Tutti parlano di intelligenza artificiale, in particolare gli stupidi, categoria che comprende l’intera classe dirigente occidentale supportata da giornalisti altrettanto stupidi.
Quello che fa l’intelligenza artificiale è usare una grande quantità di dati, testo, immagini, numeri, audio o video per un addestramento che, in genere, porta a una sintesi che “chi ci sta dietro” spera sia corretta. E, in effetti, per situazioni banali la risposta spesso è corretta, così come lo è quella prodotta dall’intelligenza umana media.
Per arrivare al risultato si usano molti ingressi provenienti da campioni usati per l’addestramento, come i pixel di un’immagine, le parole di un testo o altri dati numerici. Questi vengono combinati con pesi diversi, ottenendo un secondo livello di informazione, o strato informativo; poi si passa a numerosi strati successivi e si estraggono caratteristiche sempre più specifiche, fino ad arrivare alla risposta finale. Il grande vantaggio di questo processo è la rapidità dell’elettronica, che elabora la risposta in base ai pesi, determinati dopo un lungo addestramento e l’analisi di un numero enorme di esempi.
Si suppone che il processo sia simile a quello del neurone, ma la funzione impiegata dal modello, esteso a quelli più complessi, è un’approssimazione allucinante. Supposto che la descrizione del funzionamento di un neurone sia simile alla realtà, cosa poco probabile, è assolutamente irragionevole che l’operazione svolta consista in una somma ponderata degli ingressi (tramite moltiplicazioni e somme, operazioni lineari) e che ci sia una soglia di attivazione ben definita. Approssimare un sistema naturale, che è sempre non lineare, con un modello lineare è la più grande arroganza degli “studiosi”. La linearizzazione funziona in situazioni semplici e in ambiti e tempi limitati. Nei sistemi non lineari il funzionamento è regolato dal feedback, anch’esso non lineare (in elettronica analogica il feedback utilizzato è lineare e, solo perché i sistemi sono semplici, funziona abbastanza bene). Inoltre, la non linearità comporta la saturazione, ovvero la limitazione graduale dei segnali, che non possono assumere valori eccessivamente elevati.
La saturazione dei modelli del neurone è una funzione matematica che presumibilmente non ha nulla a che fare con la funzione di attivazione reale. In generale, l’elettronica digitale ignora il feedback, il che rende gli operatori grandi ignoranti e, in più, alquanto arroganti. Un sistema digitale, compresi quelli che usano l’intelligenza artificiale, è immancabilmente “open loop” e opera con un numero enorme e crescente di bit, caratteristiche che lo portano inevitabilmente “all’impazzimento”. È questa la ragione delle recenti promesse di Sam Altman e di Elon Musk di rallentare lo sviluppo di sistemi di intelligenza artificiale “più avanzati”.
Quelli non sono avanzati, ma sono cose di cui si perde il controllo, cose che non stanno in piedi e che divergono verso chissà che cosa. Sono dei Frankenstein il cui concepimento viene interrotto non perché sono effettivamente pericolosi, ma perché si rivelerebbero la ciofeca che sono e costituirebbero una minaccia per il profitto desiderato. Sono sistemi sostanzialmente open loop che seguono traiettorie senza controllo e, inevitabilmente, divergono in modo disastroso, poiché non sono vincolati da alcuna reazione negativa (feedback). Basta pensare a un fuoristrada che, senza l’aiuto della bussola, viaggia nel deserto in una direzione ritenuta rettilinea, ma dopo un paio di giorni si ritrova nello stesso punto. Con l’AI, l’eventuale feedback utilizzato è tenue e spesso è quello che fornisce al cliente a posteriori o il “gusto” del programmatore: è come se il segnale di orientamento arrivasse al fuoristrada nel deserto dopo un giorno o anche più, o la sensazione di andare dritto controlli il volante.
Per quanto riguarda la memoria, si può dire che quella naturale sia, pur relativamente lenta, un mare in continuo movimento, con improvvisi guizzi che generano intuizioni fulminee o soluzioni creative capaci di risolvere in modo inaspettato problemi incubati da tempo. Il cervello collega informazioni apparentemente slegate, unendo logica, memoria e astrazione. La memoria umana non è un gigantesco data center che mette tutte le informazioni allo stesso livello e richiede una capacità di stoccaggio enorme, ma un efficientissimo sistema inspiegabile che consente di recuperare informazioni “dimenticate” e abbandonate, non si sa dove, da decenni.
Invece, la memoria dell’intelligenza artificiale è uno stagno privo di ossigeno, coperto da foglie di antica data (i dati raccolti per l’addestramento o i pesi delle elaborazioni neuronali), ma viene usata da zanzare velocissime che sfruttano quell’insieme di dati quasi stazionario, spesso non proprio corretti. Per quanto riguarda la capacità, si stima che un cervello umano immagazzini l’equivalente di 2,5 petabyte; un data center aziendale ne immagazzina tra 10 e 50 petabyte (tra quattro e venti cervelli). Il data center, però, consuma da 20 a 50 MW (milioni di watt), mentre il cervello ne consuma 20. Nonostante le enormi risorse di calcolo impiegate, l’intelligenza artificiale opera su eventi quasi statici e ripetitivi, per i quali è possibile prevedere una media “ragionevole”. I risultati ottenuti vengono poi sovrastimati dal pubblico. Capire che un gatto è un gatto non è così complicato: un qualsiasi topo lo fa benissimo. Riconoscere una faccia, per casomai ucciderne il proprietario, o un aereo dalla sua forma per abbatterlo non è altrettanto difficile. Un robot che afferra un uovo senza romperlo è al livello di una faina che entra in un pollaio. Anche le cose complicate sono normali per un essere umano.
Si parla di intelligenza e comprensione; per capirle meglio, si considerino le cinque categorie principali dell’apprendimento oggetto di uno studio condotto da Roger Säljö (1979).
- Apprendimento come aumento quantitativo della conoscenza. Imparare significa acquisire informazioni o “sapere molto”.
- Apprendimento come memorizzazione. Imparare significa immagazzinare informazioni che possono essere riprodotte.
- Apprendimento come acquisizione di fatti, abilità e metodi che possono essere conservati e utilizzati all’occorrenza.
- Apprendimento come attribuzione di significato o come astrazione. Imparare implica mettere in relazione le diverse parti della materia tra loro e con il mondo reale.
- Apprendimento come interpretazione e comprensione della realtà in modo diverso. Imparare implica comprendere il mondo reinterpretando la conoscenza.
Le categorie, pur non strettamente delimitate, indicano che l’intelligenza artificiale non va oltre il terzo livello e che le evoluzioni previste verso l’intelligenza generale e la superintelligenza sono specchietti per le allodole. Tutto si fonda su basi d’argilla, come il gigante nel sogno del re Nabucodonosor. Invece, gli informatici occidentali che si occupano di intelligenza artificiale, categoria di lavoratori estremamente pericolosa, prospettano una cosiddetta evoluzione verso il deep learning, l’AI generativa, l’AI emotiva e quant’altro: tutto ciò è impossibile, ma viene prospettato anche perché significa acquisire il potere degli stregoni della pioggia e… guadagnare molto denaro.
Alcuni prodotti di quella che viene chiamata intelligenza artificiale hanno un impatto positivo: aumentano la produttività, automatizzano le attività ripetitivee forniscono un’analisi dei dati rapidae precisa, sostituendo le operazioni ripetitive e riducendo gli errori umani, L’AI ottimizza i processi aziendali e migliora la redditività. Il campo medico è quello che offre i maggiori vantaggi, poiché la medicina si basa molto sulla statistica e un elevato numero di campioni riduce l’incertezza dei risultati. Sono questi i vantaggi dell’intelligenza artificiale. Inoltre, quando è applicata alla robotica e alla visione artificiale, porta alle cosiddette dark factory: impianti industriali completamente al buio perché l’intera produzione è gestita da robot. Non avendo persone all’interno, non serve illuminazione, l’operatività è di 24 ore al giorno con un intervento umano da remoto per la sola verifica e manutenzione.
Gli svantaggi dell’intelligenza artificiale sono ben noti, ma quello che ritengo il più pericoloso è il diminuito uso del cervello, poiché ritengo che la somma dell’intelligenza artificiale e quella naturale sia costante. Il dilagare dell’intelligenza artificiale renderà gli stupidi ancora più stupidi.
Al contrario, i capaci hanno capito quali siano i vantaggi e favoriscono condizioni e applicazioni limitate e adeguate a produrre risultati positivi e non sono motivati dall’ingordigia di un profitto smisurato. Si prevede la disponibilità open source dei pesi o dei codici, con conseguente feedback da parte degli utilizzatori, e si ricorre all’intelligenza artificiale per lo ‘smart manufacturing’, che rappresenta un’evoluzione della catena di montaggio verso soluzioni più efficienti. Ma, molto più che questo, si favoriscono le condizioni “al contorno”, in particolare la disponibilità e l’uso dell’energia.
Jensen Huang, CEO di NVIDIA, ha detto che l’intelligenza artificiale è una torta a cinque strati: energia, circuiti, infrastrutture, modelli e applicazioni. In realtà, non è una torta, ma una torre con energia alla base. Come la torre di Babele, questa crolla quando la base, fatta di energia, si rivela inconsistente. Come noto, i data center sono voracissimi di energia. Nel 2024, hanno consumato circa l’1,4% dell’elettricità mondiale. Con le solite “astuzie”, i grandi gestori, dopo aver incontrato crescenti opposizioni negli USA, hanno scaricato su altri l’onere e gli inconvenienti dei data center. Ad esempio, l’Italia consuma per i data center l’1,9% dell’energia (3,9 TWh nel 2024), paga per gli investimenti, utilizza grandi quantità d’acqua, soffre l’inquinamento delle falde, subisce il riscaldamento conseguente e i benefici vanno a Meta, XAI, Anthropic, Amazon e compagnia bella. La situazione in altri paesi è simile o peggiore: ad esempio, il consumo di energia dei data center in Irlanda è stato pari a 7,6 TWh, il doppio rispetto a quello dell’Italia.
I capaci (in primis la classe dirigente cinese) sanno benissimo che l’energia è fondamentale e, invece di fare guerre e rapinare risorse altrui (vedi il Venezuela), hanno creato un’enorme disponibilità e capacità di generazione energetica. Basta guardare il diagramma della figura per capire tre cose. I capaci sanno che l’energia è il motore dello sviluppo; che questa consapevolezza esiste fin dal 2000; e che l’energia si produce con le proprie capacità e non si ruba (o si tenta di rubarla) ad altri.
Per i capaci, l’energia è la prima componente da sviluppare, sfruttando anche le fonti considerate rinnovabili. Poi, l’uso della cosiddetta intelligenza artificiale e dei relativi sistemi deve essere “controllabile e affidabile”. È uno strumento con limiti e potenzialità ben definiti. Deve mirare al benessere umano, promuovere l’equità e la giustizia, tutelare la privacy e aumentare il livello di alfabetizzazione etica. Deve favorire lo sviluppo economico e strategico senza tagliare l’occupazione. Per questo serve un massiccio investimento in ricerca scientifica, formazione di nuove competenze e sviluppo di applicazioni in settori ad alto impatto sociale, come la sanità, i trasporti, la sicurezza, l’agricoltura intelligente e la tutela ambientale.
L’abilità dei capaci deriva dalla loro solida conoscenza e da una rigorosa selezione. Avere gestori che a malapena hanno un diploma di scuola superiore e che hanno sviluppato abilità dialettiche e di intrigo nei sottoscala della politica è ciò che fa la differenza, anche quando si parla di “intelligenza artificiale”.
