Dietro la "Magia" dell'algoritmo: cos'è davvero l'Intelligenza Artificiale

Si parla ormai quotidianamente di Intelligenza Artificiale (detta IA in italiano o AI in inglese), ma cosa si intende concretamente con questo termine? Ed è davvero corretto definirla così?

Per rispondere, dobbiamo fare un salto indietro nel tempo. Il termine IA è stato coniato nel 1956 durante lo storico seminario di Dartmouth, negli Stati Uniti. Lì si riunirono i più brillanti scienziati, matematici e accademici dell'epoca per lavorare su una precisa congettura: “Ogni aspetto dell'apprendimento o qualsiasi altra caratteristica dell'intelligenza può, in linea di principio, essere descritto in modo così preciso da poter costruire una macchina per simularlo”. In quella sede i pionieri dell'informatica affrontarono nodi centrali come l'uso del linguaggio naturale, le reti neuronali artificiali, la complessità del calcolo e la capacità di auto-miglioramento delle macchine. Fu allora che prese forma il concetto che oggi sintetizziamo in IA.

IA Debole vs AGI: a che punto siamo?

Oggi la tecnologia viene abitualmente divisa in due macro-categorie: la IA stretta (o debole) e la IA generale (o forte), definita anche Artificial General Intelligence (AGI).

La IA debole comprende sistemi progettati per svolgere un compito specifico, anche estremamente complesso (es. tradurre un testo, riconoscere volti, guidare un'auto o giocare a scacchi). Tutti i sistemi odierni appartengono a questa categoria.

La AGI si riferisce invece a sistemi ipotetici in grado di comprendere, apprendere e applicare la propria conoscenza a qualsiasi problema intellettuale, con una flessibilità pari o superiore a quella umana. Al momento l'AGI non esiste, anche se alcuni dei massimi esperti del settore ritengono che sia questione di pochi anni, se non di mesi, prima che questi sistemi diventino realtà.

Questo scenario potrebbe stupire o intimorire. Rientrano infatti nella definizione di "IA debole" anche i sistemi generativi che oggi ci sorprendono per la profondità e l'articolazione delle risposte, come i migliori modelli linguistici avanzati (Large Language Models o LLM): basti pensare a Claude di Anthropic, Gemini di Google o ChatGPT di OpenAI. Eppure, inserirli in questa categoria è scientificamente corretto. Anzi, utilizzare il termine “intelligenza” per descriverli è per certi versi improprio.

Perché i computer non "pensano"

Dal punto di vista scientifico, la definizione di intelligenza applicata alle macchine è parzialmente fuorviante. Questi sistemi non sono dotati di intenzionalità (desideri, scopi autonomi o coscienza) e non possiedono alcuna comprensione semantica. Un sistema di IA può manipolare simboli e parole in modo impeccabile seguendo regole matematiche o calcoli probabilistici, senza comprendere minimamente il significato di ciò che sta elaborando.

Qui entriamo nel cuore della questione: l’IA è un insieme di sistemi informatici e algoritmi probabilistici in grado di automatizzare compiti complessi attraverso l'analisi dei dati e il riconoscimento di pattern (modelli ricorrenti). Tutto ciò che viene dato “in pasto” a questi sistemi – un testo, un'immagine, un suono – viene convertito in numeri. Nel mondo digitale tutto è codificato sotto forma di bit (zero o uno) e di conseguenza diventa calcolabile.

Senza addentrarci eccessivamente in tecnicismi, l'addestramento di un sistema di IA consiste in un'analisi statistica: il software calcola la previsione del token (una parola o un frammento di essa) successivo più probabile all'interno di una sequenza, basandosi sul contesto precedente. La traduzione, la programmazione o il riassunto di un testo non sono abilità cognitive autonome, ma "sottoprodotti statistici" di un'unica funzione di ottimizzazione matematica.

In parole povere: succede qualcosa di simile a quando sentiamo la frase “Nel mezzo del cammin di nostra vita” e nella nostra mente emergono quasi in automatico le parole “mi ritrovai per una selva oscura”. In quel momento non siamo diventati improvvisamente poeti: abbiamo semplicemente associato delle parole. Se per l'essere umano questo è un esercizio mnemonico, per l'IA si tratta di pura statistica.

La complessità dietro lo schermo

Spiegare la generazione di immagini, video o testi complessi attraverso un calcolo probabilistico potrebbe sembrare riduttivo. Bisogna però immaginare che questo calcolo viene ripetuto per miliardi e miliardi di variabili (i cosiddetti parametri). Questo immenso volume di operazioni spiega anche perché i sistemi di IA richiedano enormi risorse energetiche, server straordinariamente potenti e datacenter giganteschi.

In sintesi, i sistemi che chiamiamo Intelligenza Artificiale sono algoritmi basati sul Machine Learning (apprendimento automatico): imparano dai dati e migliorano le proprie prestazioni nel tempo senza essere stati esplicitamente programmati per ogni singola azione. I modelli più evoluti rientrano nel campo del Deep Learning, che utilizza Reti Neurali Artificiali multistrato (ispirate vagamente alla struttura biologica dei neuroni, ma descritte matematicamente come matrici di pesi numerici). Questi sistemi estraggono le caratteristiche dai dati in modo gerarchico, sfruttando il calcolo differenziale e l'algoritmo di retropropagazione dell'errore (backpropagation).

Laddove il grande pubblico vede un'“intelligenza”, gli ingegneri informatici e i matematici osservano una complessa struttura di ottimizzazione statistica su larga scala.

Togliere un po’ di “magia” all’Intelligenza Artificiale non ne diminuisce la portata, ma la colloca nella giusta prospettiva: non un nuovo essere senziente, ma uno strumento eccezionalmente evoluto. È proprio con questo spirito che dobbiamo approcciarci ad esso: per comprenderlo, imparare a usarlo e riconoscerne, lucidamente, pregi e limiti.