Domenica 8 novembre 2026
L’edizione di oggi
Millebit
AI · Software · QA · Sicurezza
Il segnale, non il rumore.

Gli articoli di Millebit sono scritti con l’intelligenza artificiale a partire da fonti citate in ogni pezzo. Come lavoriamo

Sviluppo software

Amblyotube su Quest 2 mostra come la VR tratta l'ambliopia con shader

Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.

Implementazione dichoptic separa segnali per occhio, usa MFBF, flicker a 60 Hz e calibrazione LogMAR, e registra dati clinici senza infrastrutture cloud.

Illustrazione generata con l’intelligenza artificiale

Otto settimane di test, 92 per cento di completamento medio, 0,15 logMAR di miglioramento nella misura BCVA. È il dato che apre la recensione ingegneristica di Amblyotube su Quest 2, pensata per esercizi visivi contro l’ambliopia1.

Il cuore tecnico è la resa dicoptica: ogni occhio riceve un’immagine diversa per scopi diversi. Il motore lega una texture distinta per occhio, poi un pass MFBF, Multi-Frequency Band-Filter, separa componenti a bassa e alta frequenza. Un occhio vede il bersaglio nitido. L’altro riceve uno sfondo attenuato. Così si guida l’attenzione e si bilancia lo sforzo tra i due canali visivi1.

Sulla linea dei frame, un modulo Flicker alterna a 60 Hz un segnale Magenta Cue per richiamare l’attenzione. In parallelo, Wedge Occlusion restringe dinamicamente il campo visivo. L’obiettivo è ridurre l’area di soppressione dell’occhio più debole durante l’esercizio. Tutto avviene nella pipeline grafica, come descrive chi ha analizzato l’app dal codice allo shader1.

La calibrazione usa la scala LogMAR, metrica di acuità visiva. All’avvio, il visore misura la distanza di fissazione con il sensore di profondità. Il sistema regola in tempo reale la risoluzione del render target per ciascun occhio. Un solo uniform, uLogMAR, trasporta il valore dentro lo shader. Nessun passaggio extra sulla CPU, il flusso resta in GPU1.

Contenuti e interazione puntano a latenza bassa e accessibilità. Il catalogo offline è impacchettato in asset bundle e si carica senza rete. Chi non usa i controller naviga con il tracciamento delle mani esposto da XRHandSubsystem. La logica terapeutica è incapsulata in pass personalizzati di Unity URP, Universal Render Pipeline. In caso di porting, l’autore osserva che basta sostituire gli shader per migrare la catena su altre piattaforme1.

Il nodo dell’adesione tra i 13 anni in su guida il design UX. L’app propone micro-task in forma di “daily quest” da cinque minuti, tre step in sequenza: mettere a fuoco, rispondere al flicker, regolare la wedge. A fine sessione assegna un badge. I progressi si salvano in locale e si possono condividere con genitori o personale sanitario. Nei test interni citati, la media di completamento ha raggiunto il 92 per cento in otto settimane. La misura BCVA, Best Corrected Visual Acuity, ha segnato un miglioramento medio di 0,15 logMAR sul periodo osservato1.

L’elenco delle scelte tecniche è netto: catena di shader per occhio, MFBF per separare frequenze, Flicker con Magenta Cue, Wedge Occlusion che modula il campo visivo, calibrazione automatica su base LogMAR. Tutti i moduli convergono nella resa dicoptica e girano su hardware consumer, come mostrato su Quest 21.

Chiusura d’ingegneria, non di slogan: una pipeline che ingloba la terapia consente distribuzione offline e tracciamento via hand tracking, con pochi vincoli di rete. E l’incapsulamento in URP riduce il costo del porting, perché sposta la complessità negli shader. È qui che Amblyotube indica una strada concreta per iterare rapidamente su esercizi visivi e portarli dove serve, senza toccare la logica centrale1.

Fonti

  1. 메타의 150억 달러 채권, 그리고 내 퀘스트 헤드셋 속 작은 기적: 개발자가 본 Amblyotube의 이안 시차 아키텍처 (Dichoptic Architecture) 구현기 리뷰 및 사용 후기, 약시(Lazy Eye) 치료의… dev.to · 8 novembre 2026
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici

Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:

  • Rilettura. Un passaggio toglie i tic della prosa generata da un modello, come i contrasti costruiti e le frasi che annunciano invece di informare, senza toccare fatti e fonti.
  • Fedeltà alle fonti. Un passaggio dedicato toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
  • Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
  • Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,2/10 dopo 2 revisioni.

I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.

Come funziona Millebit, nel dettaglio →

Hai trovato un errore? Segnalacelo
Tipo di segnalazione

Leggiamo ogni segnalazione. Le correzioni fatte sono elencate in Correzioni. L’email, se la lasci, serve solo a risponderti.