L’intelligenza artificiale non è nata con ChatGPT e non si è sviluppata seguendo una linea retta. La sua storia attraversa oltre settant’anni di idee, aspettative, risultati, fallimenti e ritorni di interesse. Alcune tecniche sono state abbandonate, altre sono diventate componenti invisibili dei sistemi che utilizziamo ogni giorno.
Conoscere questo percorso aiuta a capire una distinzione fondamentale: un sistema basato su regole, un modello di machine learning e un assistente generativo possono essere tutti definiti “AI”, ma funzionano in modi molto diversi.
Indice
- 1950: la domanda di Alan Turing
- 1956: nasce il termine intelligenza artificiale
- L’epoca dei sistemi simbolici
- Gli inverni dell’AI
- Il passaggio all’apprendimento dai dati
- Dal Deep Blue al deep learning
- Transformer e modelli linguistici
- AI generativa, multimodale e agenti
- Le tecniche che continuano a coesistere
- FAQ
1950: Alan Turing cambia la domanda
Nel 1950 il matematico britannico Alan Turing pubblicò Computing Machinery and Intelligence. Invece di cercare una definizione astratta del pensiero, propose un esperimento operativo, poi conosciuto come test di Turing: una persona conversa senza vedere i propri interlocutori e prova a distinguere una macchina da un essere umano.
Il test non misura tutte le forme di intelligenza e oggi è oggetto di molte critiche. La sua importanza storica sta soprattutto nel cambio di prospettiva: non chiedere che cosa sia interiormente una macchina, ma osservare ciò che riesce a fare durante un’interazione.
Questa domanda rimane attuale. Un modello può produrre una risposta convincente senza comprendere il mondo come una persona. Per questo la capacità di imitare un comportamento non deve essere confusa automaticamente con coscienza, intenzione o affidabilità.
1956: nasce ufficialmente l’intelligenza artificiale
Nel 1955 John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon prepararono la proposta per un incontro estivo al Dartmouth College, svolto nel 1956. Il documento utilizzava l’espressione artificial intelligence e avanzava un’ipotesi molto ambiziosa: gli aspetti dell’apprendimento e dell’intelligenza potevano essere descritti con sufficiente precisione da permettere a una macchina di simularli.
L’incontro di Dartmouth viene considerato il momento fondativo della disciplina, anche se molte idee erano già presenti nella logica matematica, nella cibernetica e nei primi studi sulle reti neurali.
I ricercatori erano ottimisti. I computer avevano iniziato a dimostrare teoremi, risolvere piccoli problemi e giocare. Sembrava plausibile ottenere rapidamente capacità generali. La realtà si rivelò molto più difficile.
L’epoca dei sistemi simbolici: l’intelligenza come insieme di regole
Per diversi decenni l’approccio dominante fu l’AI simbolica. Conoscenze, oggetti e relazioni venivano rappresentati esplicitamente; il programma applicava regole logiche per raggiungere una conclusione.
Un esempio semplificato potrebbe essere:
Se la temperatura del server supera la soglia e le ventole non rispondono, genera un allarme critico.
Questo metodo ha un vantaggio importante: il percorso decisionale è leggibile. È però difficile scrivere manualmente tutte le regole necessarie per gestire un mondo ambiguo, variabile e pieno di eccezioni.
Negli anni Settanta e Ottanta si diffusero i sistemi esperti, programmi progettati per riprodurre il ragionamento di specialisti in un settore ristretto, per esempio diagnosi, configurazione di prodotti o supporto tecnico. Alcuni portarono risultati reali, ma richiedevano una lunga attività di acquisizione e manutenzione della conoscenza.
Gli inverni dell’AI: quando le promesse superano i risultati
L’intelligenza artificiale ha attraversato periodi di entusiasmo seguiti da forti riduzioni dei finanziamenti, chiamati AI winter. Le cause ricorrenti erano aspettative eccessive, potenza di calcolo insufficiente, scarsità di dati e difficoltà nel trasferire una dimostrazione di laboratorio al mondo reale.
I primi sistemi funzionavano bene in ambienti molto limitati, ma incontravano problemi appena cambiavano linguaggio, contesto o condizioni. Negli anni Ottanta anche il mercato dei sistemi esperti rallentò: le basi di regole diventavano costose da aggiornare e fragili davanti alle eccezioni.
Questa fase insegna una lezione ancora valida: una demo impressionante non equivale a un sistema affidabile in produzione. Prestazioni, costi, sicurezza, manutenzione e integrazione fanno parte del risultato.
Il passaggio al machine learning: imparare dai dati
Tra gli anni Novanta e Duemila l’attenzione si spostò progressivamente verso il machine learning. Invece di descrivere ogni regola, si fornivano esempi a un algoritmo affinché individuasse regolarità utili per classificare o prevedere.
Per riconoscere messaggi indesiderati, ad esempio, non era più necessario elencare tutte le possibili frasi di spam. Il sistema poteva apprendere da migliaia di email già classificate, associando determinate caratteristiche alla probabilità che un messaggio fosse indesiderato.
Questo approccio divenne possibile grazie a una combinazione di fattori:
- maggiore disponibilità di dati digitali;
- computer più potenti ed economici;
- miglioramento degli algoritmi statistici;
- benchmark condivisi per confrontare i risultati;
- diffusione di Internet e dei servizi cloud.
Per approfondire la terminologia, consulta AI, machine learning e deep learning: le differenze.
1997: Deep Blue dimostra la forza del calcolo specializzato
Nel 1997 il computer IBM Deep Blue sconfisse il campione mondiale Garry Kasparov in un incontro di sei partite. Fu un passaggio simbolico enorme, ma Deep Blue non era un’intelligenza generale: era un sistema altamente specializzato, costruito per analizzare posizioni scacchistiche con ricerca parallela, funzione di valutazione e un database di partite.
La vittoria mostrò che una macchina poteva superare un essere umano in un compito considerato intellettualmente prestigioso senza possedere la flessibilità di una persona. È una distinzione utile anche oggi: eccellere in un benchmark non significa saper affrontare qualsiasi problema.
2012: dati, GPU e reti profonde cambiano la visione artificiale
Le reti neurali erano studiate da decenni, ma per molto tempo risultarono difficili da addestrare su problemi complessi. Nel 2012 una rete convoluzionale profonda presentata da Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton ottenne un netto miglioramento nella competizione ImageNet.
Il risultato, spesso associato al nome AlexNet, rese evidente il valore della combinazione tra grandi raccolte di immagini, GPU e deep learning. Negli anni successivi le reti profonde migliorarono riconoscimento delle immagini, voce, traduzione, generazione e molte altre applicazioni.
Il cambiamento non derivava da una singola scoperta improvvisa. Algoritmi, dati, hardware e strumenti software erano finalmente maturati abbastanza da rafforzarsi a vicenda.
2016: AlphaGo combina apprendimento, ricerca e gioco autonomo
AlphaGo, sviluppato da DeepMind, combinava reti neurali profonde, apprendimento per rinforzo e ricerca ad albero. Nel 2016 sconfisse Lee Sedol per quattro partite a una, portando l’attenzione mondiale su un sistema capace di affrontare il Go, un gioco con uno spazio di possibilità enorme.
L’aspetto più interessante non era soltanto la vittoria. Il sistema apprendeva da partite umane e migliorava giocando contro versioni di sé stesso. Dimostrava come apprendimento e pianificazione potessero lavorare insieme, anticipando molte idee utilizzate nei sistemi successivi.
2017: il Transformer apre la strada ai moderni modelli linguistici
Nel 2017 il paper Attention Is All You Need propose l’architettura Transformer. Il meccanismo di attenzione permette al modello di valutare le relazioni tra le parti di una sequenza e rende l’addestramento più parallelizzabile rispetto alle precedenti architetture ricorrenti.
I transformer sono diventati la base di molti modelli per testo, immagini, audio e dati multimodali. Non conservano frasi come un normale archivio: durante l’addestramento regolano moltissimi parametri per apprendere regolarità e, nella generazione, stimano quale elemento sia plausibile produrre successivamente.
Questa capacità spiega sia la fluidità sia uno dei principali limiti: una continuazione linguisticamente plausibile può essere falsa. Il modello non consulta automaticamente una fonte verificata, a meno che l’applicazione non gliela fornisca.
2020–2022: la scala incontra l’interfaccia conversazionale
Nel 2020 GPT-3 mostrò che un grande modello preaddestrato poteva affrontare compiti differenti attraverso istruzioni e pochi esempi nel prompt, senza un addestramento specifico per ciascuna attività. L’aumento della scala non eliminava gli errori, ma rendeva l’interazione linguistica molto più generale.
Dal 2022 le interfacce conversazionali portarono l’AI generativa a un pubblico vastissimo. Per utilizzare il modello non serviva più programmare: bastava descrivere in linguaggio naturale ciò che si voleva ottenere.
Questa semplicità ha cambiato la percezione dell’AI. Tecniche complesse sono diventate accessibili a chi scrive, studia, analizza documenti, sviluppa software o prepara immagini. È cresciuta però anche la necessità di scrivere istruzioni efficaci e verificare le risposte.
Dal modello multimodale all’agente AI
I sistemi più recenti possono elaborare testo, immagini, voce e video all’interno della stessa esperienza. La direzione successiva è l’AI agentica: non soltanto generare una risposta, ma usare strumenti, consultare fonti, eseguire più passaggi e compiere azioni.
Un agente può, per esempio, leggere una richiesta, cercare dati in un’applicazione, preparare un documento e sottoporlo all’approvazione di una persona. Quando dispone di credenziali e capacità operative, però, aumentano anche i rischi. Identità, permessi, limiti, registrazione delle attività e arresto di emergenza diventano indispensabili.
La checklist di sicurezza per agenti AI spiega come graduare l’autonomia e mantenere il controllo.
Che cosa è cambiato davvero?
| Epoca | Idea dominante | Punto di forza | Limite tipico |
|---|---|---|---|
| Sistemi simbolici | Conoscenza espressa in regole | Decisioni leggibili | Difficili da mantenere su larga scala |
| Machine learning | Apprendimento da esempi | Riconosce regolarità nei dati | Dipende da qualità e rappresentatività dei dati |
| Deep learning | Reti neurali profonde | Ottime prestazioni su dati complessi | Richiede risorse e spesso è poco interpretabile |
| AI generativa | Produzione di nuovi contenuti | Interfaccia flessibile in linguaggio naturale | Può generare informazioni inesatte |
| Agenti AI | Modello collegato a strumenti e azioni | Esegue processi articolati | Errore e abuso possono produrre effetti reali |
Le tecniche precedenti non sono scomparse
La storia dell’AI non è una successione in cui ogni tecnologia elimina la precedente. Un sistema aziendale moderno può combinare:
- regole deterministiche per bloccare operazioni vietate;
- machine learning per classificare richieste;
- un modello generativo per produrre una spiegazione;
- un sistema RAG per recuperare documenti autorizzati;
- un workflow per richiedere l’approvazione umana.
Spesso questa architettura ibrida è più affidabile di un unico modello lasciato libero di decidere tutto. La guida al RAG mostra come collegare il modello a fonti verificabili.
Quattro miti da evitare
“L’AI è nata con i chatbot”
No. I chatbot moderni sono una fase recente di una storia iniziata molto prima e basata su decenni di ricerca.
“Più grande significa sempre più intelligente”
La scala può migliorare molte capacità, ma qualità dei dati, architettura, strumenti, valutazione e caso d’uso rimangono decisivi.
“Il modello conosce la verità”
Un modello generativo produce contenuti plausibili. Fonti, citazioni e controlli devono essere forniti dall’applicazione e dal processo.
“L’autonomia è sempre il livello più evoluto”
Non necessariamente. Per molti processi la configurazione migliore prevede che l’AI analizzi e prepari, mentre una persona approva.
Come orientarsi oggi
Quando incontri una nuova soluzione AI, prova a rispondere a cinque domande:
- utilizza regole, apprendimento dai dati o un modello generativo?
- quali dati riceve e da dove provengono?
- produce soltanto una risposta oppure può eseguire azioni?
- come vengono controllati errori, autorizzazioni e fonti?
- chi rimane responsabile del risultato?
Se stai iniziando, segui il percorso Basi di AI: da dove iniziare e tieni a portata di mano il glossario essenziale.
FAQ
Chi ha inventato l’intelligenza artificiale?
Non esiste un unico inventore. Alan Turing contribuì a porre le domande fondamentali; John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon organizzarono il progetto di Dartmouth che diede un nome alla disciplina.
Quando nasce ufficialmente l’AI?
Il 1956 è generalmente considerato l’anno di nascita dell’intelligenza artificiale come campo di ricerca, grazie all’incontro di Dartmouth.
Machine learning e AI sono la stessa cosa?
No. Il machine learning è uno dei modi per costruire sistemi AI. Esistono anche approcci basati su regole, ricerca, ottimizzazione e combinazioni di più tecniche.
Perché l’AI è esplosa solo negli ultimi anni?
Per la convergenza tra grandi quantità di dati, GPU, cloud, algoritmi migliori, investimenti e interfacce utilizzabili in linguaggio naturale.
I modelli generativi comprendono quello che scrivono?
Producono risultati sulla base di regolarità apprese e contesto disponibile. Il termine “comprensione” è discusso; in pratica non bisogna attribuire loro automaticamente esperienza, intenzione o affidabilità umana.
Conclusioni
La storia dell’intelligenza artificiale è un’alternanza di idee potenti e limiti concreti. Dalle regole al machine learning, dal deep learning ai transformer e agli agenti, ogni fase ha ampliato ciò che le macchine possono fare senza eliminare la necessità di progettazione e controllo.
Capire da dove arriva l’AI aiuta soprattutto a valutarla meglio: distinguere una dimostrazione da un sistema produttivo, una risposta plausibile da una fonte e l’automazione dall’autonomia.
Fonti principali
- Oxford Academic: Computing Machinery and Intelligence di Alan Turing
- AAAI: proposta del Dartmouth Summer Research Project
- IBM Research: architettura di Deep Blue
- NeurIPS: ImageNet Classification with Deep Convolutional Neural Networks
- Nature: Mastering the game of Go with deep neural networks and tree search
- Paper Attention Is All You Need
- OpenAI: Language Models are Few-Shot Learners
Articoli correlati
- Che cos’è l’intelligenza artificiale, spiegata semplice
- AI, machine learning e deep learning: differenze
- Modelli open source e open weights
- Usare l’AI in sicurezza
Iscriviti alla newsletter di Basi di AI per ricevere guide chiare, fonti verificate e strumenti pratici.
