Chiedi a un'AI di riscrivere un'email difficile, e la risposta arriva in qualche secondo, in un italiano ragionevole. Spesso migliore di quello che avresti scritto tu di fretta. La parte strana viene adesso: nessuno — nemmeno le persone che quel sistema hanno costruito — sa spiegare fino in fondo perché ci sia riuscito.
Non è un modo di dire. Chi sviluppa questi modelli sa raccontarti come vengono addestrati, ma non può aprirli e indicarti la regola che ha prodotto quella frase, perché quella regola non è scritta da nessuna parte. Il comportamento c'è, la spiegazione no.
Se questo vale per chi li costruisce, immagina la posizione in cui ti trovi tu, che quella cosa la usi ogni giorno: per un riassunto, per un brainstorming quando sei a corto di idee. A volte senza nemmeno chiamarla AI — un suggerimento automatico, una funzione "scrivi per me", un chatbot che risponde al posto di un operatore.
Il problema è questo: la usi come una scatola nera. Funziona quando funziona, delude quando delude, e in nessuno dei due casi sai perché — quindi non sai cosa cambiare la volta dopo. Senza capire cosa c'è dentro è quasi impossibile sapere cosa chiederle, come chiederlo, cosa aspettarsi e, soprattutto, quando fidarti della risposta.
Questo corso serve a questo. Non a farti diventare un ingegnere, e nemmeno a farti scrivere codice. Serve a darti la mappa concettuale che manca a quasi tutti: usare l'AI meglio oggi, e orientarti da solo domani, quando cambierà di nuovo.
Perché proprio adesso?
La domanda ha una risposta meno ovvia di quello che sembra. L'AI non è nuova: i ricercatori lavorano su questi problemi da decenni, e per la maggior parte di quel tempo è rimasta nei laboratori, costosa, complicata, accessibile a pochi specialisti. Poi, in pochi anni, è finita nel telefono di tutti.
Non è successo perché qualcuno ha avuto l'idea giusta. È successo perché tre cose, nate ognuna per motivi propri, si sono trovate pronte quasi nello stesso momento.
La prima arriva da un posto che nessuno avrebbe indicato: i videogiochi. Le schede grafiche costruite per far girare i videogiochi sul computer di casa — le GPU — sanno fare una cosa molto specifica: migliaia di calcoli in parallelo, invece che uno dopo l'altro. Si è scoperto che è esattamente il tipo di calcolo che serve per addestrare un modello di AI. Un'industria di intrattenimento aveva involontariamente costruito l'infrastruttura di un'altra rivoluzione, e poi il cloud ha reso quella potenza affittabile a chiunque, senza comprare hardware da milioni di dollari.
La seconda erano i dati, e li avevamo generati noi, senza accorgercene. Internet ha prodotto miliardi di pagine di testo, milioni di conversazioni, libri, articoli, codice. Una quantità di materiale che un essere umano non finirebbe di leggere in mille vite, ma che una macchina può assorbire e imparare a imitare. Per decenni quel materiale era solo l'effetto collaterale di persone che scrivevano online; poi è diventato la materia prima.
La terza è la più tecnica e la più decisiva: un'architettura chiamata Transformer, presentata nel 2017, che ha reso possibile costruire modelli molto più grandi e capaci di tutti quelli precedenti. GPT, Claude, Gemini — tutto quello che usi oggi nasce da quel punto.
La tempesta perfetta: come siamo arrivati all'AI di oggi
- 2012
AlexNet vince ImageNet
GPU per deep learning
- 2014
GAN inventate da Goodfellow
Prima architettura generativa
- 2016
AlphaGo batte il campione mondiale
Go: 10^170 possibilità
- 2017
"Attention is All You Need"
Nasce il Transformer
- 2018
BERT e GPT-1
Modelli pre-addestrati su testo
- 2019
GPT-2 — "troppo pericoloso"
1.5B parametri
- 2020
GPT-3 — 175B parametri
Emergono capacità inattese
- 2022
ChatGPT — 100M utenti in 60 gg
Più veloce di qualunque prodotto nella storia
- 2023
GPT-4, Llama, Claude, Gemini
Esplosione di modelli
Tre forze si sono allineate tra il 2017 e il 2023: potenza di calcolo (GPU), dati (internet), e una nuova architettura (Transformer). Nessuna da sola sarebbe bastata.
Quando queste tre cose si sono incontrate, il risultato è stato un salto qualitativo che nessuno si aspettava così presto. E siamo ancora all'inizio.
Cosa imparerai in questo corso
Dieci puntate, ognuna leggibile in cinque o dieci minuti, ognuna costruita su quella precedente ma comprensibile anche da sola. Non sono lezioni da studiare: sono i pochi concetti che, una volta capiti, fanno smettere l'AI di sembrare magia.
Il percorso è più o meno questo. Prima scendiamo dentro, seguendo la strada che fa una frase quando la scrivi in una chat. Come viene spezzata in pezzi numerici, come quei numeri finiscono a rappresentare un significato, come il modello decide quali delle tue parole contano davvero. Poi guardiamo come una macchina che all'inizio non sa niente diventi qualcosa che risponde in modo sensato. E come genera il testo un pezzetto alla volta: è anche il motivo per cui, certe volte, inventa con assoluta sicurezza cose che non esistono.
Nella seconda metà usciamo dal modello e torniamo al mondo. Come collegarlo a documenti e strumenti per fargli sapere quello che non sa, e cosa cambia quando smette di rispondere e comincia ad agire da solo. Poi, all'ultima puntata, come scegliere tra i modelli che escono ogni settimana senza farti fregare dalle classifiche.
Alla fine non saprai costruire un modello. Ma capirai perché si comporta come si comporta, e questo vale molto più di saper copiare un tutorial.
C'è però una cosa da mettere a posto prima di tutto il resto, una di quelle che tutti danno per scontate e quasi nessuno ha davvero chiara. Continuo a scrivere "il modello" come se fosse ovvio di cosa stiamo parlando, e non lo è: non è un programma, non è un database, non è un archivio di risposte pronte. È qualcosa di diverso da tutto il software che hai usato in vita tua. E capire cosa è la differenza tra usare l'AI a caso e usarla con criterio.
Quindi: cos'è, esattamente, un modello?