellenza e reti di dottorato, con l’obiettivo di attrarre e formare i migliori ricercatori e data scientist nel campo dell’IA.
• Potenza di calcolo: 600 milioni di euro da Orizzonte Europa per ampliare l’accesso alle risorse di calcolo ad alte prestazioni (HPC) e alle future Gigafactory dell’AI, assicurando a scienziati e start-up un’infrastruttura competitiva.
• Finanziamento della ricerca: la Commissione intende raddoppiare gli investimenti annuali di Orizzonte Europa dedicati all’IA, portandoli a oltre 3 miliardi di euro.
• Dati scientifici: nuove misure per colmare le lacune strategiche nei dataset e per raccogliere, curare e integrare i dati necessari alle applicazioni scientifiche dell’IA.

Il Centro Comune di Ricerca (JRC) della Commissione avrà un ruolo chiave nell’implementazione di entrambe le strategie, con studi tecnici, valutazioni d’impatto e una nuova relazione sull’effetto dell’IA sulla ricerca scientifica europea.

Infrastrutture, dati e supercalcolo

Solo sei anni fa l’UE contava due supercomputer tra i primi dieci al mondo. Oggi sono quattro, e sono in corso lavori per la realizzazione di almeno altre 4-5 gigafactory dell’AI.

Questo salto infrastrutturale è alla base della nuova ambizione europea: con una rete in espansione di centri HPC, dati di alta qualità e un ecosistema di start-up e ricerca dinamico, l’Europa si candida a diventare il laboratorio globale dell’intelligenza artificiale affidabile e responsabile.

Verso l’Unione dei dati, presto la Strategia

Per completare il quadro strategico, la Commissione presenterà entro fine ottobre 2025 una Strategia per l’Unione dei dati, che allineerà le politiche europee di gestione dei dati alle esigenze di imprese, settore pubblico e ricerca.

A seguire, il Vertice sull’AI nella Scienza, organizzato congiuntamente dalla Commissione europea e dalla presidenza danese, si terrà a Copenaghen il 3-4 novembre 2025. L’evento segnerà il lancio operativo del progetto pilota RAISE e di una campagna di coinvolgimento del settore privato, destinata a rafforzare la collaborazione tra industria e mondo della ricerca.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/von-der-leyen-il-futuro-dellai-sia-realizzato-in-europa-le-strategie-ue-per-le-applicazioni-industriali-e-scientifiche/549940/

Google’s DeepMind artificial intelligence research lab this week unveiled an AI agent designed to autonomously find and fix vulnerabilities.

Google has several projects focusing on the use of AI for the discovery of vulnerabilities in software. The tech giant recently reported that its Big Sleep agent discovered a critical SQLite vulnerability and thwarted efforts to exploit it in the wild.

Its latest product is CodeMender, an AI agent that not only finds security holes but also patches them. The company argues that such tools are needed because as AI gets better at discovering flaws, it will be difficult for humans to keep up with patching. 

Related: CISO Conversations: John ‘Four’ Flynn, VP of Security and Privacy at Google DeepMind

Deepmind says CodeMender, which leverages Gemini DeepThink models, is capable of rewriting and securing existing code in order to eliminate entire classes of security bugs to prevent future exploits. 

CodeMender includes checks designed to ensure that the changes it makes do not cause regressions or other issues. 

The AI agent can reason about code — understanding and predicting the behavior of a program without actually running it — and effectively validate changes through the use of advanced program analysis and multi-agent systems. 

Advanced program analysis includes static and dynamic analysis, fuzzing, differential testing, and SMT solvers to identify the root cause of vulnerabilities and architectural weaknesses. 

As for multi-agent systems, DeepMind explained, “We developed special-purpose agents that enable CodeMender to tackle specific aspects of an underlying problem. For example, CodeMender uses a large language model-based critique tool that highlights the differences between the original and modified code in order to verify that the proposed changes do not introduce regressions, and self-correct as needed.”

Over the past six months, CodeMender has provided 72 security fixes to open source projects, some of which have millions of lines of code. However, DeepMind says it’s being cautious and all patches are reviewed before being submitted. 

Related: Google Patches Gemini AI Hacks Involving Poisoned Logs, Search Results

Related: California Gov. Gavin Newsom Signs Bill Creating AI Safety Measures

Related: Salesforce AI Hack Enabled CRM Data Theft

https://www.securityweek.com/google-deepminds-new-ai-agent-finds-and-fixes-vulnerabilities/

Google this week announced a new dedicated AI Vulnerability Reward Program (VRP) that builds on the 2023 Abuse VRP extension covering issues and vulnerabilities in its AI systems.

To date, bug hunters have earned more than $430,000 in rewards for AI-product related vulnerabilities, and the new VRP builds on that momentum and has been shaped based on the feedback received from participating researchers.

One of the most important aspects of the new AI bug bounty program is that prompt injections, jailbreaks, and alignment issues are not in its scope. However, Google encourages researchers to report these content-related issues as well.

“We don’t believe a Vulnerability Reward Program is the right format for addressing content-related issues. The primary goal of our VRP is to encourage researchers to report security vulnerabilities and abuse issues directly to Google, and to provide timely, valuable rewards to incentivize those reports,” Google explains.

All Google AI products, the company says, have in-product functionality that can be used to report content-based issues. Such reports should include information on the used model, context, and other metadata.

Within the AI VRP scope, however, the company has included attacks that modify a victim’s account or data, leak sensitive information without user approval, exfiltrate model parameters, lead to the persistent manipulation of a victim’s AI environment, lead to the exfiltration of data, enable server-side features without authorization, or cause persistent denial-of-service (DoS).

Attacks that enable phishing through persistent, cross-user injection of HTML code on Google-branded sites without a “user-generated content” warning are also within scope, if they are deemed a convincing attack vector.

As part of the program, Google’s AI products are split into three tiers, namely flagship (includes AI features on Google Search, Workspace core applications, and Gemini Apps), standard (AI features in AI Studio, Jules, and Google Workspace non-core applications), and other (other AI integrations in Google products, with certain exceptions).

The highest rewards offered as part of the new VRP are $20,000 for attacks leading to victim account or data modifications in flagship products. For similar attacks in standard products, researchers can earn rewards of up to $15,000.

The highest reward for sensitive data exfiltration from flagship and standard products is of $15,000. Researchers who find these issues in products from the ‘other’ tier can earn rewards of up to $10,000.

“Going forward, a unified reward panel will review all rewards, and will issue the highest reward possible across the abuse and security tables,” Google says.

Additional information on the AI VRP can be found on the program’s rules page.

Related: $4.5 Million Offered in New Cloud Hacking Competition

Related: Researchers Earn $150,000 for L1TF Exploit Leaking Data From Public Cloud

Related: Google Paid Out $12 Million via Bug Bounty Programs in 2024

Related: Microsoft Boosts .NET Bounty Program Rewards to $40,000

https://www.securityweek.com/google-offers-up-to-20000-in-new-ai-bug-bounty-program/

Il progetto “Dal PIAO alla Formazione Strategica, integrata con l’Intelligenza Artificiale (AI)” è stato candidato al Best Cases Award 2025, promosso da Interoperable Europe.

Il progetto, sviluppato e validato come prototipo in collaborazione con una amministrazione socia nell’ambito del European Digital Innovation Hub ER2Digit, presenta un modello innovativo per la formazione nella Pubblica Amministrazione.

La candidatura illustra come, attraverso l’uso della GenAI, si intende allineare in modo efficace gli obiettivi strategici del PIAO con i reali fabbisogni formativi del personale, trasformando la formazione da obbligo a leva di sviluppo.

<!-- ARUBA - 300x250 -->

Elemento chiave della soluzione è la creazione di un indice interoperabile dei corsi formativi, che permette di mappare automaticamente le esigenze emerse rispetto alle soluzioni concrete di corsi formativi presenti su Syllabus e su Accademia Digitale dei Comuni.

Il modello sarà avviato a un percorso di condivisione con la Regione Emilia-Romagna attraverso le comunità tematiche (COMTem) e dimostra come l’AI possa migliorare l’efficienza, la trasparenza e il dialogo all’interno dell’ente, ponendo le basi per una PA più reattiva e strategica.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/ai-nella-pa-il-progetto-di-er2digit-per-il-best-cases-award-2025/549724/