Storia e Evoluzione dell'AI
La Storia e l'Evoluzione dell'Intelligenza Artificiale
L'Intelligenza Artificiale (AI) non è nata con ChatGPT: è il frutto di oltre settant'anni di ricerca, alternati a momenti di grande entusiasmo e a fasi di profonda disillusione. Comprendere questa storia non è un esercizio puramente accademico: aiuta a riconoscere i pattern ricorrenti del settore, a interpretare con spirito critico l'hype attuale e a capire perché certe tecniche funzionano solo oggi e non quarant'anni fa. In questa lezione ripercorriamo il cammino dell'AI dal Test di Turing fino all'era dei Large Language Models.
- Collocare le tappe fondamentali dell'AI in una linea temporale coerente.
- Distinguere i diversi paradigmi storici: AI simbolica, sistemi esperti, apprendimento statistico e deep learning.
- Comprendere le cause e gli effetti dei due "AI Winter".
- Capire perché il deep learning è "esploso" solo dopo il 2012 grazie a dati, hardware e algoritmi.
- Inquadrare l'attuale era dell'AI generativa nel suo contesto storico.
Dall'idea alla disciplina
L'idea di costruire macchine capaci di "pensare" precede di molto l'informatica, ma è con Alan Turing che diventa una domanda scientifica precisa. Nel 1950 Turing si chiede non "le macchine possono pensare?" — domanda che giudica troppo vaga — ma se una macchina possa comportarsi in modo indistinguibile da un essere umano in una conversazione. Da qui nasce il celebre Test di Turing. Pochi anni dopo, nel 1956, la disciplina riceve un nome e una comunità: durante la conferenza di Dartmouth, John McCarthy conia il termine "Artificial Intelligence" e raccoglie attorno a sé i pionieri del campo.
Timeline dell'AI
1950 Test di Turing
Alan Turing pubblica "Computing Machinery and Intelligence" e propone il famoso test per valutare se una macchina possa esibire un comportamento intelligente indistinguibile da quello umano.
1956 Nascita dell'AI
La conferenza di Dartmouth segna la nascita ufficiale del campo. John McCarthy conia il termine "Artificial Intelligence" e definisce l'obiettivo: simulare ogni aspetto dell'apprendimento e dell'intelligenza con una macchina.
1960-1970 Primi successi e AI simbolica
Nasce ELIZA (1966), il primo chatbot che simulava uno psicoterapeuta, e SHRDLU, capace di manipolare un mondo di blocchi tramite comandi in linguaggio naturale. È l'epoca dell'AI "simbolica", basata su regole logiche scritte a mano.
1974-1980 Primo "AI Winter"
Le promesse non mantenute e i limiti computazionali dell'epoca portano a un drastico taglio dei finanziamenti pubblici. È la prima grande crisi di fiducia nel settore.
1980s Sistemi esperti
Boom commerciale dei sistemi esperti: software che codificano la conoscenza di uno specialista in regole "if-then". MYCIN (diagnosi mediche) e XCON (configurazione di computer per DEC) dimostrano un valore economico concreto in azienda.
Fine anni '80 Secondo "AI Winter"
I sistemi esperti si rivelano costosi da mantenere e fragili fuori dal loro dominio specifico. Il mercato hardware dedicato collassa e si apre una seconda fase di disinvestimento.
1997 Deep Blue vs Kasparov
Il computer IBM Deep Blue batte il campione mondiale di scacchi Garry Kasparov. È una pietra miliare simbolica, ottenuta però soprattutto con forza bruta di calcolo e regole, non con apprendimento.
2012 Rivoluzione del Deep Learning
La rete neurale AlexNet vince la competizione ImageNet con un margine clamoroso sui metodi tradizionali. È il momento in cui il deep learning diventa la tecnologia dominante per la visione artificiale.
2016 AlphaGo
DeepMind sconfigge un campione mondiale di Go, gioco ritenuto troppo complesso per la forza bruta. Qui la vittoria nasce da reti neurali e reinforcement learning, non da regole scritte a mano.
2017 Transformers
Il paper "Attention is All You Need" introduce l'architettura Transformer, basata sul meccanismo di attenzione. È la fondazione tecnica su cui poggiano tutti i moderni LLM.
2022-oggi Era dell'AI generativa
Con ChatGPT, Claude e Gemini l'AI generativa diventa mainstream e accessibile a chiunque. I modelli multimodali integrano testo, immagini, audio e codice, e l'AI entra nei flussi di lavoro quotidiani di milioni di professionisti.
I paradigmi che si sono susseguiti
Dietro la timeline si nasconde un cambiamento profondo di approccio. Possiamo riassumerlo in tre grandi fasi:
- AI simbolica (anni '50-'80): l'intelligenza viene "programmata" tramite regole e logica esplicite. Funziona bene in domini ben definiti, ma è rigida e non generalizza.
- Apprendimento statistico (anni '90-2010): il sistema impara dai dati invece di seguire regole scritte da un umano. Emergono i metodi di machine learning classico.
- Deep learning e modelli fondazionali (dal 2012): reti neurali profonde apprendono rappresentazioni complesse direttamente dai dati grezzi, fino ai modelli generativi di oggi.
In pratica
Pensiamo all'evoluzione di un assistente clienti aziendale. Negli anni '90 sarebbe stato un sistema a regole: un albero decisionale rigido in cui ogni risposta era scritta a mano da un operatore ("se l'utente scrive 'rimborso', mostra il modulo X"). Bastava una parola fuori posto per mandarlo in crisi. Oggi lo stesso servizio si basa su un LLM che comprende il linguaggio naturale, gestisce richieste mai viste prima e mantiene il contesto della conversazione. Lo stesso bisogno aziendale — rispondere ai clienti — è stato affrontato con tre generazioni di tecnologie completamente diverse: questa è, in concreto, l'evoluzione dell'AI applicata.
📌 Punti chiave
- L'AI nasce ufficialmente nel 1956 a Dartmouth, ma le sue radici concettuali risalgono al Test di Turing del 1950.
- Il settore ha attraversato due "AI Winter", ricordandoci che entusiasmo eccessivo e risultati reali non sempre coincidono.
- Si sono succeduti tre paradigmi: AI simbolica, apprendimento statistico e deep learning.
- Il deep learning è esploso dal 2012 grazie alla convergenza di dati, hardware (GPU) e algoritmi.
- L'architettura Transformer (2017) è la base dell'attuale era dei Large Language Models e dell'AI generativa.