Dieci anni fa, il mondo osservava in stupefatto silenzio AlphaGo di Google DeepMind sconfiggere Lee Sedol, uno dei più grandi giocatori di Go della storia. Non si trattava semplicemente di un’altra intelligenza artificiale che picchiava un essere umano; è stato un momento spartiacque che ha rivelato un nuovo tipo di intelligenza. La vittoria ha scatenato una reazione viscerale, con lo stesso Lee Sedol che ha ammesso di essere “scioccato” dalle mosse intuitive e talvolta inspiegabili dell’IA.
La svolta: reti neurali e intuizione
Il successo di AlphaGo si basava sulle reti neurali : complessi modelli matematici ispirati al cervello umano. A differenza dei tradizionali programmi di gioco che si basano su regole preprogrammate, AlphaGo ha imparato a giocare. Lo ha fatto analizzando milioni di giochi reali e poi, soprattutto, giocandone altri milioni contro se stesso. Questo gioco personale ha permesso all’intelligenza artificiale di scoprire strategie oltre la comprensione umana.
Come osservò all’epoca Sergey Brin, co-fondatore di Google, AlphaGo mostrava “intuizione”, facendo “mosse meravigliose” che persino gli esseri umani farebbero fatica a concepire. Questo non era un semplice calcolo; era una nuova forma di riconoscimento di modelli che superava le capacità umane. Il gioco del Go, con le sue incredibili 10171 posizioni possibili, ha fornito il banco di prova perfetto.
Dal Vai all’impatto nel mondo reale
L’eredità di AlphaGo si estende ben oltre il gioco da tavolo. La tecnologia sottostante è stata applicata a campi critici come la biologia e la matematica. In particolare, AlphaFold, un’altra intelligenza artificiale di DeepMind, ha rivoluzionato la previsione della struttura delle proteine, facendo guadagnare ai suoi creatori un premio Nobel per la chimica. Più recentemente, AlphaProof ha ottenuto la medaglia d’oro alle Olimpiadi internazionali della matematica, dimostrando la crescente attitudine dell’intelligenza artificiale per il ragionamento complesso.
Il principio fondamentale alla base di questi successi è coerente: alimentare una rete neurale con grandi quantità di dati e definire parametri chiari per il successo. Nel Go significava vincere la partita; nel ripiegamento delle proteine, prevedeva con precisione le strutture molecolari; in matematica, risolvere problemi a livello olimpico.
Il processo in due fasi: pre-formazione e apprendimento per rinforzo
Il metodo alla base di questo successo prevede due fasi chiave: preformazione e apprendimento per rinforzo. Innanzitutto, la rete neurale è esposta a enormi quantità di dati (giochi Go, Internet, letteratura scientifica). Quindi, affina le sue prestazioni attraverso tentativi ed errori. Per AlphaGo, questo significava giocare contro se stesso; per AlphaFold significava imparare a riconoscere le proteine ripiegate correttamente; per modelli linguistici di grandi dimensioni come ChatGPT, significa ottimizzare le risposte basate sul feedback umano o sull’autocorrezione.
Il problema della scatola nera
Nonostante questi progressi, rimane una sfida fondamentale: le reti neurali sono in gran parte opache. Persino gli ingegneri che hanno costruito AlphaGo non sono riusciti a spiegare del tutto perché eseguisse determinate mosse, come la famigerata mossa 37, che inizialmente sembrava irrazionale ma alla fine si è rivelata geniale. Questa natura di “scatola nera” significa che spesso non sappiamo perché un’intelligenza artificiale arriva a una conclusione particolare, sollevando preoccupazioni sull’affidabilità e sull’attendibilità.
Come osserva Pushmeet Kohli di Google DeepMind, “Questi modelli forniranno risposte e non sapremo se si tratta di intuizioni geniali o allucinazioni”. Risolvere questo problema rimane un obiettivo centrale della ricerca in corso.
Il futuro dell’intelligenza artificiale: dove regnano dati e definizione
L’eredità di AlphaGo non consiste solo nel battere un essere umano a Go. Si tratta di dimostrare la potenza delle reti neurali e gettare le basi per le applicazioni di intelligenza artificiale che stanno trasformando la scienza e la tecnologia. Le aree in cui l’intelligenza artificiale oggi prospera (matematica, programmazione e campi con dati abbondanti e verificabili) evidenziano una lezione chiave: il progresso richiede sia dati che definizioni chiare di successo. Il prossimo decennio promette progressi ancora più drammatici, ma comprendere i limiti di questi sistemi sarà altrettanto cruciale quanto celebrarne i risultati.
