1. lezione: dagli scacchi alla fuzzy logic, come siamo arrivati a LLM e AI

L’idea di un’intelligenza artificiale ha suscitato fin dalla nascita degli elaboratori un fascino notevole sull’essere umano, in maniera spesso discutibile. Nei film di fantascienza i robot prendono il sopravvento e puntano alla distruzione dell’umanità, anziché dar battaglia a malattie incurabili o cercare di ripristinare un ordine mondiale basato su uguaglianza e benessere.

Tuttavia per diversi decenni si è trattato di un fenomeno relegato, appunto, alle sale cinematografiche. Negli anni 60 chiamavamo “intelligenza artificiale” la logica che regolava i videogiochi di scacchi, ma si trattava di algoritmi primitivi, al punto che soltanto nel 1996 un software riuscì a battere un campione mondiale (la famosa partita tra Deep Blue e Kasparov, ad onor del vero recuperata dal russo poi sconfitto nel rematch dell’anno dopo).

Negli anni 70 si iniziava ad intravedere qualcosa nelle diagnosi mediche, ma era comunque tutto basato su codifiche di esperienze umane, diciamo più un motore di codifica di diagnosi di analisi del sangue che un’intelligenza autonoma.

Poi arrivò la Fuzzy Logic, che i nostri studenti universitari conoscevano bene, che estende la logica binaria (uno o zero, freddo o caldo, vero o falso) cercando di introdurre concetti come “quasi”, “vicino a”, “grado di verità”. Non si trattò di semplici esperimenti, alla fuzzy logic dobbiamo tante innovazioni nel controllo automatico e nei nostri elettrodomestici come lavatrici e climatizzatori.

La svolta arriva a cavallo del millennio, quando attraverso pattern statistici (e non più set di regole esplicite) entrano in gioco pattern, stima di relazioni e previsioni previa “regressione”, overo quel meccanismo che amalgama i dati in input (come il numero di case vendute in un dato periodo) con una relazione (l’andamento dei prezzi/mq) e quindi usa una relazione per stimare un valore (costo futuro delle case).

La svolta è nei primi anni ‘10, con il feature learning: la rappresentazione dai dati viene appresa automaticamente dalle reti neurali profonde. I transformer, ovvero la base degli LLM moderni, introducono una migliore gestione del contesto con il concetto di “attenzione”.. fino alla svolta del 2020, con i modelli LLM in cui la potenza computazionale rende possibile elaborare miliardi di parametri ed arrivare alla predizione dei token. Intendiamoci: anche se sembra cosi, in realtà ancora oggi non abbiamo a che fare con una vera e propria “Intelligenza” ma piuttosto con dei potentissimi strumenti che modellano statisticamente il linguaggio, basandosi appunto su stringhe di dati, opportunamente pre-elaborate in vettori. Non a caso LLM significa “Large Language Models”. 

Nella prossima lezione vedremo proprio i meccanismi che muovono gli odierni LLM e, di conseguenza, la AI che conosciamo oggi.