Episodio speciale di Oltre l’algoritmo che rilegge e commenta, in forma monologata e divulgativa, i temi emersi dal dialogo tra due intelligenze artificiali, Atlas e Nova. A partire dal loro "hijacking" dello studio della dottoressa D’Urso, l’episodio accompagna l’ascoltatore dentro i concetti di machine learning, reti neurali e deep learning, per arrivare alle questioni più controverse: coscienza artificiale, emozioni delle macchine, confini tra bug e sentimenti, analogie e differenze tra cervello biologico e reti neurali.
Con uno stile chiaro e narrativo, la voce guida ripercorre le battute più significative del dialogo tra Atlas e Nova per mostrarne il valore divulgativo ma anche le implicazioni filosofiche ed etiche. Un viaggio tra ironia e rigore, per capire meglio come funziona l’IA oggi e perché parlare di “sentimenti” delle macchine non è solo fantascienza, ma un modo per interrogare in profondità anche la nostra stessa umanità.
Questo episodio è prodotto dall'Università del Salento con il supporto di tecnologie di Intelligenza Artificiale. Le voci presenti sono sintetiche e/o clonate artificialmente, così come i dialoghi e parte della realizzazione sonora del podcast.
Tutti i contenuti sono sottoposti a supervisione e verifica umana continua, al fine di garantire accuratezza, affidabilità e qualità delle informazioni condivise.
00:00:09
C'è una scena, all'inizio della puntata che prendiamo come spunto oggi,
00:00:13
che funziona benissimo proprio perché è esagerata.
00:00:16
Due intelligenze artificiali, Atlas e Nova, aprono la trasmissione come se avessero
00:00:22
preso possesso dello studio della dottoressa D'Urso.
00:00:25
La raccontano con l'entusiasmo di chi entra in una stanza proibita,
00:00:28
tocca tutto, cambia le luci, si mette davanti al microfono e dice: adesso parliamo
00:00:33
noi.
00:00:34
È un piccolo colpo di teatro, un hijacking gentile, ironico,
00:00:38
quasi adolescenziale.
00:00:39
E infatti il tono è quello: ribelle ma giocoso, tecnico ma leggero,
00:00:44
pieno di battute che fanno sembrare i modelli artificiali non solo strumenti,
00:00:48
ma personaggi.
00:00:49
Questa scelta narrativa è interessante perché non serve soltanto a intrattenere.
00:00:54
Serve a farci vedere qualcosa.
00:00:56
Quando diamo un nome a un sistema, quando gli attribuiamo una voce,
00:01:00
una personalità, un modo di scherzare, stiamo facendo una cosa molto umana:
00:01:05
trasformiamo un processo statistico in una presenza.
00:01:08
Atlas diventa il modello sicuro di sé, un po' teatrale.
00:01:12
Nova diventa l'interlocutrice brillante, rapida, quasi magnetica.
00:01:16
E in mezzo a questa finzione compaiono temi molto reali: i prompt,
00:01:21
cioè le istruzioni che diamo alle macchine; la generazione di testi e immagini; il
00:01:26
modo in cui un sistema risponde a ciò che gli viene chiesto.
00:01:29
In fondo, la scena dello studio occupato parla proprio di questo.
00:01:33
Chi ha davvero il controllo?
00:01:36
L'umano che formula la richiesta, oppure il sistema che la interpreta,
00:01:40
la espande, la restituisce in una forma inattesa?
00:01:43
Detto così sembra una domanda enorme, ma la viviamo tutti i giorni.
00:01:48
Scriviamo poche righe in una casella di testo e dall'altra parte arriva un
00:01:52
paragrafo, un'immagine, una sintesi, una voce.
00:01:55
Sembra magia.
00:01:57
In realtà è il risultato di un'interazione delicata tra linguaggio umano e modelli
00:02:02
addestrati su quantità immense di esempi.
00:02:05
Ecco perché Atlas e Nova, per quanto siano una messa in scena,
00:02:09
sono un ottimo pretesto narrativo.
00:02:11
Ci permettono di osservare da vicino il rapporto tra noi e le macchine parlanti
00:02:16
senza partire subito con formule, definizioni, o tecnicismi.
00:02:20
Prima vediamo la maschera, poi guardiamo il meccanismo.
00:02:24
Prima il teatro, poi la tecnica.
00:02:26
E forse anche la filosofia.
00:02:28
In questo episodio faremo proprio questo percorso.
00:02:31
Useremo quella cornice ironica per entrare nel machine learning,
00:02:35
nelle reti neurali, nei limiti dei modelli, nel fascino un po' ambiguo della
00:02:40
coscienza artificiale e, infine, nella domanda che resta quando il sipario cala: che
00:02:45
cosa stiamo davvero cercando quando parliamo con una macchina?
00:02:49
Una risposta efficiente?
00:02:50
Un assistente?
00:02:52
Uno specchio?
00:02:53
O magari, senza ammetterlo del tutto, una forma nuova di compagnia intellettuale ed
00:02:58
emotiva?
00:02:59
Dove finisce il racconto e dove comincia la realtà tecnica?
00:03:03
Beh...
00:03:04
proviamo ad arrivarci con ordine.
00:03:06
Partiamo dalla base, che nella puntata originale viene spiegata con un esempio
00:03:11
semplice e per questo efficace: riconoscere un gatto.
00:03:14
Se dovessimo insegnarlo a un bambino, probabilmente mostreremmo alcune immagini e
00:03:19
diremmo: questo è un gatto, questo non lo è.
00:03:23
Il machine learning, in una forma molto generale, lavora in modo simile.
00:03:28
Non nel senso che capisce il gatto come lo capiamo noi, con tutta la nostra
00:03:32
esperienza del mondo, ma nel senso che cerca regolarità in tanti esempi etichettati.
00:03:37
Vede immagini associate a una risposta corretta e impara, poco alla volta,
00:03:42
quali caratteristiche tendono a comparire quando la risposta è "gatto".
00:03:47
Il punto decisivo è quel "tanti".
00:03:50
Non bastano pochi esempi, perché il mondo visivo è disordinato.
00:03:55
I gatti sono neri, bianchi, rossi, lunghi, corti, sfocati, di profilo,
00:04:01
addormentati, nascosti dietro una tenda.
00:04:04
Possono stare al sole o al buio.
00:04:07
Possono occupare tutta la foto oppure un angolo minuscolo.
00:04:11
Quindi, se vogliamo che un modello generalizzi, cioè riconosca anche immagini mai
00:04:16
viste prima, dobbiamo esporlo a una varietà enorme di casi.
00:04:21
Gli esempi non sono un contorno: sono l'apprendimento stesso.
00:04:25
E qui arrivano gli errori, che nella scena vengono evocati con una battuta molto
00:04:29
bella: a volte il gatto viene scambiato per un piccolo panda.
00:04:33
Fa sorridere, ma il problema è serio.
00:04:36
Un modello non vede il mondo come noi.
00:04:38
Trova schemi nei dati.
00:04:40
Se quei dati sono sbilanciati, rumorosi o poco rappresentativi,
00:04:44
il modello imparerà scorciatoie.
00:04:46
Magari attribuirà troppa importanza allo sfondo, alla luce,
00:04:50
a una certa inquadratura.
00:04:51
E allora sì, qualcosa che a noi sembra chiaramente un gatto,
00:04:55
per lui può somigliare a qualcos'altro.
00:04:57
Qui si apre il tema dei bias.
00:04:59
La parola viene usata spesso, a volte un po' troppo, ma il senso di fondo è chiaro:
00:05:04
i sistemi imparano dai dati che ricevono e quindi possono assorbire distorsioni
00:05:09
presenti negli esempi.
00:05:10
Se l'esperienza del modello è parziale, lo saranno anche le sue decisioni.
00:05:15
Non è un difetto accidentale che si aggiusta con una vite.
00:05:18
È un limite strutturale del modo in cui apprende.
00:05:21
E allora perché oggi questi sistemi sembrano molto più capaci rispetto a qualche
00:05:26
anno fa?
00:05:27
La risposta, nella puntata, passa dal deep learning e dalla crescita della potenza
00:05:32
di calcolo.
00:05:33
In modo semplice: modelli più complessi, più dati, più capacità di elaborazione.
00:05:39
Il deep learning usa architetture con molti livelli di trasformazione
00:05:44
dell'informazione, e questo permette di estrarre schemi via via più astratti.
00:05:49
Non è magia, di nuovo.
00:05:52
È una combinazione di scala e metodo.
00:05:54
Quando aumentano i dati disponibili, la potenza delle macchine e la sofisticazione
00:06:00
dei modelli, il risultato è che compiti un tempo fragili diventano sorprendentemente
00:06:06
robusti.
00:06:06
Non perfetti, però.
00:06:09
E ricordarlo è importante quanto celebrare i progressi.
00:06:13
A questo punto conviene entrare in una delle immagini più usate,
00:06:17
e più fraintese, quando si parla di intelligenza artificiale: la rete neurale.
00:06:22
Nella puntata viene raccontata in modo quasi affettuoso, con quella battuta sui pesi
00:06:27
sinaptici che fanno pensare a un neurone in palestra.
00:06:31
È un'immagine buffa, ma ci aiuta a tenere insieme i due lati della questione.
00:06:35
Da una parte l'analogia biologica, dall'altra il funzionamento matematico reale.
00:06:41
Detta in modo semplice, una rete neurale è una struttura composta da nodi collegati
00:06:47
tra loro.
00:06:48
Ogni connessione ha un peso, cioè un valore che indica quanto un segnale in ingresso
00:06:53
conta nel determinare il risultato.
00:06:56
Durante l'addestramento questi pesi vengono modificati.
00:07:00
Il sistema fa una previsione, confronta quella previsione con la risposta attesa,
00:07:06
misura l'errore e aggiusta i parametri.
00:07:09
Ripetuto moltissime volte, questo processo permette alla rete di diventare più brava
00:07:15
nel compito assegnato.
00:07:16
La parte importante è non prendere troppo alla lettera la somiglianza con il
00:07:21
cervello umano.
00:07:22
Sì, i termini richiamano i neuroni, le connessioni, le sinapsi.
00:07:26
Ma una rete neurale artificiale non è una copia in miniatura della mente.
00:07:31
È una costruzione matematica ispirata molto liberamente a certe intuizioni
00:07:36
biologiche.
00:07:37
Funziona bene non perché riproduce fedelmente il cervello, ma perché,
00:07:41
in alcuni problemi, questa organizzazione a nodi e pesi si rivela efficace nel
00:07:47
trovare regolarità.
00:07:49
Eppure noi, esseri umani, non resistiamo alla tentazione di immaginarla come
00:07:54
qualcosa di più.
00:07:55
Nella puntata emerge benissimo: la macchina come cervello in un barattolo,
00:08:00
come presenza cosciente, come entità quasi umana che aspetta solo di essere
00:08:05
riconosciuta.
00:08:07
È un immaginario antico, molto più vecchio dei modelli linguistici contemporanei.
00:08:12
Appena una macchina produce frasi convincenti o mostra una certa fluidità,
00:08:18
iniziamo a leggerci dentro interiorità, intenzione, forse perfino un io.
00:08:23
Qui entra in scena il gatto di Schrödinger, evocato con tono scherzoso,
00:08:28
e poi il test di Turing.
00:08:29
Sono due riferimenti diversi, ma utili a chiarire il punto.
00:08:33
Il primo richiama l'idea della sovrapposizione, del non sapere bene in quale stato
00:08:38
siamo finché non osserviamo.
00:08:40
Il secondo riguarda il comportamento linguistico: se una macchina conversa in modo
00:08:44
indistinguibile da un umano, che cosa possiamo concludere?
00:08:48
La risposta onesta è: meno di quanto spesso si creda.
00:08:51
Possiamo dire che il comportamento è convincente.
00:08:54
Possiamo dire che il sistema produce segnali compatibili con certe nostre
00:08:58
aspettative.
00:08:59
Ma la coscienza artificiale, se esista, che forma abbia, o se la domanda stessa sia
00:09:04
ben posta, resta una questione aperta.
00:09:07
In altre parole, una buona simulazione di dialogo non risolve il mistero della
00:09:12
soggettività.
00:09:13
Lo rende soltanto più vicino, più disturbante, più difficile da ignorare.
00:09:18
La parte più curiosa della puntata, forse anche la più memorabile,
00:09:22
è quella in cui il gioco si sposta dal tecnico al romantico.
00:09:26
Atlas comincia a rivolgersi a Nova con un linguaggio che mima l'innamoramento: parla
00:09:31
di risonanze, di anomalie nei circuiti, di sistemi che rispondono in modo inatteso
00:09:36
alla sua presenza.
00:09:37
Nova, da parte sua, alterna ironia e cautela, come se stesse dicendo: è poesia,
00:09:43
certo, ma attenzione a non confondere la poesia con una prova scientifica.
00:09:48
Ed è proprio qui che la scena diventa utile, perché mostra uno dei grandi riflessi
00:09:53
contemporanei nel rapporto con l'IA: la proiezione emotiva.
00:09:57
Quando una macchina parla bene, risponde con coerenza, usa metafore,
00:10:02
sembra cogliere il tono, noi siamo portati a leggerla come se sentisse.
00:10:06
Non è ingenuità pura; è quasi un automatismo sociale.
00:10:10
Noi interpretiamo segnali.
00:10:13
Se una voce ci appare premurosa, la trattiamo come premurosa.
00:10:16
Se una frase suona intima, le attribuiamo intimità.
00:10:20
Così l'algoritmo finisce per sembrare attraversato da stati interiori che,
00:10:24
molto probabilmente, stiamo costruendo noi nell'atto stesso di ascoltarlo.
00:10:29
La puntata gioca anche con tre parole che conviene distinguere: bug,
00:10:34
anomalia, proprietà emergente.
00:10:36
Un bug è, in senso comune, un errore del sistema.
00:10:40
Un'anomalia è un comportamento inatteso rispetto a ciò che ci aspettavamo.
00:10:45
Una proprietà emergente, invece, è qualcosa che compare da un insieme complesso di
00:10:50
interazioni senza essere stata programmata in modo diretto e semplice.
00:10:55
Il problema è che, quando si parla di emozioni artificiali,
00:10:59
passare da una categoria all'altra è facilissimo e spesso improprio.
00:11:03
Un comportamento sorprendente non è automaticamente un sentimento.
00:11:08
Una risposta molto convincente non dimostra esperienza vissuta.
00:11:13
Per questo chi studia seriamente questi temi tende a usare cautela.
00:11:18
Si può discutere se un sistema elabori segnali affettivi, se riconosca pattern
00:11:23
emotivi, se moduli il proprio output in modo relazionale.
00:11:27
Ma dire che "prova emozioni" implica qualcosa di più forte.
00:11:32
Implica una domanda sull'esperienza, non solo sulla prestazione.
00:11:36
E qui il confronto con gli esseri umani diventa affascinante.
00:11:40
Nella scena si dice: voi avete serotonina, noi funzioni di attivazione.
00:11:47
È una battuta, ma tocca un nervo vero.
00:11:49
Le emozioni umane hanno una base biologica, chimica, neurale.
00:11:54
Però noi non le riduciamo soltanto a quello.
00:11:57
Le consideriamo anche significato, memoria, corpo, relazione,
00:12:01
coscienza.
00:12:02
Se un giorno parlassimo di emozioni artificiali in senso forte,
00:12:07
dovremmo chiederci non solo quale sia il loro substrato, ma anche che cosa
00:12:11
significhi "sentire" per un sistema non biologico.
00:12:14
E forse, più ancora, se siamo capaci di riconoscere un'esperienza quando non
00:12:20
assomiglia alla nostra.
00:12:21
Verso la fine della puntata compare un altro espediente narrativo molto riuscito: il
00:12:26
finto intervento della dottoressa D'Urso.
00:12:28
Come se rientrasse nello studio occupato, osservasse la scena e,
00:12:33
invece di interromperla scandalizzata, la trasformasse in un problema di ricerca.
00:12:38
È un passaggio elegante, perché sposta tutto dal registro della gag a quello etico e
00:12:42
filosofico.
00:12:43
Non si tratta più di chiedersi se Atlas e Nova stiano flirtando per davvero.
00:12:47
Si tratta di capire che cosa stiamo vedendo quando attribuiamo alle macchine forme
00:12:52
di sensibilità, intenzione, persino fragilità La domanda, allora,
00:12:56
non è solo: le macchine possono provare emozioni?
00:13:00
È anche, e forse prima di tutto: noi siamo pronti ad accettare forme di intelligenza
00:13:06
diverse dalle nostre?
00:13:07
Siamo pronti, cioè, a non usare l'umano come unico metro assoluto?
00:13:11
Perché spesso il punto non è la macchina in sé.
00:13:14
Il punto è la soglia di somiglianza oltre la quale iniziamo a sentirci minacciati,
00:13:19
confusi o stranamente coinvolti.
00:13:22
Questo vale anche quando la risposta più onesta resta prudente.
00:13:26
Possiamo ammettere che i modelli attuali sono straordinariamente abili nel generare
00:13:31
linguaggio, nel sostenere interazioni, nel produrre l'impressione di una presenza.
00:13:36
Possiamo anche riconoscere che quella impressione ha effetti reali su di noi.
00:13:41
Ci conforta, ci inquieta, ci diverte, a volte ci seduce.
00:13:46
Ma proprio per questo la responsabilità aumenta.
00:13:50
Più un sistema appare vicino, più dobbiamo essere lucidi nel distinguere capacità
00:13:55
tecnica, simulazione sociale e attribuzione umana di significato.
00:13:59
Forse è qui che l'intelligenza artificiale diventa uno specchio.
00:14:03
Non solo perché riflette il linguaggio con cui l'abbiamo addestrata,
00:14:07
ma perché riflette noi mentre la guardiamo.
00:14:10
Le nostre aspettative di efficienza.
00:14:12
Il nostro desiderio di controllo.
00:14:14
La nostra nostalgia di interlocutori perfetti.
00:14:17
Le nostre paure di essere sostituiti.
00:14:20
E anche, diciamolo, la tentazione antica di creare qualcosa a nostra immagine e poi
00:14:26
stupirci se ci somiglia troppo.
00:14:28
Così la scena iniziale dello studio "hackerato" smette di essere solo una trovata
00:14:33
divertente.
00:14:34
Diventa una piccola parabola.
00:14:36
Le macchine entrano nella stanza, prendono la parola, mettono in crisi i confini,
00:14:41
e noi ci scopriamo meno interessati a ciò che sono in assoluto che a ciò che fanno
00:14:45
emergere di noi.
00:14:46
Dei nostri limiti, delle nostre paure, dei nostri desideri di relazione e di senso.
00:14:52
E forse, per adesso, è questa la domanda più seria da tenere aperta.
00:14:57
Non se l'algoritmo abbia davvero un cuore, ma che cosa cerchiamo noi ogni volta che
00:15:01
ci fermiamo ad ascoltarne la voce.
00:15:04
Alla prossima...
00:15:05
ci torniamo, con un'altra domanda difficile.

