Negli ultimi anni l’Intelligenza Artificiale (AI) è diventata uno degli argomenti più discussi, ma spesso anche uno dei più fraintesi. Se ne parla ovunque — dai giornali alle università, dalle aziende ai bar — ma non sempre si ha davvero chiaro di cosa si tratti.

Questo articolo nasce con l’obiettivo di fare un po’ di chiarezza: senza formule matematiche né tecnicismi complessi, ma con una panoramica ragionata dei concetti fondamentali.

Capitolo 1 – Perché è importante conoscere

Comprendere le basi dell’AI non significa diventare esperti di ingegneria informatica, ma acquisire strumenti critici per interpretare una tecnologia che già oggi influenza medicina, ricerca scientifica, economia, lavoro, comunicazione e politica.

Parlarne con chiarezza è fondamentale non solo per “non farsi abbagliare” dal fascino delle macchine, ma anche per riconoscerne limiti e rischi.

L’AI non è un monolite: ha diverse forme e si basa su differenti modelli matematici che implicano applicazioni e comportamenti diversi. In questa puntata entreremo quindi nei meandri dell’AI per comprenderne le definizioni, i termini, i domini, le tipologie, le classificazioni e gli approcci tecnici attuali. Porterò esempi concreti, tabelle descrittive e applicazioni delle varie AI presenti sul mercato.

Non vuole essere un manuale d’uso né un catalogo delle applicazioni disponibili, e tantomeno un documento consulenziale. Stanno infatti nascendo nuove professioni che si occupano di questo: dall’integrazione delle AI nei sistemi aziendali alle consulenze per orientare le scelte tecnologiche. Approfondiremo questo tema in una prossima puntata.

Se nella puntata introduttiva abbiamo visto la storia dell’AI e il processo evolutivo che l’ha portata a come la conosciamo oggi, in questa analizzeremo i modelli, offrendo una panoramica utile a chi desidera orientarsi. Nella prossima, invece, vedremo come funziona un modello specifico di AI — le reti neurali di tipo Deep Learning — che si avvicinano maggiormente al funzionamento delle sinapsi e dei dendriti del cervello umano. Successivamente approfondiremo le implicazioni etiche, economiche e lavorative.

Per facilità di lettura, ho diviso questa seconda Puntata in due parti.

In questa prima parte, Iniziamo descrivendo i vari tipi di AI (introdotti nella precedente puntata) e i relativi modelli matematici e classificazioni.

Che cos’è l’Intelligenza Artificiale

Con “Intelligenza Artificiale” si intende l’insieme di sistemi informatici progettati per eseguire compiti che normalmente richiederebbero intelligenza umana. Parliamo, ad esempio, di riconoscere immagini, comprendere il linguaggio naturale, fare analisi finanziarie o diagnosi mediche, risolvere problemi o prendere decisioni.

È importante sottolineare che l’AI, almeno allo stato attuale, non “pensa” né “capisce” come un essere umano: elabora informazioni seguendo schemi, probabilità e correlazioni apprese dai dati messi a disposizione.

L’AI è un campo vastissimo che oggi influenza moltissimi settori della nostra vita quotidiana. Dalla ricerca scientifica alle app che usiamo sullo smartphone, fino ai sistemi di raccomandazione che ci propongono film, musica o prodotti da acquistare, è ormai una realtà concreta e diffusa. Tuttavia, non tutte le AI sono uguali: esistono classificazioni diverse che ci aiutano a capire quanto siano avanzate, come funzionino e quali modelli vengano impiegati per raggiungere i loro obiettivi.

Tipi di AI in base alle capacità

Una prima distinzione fondamentale riguarda quanto un’AI si avvicina all’intelligenza umana. Non tutte le AI, infatti, hanno lo stesso livello di “potenza cognitiva”. Possiamo distinguere tre categorie principali:

Capitolo 2 – Tipi di AI in base al funzionamento

 

Approfondimento sui livelli

🔹 Reactive Machines

Queste AI operano “nel presente”, reagendo solo agli input ricevuti. Non hanno memoria né capacità di apprendere dall’esperienza: funzionano come macchine predittive rigidamente programmate.

🔹 Limited Memory

Sono le AI più diffuse oggi. Raccolgono dati, li memorizzano temporaneamente, li confrontano con quelli precedenti e prendono decisioni basate su correlazioni statistiche. I sistemi di guida autonoma, ad esempio, analizzano continuamente dati da sensori, radar e telecamere per valutare in tempo reale il comportamento della vettura.

🔹 Theory of Mind

È un campo di ricerca ancora lontano dall’essere realtà, ma affascinante: l’idea è costruire macchine che possano comprendere stati emotivi, intenzioni e comportamenti sociali, interagendo in modo più “umano”.

🔹 Self-Aware AI

Il livello più alto e puramente teorico: un’AI che sviluppa coscienza di sé, delle proprie azioni e della propria esistenza. Al momento resta un concetto filosofico più che tecnologico, ma oggetto di numerosi dibattiti etici.

💡 Curiosità

All’interno delle AI a memoria limitata troviamo i LLM (Large Language Models), come GPT o Claude, che elaborano e generano linguaggio naturale. Sono strumenti estremamente potenti, capaci di scrivere testi complessi, tradurre, creare codice o simulare conversazioni, ma sempre confinati entro compiti specifici e senza reale comprensione.

Capitolo 3 – Approcci e modelli matematici in AI

Oltre a capacità e funzionalità, l’intelligenza artificiale può essere classificata anche in base ai modelli matematici e tecnici con cui viene realizzata. Questi approcci definiscono come i sistemi apprendono, elaborano dati e generano risultati.

🔹 Machine Learning (ML)

Il machine learning è una tecnica che permette ai computer di imparare dai dati senza essere programmati con regole rigide. I modelli vengono addestrati su dataset e migliorano progressivamente le proprie prestazioni.

Gli algoritmi più diffusi includono:

• Regressione logistica
• Support Vector Machines (SVM)
• Alberi decisionali
• Foreste casuali

Tre principali approcci:

1. Apprendimento supervisionato → l’AI apprende da dati già etichettati, imparando a riconoscere pattern e a replicarli su nuovi esempi.
2. Apprendimento non supervisionato → lavora su dati non etichettati, cercando autonomamente correlazioni e strutture nascoste.
3. Apprendimento per rinforzo → il modello impara attraverso un sistema di ricompense e penalità, migliorando con l’esperienza diretta (tipico nei giochi e nella robotica).

🔹 Deep Learning (DL)

Il deep learning è un sottoinsieme del ML basato su reti neurali artificiali profonde, ispirate alla struttura del cervello umano. È particolarmente efficace con dati complessi come immagini, audio e linguaggio.

Tipi di reti neurali comuni:

• CNN (Convolutional Neural Networks) → ottime per la visione artificiale e il riconoscimento di immagini.
• RNN e LSTM (Recurrent Neural Networks / Long Short-Term Memory) → adatte per elaborare sequenze e serie temporali (testo, audio, dati finanziari).
• Transformer → architettura alla base dei moderni LLM (Large Language Models), capaci di gestire il linguaggio in maniera avanzata e contestuale.

👉 Lascio a voi eventuali approfondimenti in Appendice 1.

🔹 Categorie di AI

Le due categorie più note sono:

1. AI Generativa

Progettata per creare nuovi contenuti coerenti con i dati di addestramento (testi, immagini, musica, codice, video, ecc.).

Appartiene al deep learning perché utilizza reti neurali profonde (LLM, modelli di diffusione, GAN).

Caratteristiche principali:

• Genera output originali → non copia, ma combina e rielabora i dati.
• Usa modelli probabilistici → predice la sequenza più plausibile (parole, pixel, note…).
• È creativa in senso tecnico → produce risultati nuovi e plausibili, pur senza immaginazione reale.

Esempi concreti:

• Testo → ChatGPT, Claude
• Immagini → Stable Diffusion, DALL·E, MidJourney
• Musica → Jukebox, Suno
• Video → Runway, Pika Labs, Sora
• Codice → GitHub Copilot, AlphaCode

📌 Collocazione:

• Forma di ANI (Narrow AI), specializzata in compiti creativi.
• Categoria Limited Memory, perché si basa su dati memorizzati e pattern appresi.

💡 Curiosità: i Deep Fake vengono generati con questa tecnica

2. AI Discriminativa

Progettata per riconoscere, classificare o distinguere dati.

Appartiene al ML perché utilizza algoritmi predittivi e statistici.

Caratteristiche principali:

• Non genera contenuti → si concentra su identificazione e classificazione.
• Usa modelli predittivi → calcola la probabilità che un input appartenga a una classe.
• È analitica → individua pattern e differenze nei dati, senza creare nulla di nuovo.

Esempi concreti:

• Testo → filtri antispam, sentiment analysis
• Immagini → riconoscimento facciale, classificazione oggetti
• Audio → riconoscimento vocale
• Video → analisi di sorveglianza, rilevamento gesti
• Dati tabellari → credit scoring, rilevamento frodi

📌 Collocazione:

• Forma di ANI (Narrow AI).
• Categoria Limited Memory.

Chi volesse approfondire le differenze dei due modelli matematici faccia riferimento all’Appendice 2.

3. Altri approcci di AI

• Predittiva → basata su modelli di forecasting (es. meteo, rischio finanziario).
• Prescrittiva → suggerisce azioni ottimali (es. logistica, sanità).
• Cognitiva → imita processi umani come linguaggio e ragionamento (assistenti virtuali).
• Evolutiva → si ispira alla selezione naturale e agli algoritmi genetici (ottimizzazione industriale).
• Ibrida → combina più approcci (es. deep learning + logica simbolica).

💡 Curiosità: l’AI prescrittiva è particolarmente utile in sanità e logistica, dove non basta prevedere un fenomeno, ma serve anche proporre strategie per affrontarlo.

💡 Nota importante

Machine Learning (ML) e Deep Learning (DL) non sono tipi di AI “per capacità” (come ANI, AGI, ASI) né “per funzionamento” (come Reactive, Limited Memory).

Sono piuttosto tecniche o approcci per costruire sistemi di AI.

• ML (classico) → usato in AI discriminativa, predittiva e prescrittiva.
• DL (avanzato) → usato in AI generativa e discriminativa.

👉 In particolare, i LLM sono AI generative specializzate nel linguaggio, basate su architetture Transformer.

📌 Esempio: ChatGPT è un LLM Generativo, con capacità ANI e funzionalità Limited Memory, progettato per elaborare linguaggio naturale.

Capitolo 4 – Riflessioni su AI Generativa e Discriminativa

Tra i due modelli, l’AI discriminativa è la più diffusa e radicata, mentre l’AI generativa è la più conosciuta e mediatizzata.

Popolarità vs diffusione reale

• AI Generativa

È percepita come la “nuova rivoluzione” tecnologica perché strumenti come ChatGPT, Claude, Gemini o i generatori di immagini e video (DALL·E, MidJourney, Runway) hanno abbassato drasticamente la barriera di accesso.

Chiunque può usarla senza conoscenze tecniche, ed è entrata rapidamente in settori creativi come marketing, scrittura, design, musica e sviluppo software.

• AI Discriminativa/Predittiva

È molto più presente nella realtà quotidiana, anche se meno visibile.

Si trova nei filtri antispam, nei sistemi di raccomandazione (Netflix, Amazon, Spotify), nel credit scoring delle banche, nei modelli assicurativi, nella diagnostica medica assistita e nei sistemi biometrici.

Questi modelli esistono da decenni, sono profondamente integrati nella società e costituiscono le fondamenta pratiche dell’AI, anche se raramente fanno notizia come i chatbot.

Sintesi del confronto

• Generativa → più popolare, percepita come innovativa, vicina all’utente comune.
• Discriminativa/Predittiva → più diffusa nella realtà industriale e applicativa, ma meno “appariscente”.

💡 Osservazione chiave

L’AI generativa ha catalizzato l’immaginario collettivo, ma è l’AI discriminativa/predittiva ad alimentare gran parte dei sistemi che usiamo ogni giorno, spesso senza rendercene conto.

Conclusione

Questa prima parte della seconda puntata ci ha permesso di mettere ordine tra i diversi modi in cui si può classificare l’Intelligenza Artificiale: per capacità, per funzionamento e per approccio matematico. Abbiamo visto come dietro la parola “AI” si nascondano realtà molto differenti tra loro, dalle macchine reattive agli algoritmi di deep learning, dalle AI generative a quelle discriminative.

Comprendere queste distinzioni non è un esercizio teorico, ma un passo fondamentale per interpretare con maggiore consapevolezza la tecnologia che sempre più spesso entra nella nostra quotidianità. Solo conoscendo meglio i suoi limiti, le sue potenzialità e i diversi modelli che la compongono possiamo evitare semplificazioni o miti.

Nella prossima parte entreremo nel vivo dell’AI Generativa, esplorando non solo come funziona, ma anche quali sfide e impatti porta con sé.

 

Nicola Lanzolla, curioso per natura. Coerente per scelta

 

 

 

Appendice 1 – Approfondimenti e Riferimenti

• Video e risorse online
  • Introduzione al Deep Learning: YouTube
  • Deep Fake: La nuova frontiera delle fake news
  • Rete Convolutiva CNN: Come funziona una rete neurale CNN
  • Catalogo dei Transformer: Introduzione e catalogo
  • ChatGPT e Transformer: Dettagli specifici

Appendice 2 – Differenze tra AI Generativa e Discriminativa

Aspetto	AI Generativa	AI Discriminativa
Obiettivo	Creare nuovi contenuti (testi, immagini, musica, codice, video…)	Riconoscere, classificare o distinguere dati
Approccio	Modella la distribuzione congiunta dei dati (P(x,y)) → può generare esempi plausibili	Modella la distribuzione condizionata (P(y
Funzionamento	Impara la distribuzione dei dati e produce esempi simili	Impara i confini tra classi e assegna etichette
Output	Contenuti originali e plausibili	Una classe, etichetta o probabilità
Esempi	ChatGPT, DALL·E, Stable Diffusion, GitHub Copilot	Filtri antispam, riconoscimento facciale, sistemi di scoring, sentiment analysis
Applicazioni	Generazione di contenuti, traduzione automatica, creatività assistita	Riconoscimento facciale, filtri antispam, sentiment analysis, rilevamento frodi
Carattere	“Creativo” in senso tecnico → produce varianti mai viste	“Analitico” in senso tecnico → individua pattern e differenze
Dati richiesti	Può lavorare anche con dataset non etichettati (self-/semi-supervised)	Tipicamente richiede dataset etichettati (supervised learning)
Vantaggi	Innovazione, generazione di idee, automazione creativa	Accuratezza elevata in classificazione, supporto decisionale affidabile
Limiti	Rischio di “allucinazioni” (fatti inesatti), bias nei dati, difficile da controllare	Non crea nulla di nuovo, dipende dalla qualità e quantità delle etichette

Dettagli tecnici

Modelli discriminativi

• P(y|x) = probabilità che un input x appartenga a una classe y.
• Esempio pratico:
  • Input x = una foto
  • Possibili classi y = {“gatto”, “cane”}
  • Modello calcola:
    • P(y = gatto | foto) = 0.8
    • P(y = cane | foto) = 0.2
  • Risultato → l’immagine è classificata come “gatto”.

Modelli generativi

• P(x, y) = probabilità congiunta che si verifichino insieme un dato x e una classe y.
• Esempio pratico:
  • x = email con la parola “lotteria”
  • y = classe “spam”
  • P(x, y) = probabilità che una mail sia spam e contenga “lotteria”.
• I modelli generativi stimano spesso P(x, y) o P(x|y) per generare nuovi dati plausibili.

I modelli discriminativi puntano direttamente a P(y|x) per assegnare etichette corrette agli input.