🧠 Python: il linguaggio dell’Intelligenza Artificiale moderna

🏠 TILLL / ✍️ TateoBlog <==

#ArtificialIntelligence #MachineLearning #DeepLearning #Python #TensorFlow #PyTorch #TateoBlog #TILLL

Nell’era dell’Intelligenza Artificiale, del Machine Learning e del Deep Learning, Python è diventato il linguaggio di riferimento mondiale, non perché sia il più veloce, ma perché offre il miglior equilibrio tra semplicità, produttività e disponibilità di strumenti avanzati.

La sua caratteristica distintiva è una sintassi semplice e leggibile, molto vicina al linguaggio naturale, che permette agli sviluppatori di concentrarsi sulla logica del problema invece che sulla complessità del codice. Questa immediatezza rende Python ideale per la ricerca e la sperimentazione, dove è fondamentale poter trasformare rapidamente un’idea in un prototipo funzionante.

Il suo successo è dovuto soprattutto al vasto ecosistema di librerie specializzate: strumenti come NumPy per il calcolo numerico, Pandas per l’analisi dei dati, Scikit-learn per il Machine Learning, TensorFlow e PyTorch per il Deep Learning, OpenCV per la Computer Vision e Hugging Face per i modelli linguistici permettono di sviluppare applicazioni di AI senza dover costruire ogni componente da zero.

Un aspetto interessante è che Python, pur essendo un linguaggio interpretato, non limita le prestazioni dei moderni sistemi di AI. Infatti, i calcoli più pesanti vengono eseguiti da librerie ottimizzate in C, C++ o CUDA e accelerati da hardware specializzato come GPU e TPU. Python svolge quindi il ruolo di "regista", orchestrando algoritmi complessi senza essere il collo di bottiglia computazionale.

Rispetto ai linguaggi tradizionali come C, C++ o Java, Python privilegia la produttività dello sviluppatore rispetto al controllo diretto dell’hardware. In passato programmare significava soprattutto ottimizzare ogni istruzione; oggi, nell’era dell’AI, conta maggiormente la capacità di integrare modelli, dati e servizi in modo rapido ed efficace.

Per questo motivo Python è diventato il linguaggio preferito dalle nuove generazioni di sviluppatori, ricercatori e aziende tecnologiche: rappresenta il ponte tra la creatività umana, gli algoritmi di intelligenza artificiale e la potenza di calcolo delle moderne infrastrutture digitali.

In pratica, Python rappresenta oggi quello che negli anni Novanta rappresentavano C e C++ per il mondo industriale: il linguaggio attraverso cui una nuova generazione di sviluppatori entra nelle tecnologie più avanzate.

Riferimenti.

1. Tateo Lifelong Learning Lab / TILLL.AI. L’intelligenza Artificiale -- §11. Python: il linguaggio dell’Intelligenza Artificiale moderna https://tateoblog.blogspot.com/p/artificial-intelligence.html 

🏠 TILLL / 🎓 Learning / 🧠 AI / machine learning / ANN / deep learning / python

-----------------------------------------

6/8-2026

(c) Tateo's Interdisciplinary Lifelong Learning Lab (TILLL)

🧠 Apprendimento Automatico (Machine Learning)

🏠 TILLL / ✍️ TateoBlog <==

#ArtificialIntelligence #MachineLearning #BigData #InternetOfThings #TateoBlog #TILLL

Il Machine Learning (apprendimento automatico) è uno dei principali sottoinsiemi dell’Intelligenza Artificiale e rappresenta il passaggio da un approccio basato su regole esplicitamente programmate a un approccio basato sull’esperienza. L’idea fondamentale è semplice: invece di descrivere in anticipo tutte le istruzioni necessarie per risolvere un problema, si forniscono al sistema grandi quantità di dati e si lascia che sia l’algoritmo a individuare autonomamente regolarità, relazioni e schemi ricorrenti. In questo senso il Machine Learning può essere visto come una tecnologia di sintesi della conoscenza, poiché trasforma l’osservazione dei fenomeni in modelli capaci di effettuare previsioni, classificazioni o decisioni su nuovi casi.

Lo sviluppo moderno del Machine Learning è stato reso possibile dalla convergenza di due fattori decisivi. Da un lato, la diffusione di Internet, dei social network, dell’Internet of Things (IoT), dei sensori industriali e dei dispositivi connessi ha generato enormi quantità di informazioni digitali, i cosiddetti Big Data, impossibili da analizzare manualmente. Dall’altro, la crescita della capacità di calcolo ha consentito di addestrare modelli sempre più complessi su insiemi di dati di dimensioni senza precedenti.

Il Machine Learning è inoltre un campo profondamente interdisciplinare: integra contributi provenienti dall’intelligenza artificiale, dalla probabilità e statistica, dalla teoria dell’informazione, dalla teoria del controllo, dalla complessità computazionale, dalla psicologia, dalla neurobiologia e da altre discipline.

Questa natura trasversale si collega direttamente alla filosofia del Lifelong Learning, che promuove il dialogo tra saperi differenti e la ricerca di connessioni tra fenomeni tecnologici, scientifici, economici e sociali, favorendo una comprensione più ampia e consapevole delle trasformazioni introdotte dall’Intelligenza Artificiale.

Riferimenti.

1. Tateo Lifelong Learning Lab / TILLL.AI. L’intelligenza Artificiale -- §6. Apprendimento Automatico (Machine Learning) https://tateoblog.blogspot.com/p/artificial-intelligence.html 

🏠 TILLL / 🎓 Learning / 🧠 AI / machine learning

2. Tateo Lifelong Learning Lab / TILLL.IT.1. Il fenomeno della produzione di grosse quantità di dati, caratteristico delle moderne applicazioni informatiche https://tateoblog.blogspot.com/p/it1-big-data-evolution-of-data-science.html
🏠 TILLL / 🎓 Learning / Informatica (IT) / big data

3. Tateo Lifelong Learning Lab / TILLL.IT.1. Internet delle cose (Internet of Things) http://tateoblog.blogspot.com/2017/04/au-06-internet-delle-cose.html

🏠 TILLL / 🎓 Learning / 🔧 Automazione (AU) / big data

-----------------------------------------

5/8-2026

(c) Tateo's Interdisciplinary Lifelong Learning Lab (TILLL)

🧠 TensorFlow, il framework per l'addestramento Deep Learning

🏠 TILLL / ✍️ TateoBlog <==

#ArtificialIntelligence #DeepLearning #MachineLearning #TensorFlow #TateoBlog #TILLL

Tra gli strumenti che hanno contribuito maggiormente alla diffusione del Deep Learning, TensorFlow occupa un posto di primo piano. Si tratta di un framework open source sviluppato da Google che permette di progettare, addestrare e utilizzare reti neurali profonde senza dover implementare manualmente i complessi algoritmi matematici che ne regolano il funzionamento.

Il nome TensorFlow nasce dall'unione delle parole inglesi tensor (la struttura matematica utilizzata per rappresentare dati come immagini, testi, suoni e video) e flow (flusso), a indicare il percorso che questi dati compiono attraversando i diversi livelli della rete neurale durante il processo di apprendimento.

Uno dei principali vantaggi di TensorFlow è quello di automatizzare le operazioni necessarie all'addestramento del modello: l'analisi dei dati, il calcolo degli errori e il continuo aggiornamento dei parametri interni della rete affinché le sue previsioni diventino progressivamente più accurate. In questo modo gli sviluppatori possono concentrarsi sulla progettazione dell'architettura del modello e sulla qualità dei dati, anziché sugli aspetti matematici più complessi.

Oggi TensorFlow rappresenta uno degli strumenti fondamentali per lo sviluppo di applicazioni basate sull'Intelligenza Artificiale in numerosi settori, dalla Visione Artificiale all'elaborazione del linguaggio naturale, dalla medicina alla guida autonoma. Anche nella mia esperienza professionale viene utilizzato come piattaforma di riferimento per l'addestramento di modelli di Deep Learning destinati ad applicazioni industriali per la Diagnostica Ferroviaria.

TensorFlow è un esempio di come l'Intelligenza Artificiale moderna sia nata dall'integrazione tra ricerca scientifica, strumenti open source e comunità globale di sviluppatori.

La sua diffusione è tale che la conoscenza di TensorFlow è diventata una competenza molto apprezzata dal mercato del lavoro. È sufficiente consultare gli annunci pubblicati su LinkedIn per trovare numerose offerte rivolte a sviluppatori, data scientist e ingegneri dell'Intelligenza Artificiale che richiedono esperienza nell'utilizzo di questo framework, spesso insieme ad altri strumenti come Python e PyTorch.

Riferimenti.

1. Tateo Lifelong Learning Lab / L'approccio Euristico e le tecniche meta-Euristiche per la risoluzione dei problemi complessi -- §5. L'apprendimento profondo: Deep Learning, https://tateoblog.blogspot.com/p/lapproccio-euristico-e-le-tecniche.html

🏠 TILLL / 🎓 Learning / 🧠 AI / complex problems / heuristics / bio-inspired 

-----------------------------------------

4/8-2026

(c) Tateo's Interdisciplinary Lifelong Learning Lab (TILLL)

🧠 L'apprendimento profondo: Deep Learning

🏠 TILLL / ✍️ TateoBlog <==

#BioInspired #AI #ArtificialNeuralNetwork #ANN #DeepLearning #MachineLearning #ArtificialIntelligence #ComputerVision #SpeechRecognition #BigData #GPU #AutonomousDriving

Tra gli esempi più significativi di Intelligenza Artificiale bio-ispirata troviamo il Deep Learning. Le Reti Neurali Artificiali (Artificial Neural Networks, ANN), infatti, nascono dall'idea di riprodurre, mediante modelli matematici, alcuni principi fondamentali del funzionamento delle reti di neuroni biologici. Pur essendo enormemente più semplici del cervello umano, esse rappresentano uno degli esempi più riusciti di come l'osservazione della natura possa guidare lo sviluppo di nuove tecnologie intelligenti.

L'idea fondamentale consiste nel riprodurre, attraverso modelli matematici, alcuni principi dell'apprendimento biologico. Le Reti Neurali Artificiali sono costituite da unità elementari, chiamate neuroni artificiali, interconnesse tra loro e organizzate in più livelli (layer). Durante la fase di addestramento, le connessioni tra i neuroni vengono progressivamente modificate affinché la rete impari a riconoscere schemi (pattern), relazioni e regolarità presenti nei dati, in modo concettualmente analogo a quanto avviene, seppur con una complessità immensamente maggiore, nel sistema nervoso degli esseri viventi.

Quando il numero di livelli della rete aumenta sensibilmente, si parla di Deep Learning, letteralmente "apprendimento profondo". Il termine deep ("profondo") fa infatti riferimento alla profondità della rete neurale, cioè alla presenza di numerosi livelli nascosti che elaborano progressivamente le informazioni. Ogni livello estrae caratteristiche sempre più astratte dai dati ricevuti: nei sistemi di visione artificiale, ad esempio, i primi livelli imparano a riconoscere bordi e forme semplici, quelli successivi individuano oggetti sempre più complessi, fino ad arrivare al riconoscimento completo di un volto, di un veicolo o di un animale.

Questa capacità di costruire automaticamente (senza l'intervento umano) rappresentazioni sempre più sofisticate dei dati costituisce il principale punto di forza del Deep Learning. A differenza delle tradizionali tecniche di Machine Learning e delle prime reti neurali, nelle quali era l'esperto a dover individuare e programmare manualmente le caratteristiche (feature) più significative da analizzare, nel Deep Learning è la rete stessa che apprende autonomamente le feature durante l'addestramento. Questo riduce drasticamente il lavoro di progettazione, rende i modelli molto più flessibili e permette di affrontare problemi che, con gli approcci tradizionali, sarebbero estremamente complessi o addirittura impraticabili.

Per questo motivo il Deep Learning viene oggi impiegato con successo nella Computer Vision, nel riconoscimento vocale, nella comprensione del linguaggio naturale, nella bioinformatica, nella diagnostica medica, nella Guida Autonoma (Autonomous Driving) e in numerosi altri ambiti. Grazie a queste tecniche è possibile realizzare sistemi capaci di apprendere direttamente da enormi quantità di immagini, video, testi, segnali audio e dati provenienti da sensori, senza dover progettare manualmente le regole o le caratteristiche necessarie per interpretare tali informazioni.

Le basi teoriche delle reti neurali artificiali risalgono addirittura agli anni Quaranta del secolo scorso. È quindi naturale chiedersi perché il Deep Learning sia diventato protagonista soltanto negli ultimi anni. La risposta è semplice: per esprimere tutto il suo potenziale, questa tecnologia richiede enormi quantità di dati e una capacità di calcolo che, fino a pochi anni fa, non era disponibile.

La svolta è arrivata grazie alla convergenza di due fenomeni. Da un lato, l'enorme disponibilità di dati digitali generati quotidianamente da Internet, smartphone, social network, sensori e dispositivi connessi, il cosiddetto fenomeno dei Big Data. Dall'altro, l'impiego delle Graphics Processing Unit (GPU), processori progettati per elaborare migliaia di operazioni in parallelo e quindi particolarmente adatti all'addestramento delle reti neurali profonde. La combinazione di questi due fattori ha permesso di addestrare modelli sempre più grandi e accurati, aprendo la strada alla straordinaria evoluzione dell'Intelligenza Artificiale che stiamo vivendo oggi.

Il successo del Deep Learning dimostra come l'osservazione della natura possa tradursi in soluzioni tecnologiche di enorme impatto. Pur non replicando il cervello umano, le reti neurali artificiali ne riprendono alcuni principi essenziali, confermando uno dei concetti chiave della Vita Artificiale: studiare i meccanismi dei sistemi viventi può ispirare la progettazione di macchine sempre più capaci di apprendere, adattarsi e risolvere problemi complessi. 

Riferimenti.

1. Tateo Interdisciplinary Lifelong Learning, Intelligenza artificiale ispirata ai principi della vita: la Vita Artificiale, §5. L'apprendimento profondo: Deep Learning, https://tateoblog.blogspot.com/2017/04/ai-04-intelligenza-ispirata-ai.html

🏠 TILLL / 🎓 Learning / 🧠 AI / complex problems / heuristics / bio-inspired / §5. deep learning

2. Tateo Interdisciplinary Lifelong Learning, La riproduzione della visione umana per mezzo di un sistema artificiale, https://tateoblog.blogspot.com/p/vs-visione-artificiale.html 

🏠 TILLL / 🎓 Learning / 👁️ VS

3. Tateo Interdisciplinary Lifelong Learning, Il fenomeno della produzione di grosse quantità di dati, caratteristico delle moderne applicazioni informatiche, https://tateoblog.blogspot.com/p/it1-big-data-evolution-of-data-science.html

🏠 TILLL / 🎓 Learning / IT / Big Data

4. Tateo Interdisciplinary Lifelong Learning, Il calcolo Parallelo, https://tateoblog.blogspot.com/p/it_17.html

🏠 TILLL / 🎓 Learning / IT / Super-calcolo / Parallel Computing

5. Tateo Interdisciplinary Lifelong Learning, Le applicazioni dell'intelligenza artificiale / §11.

Guida autonoma  (Autonomous Driving), https://tateoblog.blogspot.com/p/it1-big-data-evolution-of-data-science.html

🏠 TILLL / 🎓 Learning / 🧠 AI / ⚙️Applicazioni

3/8-2026

📚🚀 Dietro ogni libro c'é un essere umano.

📚Readings / 🚀 Narrativa-SciFi / dystopian / Bradbury / Fahrenheit451

#readings #SCIFI #dystopian #Bradbury #Fahrenheit451 

Sto leggendo "Fahrenheit 451" di Ray Bradbury. Ricordo brevemente che questo romanzo è tra i capolavori della fantascienza del Novecento, ed una delle opere più rappresentative della narrativa distopica, un genere che immagina società future solo in apparenza perfette, ma in realtà dominate dalla censura, dal controllo e dalla perdita delle libertà individuali.. Pubblicato nel 1953, il romanzo è  Il titolo richiama la temperatura – 451 gradi Fahrenheit, pari a circa 233 °C – alla quale la carta prende fuoco, un riferimento simbolico al compito dei pompieri del futuro: non spegnere gli incendi, bensì bruciare i libri.

Ho individuato molti spunti importanti di riflessione. Tra le citazioni citazioni della prima parte "Il focolare e la salamandra" che ho annotato quella che ritengo più significativa, è la seguente:

«Nei libri dev'esserci qualcosa, non possiamo immaginare cosa, che spinge una donna a bruciare con la sua casa. Dev'essere così, non ti fai ardere vivo per niente. … Per la prima volta mi sono reso conto che dietro ogni libro c'è un essere umano. Un essere che ha dovuto pensarlo e usare il suo tempo per metterlo sulla carta. Non ci avevo mai riflettuto prima.» 

(Fahrenheit 451 -- Ray Bradbury -- Pag. 49)

«Dietro ogni libro c'è un essere umano.» È questa semplice consapevolezza a segnare il momento decisivo della trasformazione di Guy Montag. Fino a quel momento i libri erano stati, per lui, soltanto oggetti da confiscare e bruciare, simboli di un passato da cancellare. L'incontro con la donna che preferisce morire tra le proprie opere piuttosto che rinnegare ciò in cui crede lo costringe invece a porsi una domanda fondamentale: quale valore può avere un libro per spingere una persona a sacrificare la propria vita?

La risposta non riguarda soltanto la carta o l'inchiostro. Bradbury suggerisce che ogni libro custodisce il tempo, l'intelligenza, i dubbi, le emozioni e l'esperienza di chi lo ha scritto. Un libro è il risultato di anni di studio, di riflessione e di confronto con il mondo; è il dialogo silenzioso tra un autore e generazioni di lettori. Distruggere un libro significa interrompere quel dialogo e cancellare una parte della memoria collettiva.

Questo passaggio assume oggi un significato ancora più profondo. Viviamo in un'epoca in cui siamo sommersi da contenuti rapidi, spesso consumati senza attenzione. Leggere richiede invece tempo, concentrazione e disponibilità ad ascoltare idee diverse dalle nostre. È un esercizio di libertà intellettuale che ci rende meno manipolabili e più consapevoli.

La riflessione di Montag invita quindi a guardare ogni libro con occhi nuovi. Prima di giudicarne il contenuto, dovremmo ricordare che dietro quelle pagine esiste una persona che ha dedicato una parte della propria vita a comprendere il mondo e a condividerne la propria visione. Forse è proprio questo il motivo per cui i regimi autoritari hanno sempre temuto i libri: non perché siano fatti di carta, ma perché contengono il pensiero umano. E il pensiero, quando continua a circolare liberamente, è una delle forme più potenti di libertà che l'uomo abbia mai creato.

A mio avviso questa riflessione è anche il cuore dell'intero romanzo: Fahrenheit 451 non parla semplicemente di libri bruciati, ma del valore delle idee, della memoria e del dialogo tra esseri umani. È un messaggio che, nell'epoca dell'intelligenza artificiale e dell'informazione digitale, appare ancora più attuale di quanto lo fosse nel 1953.

Riferimenti.

1. Fahrenheit 451 -- Ray Bradbury -- Pag. 49

2. Tateo Interdisciplinary Lifelong Learning, La sezione “Fantascienza” della mia libreria, §. Fahrenheit 451, Rey Bradbury, https://tateoblog.blogspot.com/2017/11/lt4-la-sezione-fantascienza-della-mia.html

🧠 Evoluzione dell'AI dagli anni Novanta ad oggi

🧠 Artificial Intelligence  /  complex problems / heuristics / bio-inspired / algoritmi genetici

#AI #geneticAlgorithms

L'Intelligenza Artificiale è una delle passioni che più hanno accompagnato il mio percorso di studio, di ricerca e di crescita personale. La mia naturale inclinazione al problem solving e la passione per l'informatica mi hanno portato, fin dagli anni dell'università, ad approfondire le tecniche di ottimizzazione euristica e, in particolare, il Calcolo Evolutivo (Evolutionary Computation) e gli Algoritmi Genetici.

Il mio interesse per i sistemi intelligenti nasce all'inizio degli anni Novanta, quando iniziai a leggere riviste di divulgazione scientifica come Le Scienze. Come molti appassionati di quel periodo, ero convinto che la realizzazione di una vera intelligenza artificiale fosse ormai imminente. L'impressione era che mancasse soltanto un ultimo passo tecnologico per trasformare in realtà ciò che fino ad allora avevamo immaginato nei romanzi e nei film di fantascienza. Quel salto, come sappiamo, avrebbe richiesto ancora molti anni.

Nonostante ciò, il mio entusiasmo non diminuì. Al contrario, si trasformò nella voglia di sperimentare direttamente le tecniche che allora rappresentavano la frontiera della ricerca. Fu proprio leggendo un articolo pubblicato su Le Scienze dedicato agli Algoritmi Genetici che scoprii un approccio destinato a catturare definitivamente la mia attenzione.

Ciò che mi affascinò non fu soltanto l'efficacia della tecnica come metodo di ottimizzazione, ma soprattutto la sua eleganza concettuale. Attraverso gli strumenti della matematica e dell'informatica, gli Algoritmi Genetici riuscivano a riprodurre alcuni dei meccanismi fondamentali dell'evoluzione biologica — selezione naturale, ricombinazione genetica e mutazione — mostrando come processi apparentemente semplici potessero produrre soluzioni sorprendentemente efficaci a problemi complessi. L'idea che concetti appartenenti alla biologia, alla genetica e alla teoria dell'evoluzione potessero essere tradotti in algoritmi capaci di "evolvere" soluzioni rappresentò per me una straordinaria dimostrazione del valore dell'interdisciplinarità.

A quel punto decisi di verificare personalmente quanto questa tecnica fosse realmente potente e versatile. All'epoca frequentavo il corso di laurea in Ingegneria Elettronica presso il Politecnico di Bari e stavo preparando esami come Energetica Applicata e Calcolatori Elettronici. Nel tempo libero mi divertivo inoltre ad affrontare problemi di natura completamente diversa, come la riduzione dei sistemi del Totocalcio e del Lotto. Avevo quindi a disposizione un insieme di problemi molto eterogenei con cui mettere alla prova l'universalità del metodo.

Realizzai quindi le mie prime implementazioni di Algoritmi Genetici, modellando geneticamente ciascun problema e lasciando che il processo evolutivo ricercasse autonomamente soluzioni sempre migliori. L'obiettivo non era soltanto ottenere risultati soddisfacenti, ma comprendere fino a che punto fosse possibile applicare lo stesso paradigma a domini completamente differenti.

Negli anni successivi ho continuato a sperimentare e perfezionare queste tecniche, applicandole sia durante il percorso universitario sia nell'attività professionale, fino ad arrivare al settore della visione artificiale e dell'elaborazione delle immagini.

Tra le applicazioni più significative che ho sviluppato figurano:

• l'ottimizzazione della progettazione di turbine a gas;
• l'ottimizzazione di architetture pipeline per calcolatori elettronici;
• la modellazione sperimentale di una macchina per la previsione delle estrazioni del Lotto;
• l'ottimizzazione di modelli di image processing e di riconoscimento delle immagini.

Guardando oggi all'evoluzione dell'Intelligenza Artificiale, ritengo che quella passione nata oltre trent'anni fa abbia rappresentato molto più di un semplice interesse tecnico. È stata il punto di partenza di un percorso di apprendimento continuo che mi accompagna ancora oggi e che continua ad alimentare la mia curiosità verso le nuove frontiere dell'IA, dai sistemi evolutivi fino ai moderni modelli di Intelligenza Artificiale Generativa.

Riferimenti

[1] Tateo Interdisciplinary Lifelong Learning, Qualche informazione su di me. https://tateoblog.blogspot.com/p/about-me.html

[2] Tateo Interdisciplinary Lifelong Learning, Intelligenza Artificiale, Soft Computing, https://tateoblog.blogspot.com/p/p_14.html

[3] Tateo Interdisciplinary Lifelong Learning / Intelligenza Artificiale / Complex problems / Heuristics / Bio-inspired / Evolutionary / Gli Algoritmi genetici, https://tateoblog.blogspot.com/p/ai1313.html

🧠📚 I viaggi di Guliver e la AI Generativa

🧠 AI  /  Generative

📚 LT / Romanzi / Swift / Gulliver

#AI #GenerativeAI #LLM #readings #Swift #Gulliver

Cosa c'entrano i viaggi di Gulliver con la AI Generativa?

Leggendo il libro "La differenza fondamentale" del filosofo contemporaneo Luciano Floridi mi sono imbattuto nella seguente citazione, da cui sembra che Jonathan Swift tre secoli fa abbia previsto, almeno in parte, l'avvento della intelligenza artificiale generativa.

Tutti sanno, disse, quanto laborioso sia il consueto metodo per divenire eccellenti nel campo delle arti e delle scienze; laddove grazie al suo congegno, anche la più ignorante delle persone, con modica spesa e soltanto un poco di fatica fisica, potrà scrivere libri di filosofia, poesia, politica, diritto, matematica e teologia, senza bisogno alcuno di genialità o di erudizione.

(cit. Jonathan Swift, I viaggi di Gulliver)

 A quasi tre secoli di distanza, la satira di Jonathan Swift appare sorprendentemente attuale. La “macchina” immaginata nell’Accademia di Lagado non anticipa tecnicamente l’Intelligenza Artificiale generativa, ma ne coglie con straordinaria lucidità una delle questioni più profonde: è possibile produrre testi convincenti senza possedere una reale comprensione di ciò che si scrive? Se nel Settecento questa era una provocazione letteraria, oggi è una domanda concreta che accompagna lo sviluppo dei modelli linguistici di grandi dimensioni.

Questo passo del libro "I viaggi di Gulliver" di Jonathan Swift viene citato spesso quando si parla di Intelligenza Artificiale generativa. Tuttavia, è importante precisare che Jonathan Swift non stava “prevedendo” l’IA nel senso moderno del termine: stava usando la satira per criticare l’idea che la conoscenza potesse essere prodotta meccanicamente, senza comprensione né talento. Ed in questo mi sembra molto vicino alla opinione critica di Luciano Floridi nei confronti dell'hype che circonda attualmente il fenomeno della Intelligenza Artificiale Generativa.

Nel terzo viaggio di I viaggi di Gulliver (1726), Swift descrive la celebre “macchina” dell’Accademia di Lagado: un enorme congegno composto da cubi recanti parole che, ruotando casualmente, generano nuove combinazioni di frasi. L’inventore sostiene che, grazie a tale macchina, chiunque potrà scrivere opere di filosofia, poesia, politica, diritto, matematica e teologia senza possedere alcuna competenza.

Letto oggi, il parallelismo con i Large Language Model è sorprendente:

• la macchina combina parole per produrre testi;
• rende possibile a chiunque generare contenuti;
• riduce apparentemente il bisogno di conoscenze specialistiche;
• solleva il problema della differenza tra produzione di testo e comprensione del significato.

Naturalmente esiste anche una differenza fondamentale: la macchina di Swift genera combinazioni sostanzialmente casuali, mentre i moderni modelli di IA apprendono regolarità statistiche da enormi quantità di testi e producono risposte coerenti in base al contesto. Non “pensano” nel senso umano, ma non assemblano nemmeno parole a caso.

Riferimenti

1. La differenza fondamentale, Artificial Agency: una nuova filosofia dell'intelligenza artificiale. — Luciano Floridi. — pag. 9

2. Tateo Interdisciplinary Lifelong Learning, Artificial Intelligence; §. AI Generativa. https://tateoblog.blogspot.com/p/artificial-intelligence.html 

3. Tateo Interdisciplinary Lifelong Learning, Lettura, Narrativa/Romanzi, §. I viaggi di Gulliver -- Jonathan Swift. https://tateoblog.blogspot.com/2017/04/lt-19-romanzi-e-racconti.html