Temperatura Zero
Inauguriamo con questo articolo un blog (a)periodico dedicato al mondo, affascinante ma complesso, dell’AI. Il titolo del blog, “Temperatura Zero”, si riferisce al nome di un parametro che è sovente utilizzato per modificare il comportamento dei modelli di AI: più la temperatura è elevata e maggiore sarà l’imprevedibilità della risposta del modello, a parità di domanda. A volte l’imprevedibilità è preferibile perché aumenta nell’utente la sensazione di conversare con un’entità simil-umana; a volte tale comportamento non è opportuno, per esempio nei sistemi di ricerca documentale dove l’accento è posto soprattutto sulla precisione delle risposte del modello alle domande dell’utente.
In questo viaggio saremo guidati dalla curiosità e dalla voglia di capire, cercando di dare al lettore informazioni il più possibile precise e obiettive e, allo stesso tempo, accessibili anche a un pubblico non specialistico. Non ci interessa costruire l’ennesima cassa di risonanza che, banalizzando la realtà, vede nell’AI la soluzione di tutti i problemi oppure, all’opposto, la fonte di tutti i mali. Ci baseremo, quindi, su un approccio ingegneristico: l’AI è una tecnica come tante altre, con pregi e difetti; lo scopo è usarla correttamente e solamente quando è sensato applicarla.
L’inizio del viaggio
In questo serie di articoli vedremo che l’AI è formata da un insieme di tecniche che sono state sviluppate nell’arco di decenni, a partire dagli anni ’50, con risultati più o meno incoraggianti. Le tecniche più moderne, che hanno portato a ChatGPT e all’esplosione dell’AI, sono quindi il risultato di decenni di ricerca. Affronteremo brevemente il tema dell’AI come possibile “macchina pensante”. Analizzeremo poi le diverse “anime” dell’AI, in particolare i due approcci fondamentali, quello basato sui modelli e quello basato sui dati, e vedremo quando è sensato utilizzare l’uno o l’altro. Infine, vedremo gli sviluppi più moderni dell’AI, resi possibili dalla disponibilità di potenti GPU.
Si parte!
1950: nascita ed evoluzione dell’AI
La storia dell’AI [1] parte all’incirca dagli anni ’50, anche se il primo articolo che pone le basi per l’idea che il cervello possa essere compreso come un sistema computazionale, è del 1943. Ma il vero punto di partenza dell’AI si fa spesso risalire a un celebre articolo di Alan Turing (figura straordinaria, che ha fornito contributi in svariati campi della conoscenza umana [2]), pubblicato nel 1950, “Computing Machinery and Intelligence”. Questo articolo affronta la domanda: “le macchine possono pensare?”. L’approccio di Turing ha gettato le basi per le future discussioni sulla natura delle macchine pensanti e su come la loro intelligenza possa essere misurata attraverso un “esperimento del pensiero”, che l’autore chiamò “the imitation game”, e che è ora universalmente noto come Test di Turing [3]. Turing evitò di rispondere direttamente alla domanda “le macchine possono pensare?” e riformulò invece il problema in una forma più specifica e operativa: “una macchina può mostrare un comportamento intelligente indistinguibile da quello di un essere umano?”.
Il Test di Turing
Il Test di Turing è diventato un concetto centrale nell’AI, fungendo da metodo per misurare l’intelligenza artificiale valutando la capacità di una macchina di imitare in modo convincente la conversazione e il comportamento umano.
Il test si basa su una conversazione in forma scritta (tramite tastiera e schermo). Un giudice umano interagisce, senza vederli, con due soggetti (A e B) nascosti in stanze separate: un essere umano e un computer. Il giudice deve fare domande a entrambi e capire quale dei due sia la persona e quale sia il computer. Se il computer riesce a ingannare il giudice, portandolo a credere che sia lui l’essere umano, allora si considera che la macchina abbia superato il test.
1950-1980
1980-1990
1990-2000
L’approccio data-driven introduce decine di modelli statistici, ed ha il sopravvento sull’approccio model-driven. Altri avanzamenti fondamentali, alla fine degli anni ’90, permettono di costruire reti neurali sofisticate. Nel 1997 Deep Blue di IBM sconfigge il campione del mondo di scacchi in carica Garry Kasparov in un match di sei partite [8] (foto: Tom Mihalek/AFP/Getty Images).
Nascono le reti neurali convoluzionali, che permettono di elaborare le immagini.
2000-2020
Le schede grafiche diventano programmabili (Graphics Processing Units – GPU), dando vita al General-Purpose computing on Graphics Processing Units (GPGPU); la loro struttura altamente parallela si rivela l’ideale per velocizzare l’addestramento delle reti neurali. L’approccio data-driven si arricchisce del cosiddetto Deep Learning (utilizza più livelli di elaborazione per analizzare dati complessi e non strutturati, come immagini, video e testo) [5], basato su reti neurali. Nel 2011 un fondamentale articolo, “Natural Language Processing (Almost) from Scratch”, introduce le reti neurali nell’ambito dell’elaborazione del linguaggio naturale. Nel 2014 nascono le Generative Adversarial Network [6], che consentono di generare immagini realistiche. Nel 2015 le Diffusion Network migliorano ulteriormente la generazione di immagini e filmati [7].
Nel 2016 AlphaGo di Google DeepMind sconfigge Lee Sedol, uno dei migliori giocatori di Go al mondo [9] (foto: www.alphagomovie.com); il Go, un complesso gioco da tavolo con più mosse possibili che atomi nell’universo, era stato a lungo considerato una sfida per l’intelligenza artificiale.
Nel 2017 l’articolo “Attention is All You Need” introduce l’architettura Transformer, che costituirà la base per i Large Language Models (LLM) moderni.
Nel 2020, OpenAI introduce GPT3, un modello neurale con 175 miliardi di parametri, che dimostra la capacità di generare testi simili a quelli umani, di sostenere conversazioni, di scrivere codice, di tradurre lingue e di produrre testi creativi basati su input in linguaggio naturale. Essendo uno dei primi esempi di LLM, le dimensioni e la portata enormi di GPT gli permettono di svolgere un’ampia varietà di compiti linguistici con un addestramento specifico minimo o nullo. Questo modello dimostra il potenziale dell’AI nel comprendere e produrre un linguaggio altamente coerente.
2020-oggi
I modelli neurali sono sempre più grandi, arrivando ormai a migliaia di miliardi di parametri (si pensa che il modello più grande attualmente utilizzato arrivi a diecimila miliardi di parametri). Nasce il Retrieval Augmented Generation, che migliora le risposte degli LLM recuperando informazioni da basi di conoscenza esterne e aggiornate (il Web, tipicamente) prima di generare il testo.
Nella prossima puntata…
La parte 2 affronterà una questione affascinante e cruciale: una macchina può davvero pensare?
Riferimenti
[1] Mucci, T. The history of artificial intelligence. IBM – Think, 2024, https://www.ibm.com/think/topics/history-of-artificial-intelligence
[2] Alan Turing, Wikipedia, accesso dell’11/6/2026, https://it.wikipedia.org/wiki/Alan_Turing
[3] Test di Turing, Wikipedia, accesso dell’11/6/2026, https://it.wikipedia.org/wiki/Test_di_Turing
[4] Sistema esperto, Wikipedia, accesso dell’11/6/2026, https://it.wikipedia.org/wiki/Sistema_esperto
[5] Apprendimento profondo, Wikipedia, accesso dell’11/6/2026, https://it.wikipedia.org/wiki/Apprendimento_profondo
[6] Rete generativa avversaria, Wikipedia, accesso dell’11/6/2026, https://it.wikipedia.org/wiki/Rete_generativa_avversaria
[7] Modello di diffusione, Wikipedia, accesso dell’11/6/2026, https://it.wikipedia.org/wiki/Modello_di_diffusione
[8] How IBM’s Deep Blue Beat World Champion Chess Player Garry Kasparov, accesso del 9/9/2026,
https://spectrum.ieee.org/how-ibms-deep-blue-beat-world-champion-chess-player-garry-kasparov
[9] AlphaGO, accesso del 9/9/2026,
https://www.alphagomovie.com
Update
9/9/2026: aggiunte foto di DeepBlue vs Kasparov e di AlphaGo vs Lee Sedol.
8/9/2026: prima pubblicazione.
