Olimpiadi Internazionali di Intelligenza Artificiale

Qualche giorno fa si è conclusa la terza edizione delle Olimpiadi Internazionali di Intelligenza Artificiale (IOAI 2026) ad Astana nel Kazakistan (2–8 agosto 2026).

La IOAI è un evento importante dal punto di vista informatico ma anche sportivo, soprattutto in questi tempi. All’edizione delle Olimpiadi Internazionali di Intelligenza Artificiale (IOAI 2026) ad Astana hanno partecipato 440 studenti di scuola superiore provenienti da oltre 50 Paesi. La maggior parte delle nazioni principali ha schierato una delegazione composta da 8 atleti (suddivisi in due sotto-squadre durante la competizione a squadre). Ogni sotto-squadra ha affrontato sfide complesse di programmazione e intelligenza artificiale, mettendo alla prova le proprie competenze. Nello specifico dell’Individual Contest, i partecipanti hanno affrontato 6 task pratici (task 1–3 nella prima giornata, task 4–6 nella seconda). Le sfide non richiedono semplicemente concetti teorici, ma la scrittura e l’ottimizzazione reale di modelli di Machine Learning:

• Computer Vision (CV): task incentrati sul riconoscimento visivo e l’elaborazione di immagini (es. segmentazione, classificazione di immagini atipiche o rumorose, tracciamento di oggetti).
• Natural Language Processing (NLP): problemi basati sulla comprensione e generazione del testo tramite modelli linguistici (LLM, analisi del sentimento, classificazione o traduzione specialistica).
• Machine Learning & Data Science: algoritmi di predizione, ottimizzazione di iperparametri e gestione di dataset complessi o sbilanciati.
• Affinamento e Prompt Engineering/Fine-Tuning: creazione di soluzioni specifiche “anti-brute-force” capaci di far girare e addestrare i modelli in tempi e risorse di calcolo ristretti.

Per chi fosse curioso, il regolamento di partecipazione è reperibile online qui mentre una raccolta di fotografie è reperibile qui.

Il medagliere

La vincitrice della competizione è stata la Russia seguita dal Kazakistan e dalla Cina, nello specifico:

È opportuno notare che Gorokhov è stato l’unico partecipante ad aver ottenuto il punteggio pieno di 100/100 sul Task 6. Gorokhov è attivo nella community open source su GitHub (username gotheartem), dove condivide repository legati a soluzioni di machine learning, contest di Data Science e progetti su Large Language Models (LLM) e computer vision. Ha partecipato a diversi hackathon e sfide competitive di AI (tra cui quelle organizzate da Yandex e AIIJC su modelli linguistici e vision).

L’Italia ha partecipato con i seguenti risultati:

Il medagliere funzionava così:

• Medaglia d’oro dal 1° al 37° classificato
• Medaglia d’argento dal 38° al 110° classificato
• Medaglia di bronzo dal 111° al 220° classificato

Andrea Rosso, pertanto, ha vinto una medaglia d’argento mentre Benassai, Giacomi e Cigaina hanno conquistato un bronzo ciascuno. Ci sono poi le menzioni d’onore che sono state conferiti a specifi studenti che, pur non avendo vinto, si sono distinti per specifici task.

Le sfide

Come già accennato le sfide sono state suddivise in vari giorni, di seguito alcune informazioni utili.

Giorno 1

• Find the Order. Lo scopo era ricostruire il corretto ordine cronologico di un dialogo audio in inglese tra due parlanti. Ogni conversazione era divisa in diversi frammenti audio (.wav) mescolati in modo casuale; venivano forniti solo i primi due frammenti per indicare l’inizio della traccia. I concorrenti dovevano combinare modelli di riconoscimento vocale e rappresentazione audio (Whisper, wav2vec 2.0) con modelli linguistici (LLM come Qwen) per analizzare la coerenza semantica e il flusso del discorso. È stato uno dei problemi più selettivi della prima giornata.
• Robot Chasing. La sfida consisteva nel prevedere le traiettorie e controllare l’inseguimento di un target da parte di un agente robotico autonomo. A partire da sequenze di immagini e dati sensoriali di movimento, l’algoritmo doveva stimare la posizione futura di un oggetto/robot in movimento continuo. Gestire l’accumulo di errore nelle predizioni temporali e bilanciare modelli di visione ad alta frequenza con filtri di tracciamento dello stato in tempo reale.
• Potato (Potato Dilemma). Si è trattato di un problema complesso di modellazione e classificazione su dati strutturati/tabulari sbilanciati o affetti da rumore. È stato il task che ha registrato la media punteggio più bassa della prima giornata e richiedeva tecniche avanzate di feature engineering, preprocessing dei dati e calibrazione dei modelli di machine learning sotto forte vincolo di memoria (GPU limitata a ~16 GB VRAM).

Giorno 2

• Double Agent Dilemma. La prova consisteva nell’identificare comportamenti anomali o “doppio gioco” all’interno di dinamiche di interazione tra agenti; trovare pattern nascosti e incoerenze decisionali in ambienti cooperativi/competitivi simulati. È stato il task con la media punteggio più alta dell’intero torneo, registrando anche diversi punteggi pieni (100/100).
• Ghost of the Machine. Lo scopo era isolare o ricostruire segnali e strutture da immagini o dati “fantasma” fortemente degradati e distorti e quindi sviluppare modelli capaci di eliminare artefatti visivi complessi o rumore sintetico per recuperare l’informazione o l’oggetto originale privo di alterazioni.
• IOAI Field. Lo scopo era ottimizzare il comportamento di agenti all’interno di un ambiente virtuale (un “campo” con ostacoli e regole dinamiche) e quindi sviluppare politiche di reinforcement learning efficienti o algoritmi di ricerca euristica per massimizzare il punteggio nel minor numero di passi possibili. È stato il task con il minor numero di “punteggi zero”, permettendo a molti studenti di accumulare punti preziosi per la classifica generale.

Richiami di guerra

Chi tra i lettori ha traslato queste sfide in un contesto bellico non ha sbagliato, anzi si potrebbe affermare senza timore di smentita che molte delle tecniche affrontate in queste sfide riflettono direttamente le priorità dello sviluppo tecnologico e militare contemporaneo. Sebbene le competizioni accademiche nascano per spingere la ricerca teorica e l’ingegneria del software, i principi matematici e di machine learning applicati sono del tutto “dual-use” (a duplice uso, civile e militare). Si potrebbe quindi riconsiderare le sfide sopra elencate in un contesto bellico e provare a valutarne l’impatto sul teatro operativo.

• Robot Chasing (tracciamento e inseguimento): è il cuore dei sistemi di tracciamento per droni autonomi e munizioni loitering (droni suicidi). Consente a un vettore di inseguire un bersaglio in movimento (come un veicolo) anche in caso di interferenze visive o di perdita temporanea del segnale GPS. Se ne sta parlando molto negli ultimi anni nel conflitto Russia – Ucraina.
• Double Agent Dilemma (game theory e contromisure): trova applicazione nella guerra informativa, nella cybersecurity e nella contro-intelligence. Aiuta a identificare bot, agenti infiltrati in reti di comunicazione o comportamenti anomali all’interno di sistemi di comando e controllo.
• Ghost of the Machine (ricostruzione di segnali e immagini): trova impiego diretto nella ricognizione e nella sorveglianza (ISR – Intelligence, Surveillance, and Reconnaissance). Permette di ripulire immagini satellitari o riprese da droni coperte da fumo, nebbia, camuffamenti o disturbi ottici/elettromagnetici.
• IOAI Field (navigazione e autonomia in ambienti complessi): è fondamentale per la guida autonoma di sciami di droni o veicoli terrestri (UGV) che devono navigare in territori ostili, schivare ostacoli e riorganizzarsi sul campo senza l’intervento umano diretto.
• Find the Order (elaborazione di audio e Intercettazioni): viene utilizzato dall’intelligence per la SIGINT (Signals Intelligence): analizzare, riordinare, trascrivere e sintetizzare grandi moli di intercettazioni ambientali o radio interrotte o disturbate.
• Potato Dilemma (ottimizzazione su dati complessi e rumorosi): trova applicazione nella logistica di guerra, nell’analisi predittiva dei flussi di rifornimento e nella modellazione dei rischi operativi in tempo reale.

Conclusioni

Le olimpiadi di intelligenza artificiale ad Astana non hanno rappresentato soltanto una vetrina di straordinaria eccellenza scientifica e ingegneristica ma anche una fotografia nitida dell’accelerazione che la disciplina sta vivendo a livello globale. I si sono sfidati su problemi pratici ed estremamente complessi: dal tracciamento ottico in tempo reale all’elaborazione di segnali degradati, fino alla gestione di ambienti cooperativi e competitivi complessi. Si tratta di sfide che richiedono un livello di intuizione e padronanza tecnica che fino a pochi anni fa era appannaggio esclusivo dei principali laboratori di ricerca industriali e universitari.

Il quadro che ne emerge porta con sé una profonda ambivalenza: la quasi totalità degli algoritmi e delle architetture di machine learning sviluppate durante queste prove rientra a pieno titolo nella categoria della tecnologia dual-use. Le medesime soluzioni capaci di ottimizzare la navigazione di droni per consegne di soccorso, di ricostruire immagini mediche danneggiate o di analizzare conversazioni per proteggere la sicurezza cibernetica di un paese, possono essere utilizzate anche per sistemi d’arma autonomi, intercettazioni di intelligence e tattiche di guerra elettronica su scala inedita. Questa intrinseca natura ambivalente dell’IA rende il confine tra progresso civile e applicazione bellica estremamente labile e sfumato.

Vale la pena riflettere a fondo su tali implicazioni, perché in futuro le conseguenze potrebbero essere tutt’altro che trascurabili.