75 anni in 15 minuti: da Turing a ChatGPT

Sembra che l'IA sia apparsa nel 2022 insieme a ChatGPT. In realtà la sua storia ha 75 anni ed è piena di geni, drammi e promesse non mantenute. Iniziamo.

Provalo subito — qui. Sotto il prompt c'è un pulsante "Esegui": premilo e una vera IA risponderà su questa stessa pagina — basta un'iscrizione gratuita con un clic (Google o Telegram). Inserisci la tua professione tra parentesi — oppure eseguilo così com'è:

You are an experienced assistant. I work as a [your job].
Name 5 work tasks you could take off my hands,
and for each one give a short example of the request I'd send you.

Ecco cos'è l'IA: tu hai scritto il compito in parole semplici — lei ha fatto il lavoro. Questo intero corso ti insegnerà a ottenere risposte così in modo affidabile, non per fortuna. Ricorda come ti sei sentito in questo momento — ora torniamo alla storia, senza la quale l'IA non ha mai del tutto senso.

Atto I. L'uomo che pose la domanda (1950)

Inghilterra, 1950. Il matematico Alan Turing pubblica un articolo con una domanda audace: «Le macchine possono pensare?» Questo è lo stesso Turing che decifrò la macchina Enigma nella Seconda Guerra Mondiale. Gli storici stimano che abbia accorciato la guerra di due anni.

Invece di discutere di filosofia, propone un gioco — che ora chiamiamo il test di Turing. L'idea è semplice: se non riesci a distinguere una macchina da un essere umano in una conversazione scritta, importa davvero se "pensa"? Il risultato supera la definizione. Settantadue anni dopo, milioni di persone avrebbero chattato quotidianamente con una macchina sempre più difficile da distinguere da una persona.

Turing non lo vide mai. Morì nel 1954 a 41 anni, perseguitato dallo stesso governo che aveva contribuito a salvare. Oggi il più alto riconoscimento nell'informatica — il Turing Award — porta il suo nome.

Atto II. Nasce il termine, e con esso le promesse (1956–1969)

Estate 1956, Dartmouth College negli Stati Uniti. Un giovane matematico di nome John McCarthy riunisce una ventina di scienziati per un workshop estivo e, per la richiesta di finanziamento, inventa un'etichetta accattivante: intelligenza artificiale. Il termine che tutti usiamo ha letteralmente 70 anni ed è nato come marketing per una sovvenzione.

L'ottimismo era alle stelle. Nel 1958 lo psicologo Frank Rosenblatt presentò il perceptron — la prima "rete neurale" di apprendimento, grande quanto un armadio. Il New York Times scrisse che le macchine avrebbero presto "camminato, parlato, visto ed essere state consapevoli della loro esistenza". I pionieri promisero un'intelligenza a livello umano "entro 20 anni".

Quasi tutto andò storto: i computer erano milioni di volte troppo deboli, non c'erano dati e i metodi stessi raggiunsero un limite. Nel 1973 il rapporto britannico Lighthill fece a pezzi il campo: le promesse non erano state mantenute. I finanziamenti furono tagliati, i laboratori chiusi — l'inverno dell'IA era arrivato. Negli anni '80 i "sistemi esperti" (programmi composti da migliaia di regole "if-then") ripeterono la storia: un boom, miliardi investiti, poi un secondo crollo una volta che si scoprì che le regole erano impossibili da mantenere.

Ricorda questo schema: promesse esagerate → delusione → crollo. Spiega anche le discussioni odierne sull'IA.

Atto IV. La rivoluzione silenziosa (1990–2012)

Mentre "IA" era praticamente una parolaccia, un piccolo gruppo di scienziati — tra cui Geoffrey Hinton, una delle menti principali dietro le reti neurali e premio Nobel 2024 — continuò ostinatamente a lavorarci. La loro idea era semplice e radicale: non programmare la conoscenza, lascia che la macchina impari dagli esempi. Mancavano due ingredienti: dati e potenza di calcolo.

Internet portò entrambi. Entro il 2012 si erano accumulati miliardi di immagini etichettate, e le schede grafiche costruite per il gaming (GPU) si rivelarono perfette per addestrare le reti neurali. Nel 2012 AlexNet, costruita da Hinton e dai suoi studenti, sbaragliò il campo al concorso di riconoscimento immagini ImageNet: il margine fu enorme — il tasso di errore scese da circa il 26% al 15% in un solo anno. La corsa era iniziata.

Atto V. L'esplosione (2016–2022)

2016: AlphaGo batte il campione mondiale di Go Lee Sedol — in un gioco con più posizioni possibili di quanti atomi ci siano nell'universo. I commentatori definirono la sua 37esima mossa nella seconda partita "non una mossa umana, e non una mossa di macchina, ma qualcosa di nuovo".

2017: gli ingegneri di Google introducono una nuova architettura di rete neurale — il transformer. Un'architettura è la disposizione interna della rete: lo schema che segue per elaborare le informazioni. Gli schemi più vecchi leggevano il testo parola per parola e, alla fine di una frase lunga, avevano "dimenticato" l'inizio. Il transformer guarda l'intero testo in una volta e capisce quali parole sono collegate a quali — il meccanismo fu chiamato "attention".

Una rete così può essere addestrata su quantità gigantesche di testo, ed è proprio ciò che sta dietro la T di GPT — Generative Pretrained Transformer. Dati e potenza ora avevano un terzo compagno: l'architettura giusta.

30 novembre 2022: OpenAI apre ChatGPT al pubblico. 100 milioni di utenti in due mesi — all'epoca la crescita più rapida mai vista da qualsiasi app consumer (Instagram impiegò 2,5 anni per arrivarci, TikTok 9 mesi). Il record di velocità pura sarebbe poi caduto con Threads, che raggiunse i 100 milioni in cinque giorni — ma fu ChatGPT a mostrare per primo che l'IA era diventata un prodotto di massa. Una storia di 75 anni uscì dai laboratori e finì nel telefono di tutti.

Cosa significa questo per te

Tre concetti chiave che userai in ogni lezione successiva. Uno: l'IA moderna impara dagli esempi piuttosto che seguire regole programmate — l'idea di Hinton superò i sistemi esperti dell'Atto III. Due: la svolta arrivò quando si incontrarono tre ingredienti — dati (internet), potenza (GPU) e architettura (il transformer) — e tutti e tre sono ancora in crescita. Tre: come hanno mostrato gli inverni dell'IA, questo campo può sia promettere troppo che superare le aspettative — quindi d'ora in poi separeremo la realtà dall'hype usando i fatti.

E se hai già provato la richiesta dall'inizio di questa lezione, consideralo il tuo primo passo pratico: ne arriveranno molti altri, e con ognuno l'IA ti seguirà con maggiore precisione.