03 - Tra algoritmi ed emozioni: cosa ci raccontano Atlas e Nova sull’IA

03 - Tra algoritmi ed emozioni: cosa ci raccontano Atlas e Nova sull’IA

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.

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.

EDUNEXT - Next Education Italia

Telefono: +39 0522 522521
E-Mail: info@edunext.eu

© EDUNEXT - Next Education Italia | Tutti i diritti riservati