La discussione sull'Intelligenza Artificiale è esplosa, entrando prepotentemente nelle nostre conversazioni quotidiane. Nomi come ChatGPT sono sulla bocca di tutti, ma spesso la comprensione di cosa sia realmente questa tecnologia rimane nebulosa. Esiste un'IA che crea e una che analizza? E in cosa si differenziano?

Questo articolo ha lo scopo di fare chiarezza, distinguendo l'IA "tradizionale" da quella "generativa". Spiegheremo i meccanismi di base che le fanno funzionare, confronteremo i due approcci e analizzeremo le profonde implicazioni sociali ed etiche che ne derivano. Per farlo, ci baseremo principalmente sulle illuminanti intuizioni fornite da Giulio Deangeli, neuroscienziato computazionale all'Università di Cambridge, nel suo intervento al TEDxBari.

Vuoi ascoltare la versione audio?

Ascolta Will & Gina che ne parlano sul loro podcast

L'IA "Tradizionale": Classificare e Prevedere il Mondo

Fino a poco tempo fa, quando si parlava di Intelligenza Artificiale, ci si riferiva quasi esclusivamente a un approccio noto come IA tradizionale o discriminativa. Il suo scopo principale, basato su tecniche di Deep Learning e reti neurali, è svolgere due compiti fondamentali: la classificazione e la regressione.

• Classificazione: Immaginate di dare a una rete neurale un enorme archivio di foto di animali. La rete impara a distinguere le caratteristiche di cani, gatti e cavalli. Al termine dell'addestramento, se le mostrate la foto di un nuovo animale, sarà in grado di applicare un'etichetta, concludendo ad esempio: "Birba è un gatto".

• Regressione: Il processo è simile, ma invece di assegnare un'etichetta, la rete stima una quantità numerica. Usando gli stessi dati, potrebbe imparare a calcolare l'altezza degli animali e, di fronte al nuovo esemplare, affermare: "Birba è alta 30 cm".

Come Funziona?

Il nome "reti neurali" non è una trovata di marketing. Questi sistemi si ispirano al funzionamento di un neurone biologico. Come spiega Deangeli, un neurone riceve segnali elettrici in ingresso, li moltiplica per dei "pesi" (che rappresentano la forza delle connessioni), li somma e, se il totale supera una certa soglia, invia a sua volta un segnale. Mentre operazioni come la somma e la moltiplicazione sono lineari, l'elemento che genera complessità è la natura non lineare della soglia, simile a uno "scalino". Deangeli sottolinea: "tutta la complessità della vita e del nostro cervello è figlia del fatto che ogni nostro neurone è una macchina non lineare". Le reti neurali artificiali simulano questo processo: prendono dati, li moltiplicano, li sommano e li passano attraverso una soglia non lineare.

Un'Applicazione Pratica

L'utilità di questa tecnologia è immensa. Deangeli porta un esempio dal settore farmaceutico: commercializzare un nuovo farmaco costa in media un miliardo di dollari, con una probabilità di successo che, ottimisticamente, si attesta solo al 10%. In campo neurodegenerativo, la percentuale scende addirittura allo 0,4%. Avere un modello di deep learning in grado di analizzare i dati e prevedere quali farmaci hanno maggiori probabilità di funzionare è "vagamente utile", per usare le sue parole. Permette di indirizzare investimenti miliardari verso le ricerche con maggiori probabilità di successo, evitando di sprecarli su farmaci destinati a fallire.

L'IA Generativa: La Nascita della "Fantasia" Artificiale

L'IA Generativa è la tecnologia di cui tutti parlano oggi. A differenza della sua controparte tradizionale, è in grado di "inventare cose nuove". Può creare contenuti unici e originali — testo, immagini, musica, codice — in risposta a una semplice richiesta espressa in linguaggio naturale. Ma dove risiede questa "fantasia" artificiale?

Il Meccanismo Fondamentale: l'Autoencoder

Secondo Deangeli, il concetto alla base è sorprendentemente semplice e nasce da un'architettura chiamata autoencoder. Il suo funzionamento può essere riassunto in quattro passaggi:

1. Una rete neurale viene addestrata su un compito apparentemente banale: riprodurre nell'output l'input esatto. Ad esempio, le si mostra la foto di un gattino e ci si aspetta che produca la stessa identica foto.

2. Tuttavia, c'è un vincolo cruciale: a metà della rete è presente un livello intermedio (un "collo di bottiglia" o bottleneck) con molti meno neuroni rispetto all'input. Questo costringe la rete a imparare a creare una rappresentazione compressa ed efficiente dei dati.

3. Qui avviene la "magia": la seconda metà della rete, chiamata decoder, impara a ricostruire l'immagine originale partendo da questa rappresentazione compressa, cioè da pochi numeri (es. 5,9, 2, ecc.).

4. La conseguenza è straordinaria: se si alimenta il solo decoder con dei numeri scelti a caso, la macchina genera foto di gattini completamente nuove, che non ha mai visto prima ma che sono coerenti con ciò che ha imparato. Ha imparato l'essenza del "gattino".

L'Evoluzione: dai Transformer a GPT

I Transformer sono, per usare le parole di Deangeli, "una variazione sul tema" di questo meccanismo. Introdotti nel 2017 da Google Brain con il celebre paper "Attention is all you need", si sono dimostrati eccezionalmente efficaci nel gestire sequenze di dati, come il testo.

Basandosi su questa architettura, i ricercatori di OpenAI hanno addestrato un modello, chiamato GPT, su un compito specifico: dato un testo, indovinare la parola successiva più probabile. La scoperta più incredibile è stata la sua scalabilità senza precedenti. A differenza di altri modelli, aumentare la potenza di calcolo continuava a migliorarne le prestazioni in modo esponenziale, un fenomeno che nemmeno i suoi creatori si aspettavano. Per dare un'idea della scala, Deangeli spiega che ChatGPT opera su 30.000 GPU, e di recente Mark Zuckerberg ha annunciato che Meta acquisirà 350.000 GPU.

Il Segreto è nel Probabilismo

Inizialmente, GPT sceglieva sempre la parola più probabile per continuare una frase. I risultati erano mediocri: testi ripetitivi e poco interessanti. La svolta è avvenuta con un piccolo ma geniale cambiamento: invece di scegliere la parola più probabile, il modello ha iniziato a sceglierne una a caso tra le più probabili.

Questo approccio, tecnicamente noto come "temperatura", ha reso i testi molto più "umani" e creativi. Come sottolinea Deangeli, questo riecheggia la natura del nostro cervello, che non è una macchina deterministica ma probabilistica. Le ragioni sono profondamente fisiche: le sinapsi, i collegamenti tra neuroni, sono grandi appena 20 nanometri, cioè circa 200 atomi. Un sistema di queste dimensioni è governato dalla fisica quantistica, che per sua natura non è deterministica. Inoltre, nel sistema nervoso centrale esiste il fenomeno del "rilascio spontaneo", per cui le sinapsi si attivano casualmente. È "come avere un tubo che ogni tanto perde da solo", spiega Deangeli. L'introduzione di questo non-determinismo è stata la chiave per sbloccare la "fantasia" della macchina.

Le Riflessioni di Giulio Deangeli: L'Impatto sulla Nostra Vita

Oltre alla tecnologia, è fondamentale comprendere le conseguenze di questa rivoluzione. L'analisi di Deangeli è chiara e pragmatica. Già nel 2017 a Londra, i pazienti potevano scegliere se interfacciarsi con il medico o con un bot per il triage iniziale. "Questo 2017", afferma Deangeli, "in termini di intelligenza artificiale vuol dire paleolitica". Questo dimostra che il cambiamento è in atto da tempo.

Applicazioni Concrete in Medicina

Oggi, l'IA generativa sta trasformando la medicina in modi ancora più profondi. Permette di:

• Navigare nell'immensa letteratura scientifica, che supera le capacità di un singolo essere umano.

• Creare dataset clinici standardizzati e di alta qualità per la ricerca.

• Affiancare il medico (non sostituirlo), gestendo i casi di routine e permettendogli di concentrarsi sulle situazioni più complesse che richiedono la sua massima competenza.

"Una scelta che non è più una scelta"

Secondo Deangeli, chiedersi se usare l'IA oggi è un falso problema. L'adozione non è più una scelta. Usa un'analogia potente: "ostinarsi a usare il telegrafo quando è stato introdotto il telefono fosse una stupidaggine". Siamo di fronte a un cambiamento epocale. L'esempio dei programmatori è lampante: utilizzando assistenti AI come CoPilot, scrivono il triplo del codice. È semplicemente impensabile rimanere competitivi ignorando questi strumenti.

Il Futuro del Lavoro Umano

Il ruolo dell'uomo non scomparirà, ma si trasformerà. Ci sposteremo dalla generazione di contenuti alla loro valutazione. L'essere umano diventerà il "decisore". Deangeli fa due esempi: l'artista non disegnerà da zero, ma avrà la sensibilità per scegliere, tra cento immagini generate, quella più appropriata per il suo scopo. Allo stesso modo, il medico valuterà se la soluzione proposta dalla macchina è corretta e applicabile al paziente.

La Sfida Sociale

Il rischio maggiore, sottolinea Deangeli, è per coloro che "si ostineranno a non voler adeguarsi". La transizione sarà rapidissima e potenzialmente brutale. Per questo, è fondamentale il ruolo dei governi, che devono garantire un accesso universale a queste tecnologie. Se solo una parte della popolazione potrà accedere a questi "superpoteri", il rischio è quello di creare una frattura sociale insanabile, con "cittadini di serie A e cittadini di serie B".

Guarda il video completo

Se ti interessa l'argomento, ti lascio qui a fianco il video completo di Deangeli da TEDx Bari.

Conclusione: La Frittata è Fatta

Dal talk di Giulio Deangeli emergono tre concetti fondamentali che tutti dovremmo ricordare:

1. L'IA tradizionale si occupa di analizzare il mondo esistente attraverso la classificazione e la regressione.

2. L'IA generativa crea contenuti nuovi e la sua "fantasia" risiede in meccanismi come l'autoencoder e i Transformer, potenziati da un approccio probabilistico.

3. L'adozione dell'IA non è più una scelta, ma un cambiamento epocale che sta già ridefinendo il nostro modo di lavorare e vivere.

La transizione non sarà facile, ma tornare indietro è impossibile. Come conclude Deangeli, lasciandoci un monito potente su cui riflettere:

"L'IA non vi ruberà il lavoro, sarà qualcuno in carne ed ossa che usa l'IA a rubarvi il lavoro."