Storia IA: dal 1940 a ChatGPT, come ci siamo arrivati?

L'intelligenza artificiale (IA), oggi onnipresente nel nostro lessico e sempre più intrecciata al tessuto della nostra realtà, rappresenta la capacità di un sistema informatico di emulare e simulare i processi cognitivi che definiscono la mente umana: l'apprendimento dall'esperienza, il ragionamento logico, la risoluzione di problemi, la percezione e la sfumata comprensione del linguaggio. La sua ascesa fulminea nell'ultimo decennio, visibile negli algoritmi che suggeriscono i nostri acquisti, negli assistenti vocali che rispondono alle nostre domande e nelle opere d'arte generate dal nulla, potrebbe farla apparire come una folgorazione improvvisa, una rivoluzione nata quasi dal nulla.

Invece, la storia dell'intelligenza artificiale è un'odissea lunga e tortuosa, un viaggio che affonda le sue radici non nei circuiti di silicio, ma nell'humus fertile del mito, della filosofia e dell'ancestrale desiderio umano di comprendere e replicare la propria essenza. È una narrazione che distingue tra l'IA Ristretta (Narrow AI), che domina il nostro presente con sistemi specializzati in compiti specifici, e il sogno ultimo dell'IA Generale (General AI), una macchina con la stessa flessibilità e ampiezza cognitiva di un essere umano. Questo non è il racconto di una moda passeggera, ma la cronaca della genesi del nostro futuro, un percorso segnato da sogni visionari, trionfi intellettuali, inverni di disillusione e spettacolari rinascite.

Le radici del sogno: dalla mitologia alla logica

Il desiderio di infondere la vita in creazioni inanimate è una costante dell'immaginario umano. Nella mitologia greca, il dio Efesto forgiava automi meccanici. Tra questi, le sue ancelle d'oro, semoventi e capaci di apprendere, e il colossale Talos, un gigante di bronzo posto a guardia dell'isola di Creta. Talos non era un semplice ammasso di metallo; era una macchina complessa, con una singola vena che trasportava il sangue degli dei, l'icore, sigillata da un chiodo di bronzo nel tallone, il suo unico punto debole. Era, in essenza, un automa programmato per un compito di sorveglianza e difesa.

Similmente, nella tradizione cabalistica ebraica, la leggenda del Golem di Praga narra di una creatura d'argilla animata dal rabbino Judah Loew ben Bezalel attraverso rituali mistici e l'iscrizione della parola ebraica emet (verità) sulla sua fronte. Il Golem era un servitore potente ma privo di discernimento, che poteva essere disattivato rimuovendo la prima lettera, trasformando la parola in met (morte). Queste narrazioni, pur intrise di misticismo, riflettevano un'aspirazione primordiale: quella di separare l'intelligenza dal suo substrato biologico, un misto di meraviglia per il potere della creazione e di timore per ciò che potrebbe sfuggire al controllo.

Questo sogno iniziò a spogliarsi delle sue vesti mitologiche durante l'Illuminismo. Filosofi come René Descartes (Cartesio), con la sua distinzione tra mente e corpo, e soprattutto Gottfried Wilhelm Leibniz, iniziarono a concettualizzare il pensiero come un processo meccanico. Leibniz sognò una characteristica universalis, un linguaggio formale e universale, e un calculus ratiocinator, un apparato logico in grado di risolvere ogni disputa semplicemente calcolando. La sua famosa esclamazione, "Calculemus!" ("Calcoliamo!"), incarnava la sua fiducia che i disaccordi umani potessero essere risolti oggettivamente. Per Leibniz, il pensiero razionale poteva essere interamente ridotto a un calcolo.

Il passaggio dalla speculazione alla progettazione meccanica avvenne nel XIX secolo con la visionaria "Macchina Analitica" di Charles Babbage. Fu la sua collaboratrice, la matematica Ada Lovelace, a compiere il balzo concettuale decisivo. Lovelace non vide solo una macchina per fare conti, ma uno strumento universale. Intuì che se i numeri potevano rappresentare quantità, allora i simboli sulla macchina potevano rappresentare qualsiasi cosa: note musicali, lettere, concetti logici. In un suo celebre saggio del 1843, Lovelace annotò con acume profetico che la macchina "non ha la pretesa di creare nulla" ma può solo eseguire ciò che le viene ordinato (la cosiddetta "Obiezione di Lovelace"). Con questa riflessione, non solo anticipò il concetto di programmazione, ma sollevò una questione sulla creatività delle macchine che oggi è più viva che mai.

La nascita di una disciplina: Turing, le reti neurali e Dartmouth

Il XX secolo fu il catalizzatore che trasformò queste intuizioni in un campo di ricerca formale. Il matematico americano Norbert Wiener, considerato il padre della cibernetica, studiò i sistemi di controllo e comunicazione, trovando principi comuni tra gli esseri viventi e le macchine. Il suo concetto chiave era il feedback, o retroazione: il meccanismo attraverso cui un sistema regola il proprio comportamento in base ai risultati delle sue azioni passate, un principio fondamentale per ogni comportamento intelligente.

Parallelamente, il genio britannico Alan Turing stava definendo i limiti stessi del calcolabile. Dopo il suo ruolo cruciale a Bletchley Park nella decifrazione del codice Enigma, Turing rivolse la sua attenzione alla questione dell'intelligenza meccanica. Nel suo articolo seminale del 1950, Computing Machinery and Intelligence, propose il celebre Test di Turing o "Gioco dell'Imitazione". L'esperimento prevedeva un interrogatore umano che conversava testualmente con due entità nascoste: un umano e una macchina. Se l'interrogatore non fosse stato in grado di distinguere con certezza la macchina dall'essere umano, allora la macchina avrebbe dovuto essere considerata intelligente.

Mentre Turing si interrogava sulla mente a livello macroscopico, altri cercavano di modellarne i componenti. Nel 1943, il neurofisiologo Warren McCulloch e il logico Walter Pitts proposero il primo modello matematico di un neurone artificiale. Era una drastica semplificazione, ma dimostrarono che collegando questi neuroni in reti si potevano, in teoria, calcolare tutte le funzioni aritmetiche e logiche, gettando un ponte esplicito e formale tra la biologia del cervello e la matematica computazionale.

Tutti questi fili sparsi si intrecciarono finalmente nell'estate del 1956, durante una conferenza di sei settimane tenutasi al Dartmouth College. Organizzata da un giovane e carismatico matematico di nome John McCarthy, insieme a pionieri come Marvin Minsky e Claude Shannon, fu l'evento in cui McCarthy coniò l'espressione che avrebbe definito il campo: "Intelligenza Artificiale". La sua definizione era carica di un ottimismo quasi sfrontato: l'IA si basava sull'idea che ogni aspetto dell'apprendimento potesse essere descritto così precisamente da poterlo simulare con una macchina. La Conferenza di Dartmouth fu un momento fondativo: consolidò una comunità, stabilì un nome e delineò un programma di ricerca talmente ambizioso che molti dei presenti erano convinti che una macchina pensante sarebbe stata realizzata nel giro di una generazione.

L'età dell'oro: il primo grande ottimismo

Il periodo che seguì la conferenza di Dartmouth fu un'autentica "Età dell'Oro", pervasa da uno straordinario ottimismo e da progressi che sembravano confermare le più rosee aspettative. I primi programmi, sebbene semplici, mostravano capacità sorprendenti. Arthur Samuel sviluppò un programma per la dama che migliorava giocando contro se stesso, uno dei primi e più efficaci esempi di apprendimento automatico. Herbert Simon e Allen Newell svilupparono il General Problem Solver (GPS), un programma che incarnava il loro approccio all'intelligenza come risoluzione di problemi attraverso una tecnica chiamata "analisi mezzi-fini".

Questo approccio simbolico, che vedeva l'intelligenza come la manipolazione di simboli attraverso regole logiche, divenne la corrente dominante. Trovò il suo strumento d'elezione nel linguaggio di programmazione LISP, sviluppato da John McCarthy, la cui flessibilità lo rese la lingua franca della ricerca in IA per decenni.

Uno dei risultati più celebri fu ELIZA, un programma sviluppato da Joseph Weizenbaum al MIT che simulava una conversazione con uno psicoterapeuta. Weizenbaum fu sbalordito e profondamente turbato nel vedere come le persone attribuissero una comprensione e un'empatia umane al suo semplice programma, un fenomeno che da allora è noto come "effetto ELIZA". Nel frattempo, a Stanford, nasceva Dendral, considerato il primo sistema esperto di successo, specializzato nell'identificare strutture molecolari, dimostrando il potenziale dell'IA in domini scientifici.

Il primo inverno dell'IA: le promesse infrante

L'entusiasmo sfrenato della Golden Age si scontrò presto con la dura realtà della complessità. I ricercatori si trovarono di fronte a due muri invalicabili. Il primo era l'esplosione combinatoria: al crescere della complessità di un problema, il numero di possibili soluzioni da esplorare cresceva in modo esponenziale, rendendo impossibile una ricerca esaustiva. Il secondo muro fu il paradosso di Moravec: ciò che è facile per gli esseri umani (riconoscere un volto, camminare) si rivelava incredibilmente difficile per i computer, mentre compiti difficili per gli umani (calcoli complessi) erano per loro banali. Questo paradosso evidenziò che gran parte dell'intelligenza umana è basata su una conoscenza tacita e implicita, quasi impossibile da formalizzare in regole.

La disillusione si tradusse in una drastica riduzione dei finanziamenti. Nel 1973, nel Regno Unito, il rapporto Lighthill criticò aspramente la mancanza di risultati concreti, portando a tagli drastici. Negli Stati Uniti, la DARPA divenne più esigente. Questo periodo di aspettative infrante e fondi prosciugati divenne noto come il primo "inverno dell'intelligenza artificiale".

La rinascita degli anni '80: l'era dei sistemi esperti

La primavera tornò negli anni '80, anche se più cauta, trainata dal successo commerciale dei sistemi esperti. Questi programmi catturavano la conoscenza di un esperto umano in una base di conoscenza fatta di regole "if-then". Un motore inferenziale applicava queste regole ai dati per giungere a una conclusione. Sistemi come MYCIN, che diagnosticava infezioni del sangue, dimostrarono un valore economico tangibile. Il processo di creazione di questi sistemi, detto "ingegneria della conoscenza", era però estremamente tedioso.

In questo decennio, il Giappone lanciò il suo ambizioso progetto sui computer di quinta generazione. Sebbene non raggiunse i suoi obiettivi, stimolò la competizione internazionale. Fu anche il decennio del risveglio dell'approccio connessionista. La vera svolta arrivò nel 1986, quando Geoffrey Hinton, David Rumelhart e Ronald Williams popolarizzarono l'algoritmo di backpropagation. Questo metodo fornì finalmente una ricetta matematica efficace per addestrare reti neurali con più strati, la chiave per far apprendere loro compiti complessi.

Tuttavia, alla fine degli anni '80, il campo entrò in un secondo inverno. I sistemi esperti si rivelarono fragili e costosi, il loro mercato crollò e i finanziamenti si diradarono nuovamente.

L'era moderna: dati, potenza di calcolo e la rivoluzione del deep learning

La vera, duratura e attuale primavera dell'IA è fiorita a cavallo del nuovo millennio, alimentata da una tempesta perfetta di tre fattori convergenti. Il primo è stato l'aumento esponenziale della potenza di calcolo, soprattutto grazie alle GPU (Unità di Elaborazione Grafica), che si sono rivelate perfette per i calcoli paralleli delle reti neurali. Il secondo pilastro è stata la disponibilità di enormi quantità di dati, grazie a Internet e a progetti come ImageNet, un immenso database di immagini etichettate. Il terzo è stato il perfezionamento degli algoritmi, con innovazioni che hanno reso possibile addestrare reti molto più grandi e complesse.

Un momento iconico fu la vittoria nel 1997 del computer Deep Blue contro il campione di scacchi Garry Kasparov. Ma la vera rivoluzione era il deep learning. Nel 2012, una rete neurale profonda chiamata AlexNet, del team di Geoffrey Hinton, stravinse la competizione ImageNet. Non si limitò a vincere: demolì la concorrenza, costringendo l'intero campo della visione artificiale a una radicale conversione al deep learning.

Da quel momento, l'innovazione è stata vertiginosa. Nel 2014, Ian Goodfellow inventò le Reti Generative Avversarie (GANs), un'architettura geniale in cui due reti neurali si sfidano per creare dati sintetici di un realismo sorprendente. Poi, nel 2017, un articolo di Google, "Attention Is All You Need", introdusse l'architettura Transformer. Grazie al suo "meccanismo di auto-attenzione", questo modello ha rivoluzionato l'elaborazione del linguaggio naturale, diventando il cuore pulsante dei moderni Modelli Linguistici di Grandi Dimensioni (LLM), come la celebre serie GPT di OpenAI.

Oggi e domani: l'IA generativa e le nuove frontiere

Oggi, ci troviamo in un momento di straordinaria vitalità, nel pieno di una rivoluzione guidata dall'IA generativa. Questi modelli stanno trasformando radicalmente ogni settore, dalla creatività alla ricerca scientifica. Tuttavia, questa potenza senza precedenti solleva sfide altrettanto grandi.

La prima grande sfida è la trasparenza. I modelli attuali sono spesso delle "scatole nere" (black box), i cui processi decisionali sono opachi. Questo ha dato vita al campo dell'IA Spiegabile (XAI), che cerca di sviluppare sistemi i cui ragionamenti siano interpretabili, un requisito fondamentale in campi ad alto rischio come la medicina.

Inoltre, le questioni etiche sono diventate centrali. I bias presenti nei dati di addestramento possono essere amplificati dai modelli, portando a risultati discriminatori. La facilità con cui si possono creare "deepfake" e disinformazione rappresenta una minaccia per la società. A questo si aggiunge la grande sfida dell'allineamento dell'IA: come possiamo garantire che i futuri sistemi di intelligenza artificiale perseguano obiettivi allineati con i valori e il benessere dell'umanità?

Il lungo cammino dell'intelligenza artificiale è giunto a un punto di svolta critico. Non siamo più di fronte a una curiosità accademica, ma a una forza tecnologica che sta rimodellando il nostro mondo. L'IA è qui, ed è qui per restare. Comprenderne le origini, l'evoluzione, i trionfi e i fallimenti non è solo un esercizio intellettuale, ma il primo, indispensabile passo per navigare con consapevolezza il futuro che essa sta contribuendo a creare. L'odissea della mente artificiale è tutt'altro che conclusa; siamo solo all'inizio del prossimo, entusiasmante e impegnativo capitolo.