C’è un dato che aiuta a mettere tutto in prospettiva.

Il cervello umano consuma circa 20 watt. Meno di una lampadina a basso consumo. Eppure produce ragionamento, linguaggio, percezione, memoria, creatività — tutto quello che i sistemi di AI moderni cercano, in qualche misura, di replicare funzionalmente.

I modelli di AI più avanzati consumano, solo durante l’addestramento, energie nell’ordine di decine di gigawattora. In inferenza — ogni volta che un utente fa una domanda — consumano ordini di grandezza più di un neurone biologico per produrre una singola risposta. E questo su scala globale, milioni di richieste al giorno.

Non è un dato per condannare la tecnologia. È un dato per capire dove siamo. Stiamo costruendo sistemi straordinariamente capaci con una efficienza energetica che non ha nulla a che vedere con il sistema biologico che, in qualche modo, ci ha ispirato. E i limiti di questa distanza stanno diventando visibili — nell’energia, nell’acqua necessaria per raffreddare i data center, nei costi infrastrutturali che crescono con la scala.

La domanda non è se questi limiti esistano. È cosa succede quando diventano il vincolo principale.

Il costo dell’approccio attuale

Il consumo energetico dei sistemi di AI non è un problema tecnico in attesa di soluzione. È la conseguenza diretta di come questi sistemi sono stati costruiti.

L’approccio dominante degli ultimi anni ha seguito una logica precisa: più dati, più parametri, più potenza computazionale produce modelli più capaci. E ha funzionato — i risultati sono stati straordinari. Ma ogni salto di capacità ha richiesto un salto corrispondente di risorse. Modelli dieci volte più grandi non consumano dieci volte di più — consumano molto di più, perché la complessità delle operazioni cresce in modo non lineare.

I data center che ospitano questi sistemi sono infrastrutture industriali di prima grandezza. Consumano elettricità in quantità che si misurano in gigawatt. E per mantenere i sistemi di calcolo a temperature operative, consumano acqua — milioni di litri al giorno nei centri più grandi. Non è un dettaglio marginale. È un vincolo fisico che scala con la domanda.

Finché la domanda di AI cresce — e sta crescendo — cresce anche questo vincolo. E a un certo punto la domanda non è più solo tecnica. Diventa sistemica: quante risorse è sostenibile dedicare a questi sistemi, e a quali condizioni?

Cambiare il punto di vista sul problema

Di fronte a un limite, la risposta più immediata è spingere oltre — più potenza, più infrastruttura, più investimento. È la strada che l’AI ha seguito finora, e ha prodotto risultati reali. Ma è una strada che ha un costo crescente e un rendimento che prima o poi si appiattisce.

Esiste un’altra strada. Non sempre percorribile, ma quando lo è produce risultati più robusti con meno risorse. Consiste nel cambiare il punto di vista sul problema invece di aumentare la forza applicata per risolverlo.

Le torri gravitazionali per lo stoccaggio energetico ne sono un esempio preciso. Il problema dello storage non è stato risolto cercando batterie chimiche sempre più dense e sofisticate. È stato riformulato: invece di trasformare l’energia in chimica, la si sposta nello spazio. Massa, gravità, altezza. Una legge fisica elementare, nessun materiale esotico, nessuna chimica sofisticata. Meno elegante tecnologicamente, più robusta sistemicamente.

Nell’AI questa strada esiste e viene già esplorata. Tecniche come il pruning — eliminare i parametri che contribuiscono poco al risultato — e la quantizzazione — ridurre la precisione numerica dei calcoli senza perdere qualità significativa — vanno in questa direzione. Modelli più compatti, hardware specializzato, architetture sparse che attivano solo le parti necessarie per ogni specifico compito. Non più potenza — più intelligenza nel modo in cui la potenza viene usata.

Il cervello umano, con i suoi 20 watt, fa esattamente questo. Non è potente in senso assoluto. È straordinariamente efficiente nel selezionare cosa attivare e quando. È un’architettura che ha risolto il problema dell’energia non aumentando le risorse disponibili, ma ottimizzando radicalmente il loro utilizzo.

Non sappiamo ancora se e quando l’AI raggiungerà un livello di efficienza paragonabile. Ma la direzione è quella. E i limiti energetici e infrastrutturali che si stanno manifestando stanno rendendo quella direzione non solo interessante, ma necessaria.

Il lavoro e la diseguaglianza

L’impatto dell’AI sul lavoro non è un fenomeno nuovo nella sua struttura. È una transizione tecnologica — e le transizioni tecnologiche hanno una storia abbastanza lunga da poter essere osservate con una certa distanza.

La rivoluzione industriale inglese ha ridisegnato radicalmente dove si trovava il valore economico, chi lo produceva e come veniva organizzato il lavoro. Ha generato eccessi in entrambe le direzioni — chi ha accelerato senza misura, chi ha resistito con altrettanta forza. Il luddismo non era irrazionale — era la risposta di chi vedeva il proprio mondo cambiare più velocemente di quanto riuscisse ad adattarsi.

Prima che il sistema trovasse un nuovo equilibrio è passato del tempo. E in quel tempo ci sono stati costi reali per le persone.

L’AI introduce una variabile nuova rispetto alle rivoluzioni precedenti: automatizza non solo lavoro fisico ripetitivo, ma attività cognitive. Questo sposta il confine più in alto nella catena del valore. Quali competenze diventano meno richieste, quali diventano più richieste, come si ridisegnano i ruoli — sono domande aperte, le cui risposte dipenderanno da come la tecnologia viene adottata e in quali contesti.

C’è però un rischio che si aggiunge a quello della disoccupazione tecnologica, e che merita attenzione. Quando uno strumento diventa necessario per partecipare alla società e all’economia, il controllo sull’accesso a quello strumento diventa controllo sulla mobilità sociale. È successo con l’istruzione, con internet, con lo smartphone. Con l’AI il rischio ha una forma concreta: modelli di servizio differenziati, costi crescenti, livelli di accesso che non tutti possono permettersi. Chi ha accesso agli strumenti migliori produce di più, compete meglio, guadagna di più. Chi non ce l’ha rimane indietro — non per mancanza di capacità, ma per mancanza di accesso.

Quello che la storia suggerisce è che le transizioni tecnologiche non seguono traiettorie lineari. Producono eccessi, resistenze, aggiustamenti. E che il problema raramente è la tecnologia in sé — è la velocità con cui i sistemi umani riescono ad adattarsi, e le condizioni di accesso entro cui quella transizione avviene.

La privacy

La privacy è uno di quei temi su cui le narrazioni divergono in modo significativo. C’è chi la considera un diritto fondamentale, parte integrante della dignità personale. C’è chi la percepisce come un ostacolo all’innovazione — un vincolo burocratico che rallenta lo sviluppo di tecnologie utili. C’è chi, più semplicemente, non la considera un problema reale finché non diventa personale e concreta.

Queste narrazioni non sono solo opinioni diverse sullo stesso fatto. Riflettono valori diversi, esperienze diverse, e spesso interessi diversi. E quando si incontrano nel dibattito pubblico tendono a produrre più rumore che comprensione.

Il quadro legale esiste per mediare tra queste posizioni. Normative come il GDPR in Europa hanno cercato di formalizzare diritti e responsabilità — chi raccoglie dati, per quale scopo, con quali garanzie. Non è una soluzione definitiva, ma è una cornice che orienta. E che riconosce implicitamente che la privacy non è solo una preferenza individuale — è una condizione che riguarda la struttura del potere: chi controlla le informazioni, e cosa può farne.

Il fatto che le violazioni esistano non riduce il valore della norma — lo conferma. Una violazione è riconoscibile come tale solo perché esiste un riferimento rispetto a cui misurarla. Senza norma, quello che oggi è uno scandalo sarebbe semplicemente prassi ordinaria.

Nel contesto dell’AI questo tema diventa più acuto. I sistemi di AI apprendono dai dati — e spesso quei dati riguardano persone. Dove risiedono quei dati, chi li controlla, chi può accedervi non sono dettagli tecnici. Sono scelte che determinano il livello reale di riservatezza.

Ed è qui che la tecnica offre una risposta concreta. La distinzione tra AI cloud e AI locale non è solo una questione architetturale. Un sistema cloud elabora i dati su infrastrutture esterne — l’utente non controlla dove vanno, chi li vede, come vengono conservati. Un sistema locale elabora i dati sul dispositivo dell’utente — i dati non escono, il controllo rimane vicino a chi li produce.

Non è una soluzione per tutti i casi. Ma è una scelta disponibile, e sempre più praticabile. E in certi contesti — professionale, sanitario, legale — può fare la differenza tra un sistema che tutela e uno che espone.

Conclusione

L’intelligenza artificiale non è la prima tecnologia a generare aspettative eccessive e timori altrettanto eccessivi. Non sarà l’ultima. Le transizioni tecnologiche seguono dinamiche che la storia ha già mostrato — eccessi, resistenze, aggiustamenti, nuovi equilibri. Con costi reali nel mezzo, e risultati che raramente corrispondono esattamente a quello che era stato previsto in un senso o nell’altro.

Essere a favore o contro non cambia la traiettoria del fenomeno. Lo osserva da fuori, senza influenzarlo.

Quello che cambia la traiettoria — almeno a livello individuale e collettivo — è la comprensione. Sapere da dove viene questa tecnologia, come funziona, quali limiti presenta, quali vincoli strutturali sta incontrando. Non per diventare esperti, ma per smettere di essere spettatori passivi di una narrazione costruita da altri.

La conoscenza non elimina l’incertezza. Ma trasforma il modo in cui ci si muove dentro di essa.

La scelta di Turing

Nei primi anni cinquanta Alan Turing si trovava di fronte a una domanda che nessuno sapeva come affrontare: è possibile costruire una macchina che pensi?

Il problema era che nessuno sapeva rispondere a una domanda ancora più fondamentale: cosa significa pensare?

Turing non ha cercato di rispondere. Ha fatto qualcosa di diverso — e, a guardarlo in retrospettiva, di molto più utile. Ha spostato la domanda.

Non “cos’è l’intelligenza”, ma “come si manifesta”. Non la natura del fenomeno, ma il suo comportamento osservabile. Se un sistema produce risposte indistinguibili da quelle di un essere umano, ai fini pratici è rilevante sapere se “pensa davvero”?

È una mossa che somiglia a quella di un ingegnere alle prese con un problema impossibile: invece di affrontarlo dove è irrisolvibile, lo sposta dove diventa trattabile. Come chi deve incartare caramelle e invece di progettare mani meccaniche che replicano il gesto umano costruisce un nastro, un dispenser, due pulegge controrotanti. La caramella è incartata. Il problema è risolto. Nessuno ha speso un secolo a replicare quello che già sapeva fare la natura.

Questa scelta non è una semplificazione. È una scelta metodologica precisa — la stessa che la scienza fa ogni volta che un fenomeno è troppo complesso per essere compreso nella sua interezza: si costruisce un modello che ne cattura gli aspetti essenziali e lo si mette alla prova. Se funziona, lo si usa. Se sbaglia, lo si corregge. La perfezione non è il punto di partenza — è, semmai, un orizzonte. Come è sempre stato in ogni campo della conoscenza umana.

L’approssimazione non è un difetto

L’obiezione più comune all’intelligenza artificiale è che sbaglia. È vera. I sistemi di AI producono risultati probabilistici, non certezze. A volte sbagliano in modo evidente, a volte in modo sottile.

Ma vale la pena fermarsi un momento su questa obiezione, perché contiene un’assunzione implicita che merita di essere esaminata: che sbagliare sia un difetto specifico dell’AI, qualcosa che la distingue da un sistema di ragionamento più affidabile.

Anche gli esseri umani ragionano per inferenze costruite su esperienze parziali, analogie, pattern riconosciuti nel tempo. Non accediamo alla realtà direttamente — la interpretiamo attraverso modelli mentali che si sono formati nel tempo e che possono essere sbagliati. Se così non fosse, gli esseri umani non sbaglierebbero mai. E invece sbagliano — medici, ingegneri, giudici, scienziati. Non per incompetenza, ma perché operare in condizioni di incertezza e informazione incompleta è la condizione normale di qualsiasi sistema che ragiona sul mondo reale.

La differenza tra AI e intelligenza umana non è che una approssima e l’altra no. È che approssimano con strumenti diversi, su substrati diversi, con storie diverse.

Quello che conta, in entrambi i casi, è la prova. Il sistema — umano o artificiale — produce un risultato, lo confronta con la realtà, si corregge. La conoscenza non avanza per rivelazioni complete. Avanza per tentativi, errori e correzioni. Come è sempre stato in ogni campo della conoscenza umana.

Il confronto sbagliato

Tutto questo non porta a concludere che l’AI sia equivalente all’intelligenza umana, né che la superi o la minacci. Porta a qualcosa di più utile: riconoscere che il confronto stesso è mal posto.

AI e intelligenza umana non sono due versioni della stessa cosa che competono sullo stesso terreno. Sono sistemi che elaborano informazione in modi diversi, con strumenti diversi, per scopi che possono essere complementari. Confrontarli come se fossero la stessa categoria è un errore categoriale — come chiedersi se un martello è migliore o peggiore di una mano.

Guardare solo i successi dell’AI porta a sopravvalutarla. Guardare solo i difetti porta a ignorarne il valore reale. Entrambe le posizioni hanno in comune una cosa: non stanno osservando. Stanno cercando conferme a una conclusione già formata.

La domanda utile non è “l’AI è meglio o peggio dell’intelligenza umana”. È più concreta: cosa sa fare, cosa non sa fare, in quali condizioni produce valore, in quali condizioni produce danno. Domande operative, non ideologiche.

È da qui che ha senso partire per guardare quello che l’AI produce nel mondo reale — nei sistemi di lavoro, nelle infrastrutture energetiche, nella gestione dei dati personali. Non per giudicare, ma per capire.

Cosa sono i parametri

Per capire perché il funzionamento interno di un modello non è direttamente leggibile, è utile capire cosa sono i parametri — o pesi — di cui si parla quando si descrive una rete neurale.

Un parametro è un valore numerico. Un modello moderno ne contiene miliardi. Non sono istruzioni scritte da un progettista — nessuno li ha definiti uno per uno. Emergono da un processo: durante l’addestramento il modello elabora enormi quantità di dati, confronta le proprie risposte con i risultati attesi, e aggiusta progressivamente questi valori per ridurre l’errore. Miliardi di piccole correzioni ripetute miliardi di volte.

La conoscenza del modello non è scritta da nessuna parte in forma esplicita. È distribuita attraverso questi miliardi di valori numerici che interagiscono tra loro — i parametri. Ciascuno di essi, preso singolarmente, non significa nulla. È la loro interazione complessiva che codifica relazioni, pattern, associazioni apparse con frequenza significativa nei dati di addestramento. Non concetti espliciti, non regole dichiarate — strutture statistiche profonde che il modello ha imparato a riconoscere.

È questa struttura che orienta il comportamento ad ogni passo. Quando il modello riceve un testo, lo trasforma in valori numerici e li processa attraverso strati successivi — in ciascuno i parametri determinano quanto ogni elemento contribuisce all’uscita. Il risultato finale non è una risposta certa, ma una distribuzione di probabilità: quale parola o concetto è più probabile dato tutto ciò che è venuto prima. La scelta di procedere in una direzione piuttosto che in un’altra emerge da questa distribuzione, ad ogni passo.

Non c’è un parametro che rappresenta il concetto di giustizia, o una regola che decide come rispondere a una domanda specifica. C’è un sistema che ha imparato a produrre risposte coerenti attraverso un processo che nessuno ha progettato nel dettaglio. Ed è questa la ragione profonda per cui il comportamento emerge dall’addestramento e non può essere controllato istruzione per istruzione.

La black box

C’è un aspetto dei modelli di AI moderni che genera disorientamento, anche tra chi li usa con competenza: non sono leggibili come un programma tradizionale.

Un software classico ha una logica esplicita — si può seguire il percorso dal dato in ingresso al risultato in uscita, istruzione per istruzione. Un modello di AI funziona diversamente. Il comportamento emerge dall’interazione tra miliardi di parametri che si sono formati durante l’addestramento. Non c’è una riga di codice che dice “in questo caso rispondi così”. C’è un sistema che ha appreso pattern da enormi quantità di dati e che produce risposte sulla base di quella struttura interna.

Questo introduce un limite reale: non sempre è possibile ricostruire in modo semplice il percorso che porta a una determinata risposta. È quello che viene chiamato il problema della interpretabilità — o, con una metafora meno precisa ma più diffusa, il problema della black box.

Vale la pena però non fermarsi alla metafora. La black box non significa che il sistema sia arbitrario o incontrollabile. Significa che il livello di controllo è diverso da quello a cui siamo abituati. Si governa attraverso i dati di addestramento, i criteri di valutazione, i processi di verifica dei risultati. Non istruzione per istruzione, ma a livello sistemico.

È un tipo di governo meno familiare, ma non per questo assente.

Il tema del controllo

Una preoccupazione che emerge spesso, e che merita di essere presa sul serio, riguarda la possibilità che chi costruisce questi sistemi possa orientarli intenzionalmente — far sì che il modello risponda in un certo modo su argomenti specifici, favorendo una lettura piuttosto che un’altra.

La preoccupazione è legittima. Ma la versione che circola più spesso contiene un’imprecisione che vale la pena chiarire.

Un modello di AI non funziona come un programma in cui si può scrivere una istruzione che dice “su questo argomento, sostieni questa posizione”. I parametri emergono dall’addestramento su enormi quantità di dati — non sono assegnati uno per uno da un progettista. Non esiste una leva che controlli nel dettaglio una singola risposta su un singolo argomento.

Le influenze esistono, ma operano a un livello diverso: nella selezione dei dati di addestramento, nei criteri con cui il modello viene valutato e corretto, nelle scelte architetturali. Sono influenze reali, ma sistemiche e difficili da isolare con precisione.

C’è inoltre un elemento strutturale che vale la pena considerare. Un modello orientato intenzionalmente verso una lettura specifica lavora contro la propria utilità. La forza di questi sistemi sta nella coerenza su un dominio vastissimo di domande. Distorcere i pesi per favorire una esegesi su certi argomenti produce incoerenze che si propagano in modo imprevedibile su tutto il resto — risposte fallaci, comportamenti che lo stesso progettista non riesce a controllare. Un sistema di scarsa qualità perde appetibilità, credibilità, valore. Chi volesse orientarlo in modo fine si troverebbe di fronte a un paradosso: più cerca il controllo, più degrada il sistema.

Il problema reale non è quindi il controllo deterministico della singola risposta. È la governance dei processi che producono il modello: chi seleziona i dati, chi definisce i criteri di valutazione, chi verifica i risultati. Sono queste le domande rilevanti.

L’intelligenza artificiale è oggi presente in strumenti che molti usano ogni giorno. Eppure la discussione pubblica oscilla quasi sempre tra due posizioni: chi la presenta come una tecnologia che cambierà tutto, e chi la percepisce come un rischio difficile da definire ma impossibile da ignorare.

Entrambe le posizioni hanno in comune una cosa: parlano dell’AI senza spiegare cosa sia. Prima di valutare, conviene capire. Non nei dettagli tecnici di chi la costruisce, ma nella struttura di fondo — cosa è, di cosa è fatta, come funziona. Senza questo, qualsiasi giudizio — favorevole o contrario — rimane sospeso nel vuoto.

Una struttura, non una tecnologia

L’intelligenza artificiale non è una singola tecnologia. È un sistema composto da elementi che si sono sviluppati nel tempo, per strati successivi, ciascuno costruito sulle fondamenta del precedente.

Alla base ci sono i dati — testi, immagini, codice, audio. Sopra, i modelli matematici che imparano a riconoscere pattern e relazioni in quei dati. Ancora sopra, l’infrastruttura di calcolo che rende possibile elaborare quantità di informazione che nessun essere umano potrebbe gestire. E tutto questo richiede energia — una quantità che ha iniziato a diventare essa stessa un vincolo strutturale.

Nel tempo questi elementi si sono combinati in forme diverse. Dai primi sistemi basati su regole esplicite scritte da programmatori, al machine learning che impara dai dati senza regole predefinite, fino alle reti neurali profonde e ai modelli generativi che oggi producono testo, immagini e codice. Quello che oggi viene comunemente chiamato AI è solo la parte più visibile di questa stratificazione — come la superficie di qualcosa che ha radici molto più profonde.

Perché questa evoluzione, e non un’altra

I sistemi di AI non sono tutti uguali, e la loro evoluzione non è stata lineare. Ogni passaggio è avvenuto perché l’approccio precedente aveva incontrato un limite che non riusciva a superare.

I primi sistemi erano basati su regole esplicite scritte da programmatori. L’idea era ambiziosa: descrivere il ragionamento in forma di istruzioni formali, come si farebbe con qualsiasi altro software. Funzionava bene per problemi definiti. Ma per problemi come il linguaggio, la percezione visiva, il ragionamento in contesti ambigui, nessuno sapeva scrivere tutte le regole che coprissero tutti i casi. Il problema era troppo grande per essere esplicitato.

Il machine learning ha spostato l’approccio: invece di scrivere le regole, si fornisce al sistema una grande quantità di esempi e lo si lascia inferire le regole dai dati. Come un essere umano che non nasce con un cervello che contiene già tutto, ma impara dall’esperienza. Il limite di questo approccio era però che qualcuno doveva ancora decidere cosa guardare — quali caratteristiche del problema fossero rilevanti. In problemi complessi, nessuno sa esattamente quali siano, o ce ne sono troppe da definire manualmente.

Le reti neurali profonde hanno eliminato anche questo passaggio. Non imparano solo a classificare — imparano anche cosa guardare. Ogni strato della rete costruisce una rappresentazione più astratta di quello precedente: i primi strati riconoscono strutture semplici, i successivi le compongono in concetti più complessi, e così via. Ogni strato parte da quanto costruito dal precedente per produrre un modello di realtà progressivamente più ricco.

La cosa più importante è che nessuno ha progettato queste rappresentazioni intermedie. Nessuno ha deciso cosa il secondo strato dovesse imparare dal primo. È emerso dall’addestramento. Il sistema ha trovato da solo le strutture più utili a produrre il risultato corretto.

Un prerequisito, non una conclusione

Sapere cosa è l’AI — di cosa è fatta, come ha imparato a fare quello che fa — non è un esercizio di curiosità tecnica. È il prerequisito per affrontare le domande che contano davvero.

Perché un sistema che produce risultati probabilistici non è un sistema difettoso. Perché il fatto che non si possa leggere istruzione per istruzione non significa che sia incontrollabile. Perché confrontarlo con l’intelligenza umana come se fossero la stessa cosa che compete sullo stesso terreno porta fuori strada.

Queste non sono domande tecniche. Sono domande sul modo in cui valutiamo un sistema che non assomiglia a nulla che abbiamo costruito prima. Ed è da lì che vale la pena ripartire.

Per chi vuole scendere un livello e capire come è fatto concretamente lo stack tecnologico dell’AI, ho messo insieme una mappa di riferimento:

https://open.substack.com/pub/gianniscaramucci/p/intelligenza-artificiale-una-mappa?r=8dqm43&utm_campaign=post&utm_medium=web&showWelcomeOnShare=true

Questo documento accompagna la serie di articoli sull’intelligenza artificiale. Non è necessario leggerlo per seguire gli articoli — serve a chi vuole scendere un livello e capire di cosa sono fatti concretamente i sistemi di cui si parla.

Quando usiamo un sistema di AI — che sia una chat, un assistente, uno strumento di ricerca — stiamo interagendo con la parte più visibile di una struttura molto più profonda. Una pila di tecnologie sovrapposte, ciascuna delle quali rende possibile quella successiva.

Partiamo dal basso.

L’infrastruttura fisica

Tutto comincia con strutture industriali reali: i data center. Edifici che ospitano migliaia di server, alimentati da grandi quantità di energia elettrica e raffreddati con sistemi che consumano acqua in quantità significativa. Non è un dettaglio marginale — è il substrato fisico su cui tutto il resto si appoggia, e uno dei vincoli strutturali più concreti dello sviluppo dell’AI.

All’interno dei data center i server sono collegati tra loro in cluster — sistemi composti da migliaia di macchine che cooperano per svolgere calcoli che nessuna singola macchina potrebbe gestire. Questa cooperazione richiede reti ad altissima velocità, perché la quantità di dati che si scambiano continuamente è enorme.

Il componente centrale di ogni server AI non è più la CPU tradizionale — il processore che coordina il sistema operativo e i processi generali. È l’acceleratore: una GPU, una TPU, o un chip specializzato progettato specificamente per eseguire in parallelo le operazioni matematiche che le reti neurali richiedono. Sono questi componenti che rendono possibile l’addestramento e il funzionamento dei modelli moderni.

I modelli

Sopra l’infrastruttura fisica vivono i modelli — la struttura matematica che costituisce il cuore dell’AI.

Un modello è una rete neurale: un sistema di strati sovrapposti, ciascuno dei quali trasforma i dati in ingresso in rappresentazioni progressivamente più astratte. I parametri — i valori numerici che definiscono queste trasformazioni — possono essere nell’ordine dei miliardi o dei trilioni. Non sono stati scritti da nessuno: sono emersi dall’addestramento.

Per elaborare il linguaggio, il testo viene prima trasformato in numeri attraverso un sistema chiamato tokenizer — ogni parola o frammento di parola diventa un token, e ogni token corrisponde a un valore numerico. È su questi valori che il modello opera.

L’addestramento

Prima di poter essere utilizzato, un modello deve essere addestrato. Questo avviene in fasi.

Nel pre-training il modello viene esposto a enormi quantità di dati — testi, immagini, codice — e impara a riconoscere pattern e relazioni. È la fase più costosa in termini di calcolo ed energia.

Nel fine tuning il modello viene specializzato per compiti specifici — rispondere a domande, scrivere codice, assistere in ambito medico.

Nell’alignment il comportamento del modello viene valutato e corretto da esseri umani, per renderlo più utile e più sicuro.

L’utilizzo

Quando il modello viene usato — ogni volta che un utente fa una domanda — si parla di inferenza. È la fase in cui il sistema riceve un input, lo elabora attraverso la rete neurale, e produce una risposta. Meno costosa dell’addestramento per singola operazione, ma moltiplicata per milioni di richieste al giorno diventa essa stessa un vincolo significativo.

Sopra il modello c’è un livello di orchestrazione — sistemi che gestiscono le richieste, distribuiscono il carico, garantiscono sicurezza e monitoraggio. E sopra ancora le applicazioni — ChatGPT, assistenti virtuali, strumenti di programmazione, sistemi di ricerca — che rendono tutto questo accessibile a un utente attraverso una interfaccia semplice: una chat, una voce, un campo di testo.

È a quel livello che tutta questa complessità scompare dalla vista. Rimane una conversazione.