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.