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