Il giorno in cui il computer ha battuto l'uomo

di Francesco Pungitore*

Correva l’anno 1997. Fu quando il mondo assistette a un evento che avrebbe cambiato per sempre il corso della ricerca nel campo dell'intelligenza artificiale: la partita a scacchi tra il computer Deep Blue e il campione mondiale Garry Kasparov. Un'epica battaglia tra uomo e macchina che divenne un simbolo del progresso tecnologico e dell'inesorabile avanzamento dell'IA.

La sfida

Il 11 maggio 1997, a New York City, Garry Kasparov, allora campione mondiale di scacchi, affrontò il supercomputer IBM Deep Blue in una partita storica. Kasparov era considerato il più grande giocatore di scacchi di tutti i tempi, ma questa volta l'avversario era di un tipo completamente diverso: una macchina progettata per imparare e migliorare continuamente le proprie strategie di gioco.

La partita durò sei turni, con Deep Blue che alla fine emerse vincitore, sconfiggendo Kasparov per 3,5 a 2,5. La vittoria di Deep Blue fu un momento cruciale nella storia dell'intelligenza artificiale, dimostrando che le macchine erano in grado di competere con gli esseri umani in compiti altamente complessi e creativi come gli scacchi.

La partita ebbe un impatto significativo sulla percezione pubblica dell'intelligenza artificiale. Molti iniziarono a chiedersi se le macchine avrebbero presto superato gli esseri umani in altre sfere della vita e del lavoro. La vittoria di Deep Blue contribuì a stimolare ulteriormente la ricerca nel campo dell'IA, con gli scienziati che lavoravano per sviluppare sistemi sempre più avanzati e sofisticati.

Oltre al suo impatto culturale, la partita tra Deep Blue e Kasparov influenzò anche lo sviluppo tecnologico nel campo dell'intelligenza artificiale. Il successo di Deep Blue si basava sulla sua capacità di analizzare enormi quantità di dati e di calcolare le mosse migliori in base a probabilità e valutazioni delle posizioni. Tuttavia, il sistema non era in grado di “pensare” in modo creativo o di comprendere le strategie di gioco come un essere umano.

Negli anni successivi, la ricerca sull'IA si è concentrata sullo sviluppo di algoritmi più flessibili e adattabili, in grado di imparare autonomamente attraverso l'esperienza e di affrontare problemi in modi nuovi e creativi. Questo approccio ha portato allo sviluppo di sistemi di intelligenza artificiale come AlphaGo e GPT-4, che hanno continuato a spostare i confini di ciò che le macchine possono fare.

La partita tra Deep Blue e Kasparov rimane un punto di riferimento nella storia dell'intelligenza artificiale, un evento che ha segnato l'inizio di una nuova era per la ricerca nel campo. Da allora, l'IA ha continuato a progredire a un ritmo vertiginoso, con applicazioni che vanno dalla medicina alla robotica, dall'analisi dei dati alla produzione di contenuti creativi.

Oggi, a distanza di oltre due decenni da quella storica partita, gli sviluppatori di IA si concentrano su questioni come l'etica, la trasparenza e l'impatto sociale della tecnologia, cercando di garantire che il progresso nel campo sia guidato da valori umani e sostenibile nel lungo termine.

La sfida di Deep Blue contro Kasparov ha dimostrato che le macchine possono competere con gli esseri umani in attività complesse e ha innescato un dibattito sulla convivenza tra uomo e intelligenza artificiale, un dibattito che continua a influenzare la ricerca e lo sviluppo nel campo dell'IA ancora oggi.

Come impara una IA?

L'apprendimento delle intelligenze artificiali (IA) si basa su diversi metodi e approcci, a seconda del tipo di problema che si intende risolvere e delle specifiche esigenze dell'applicazione.

• Apprendimento supervisionato: in questo approccio, le IA vengono addestrate utilizzando un set di dati etichettati, che contengono sia gli input che i corrispondenti output desiderati. L'obiettivo è quello di creare un modello in grado di generalizzare a partire dai dati di addestramento e produrre output accurati per nuovi input non visti in precedenza. L'apprendimento supervisionato è spesso utilizzato per problemi di classificazione e regressione.
• Apprendimento non supervisionato: in questo caso, le IA vengono addestrate utilizzando un set di dati senza etichette, e l'obiettivo è quello di individuare strutture, relazioni o pattern nascosti nei dati. L'apprendimento non supervisionato viene spesso utilizzato per problemi di clustering, riduzione della dimensionalità e scoperta di regole associative.
• Apprendimento per rinforzo: questo approccio si basa sull'interazione tra un agente (l'IA) e un ambiente, dove l'agente compie azioni e riceve feedback sotto forma di premi o punizioni. L'obiettivo dell'apprendimento per rinforzo è quello di trovare una strategia di azione che massimizzi il premio cumulativo nel tempo. Questo metodo è spesso utilizzato per l'addestramento di agenti in ambito di controllo robotico, giochi e ottimizzazione.
• Apprendimento profondo (Deep Learning): il deep learning è un sottoinsieme dell'apprendimento automatico basato su reti neurali artificiali con molteplici livelli di rappresentazione. Queste reti sono in grado di apprendere automaticamente caratteristiche gerarchiche e complesse dai dati, e possono essere addestrate utilizzando approcci supervisionati, non supervisionati o per rinforzo. Il deep learning ha trovato applicazioni di successo in una vasta gamma di settori, come la visione artificiale, il riconoscimento vocale e il processamento del linguaggio naturale.
• Trasferimento di apprendimento (Transfer Learning): questo approccio implica l'utilizzo di un modello pre-addestrato su un compito specifico come punto di partenza per l'addestramento su un nuovo compito correlato. Il trasferimento di apprendimento può ridurre significativamente la quantità di dati e il tempo necessari per addestrare un modello su un nuovo compito, sfruttando le conoscenze acquisite durante l'apprendimento del compito precedente.

In sintesi, le intelligenze artificiali imparano utilizzando una combinazione di metodi, adattandosi alle specifiche esigenze e caratteristiche del problema da risolvere.

Siamo ad un passo dal replicare l'intelligenza umana?

Nonostante i notevoli progressi nel campo dell'intelligenza artificiale (IA) negli ultimi anni, siamo ancora lontani dal replicare pienamente l'intelligenza umana. Le intelligenze artificiali attuali sono in grado di svolgere compiti specifici a un livello che può superare le prestazioni umane in alcuni casi, come nel riconoscimento di immagini, la traduzione automatica e i giochi come scacchi e Go. Tuttavia, queste IA sono generalmente specializzate in un'area specifica e non possiedono la capacità di ragionare, apprendere e adattarsi in modo generale e flessibile come gli esseri umani.

L'intelligenza umana è caratterizzata da diverse abilità cognitive, tra cui il ragionamento, la pianificazione, la risoluzione di problemi, l'apprendimento, la comprensione del linguaggio naturale e la percezione sensoriale. Inoltre, gli esseri umani sono in grado di trasferire le conoscenze acquisite in un dominio a un altro, di utilizzare il pensiero astratto e di comprendere e interpretare situazioni complesse e ambigue.

Le attuali IA, anche quelle basate su tecniche di apprendimento profondo, sono limitate nella loro capacità di raggiungere queste abilità cognitive umane in modo generale. Spesso, gli algoritmi di IA sono addestrati su enormi quantità di dati per svolgere compiti specifici e non possono facilmente adattarsi a nuovi problemi o contesti senza un ulteriore addestramento.

Inoltre, le IA attuali sono limitate nel loro grado di comprensione del contesto e nella loro capacità di interagire con il mondo in modo simile agli esseri umani. Ad esempio, le IA possono elaborare e generare linguaggio naturale, ma possono avere difficoltà a comprendere il significato o le implicazioni di un testo al di fuori del contesto specifico in cui sono state addestrate.

La ricerca nel campo dell'IA continua a progredire rapidamente e nuovi metodi e approcci vengono sviluppati per affrontare alcune di queste limitazioni. Tuttavia, replicare l'intelligenza umana in modo completo richiede una comprensione più profonda delle basi cognitive e neurali dell'intelligenza e la creazione di algoritmi in grado di integrare e generalizzare queste conoscenze in un'ampia varietà di situazioni e contesti.

In conclusione, anche se abbiamo fatto passi da gigante nel campo dell'intelligenza artificiale, replicare l'intelligenza umana in modo completo è ancora una sfida lontana da essere raggiunta. La ricerca futura potrebbe portare a sviluppi significativi in questo ambito, ma al momento, le IA rimangono strumenti specializzati e complementari alle abilità umane piuttosto che sostitutive dell'intelligenza umana in senso generale.

*giornalista professionista, docente di Filosofia, Storia, Scienze Umane e Tecniche della Comunicazione con perfezionamento post-laurea in Tecnologie per l’Insegnamento e Master in Comunicazione Digitale