Google vede il grasso viscerale ma dimentica le tabelline
Google PhotoScan stima il grasso viscerale da una foto con precisione paragonabile alla DXA, ma solleva questioni di privacy e memoria AI.
La stima del grasso viscerale da foto 2D apre la strada alla valutazione del rischio metabolico, ma la memoria fragile
Immagina di scattare una foto in costume, senza elettrodi né sensori, e ottenere in pochi secondi una stima del grasso viscerale paragonabile a quella di una scansione DXA. Sembra un trucco da fiera, ma è esattamente ciò che sta uscendo dai laboratori Google.
La tecnologia PhotoScan di Google predice la resistenza insulinica con un’accuratezza comparabile alle scansioni DXA in un contesto di ricerca clinica.
Prima di esaltarci, due misure chiave. Il rapporto grasso androide/ginoide confronta il grasso stoccato nel tronco rispetto a fianchi e cosce. Il rapporto grasso viscerale/sottocutaneo distingue il grasso interno attorno agli organi da quello sottocutaneo appena sotto la pelle.
E qui la cosa si fa seria. Una massa grassa viscerale elevata e un alto A/G correlano fortemente con la prevalenza di insulino-resistenza. Non parliamo di estetica: parliamo di un campanello d’allarme metabolico.
Ma mentre la visione artificiale fa passi da gigante, c’è un cortocircuito dall’altra parte del cervello sintetico. E arriva dagli stessi laboratori.
Scaffali pieni, chiavi smarrite
Secondo la ricerca sulla fattualità parametrica, i modelli linguistici di frontiera codificano quasi tutti i fatti ma faticano a richiamarli. Il problema non è l’archiviazione.
Per Gemini-3-Pro e GPT-5, il tasso di fatti codificati raggiunge il 95-98%. Eppure questi stessi modelli falliscono nel richiamare direttamente una quota tra il 26 e il 34% dei fatti, come mostra il tasso di richiamo diretto.
Il risultato è che nei modelli di frontiera gli errori fattuali nascono sempre più da conoscenze immagazzinate ma non accessibili in modo affidabile. È la memoria parametrica fragile.
Pianificare è un’altra storia
Non basta la memoria. Una ricerca Microsoft appena pubblicata mostra che i modelli visuo-linguistici vanno forte sui compiti di ragionamento statico, ma crollano nella pianificazione interattiva. Il framework MindTopo di Microsoft ha confrontato modelli proprietari e open-weight: tutti più bravi nel ragionamento statico che nella pianificazione interattiva, e comunque ben al di sotto delle prestazioni umane.
Nel frattempo, la parte visiva continua a stupire. La stima tridimensionale di PhotoScan copre percentuale di grasso corporeo, A/G e V/S, direttamente da foto 2D standard scattate con uno smartphone.
E la precisione fa invidia: la precisione del grasso corporeo di PhotoScan supera quella dei sensori BIA degli smartwatch.
Il punto è che il framework non invasivo e scalabile di PhotoScan può avvicinare la valutazione del rischio metabolico a un pubblico enorme, senza costose scansioni.
Qui però serve la lente giusta.
Le foto del corpo sono dati sanitari a tutti gli effetti: chi le conserva, come vengono usate, con chi vengono incrociate? Google ha un curriculum complicato sulla gestione dei dati. Prima di esultare per la diagnosi tascabile, vale la pena chiedersi se il prezzo sia consegnare un’immagine intima a un algoritmo che, ironia della sorte, potrebbe non ricordare perché l’ha richiesta.
Quello che vedo all’orizzonte è una specializzazione sempre più spinta: da un lato computer vision capace di leggere il corpo come una risonanza, dall’altro modelli linguistici brillanti ma con vuoti di memoria da correggere con strumenti esterni. La sfida non sarà solo tecnica, ma anche di fiducia. Teniamo d’occhio le prossime iterazioni di PhotoScan e le soluzioni ibride che affiancano reti neurali a database di fatti.
