Il termine "Intelligenza Artificiale" viene usato ormai per tutto, dai filtri antispam ai chatbot capaci di scrivere poesie. Ma cos'è davvero, da dove viene e cosa può fare oggi? Proviamo a fare chiarezza, senza mitologia né allarmismo.
Dall'idea di Turing ai modelli generativi
L'AI non nasce con ChatGPT. Nel 1950 Alan Turing si chiedeva se una macchina potesse "pensare", proponendo il celebre test che porta il suo nome: se una persona non riesce a distinguere le risposte di una macchina da quelle di un umano, la macchina supera il test. Da lì è iniziato un percorso lungo e discontinuo.
Negli anni '50 e '60 si è lavorato sui "sistemi simbolici", programmi basati su regole logiche scritte a mano. Negli anni '80 sono arrivati i sistemi esperti, pensati per replicare il ragionamento di uno specialista in un campo ristretto. Poi due "inverni dell'AI", periodi di forte disillusione in cui i finanziamenti si sono prosciugati perché i risultati non reggevano le promesse.
La svolta vera arriva con le reti neurali e il deep learning, a partire dagli anni 2010, rese possibili da tre fattori che finalmente convergono: enormi quantità di dati digitali, potenza di calcolo a basso costo (in particolare le GPU) e algoritmi di addestramento più efficaci. Nel 2017 nasce l'architettura Transformer, il mattone su cui sono costruiti i modelli linguistici moderni. Da lì ai modelli generativi che conosciamo oggi il passo, anche se tecnicamente enorme, è stato rapido.
Cosa sanno fare davvero questi sistemi, oggi
I modelli generativi attuali sono sistemi statistici addestrati su quantità immense di testo, immagini o codice. In sostanza, imparano a prevedere quale sia il "pezzo successivo" più plausibile, dato tutto quello che hanno visto prima. Da questo meccanismo, applicato a scala enorme, emergono capacità sorprendenti:
- Generare testo coerente, tradurre, riassumere documenti lunghi, scrivere codice funzionante
- Rispondere a domande su una gamma vastissima di argomenti, combinando informazioni in modi nuovi
- Creare immagini, audio e video a partire da una descrizione testuale
- Assistere in compiti ripetitivi: bozze di email, analisi preliminari di dati, prima stesura di documenti
Sono strumenti utili, spesso impressionanti nella resa. Ma restano strumenti statistici, non entità che "comprendono" nel senso in cui lo fa una persona.
I miti da sfatare
Attorno all'AI generativa si sono costruiti diversi miti che vale la pena smontare.
"L'AI capisce quello che dice." No: un modello linguistico non ha una comprensione del mondo come la intendiamo noi. Produce sequenze di parole statisticamente plausibili sulla base di ciò che ha visto durante l'addestramento. Il risultato può sembrare comprensione, ma è un effetto della scala, non del ragionamento consapevole.
"L'AI è sempre affidabile." No: questi sistemi possono generare informazioni false con la stessa sicurezza con cui generano informazioni corrette, un fenomeno noto come "allucinazione". Non hanno un meccanismo interno che distingue in automatico il vero dal falso.
"L'AI è neutra." No: riflette i dati su cui è stata addestrata, con tutti i bias, gli squilibri e i vuoti che quei dati contengono.
"L'AI è vicina all'intelligenza umana generale." Non ancora, e non è chiaro se lo strato attuale di tecnologia sia sufficiente ad arrivarci. Quella che abbiamo oggi è AI "ristretta": eccellente su compiti specifici, priva di autonomia, obiettivi propri o comprensione del contesto reale in cui opera.
Dove finiscono le capacità reali e dove inizia l'hype
Le capacità reali sono concrete e già oggi cambiano il modo di lavorare: automazione di compiti ripetitivi, prima bozza di contenuti, ricerca assistita, generazione di codice, analisi di grandi quantità di testo. Sono guadagni di produttività misurabili, non fantascienza.
L'hype comincia dove si parla di "macchine che pensano", di coscienza artificiale imminente o di sistemi che sostituiranno interi settori senza supervisione umana. Anche gli addetti ai lavori sono divisi su quanto siamo lontani da una vera intelligenza artificiale generale, e chi lavora ogni giorno con questi sistemi tende a essere più cauto di chi li osserva da fuori attraverso titoli e demo.
La chiave, come spesso accade con le tecnologie dirompenti, è la stessa che guida chi lavora con sistemi decentralizzati e open source come Bitcoin e BTCPay Server: capire davvero come funziona uno strumento, prima di affidargli decisioni importanti. Verificare, non fidarsi ciecamente. Vale per il codice che gestisce i propri pagamenti, e vale anche per l'output di un modello linguistico.