Per chi vuole giocare raccomando il nuovo Gemini 2.5 Pro, per chi preferisce approfondire anche due articoli qui.
Nel primo leggete del paragone tra LLM e zucca nei meccanismi di compressione dell’informazione, ossia della nostra capacità di sintesi, per formare nuovi concetti; argomento fondamentale nel meccanismo di apprendimento per macchina e uomo. Noi abbiamo una grande capacità di astrazione, che ci consente di capire al volo che rondine, passerotto ed aquila sono uccelli, mentre il robot deve studiarseli uno ad uno milioni di volte per fare quella banale generalizzazione. Gli ultimi sviluppi in ambito LLM riducono la differenza tra uomo e macchina su questo aspetto, ma senza minimamente replicare le nostre capacità di ragionamento.
Il secondo articolo esplora il mondo dei Large Reasoning Models (LRM), introdotti per capire come ragiona la macchina e riuscire ad istruirla sui passaggi logici più corretti da fare. Da questa ricerca emerge che mentre per i compiti semplici gli LLM sono migliori, per quelli di media complessità è meglio usare gli LRM e per i problemi veramente complessi occorre ancora ragionare con la propria zucca. Un punto a favore per gli scettici dei continui investimenti nella crescita di datacenter e potenza di calcolo.
La mia opinione è che il paragone tra intelligenza artificiale ed umana, seppur meritevole di ricerca, sia relativamente inutile; questo perché non sappiamo cosa e come funzioni la nostra mente, siamo ancora agli albori di capire il cervello, quindi ci manca il riferimento del confronto. Preferisco partire da applicazioni specifiche e pratiche dell’IA, che portino vantaggi con pochi rischi e sprechi economici, e solo dopo ragionare su quanto esse si avvicinino alla nostra zucca.
Per esempio, vedere due tecnici che smanettano sui computer all’interno di una Waymo a passo di lumaca nel traffico di Boston, è impressionante. Lo è perché contemporaneamente, in altre città americane, sta accumulando oltre 300.000 corse, quasi due milioni di miglia a settimana, che insegnano al ranocchio a guidare meglio. A San Francisco Waymo funziona così bene che la gente fa la fila e paga doppio e triplo rispetto a Uber e Lyft, pur di andare sul taxi a guida autonoma. Com’è possibile che a Boston guidi male, mentre altrove funziona perfettamente? Una qualsiasi persona che sappia guidare a San Francisco lo fa senza problemi anche a Boston, e viceversa. È veramente così complesso guidare? Vale la pena investire in questa applicazione?
Esempio completamente opposto, nel senso che mostra un’abilità stupenda del ranocchio elettronico rispetto alla nostra zucca, l’ho visto all’AIA, la conferenza degli architetti e costruttori americani che quest’anno ha portato 840 espositori e decine di migliaia di professionisti in città. Ho toccato con mano materiali rivoluzionari, dalle pareti che assorbono il caldo durante il giorno per restituirlo la notte (e fanno il contrario nei mesi caldi per raffreddarvi casa), ad altri che assorbono rumore e smog a livelli inimmaginabili fino a due anni fa. Architetti ed ingegneri civili chiedono ad agenti AI di inventare nuovi materiali con funzionalità prima impossibili, o eccessivamente costose, e questo ti spara formule mai viste prima. Sono materiali a base di minerali, di polimeri innovativi, di composti organici, combinati da un cervello elettronico che fa molto meglio dei nostri esperti. Una volta ottenuta la ricetta del nuovo materiale, produrlo per test e poi in scala è un lavoro banale, da ingegneri come ce ne sono tanti.
Possiamo trarre delle conclusioni generali dagli esempi di Waymo e dei nuovi materiali costruttivi? No, e non ci deve interessare troppo. Quello che conta è fare qualcosa di utile hic et nunc, e ricordarci che in Cina è un fiorire di esempi pratici; quindi, spendere troppo tempo in riflessioni sui massimi sistemi, potrebbe essere un peccato.
