Approfondiamo la conoscenza di questo settore, di cui non potremo più fare a meno.
Dopo la panoramica iniziale, che ci ha permesso di intravedere le potenzialità di questo straordinario strumento, è tempo di addentrarci nel suo funzionamento. Non un’immersione tecnica, ma un viaggio divulgativo, capace di mostrare i meccanismi essenziali senza perdere la meraviglia. L’Intelligenza Artificiale, infatti, non è magia, ma logica che si fa calcolo, linguaggio che si traduce in numeri. È un attraversamento che ci conduce oltre i confini del sensibile, dentro l’astrazione matematica.
L’Intelligenza Artificiale: un miracolo… di tipo matematico
Ed è lì che l’IA si rivela per ciò che è: un autentico “miracolo”… di tipo matematico.
L’Intelligenza Artificiale, a prima vista, sembra qualcosa di “magico”. In realtà, di magico non ha nulla, se non la capacità di risvegliare quella stessa magia che ognuno di noi porta dentro: la spinta a superare continuamente barriere che credevamo invalicabili. L’IA riesce a farlo attraverso uno degli strumenti più potenti che l’umanità abbia mai elaborato: la matematica.
La matematica non è soltanto una scienza, ma una meta-scienza, un linguaggio che attraversa e struttura tutte le altre discipline. È ciò che ci permette di pensare l’infinito, di formalizzare concetti che sfuggono ai nostri sensi, di costruire modelli che vanno oltre l’esperienza immediata. Il vero “miracolo” è che, quando queste astrazioni vengono calate in casi concreti, ritroviamo la vita quotidiana: ciò che sembrava pura astrazione si rivela avere un fondamento tangibile.
È forse questa la ragione per cui l’Intelligenza Artificiale ha potuto crescere così rapidamente: la matematica non solo emula aspetti della conoscenza umana, ma li supera, diventando una sorta di proto-conoscenza collettiva.
Le reti neurali: il cuore pulsante dell’IA
Le reti neurali artificiali rappresentano il cuore dell’Intelligenza Artificiale: il punto d’incontro tra neuroscienze e matematica. Non a caso oggi si parla di neuroscienze computazionali.
Le reti neurali sono modelli matematici che imitano, in forma semplificata, il funzionamento del cervello. Sono composte da neuroni artificiali, unità computazionali che elaborano informazioni e le trasmettono ad altri neuroni. Questi neuroni sono organizzati in strati (layers), con un livello di input e uno di output.
La prima formulazione risale al 1943, quando il neurofisiologo Warren McCulloch e il matematico Walter Pitts pubblicarono lo studio A Logical Calculus of the Ideas Immanent in Nervous Activity. In esso descrivevano un modello matematico di rete neurale, gettando le basi dell’IA ben prima dell’avvento del primo computer elettronico, l’ENIAC (1946).
Da allora, un percorso lungo quasi ottant’anni ha portato alle reti profonde (deep neural networks) che oggi alimentano i sistemi più avanzati.
Riferimenti aggiuntivi:
- Alan Turing, con il suo celebre articolo Computing Machinery and Intelligence (1950), che introduce il “Test di Turing”.
- Frank Rosenblatt, che nel 1958 sviluppò il Perceptron, primo modello di rete neurale capace di apprendere.
- Geoffrey Hinton, Yoshua Bengio e Yann LeCun, pionieri del Deep Learning, premiati con il Turing Award nel 2018.
Se lo puoi immaginare, lo puoi costruire
Molti pensano che si possa progettare solo ciò che è già realizzabile. In realtà, la storia della scienza dimostra il contrario: le grandi innovazioni nascono proprio quando qualcuno immagina ciò che ancora non è costruibile.
- Sadi Carnot (1824) teorizzò il ciclo termodinamico che porta il suo nome, molto prima che i motori moderni lo rendessero applicabile.
- I qubit della computazione quantistica furono formalizzati quando i computer domestici erano ancora i Commodore 64 e i Sinclair ZX80. L’algoritmo di Shor (1994) per la fattorizzazione quantistica precedette di decenni i computer quantistici reali.
- Negli anni ’30, la fisica teorica ipotizzava già i wormholes come scorciatoie spazio-temporali, ben prima che la tecnologia potesse anche solo avvicinarsi a simili concetti.
Così è stato anche per l’IA: prima ancora che i computer esistessero, qualcuno progettava reti che imitavano il cervello. È come disegnare edifici con materiali che ancora non esistono: un atto visionario che apre la strada al futuro.
Come funziona davvero l’IA?
La forza dell’Intelligenza Artificiale sta nella sua capacità di imparare. Questo processo, chiamato Machine Learning, si è evoluto nel Deep Learning, che sfrutta reti neurali profonde.
L’addestramento avviene fornendo enormi quantità di dati: la rete confronta i risultati previsti con quelli reali, correggendo progressivamente i propri parametri.
Dal punto di vista matematico, una rete neurale è una matrice di pesi che rappresentano l’importanza delle connessioni tra neuroni artificiali. Ogni collegamento ha un valore numerico che viene aggiornato durante l’addestramento.
Il processo si articola in tre passaggi fondamentali:
- Moltiplicazione matriciale: i dati in ingresso vengono trasformati attraverso i pesi della rete.
- Bias: viene aggiunto un valore correttivo che permette flessibilità al modello.
- Funzione di attivazione: trasforma il risultato in una distribuzione di probabilità, cioè in un insieme di valori che rappresentano la “confidenza” del modello nelle sue risposte.
La probabilità è dunque il cuore dell’IA: non si tratta di certezze assolute, ma di valutazioni statistiche che si avvicinano progressivamente alla realtà.
Trasformare i pensieri in calcoli
Il 13 settembre 2025, al Circolo Filologico Milanese, ho tenuto una conferenza dal titolo: Intelligenza Artificiale: trasformare i pensieri in calcoli. Il cuore del discorso era semplice e radicale: l’Intelligenza Artificiale funziona proprio così, traducendo parole e pensieri in numeri, numeri in calcoli, calcoli in nuove parole.
Il processo, in apparenza lineare, è in realtà un intreccio di complessità:
- ricevere un input linguistico,
- scomporlo in sequenze numeriche,
- farlo attraversare una rete neurale,
- ottenere un vettore di output,
- applicare una funzione di attivazione,
- interpretare il risultato.
Dietro questa apparente semplicità si nasconde un lavoro matematico immenso, che per decenni è rimasto “incubato” in attesa di sufficiente potenza di calcolo. L’idea era pronta, ma mancava il corpo tecnologico per incarnarla.
Dal linguaggio ai numeri: la tokenizzazione
Ogni testo viene scomposto in token, segmenti elementari di linguaggio. Questi token vengono trasformati in vettori numerici multidimensionali attraverso un processo detto embedding. Ogni vettore porta con sé le caratteristiche semantiche e sintattiche del token.
L’insieme di queste operazioni costituisce il Natural Language Processing (NLP): in poche parole, la matematica che si fa linguaggio, e il linguaggio che si fa matematica.
Elaborazione e interpretazione
Il flusso numerico attraversa i livelli della rete neurale. L’output è un nuovo vettore, che viene trasformato da una funzione di attivazione non lineare in un risultato interpretabile. Non lineare significa che non conserva la proporzione diretta tra input e output: introduce invece la possibilità di nuove forme, nuove connessioni. È qui che la macchina smette di essere un semplice calcolatore e diventa un interprete.
Il risultato finale dipende dal contesto:
- in una traduzione, si sceglierà la parola più vicina al significato atteso,
- in altri casi, l’elemento con la probabilità più alta.
L’arte dell’addestramento
La vera forza dell’IA è la possibilità di imparare. Il processo di addestramento segue un ciclo preciso:
- Inizializzazione: pesi e bias partono da valori arbitrari.
- Elaborazione: i dati attraversano la rete, producendo un output.
- Stima dell’errore: si confronta l’output con il risultato atteso, calcolando una funzione di ottimizzazione.
- Gradient Descent: si calcola il gradiente della funzione e si correggono i parametri nella direzione opposta alla pendenza, riducendo progressivamente l’errore.
- Backpropagation: l’errore viene “riportato indietro” attraverso i livelli, aggiornando pesi e bias.
Questo ciclo si ripete fino a quando l’errore diventa accettabilmente basso. Il risultato è un Large Language Model (LLM): un modello linguistico con miliardi di parametri, che possiamo immaginare come un immenso vocabolario matematico.
La matematica come colonna portante
Ogni fase dell’IA si fonda su una branca della matematica:
| Operazione | Matematica di riferimento |
| Elaborazione dell’informazione | Algebra lineare |
| Addestramento | Calcolo differenziale |
| Stima dei risultati | Calcolo delle probabilità |
L’IA, in fondo, parla matematica. E la matematica diventa la sua colonna portante, il suo respiro invisibile.
Contesto e probabilità: le due anime dell’IA
Durante la Milano Digital Week 2025, lo spettacolo di Walter Riviera mostrava come sia possibile trarre conclusioni da parole prive di senso (“Perterdo è un folofrakno…”) grazie al contesto. L’IA funziona nello stesso modo: non conosce davvero le parole, ma riconosce le relazioni tra di esse, i pattern, le probabilità.
Qui entra in gioco la seconda anima: la probabilità. L’IA non è deterministica: non fornisce certezze assolute, ma valutazioni probabilistiche. Come nella meccanica quantistica, non ci dice “cosa è”, ma “cosa è più probabile che sia”.
Questo è insieme la sua forza e il suo limite: la capacità di avvicinarsi alla verità senza mai possederla del tutto. Per questo l’uso consapevole dell’IA richiede sempre un margine di vigilanza critica.
Uno sguardo oltre
L’IA non è solo calcolo: è trasformazione dei pensieri in numeri e dei numeri in pensieri. È un ponte tra l’astratto e il concreto, tra il linguaggio umano e la logica matematica.
Oggi sappiamo che non si limita a elaborare: comincia a creare. Non in modo illimitato, ma entro confini che si allargano ogni giorno. Il meglio deve ancora venire. Come sempre nella tecnologia, ma anche — e soprattutto — nella capacità umana di immaginare ciò che ancora non esiste.
Per saperne di più:
Sergio Ragaini. Karmanews: Alle radici dell’Intellgenza Artificiale, 1a Puntata.
Portali e raccolte di risorse
- Siti di Intelligenza Artificiale: Elenco aggiornato 2025: panoramica di strumenti e piattaforme AI suddivisi per categoria.
- I 16 migliori siti di Intelligenza Artificiale nel 2025: elezione di tool e applicazioni AI per creatività, marketing e produttività.
- Migliori siti di Intelligenza Artificiale (Salvatore Aranzulla): guida introduttiva per chi vuole iniziare a sperimentare chatbot e strumenti AI.
Testi e articoli fondamentali
- Alan Turing, Computing Machinery and Intelligence (1950) : l’articolo che introduce il celebre “Test di Turing”. Articolo, lingua inglese
- Warren McCulloch & Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity (1943); il primo modello matematico di rete neurale. Articolo specialistico, lingua inglese.
- Frank Rosenblatt, The Perceptron (1958); la nascita del primo modello di apprendimento automatico. Articolo specialistico. Lingua inglese
- Nick Bostrom, Superintelligence (2014): riflessione filosofica e prospettica sui rischi e le opportunità dell’IA. Libro: Lingua originale inglese e lingua italiana.
- Stuart Russell & Peter Norvig, Artificial Intelligence: A Modern Approach – il manuale accademico più diffuso sull’IA. Lingua Inglese e Lingua Italiana (Volume 1 e Volume 2)
Conferenze e divulgazione
- TEDx Talks sull’Intelligenza Artificiale – brevi conferenze accessibili che spaziano dall’etica alla robotica. Interessante sul loro Canale Youtube questo video.
- Milano Digital Week – eventi e spettacoli che intrecciano tecnologia, cultura e società (come lo spettacolo di Walter Rivera).
- Meet Digital Culture Center: Centro milanese per la Cultura e l’Arte Digitali. È stato il “polo” della Milano Digital Week. Diverse attività e mostre d’arte digitale.
Per un approccio filosofico e poetico
- Byung-Chul Han, Psicopolitica – riflessione sul potere nell’era digitale.
- Yuk Hui, Recursivity and Contingency – filosofia della tecnologia e dell’automazione. Lingua inglese
- Luciano Floridi, La quarta rivoluzione – l’IA come trasformazione dell’identità umana
