La sicurezza di Google Cloud è in mano all’AI (mentre un altro modello crea video da un prompt testuale)

📌 In Sintesi

• Google introduce un ecosistema di agenti AI autonomi per proteggere il ciclo di sviluppo software e ridurre il tempo di risposta alle vulnerabilità.
• AlphaEvolve accelera fino a quattro volte la simulazione molecolare di Schrödinger, riducendo drasticamente i tempi di ricerca scientifica.
• I nuovi modelli Nano Banana 2 Lite e Gemini Omni Flash ampliano le capacità generative per immagini e video con maggiore velocità ed efficienza.

L’intelligenza artificiale non è più soltanto uno strumento destinato agli utenti finali, ma sta diventando un elemento strutturale dell’infrastruttura tecnologica di Google. L’azienda ha illustrato una serie di sviluppi che coinvolgono tre aree strategiche: la protezione automatizzata di Google Cloud, l’accelerazione della ricerca scientifica attraverso AlphaEvolve e il rilascio di nuovi modelli generativi dedicati a immagini e video. Pur appartenendo a settori differenti, questi annunci condividono una filosofia comune: affidare agli agenti AI compiti sempre più complessi, riducendo l’intervento umano nelle attività ripetitive e aumentando velocità, precisione e capacità di adattamento. Dalla sicurezza del software alla progettazione di nuove molecole, fino alla creazione di contenuti multimediali, Google sta trasformando l’AI in un’infrastruttura operativa capace di collaborare con sviluppatori, ricercatori e creativi.

Google Cloud punta sulla sicurezza autonoma guidata da agenti AI

La novità più significativa riguarda Google Cloud Security, dove l’azienda sta implementando un modello di difesa completamente agentico distribuito lungo l’intero Software Development Lifecycle (SDLC). L’obiettivo è rispondere a un panorama di minacce sempre più influenzato dall’intelligenza artificiale, in cui gli aggressori riescono a individuare e sfruttare vulnerabilità molto più rapidamente rispetto ai tradizionali cicli di patching. Google intende quindi sostituire parte delle attività manuali con una rete di agenti AI specializzati, capaci di analizzare codice, verificare configurazioni, individuare anomalie, generare patch e monitorare continuamente la postura di sicurezza delle applicazioni. Il principio è semplice: se gli attaccanti sfruttano l’automazione, anche la difesa deve operare alla stessa velocità.

Agenti specializzati seguono tutto il ciclo di sviluppo

L’architettura sviluppata da Google suddivide il lavoro tra agenti con competenze differenti che collaborano in maniera coordinata. Durante la progettazione, gli agenti confrontano automaticamente i nuovi servizi con un catalogo dinamico composto da oltre 200 requisiti di sicurezza, segnalando agli ingegneri soltanto i casi realmente critici. Il tradizionale threat model statico viene sostituito da un dossier evolutivo che si aggiorna continuamente durante lo sviluppo. Successivamente entra in funzione Mantis, framework multi-agente progettato per l’analisi contestuale dei repository software. Il sistema costruisce una rappresentazione gerarchica del codice, condensando il contenuto dei repository fino a ridurre di oltre l’85% il consumo di token necessari per l’elaborazione, mantenendo comunque il contesto strutturale utile all’analisi.

Mantis combina analisi del codice e verifica automatica

All’interno di Mantis operano agenti differenti con responsabilità complementari. Uno stratega individua i punti più critici analizzando struttura del software, dipendenze e modelli di minaccia. Altri agenti ricostruiscono i flussi dei dati, la logica di sanitizzazione e il percorso delle informazioni sensibili. Una fase successiva elimina duplicazioni e falsi positivi, mentre una sandbox dedicata esegue automaticamente proof-of-concept generati dall’intelligenza artificiale per verificare se una vulnerabilità sia realmente sfruttabile. Solo dopo questa validazione gli sviluppatori ricevono una segnalazione. Questo approccio riduce drasticamente il rumore tipico degli scanner tradizionali, che spesso producono migliaia di allarmi inutilizzabili.

Fuzz testing, patch automatiche e apprendimento continuo

Google integra inoltre un sistema di fuzz testing auto-adattivo che combina analisi statica e test dinamici. Gli agenti costruiscono automaticamente gli harness di test, compilano il codice, correggono errori generati durante la costruzione e modificano progressivamente gli input per esplorare percorsi applicativi sempre più complessi. Quando viene identificata una vulnerabilità, il flusso passa alla pipeline di patching AI, dove un agente riproduce il problema, un secondo ricostruisce il contesto tecnico e un terzo propone una correzione. Le modifiche vengono ricompilate, testate e validate automaticamente prima della revisione umana. Un ulteriore agente di riflessione analizza i risultati di ogni intervento e aggiorna una base di conoscenza condivisa, permettendo agli agenti successivi di migliorare progressivamente le proprie capacità. L’obiettivo dichiarato è costruire software sempre più “immune”, capace di individuare e correggere autonomamente gran parte delle proprie vulnerabilità.

AlphaEvolve riduce drasticamente i tempi della ricerca molecolare

L’intelligenza artificiale viene applicata anche alla ricerca scientifica attraverso la collaborazione tra Google DeepMind e Schrödinger, specializzata nella simulazione computazionale di molecole. Il protagonista è AlphaEvolve, agente AI progettato per ottimizzare automaticamente algoritmi e codice scientifico. L’intervento si è concentrato su due elementi fondamentali dei Machine Learned Force Fields (MLFF): il calcolo delle neighbor list e la Ewald summation, uno dei principali colli di bottiglia computazionali delle simulazioni molecolari. AlphaEvolve ha riscritto parti del codice sostituendo implementazioni tradizionali con versioni parallele basate su moltiplicazioni matriciali batch, ottenendo un’accelerazione di circa quattro volte sia nella fase di addestramento sia durante l’inferenza. Il throughput è passato da un indice di circa 7,9 a valori prossimi a 30, mentre la percentuale di programmi contemporaneamente corretti e più veloci del codice originale è salita da meno dell’1% a oltre il 60%. Per Schrödinger questo significa comprimere attività che richiedevano mesi in processi completabili nell’arco di pochi giorni, con impatti diretti sulla scoperta di nuovi farmaci, materiali avanzati e catalizzatori industriali.

Nano Banana 2 Lite rende più veloce la generazione di immagini

Sul fronte dell’AI generativa, Google amplia la piattaforma Gemini Enterprise Agent Platform introducendo Nano Banana 2 Lite, identificato anche come Gemini 3.1 Flash-Lite Image. Il modello è progettato per offrire il miglior equilibrio tra qualità, velocità e costi nella generazione di immagini. È in grado di produrre nuove immagini in circa quattro secondi, caratteristica che lo rende particolarmente adatto a workflow iterativi come campagne pubblicitarie, A/B testing, concept art, virtual try-on nell’e-commerce e progettazione grafica assistita. Google evidenzia miglioramenti nella conoscenza del contesto, nella coerenza dei personaggi e nella generazione di testo leggibile direttamente all’interno delle immagini. Per garantire tracciabilità e autenticità, tutte le immagini includono di default credenziali C2PA e watermark invisibili SynthID, strumenti ormai centrali nella strategia dell’azienda contro la manipolazione dei contenuti digitali.

Gemini Omni Flash porta l’editing video nell’era conversazionale

La seconda novità riguarda Gemini Omni Flash, disponibile inizialmente in public preview. Il modello amplia le capacità multimodali di Gemini consentendo la generazione e la modifica di video attraverso semplici istruzioni in linguaggio naturale. Supporta input testuali, immagini e video, generando automaticamente anche la componente audio sincronizzata. Tra le funzionalità principali figurano la sostituzione di personaggi, il relighting delle scene, la modifica dell’inquadratura, la variazione dello stile visivo e il mantenimento della coerenza narrativa durante l’intero processo di editing.

Grazie alla conoscenza del mondo incorporata nel modello, Gemini Omni Flash riesce a interpretare contesti culturali, fenomeni fisici e informazioni storiche, migliorando la qualità delle produzioni generate. Il modello è pensato per workflow creativi completamente agentici, nei quali la produzione, la revisione e il perfezionamento dei contenuti possono essere eseguiti senza cambiare piattaforma.

Un’unica strategia per sicurezza, ricerca e creatività

Gli annunci di Google mostrano come l’azienda stia estendendo l’intelligenza artificiale ben oltre il ruolo di semplice assistente conversazionale. Gli agenti autonomi vengono utilizzati per proteggere infrastrutture cloud, migliorare il ciclo di sviluppo software e ridurre drasticamente il tempo necessario alla correzione delle vulnerabilità. Parallelamente, sistemi come AlphaEvolve dimostrano che l’AI può contribuire direttamente all’innovazione scientifica, accelerando simulazioni fondamentali per la ricerca farmaceutica e la progettazione di nuovi materiali. Infine, con Nano Banana 2 Lite e Gemini Omni Flash, Google rafforza la propria offerta di modelli generativi puntando su velocità, efficienza e integrazione nei workflow professionali. Nel loro insieme, queste iniziative delineano una strategia in cui l’intelligenza artificiale diventa un’infrastruttura trasversale, capace di intervenire nella sicurezza, nella ricerca e nella produzione di contenuti con livelli di automazione sempre più elevati.