In questa puntata approfondiremo il funzionamento di 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. Nella prossima analizzeremo invece le implicazioni etiche, economiche e lavorative.

Le reti neurali rappresentano l’ultima frontiera della tecnologia in ambito AI e costituiscono il modello matematico che meglio emula il funzionamento del cervello umano. Sono una delle grandi innovazioni della tecnologia moderna. Nate dallo studio del cervello umano, sono alla base di numerose applicazioni dell’intelligenza artificiale: dai motori di ricerca alle app che riconoscono le immagini, fino ai chatbot che rispondono alle domande in modo “umano”.

Funzionamento del neurone umano

Un neurone umano è costituito da soma, dendriti e assone:

Soma (corpo cellulare): contiene il nucleo e gli organelli cellulari essenziali.

Dendriti: prolungamenti ramificati che ricevono segnali da altri neuroni e li trasmettono verso il soma.

Assone: un lungo prolungamento che conduce il segnale in uscita dal soma verso altri neuroni o cellule bersaglio.

I dendriti ricevono segnali elettrici (impulsi nervosi) sotto forma di variazioni del potenziale di membrana da altri neuroni. Questi segnali convergono nel soma, dove vengono integrati: se la somma dei segnali supera una soglia specifica, viene generato un impulso elettrico chiamato potenziale d’azione.

Il potenziale d’azione si propaga lungo l’assone fino alla sua terminazione (bottone sinaptico). Qui l’impulso stimola il rilascio di neurotrasmettitori nei punti di contatto chiamati sinapsi. I neurotrasmettitori attraversano la sinapsi e attivano il neurone successivo, dando origine a una reazione a catena. Il segnale può essere trasmesso elettricamente o chimicamente.

Ruolo nel sistema nervoso

I neuroni possono essere:

Sensoriali: raccolgono segnali dagli organi di senso e li inviano al cervello.

Motori: trasmettono ordini dal cervello ai muscoli.

Interneuroni: fungono da collegamento tra neuroni sensoriali e motori, coordinando molte funzioni vitali.

In sintesi, il neurone riceve segnali attraverso i dendriti, li integra nel soma, genera un impulso elettrico lungo l’assone e trasmette l’informazione ad altri neuroni tramite i neurotrasmettitori nelle sinapsi, realizzando la base di tutte le funzioni cognitive, sensoriali e motorie del sistema nervoso.

 

Verso l’emulazione del neurone umano

Il primo grande passo verso le reti neurali nell’AI fu compiuto nel 1943 da McCulloch e Pitts, che presentarono un modello matematico del neurone come elemento di commutazione di base del cervello.

Schema di McCulloch e Pitts:

 

L’immagine seguente mostra il funzionamento di un neurone artificiale.

La formula rappresenta il modo in cui il neurone calcola l’output a partire dagli input, dai pesi assegnati (parametri) e da una funzione di soglia (attivazione).

Passaggi della formula

• Input (i₁, i₂, i₃): sono i valori in ingresso, rispettivamente 1,5 – 1 – 2.
• Pesi (w₁, w₂, w₃): ogni input viene moltiplicato per un “peso” che ne determina l’importanza. Qui i pesi sono 0,5 – 3 – (−1).
• Somma pesata (∑): il neurone calcola la somma dei prodotti (input × peso):
U = (i₁⋅w₁) + (i₂⋅w₂) + (i₃⋅w₃) = (1,5 ⋅ 0,5) + (1 ⋅ 3) + (2 ⋅ −1) = 0,75 + 3 − 2 = 1,75
• Soglia (Θ): si applica una funzione di attivazione con soglia Θ = 1. L’output finale viene calcolato come:
P = U – Θ = 1,75 – 1 = 0,75

Interpretazione
• Se la somma pesata U supera la soglia Θ, il neurone si “attiva” e produce come output P la differenza dei valori (in altri modelli può semplicemente restituire 1 o 0).
• Questo schema è la base del funzionamento di un perceptrone, uno degli elementi più semplici delle reti neurali: integra i segnali in ingresso, calcola la somma pesata e decide l’attivazione tramite soglia.

 

Come funziona una rete neurale

Nei modelli matematici basati su reti neurali profonde, questo schema elementare viene iterato milioni di volte su miliardi di parametri, aumentando sia il numero di neuroni sia il numero di livelli. Gli output vengono reinseriti nel modello, diventando a loro volta input, fino a quando non si raggiunge un risultato accettabile.
Immagina una rete neurale come una fitta rete di piccoli “neuroni digitali”, collegati tra loro anche in modo ricorrente. Quando arriva un input, come una foto o dei numeri, ogni neurone decide cosa farne: alcuni segnali vengono amplificati e altri ignorati, grazie ai “pesi” che regolano la forza di ogni collegamento. Alla fine, la rete produce un risultato, che può essere la risposta a una domanda, la previsione di un prezzo o il riconoscimento di un volto.

 

 

I dati messi a disposizione del modello e i parametri su cui il modello lavora sono determinanti per un risultato accurato.

In un modello di intelligenza artificiale, i parametri sono i valori interni che il modello impara automaticamente durante l’addestramento.

I parametri sono numeri (pesi e bias) che determinano come il modello elabora le informazioni.

Nel caso di una rete neurale, ogni connessione tra neuroni ha un peso e ogni neurone può avere un bias.

Quindi, se un modello ha 1 miliardo di parametri, significa che contiene 1 miliardo di numeri che determinano il suo comportamento.

Durante l’addestramento, il modello:

1. Riceve dei dati (input e risultati desiderati).

2. Fa delle previsioni iniziali.

3. Confronta le previsioni con i risultati reali (calcola l’errore).

4. Aggiorna i parametri per ridurre quell’errore (attraverso un processo chiamato ottimizzazione o backpropagation).

 

Questi parametri sono ciò che il modello “impara” dai dati.

A titolo di esempio, GPT-3 aveva 175 miliardi di parametri, mentre GPT-4 ne ha 1.000 miliardi. Di GPT-5 si sa ancora poco.

Un esempio pratico

Supponiamo di voler prevedere il prezzo di una casa. La rete riceve quattro informazioni: quanta superficie ha, quante stanze, quanto è lontana dal centro e quanti anni ha. Ogni neurone si “specializza” in uno di questi aspetti e, insieme, “impara” dai dati passati (dati di addestramento) quali combinazioni fanno aumentare o diminuire il prezzo. Più la rete si allena con esempi reali, più diventa precisa nelle previsioni.

Cosa sono le funzioni di attivazione

Le funzioni di attivazione permettono ai neuroni di scegliere se “accendere” o “spegnere” una risposta. A volte producono un semplice “sì” o “no”, altre volte restituiscono numeri che indicano quanto forte è la risposta. La funzione più nota è la ReLU, che contribuisce a rendere i calcoli della rete più veloci e stabili.

Tipi di reti neurali

Feed-forward: modello semplice in cui i dati scorrono in un’unica direzione, senza retroazioni.

Reti convoluzionali (CNN): specializzate nel trattamento delle immagini; individuano contorni di oggetti e distinguono volti o animali.

Reti ricorrenti (RNN): adatte all’analisi di sequenze, come testi, parole e musica, poiché “ricordano” le informazioni precedenti.

GAN, deepfake e creatività artificiale

Le GAN (Generative Adversarial Networks) sono reti che “creano” nuove immagini e video, inclusi i cosiddetti deepfake, attraverso una competizione tra due intelligenze artificiali: una genera contenuti, l’altra valuta se siano abbastanza realistici. Questo processo migliora progressivamente la qualità delle creazioni digitali.

Con questa tecnologia i colossi dello streaming televisivo stanno lavorando su un’offerta “personalizzata” di contenuti video. Non è lontano il giorno in cui potremo chiedere a Netflix un film con i nostri attori preferiti, in un ambiente che piace a noi, seguendo una trama definita da noi.

Nell’ultimo film di Indiana Jones sono state utilizzate queste tecniche per generare le nostalgiche sequenze di flashback con l’attore Harrison Ford e altri tornati giovani.

ChatGPT: il dialogo artificiale

Un esempio noto di rete neurale è ChatGPT, un chatbot che risponde alle domande in modo naturale. Si basa su modelli Transformer, così evoluti da comprendere frasi complesse, interagire con immagini e sostenere conversazioni articolate in modo sorprendentemente umano.

Opportunità e rischi

Sono strumenti potentissimi, ma richiedono un uso responsabile: la loro capacità di generare contenuti artificiali può comportare anche rischi, come la diffusione di fake news o truffe digitali. Il loro sviluppo deve quindi essere accompagnato da attenzione ai valori umani e ai principi etici.

Uso malevolo delle reti neurali

Va da sé che le reti neurali e, più in generale, l’intelligenza artificiale possono essere impiegate anche in modo improprio. Alcuni gruppi di cybercriminali utilizzano modelli di AI per generare o modificare codice malevolo (malware) in grado di eludere i sistemi di sicurezza tradizionali. Questi strumenti consentono, ad esempio, di automatizzare la creazione di varianti di un virus, di individuare vulnerabilità nei sistemi informatici o di realizzare campagne di phishing sempre più personalizzate, capaci di imitare con precisione lo stile comunicativo delle vittime.

Le reti neurali vengono inoltre utilizzate per creare deepfake audio e video destinati a truffe di ingegneria sociale, come nel caso del falso direttore finanziario a Hong Kong nel 2024, che ha portato a un ingente trasferimento di denaro a conclusione di una riunione in videoconferenza, durante la quale l’AI trasformava in tempo reale l’immagine e la voce del truffatore in quelle del CFO.

Naturalmente, l’uso di tali tecniche a fini dannosi è illegale e rappresenta una grave minaccia per la sicurezza informatica globale. Tuttavia, le stesse tecnologie vengono oggi impiegate anche per contrastare questi rischi: reti neurali addestrate alla cybersecurity sono in grado di riconoscere schemi di attacco, analizzare anomalie nei comportamenti di rete e bloccare attività sospette in tempo reale, rafforzando così la protezione dei sistemi digitali.

Esempi pratici di reti neurali e deep learning

Riconoscimento di immagini e volti

Le app fotografiche, i social network e persino i sistemi di controllo passaporti negli aeroporti utilizzano reti neurali convoluzionali (CNN) per riconoscere volti, oggetti, animali o scene nelle immagini. È grazie a queste tecnologie, ad esempio, che una foto viene “taggata” automaticamente o che un telefono si sblocca tramite riconoscimento facciale.

Traduttori automatici e sintesi vocale

Quando si utilizzano Google Translate o assistenti vocali come Alexa e Siri, entrano in gioco reti ricorrenti (RNN) e modelli Transformer, in grado di comprendere, tradurre e rispondere in linguaggio naturale.

Raccomandazioni personalizzate

I suggerimenti di film su Netflix, gli annunci pubblicitari su Internet o i consigli musicali di Spotify si basano su reti neurali che analizzano le preferenze dell’utente e “imparano” nel tempo a proporre contenuti sempre più mirati.

Previsioni e analisi per il business

Le banche impiegano reti neurali per individuare frodi nelle carte di credito in tempo reale, mentre le compagnie assicurative le utilizzano per prevedere i rischi di incidente. Nel commercio elettronico, i sistemi di AI anticipano la domanda di prodotti e ottimizzano la gestione delle scorte.

Diagnosi mediche assistite

Le reti neurali supportano i medici nell’analisi di radiografie, risonanze magnetiche e cartelle cliniche, offrendo diagnosi più rapide e precise. In alcuni casi, l’AI è in grado di individuare tumori in fase iniziale, aumentando le probabilità di cura.

Auto a guida autonoma

Le auto a guida autonoma utilizzano diverse tipologie di reti neurali per riconoscere segnali stradali, pedoni e altri veicoli, pianificando i movimenti in tempo reale per garantire sicurezza e rapidità di reazione anche in situazioni complesse.

Generazione di contenuti creativi e deepfake

Le GAN permettono di creare ritratti digitali realistici, modificare volti nei video (deepfake), restaurare fotografie storiche danneggiate e persino generare musica o stili artistici inediti. 

Chatbot e assistenti virtuali

Servizi clienti, piattaforme di supporto e chatbot (come ChatGPT) sono basati su reti neurali capaci di gestire domande, fornire risposte, scrivere testi su richiesta e persino generare immagini a partire da una descrizione testuale.

Competizione tra Stati Uniti e Cina nel campo dell’Intelligenza Artificiale

Nella precedente analisi è stato evidenziato come l’Intelligenza Artificiale (AI) sia un settore ad elevato consumo energetico, in particolare per quanto riguarda i modelli di linguaggio di grandi dimensioni (LLM) basati su reti neurali profonde, quali GPT o Claude. L’ottimizzazione delle risorse necessarie al loro funzionamento rappresenta oggi una delle principali sfide tecnologiche e strategiche.

La competizione tra Stati Uniti e Cina in ambito AI è ormai consolidata e caratterizzata da ingenti investimenti da entrambe le parti. Si stima che la Cina destini annualmente circa 100 miliardi di dollari al settore, mentre gli Stati Uniti superino i 300 miliardi di dollari l’anno, considerando complessivamente gli investimenti pubblici e privati.

Le soluzioni sviluppate negli Stati Uniti risultano, allo stato attuale, più avanzate e accurate, sebbene richiedano un’elevata potenza di calcolo, poiché i modelli elaborano tutti i possibili percorsi dei valori all’interno delle reti neurali. La Cina, al contrario, sta orientando la propria ricerca verso lo sviluppo di sistemi di intelligenza artificiale sufficientemente precisi, ma in grado di operare su infrastrutture hardware di minori dimensioni o su processori non NVIDIA, a seguito del divieto imposto dagli Stati Uniti alla vendita di tali componenti al mercato cinese, e inoltre aperti agli sviluppatori di applicazioni.

In tale contesto, l’azienda cinese Spikingbrain adotta un approccio innovativo, basato sull’elaborazione esclusiva dei valori con la più alta probabilità. Questa strategia consente di ottimizzare il numero di percorsi generati all’interno delle reti neurali, riducendo al contempo il fabbisogno computazionale complessivo.

Conclusione

L’evoluzione delle reti neurali rappresenta uno dei progressi più significativi dell’era digitale. Dalle prime teorie di McCulloch e Pitts fino ai moderni modelli di deep learning, l’intelligenza artificiale ha compiuto passi enormi nell’emulazione dei processi cognitivi umani, dimostrando una capacità sempre maggiore di apprendere, adattarsi e generare conoscenza.

Le applicazioni oggi spaziano dalla medicina alla finanza, dalla mobilità intelligente alla produzione creativa, evidenziando quanto l’AI non sia più un concetto futuristico, ma una realtà integrata nella vita quotidiana e nei sistemi economici globali. Tuttavia, questa diffusione porta con sé interrogativi cruciali: l’impatto sull’occupazione, le implicazioni etiche, la gestione dei dati sensibili e la sostenibilità energetica.

La competizione internazionale, in particolare tra Stati Uniti e Cina, non riguarda solo la supremazia tecnologica, ma anche il controllo delle infrastrutture digitali e dei modelli di sviluppo futuri. In questo scenario, la capacità di coniugare innovazione e responsabilità diventa l’elemento chiave per orientare l’intelligenza artificiale verso un progresso realmente umano e condiviso.

In definitiva, il futuro dell’AI è già iniziato: comprenderne i meccanismi, le potenzialità e i limiti è il primo passo per costruire un rapporto equilibrato tra intelligenza naturale e artificiale, nel segno della conoscenza, dell’etica e del bene comune.

Prima di approfondire aspetti di etica, economia e lavoro nelle prossime puntate, facciamo un recap di concetti fondamentali:

1. Non ha nulla di intelligente.

2. È semplicemente un insieme di diversi algoritmi differenti per tipo di applicazione o per funzione svolta.

3. Gli algoritmi di base esistono da tempo.

4. Senza un’enorme quantità di dati non darebbe risultati.

5. Si basa su modelli matematici-statistici che calcolano il risultato più probabile o più accettabile.

6. Si è sviluppata di recente perché, contrariamente a qualche decennio fa, i computer oggi permettono di elaborare algoritmi molto complessi.

Nicola Lanzolla, curioso per natura. Coerente per scelta