L'intelligenza artificiale (in sigla italiana IA; in inglese AI, artificial intelligence) è il termine ombrello che indica l'insieme delle capacità il cui svolgimento richiederebbe normalmente un intelletto naturale, ma che possono essere simulate, in tutto o in parte, da un sistema artificiale (tipicamente informatico o di automazione). In ambito informatico, l'IA è anche la disciplina e il campo di ricerca, a cavallo tra ingegneria, matematica e informatica, che sviluppa metodi e software capaci di far percepire alle macchine il proprio ambiente, apprendere dall'esperienza, adattarsi a nuovi input e agire in modo da massimizzare le possibilità di raggiungere obiettivi definiti, svolgendo compiti come il riconoscimento vocale, la traduzione linguistica e la visione artificiale.
Il Parlamento europeo definisce l'intelligenza artificiale come la possibilità da parte di un sistemaOvvero sistema informatico o telematico. di mostrare capacità tipicamente umane, quali il ragionamento, l'apprendimento, la pianificazione e la creatività. Il Regolamento UE 2024/1689 (AI Act) adopera la definizione di un sistema automatizzato, dotato di un certo grado di autonomia e progettato per operare in vista di obiettivi espliciti o impliciti, capace di generare, a partire dai dati che riceve in input, risultati come previsioni, contenuti, raccomandazioni o decisioni in grado di influenzare ambienti fisici o virtuali. Aggiunge inoltre che alcuni sistemi di IA possiedono variabili capacità di adattamento da cui traggono vantaggio per svolgere le proprie attività. Lo standard internazionale ISO/IEC 42001:2023 disciplina la certificazione dei sistemi di gestione dell'intelligenza artificiale (AIMS). Va notato che, nel linguaggio comune, il termine "intelligenza artificiale" viene spesso usato in modo improprio per indicare la sola intelligenza artificiale generativa, ossia quella categoria di IA finalizzata a creare testi, immagini, audio o video in risposta a richieste dell'utente: si tratta in realtà solo di uno dei numerosi sottocampi della disciplina.
Le radici dell'IA risalgono al lavoro pionieristico di Alan Turing, ma la disciplina venne istituita formalmente come campo accademico nel 1956. Da allora il settore ha conosciuto molteplici alti e bassi, i quali hanno causato più di una volta una riduzione dei finanziamenti, in periodi storici oggi noti come "inverni dell'IA". L'interesse e gli investimenti sono cresciuti enormemente dopo il 2012, quando l'impiego delle unità di elaborazione grafica (GPU) per addestrare reti neurali ha permesso al deep learning di superare le tecniche precedenti, e ulteriormente dopo il 2017 con l'introduzione dell'architettura Transformer. Questi sviluppi hanno portato, nei primi anni 2020, a un vero e proprio boom dell'IA, coinciso con i rapidi progressi dell'IA generativa e con la diffusione di strumenti capaci di creare e modificare contenuti multimediali a partire da semplici richieste testuali.
I sottocampi e gli obiettivi tradizionali della ricerca sull'IA comprendono l'apprendimento automatico, il ragionamento, la rappresentazione della conoscenza, la pianificazione, l'elaborazione del linguaggio naturale, la percezione e il supporto alla robotica, oltre ad ambiti più specifici come il gioco degli scacchi, la dimostrazione di teoremi matematici, la composizione musicale, la creazione artistica e la diagnosi medica. Per raggiungere questi obiettivi, i ricercatori impiegano tecniche quali la ricerca nello spazio degli stati, l'ottimizzazione matematica, la logica formale, le reti neurali artificiali e metodi mutuati da statistica, ricerca operativa ed economia; la disciplina si appoggia inoltre a psicologia, linguistica, filosofia e neuroscienze. Tra i paradigmi di apprendimento più diffusi figurano il machine learning, il deep learning, il reinforcement learning e l'apprendimento supervisionato. Tra le applicazioni di maggior rilievo figurano i motori di ricerca avanzati, gli assistenti virtuali, i sistemi di raccomandazione delle piattaforme di streaming, i veicoli a guida autonoma e i chatbot conversazionali basati su grandi modelli linguistici (LLM).
L'intelligenza artificiale viene tradizionalmente distinta in IA debole (o ristretta), che rappresenta il 100% dei sistemi AI oggi esistenti, specializzata nello svolgimento di compiti specifici, e l'IA generale (AGI), un'ipotetica intelligenza artificiale capace di eguagliare o superare le capacità cognitive umane in qualunque ambito. Diverse aziende (tra cui OpenAI, Google DeepMind e Meta) dichiarano di puntare esplicitamente allo sviluppo dell'AGI come obiettivo a lungo termine.
Lo sviluppo e la diffusione dell'IA hanno originato nuovi campi di studio, come la roboetica, l'etica dell'intelligenza artificiale e l'etica delle macchine, dedicati ad analizzare l'impatto di queste tecnologie sulla società e a definire i principi per un loro uso responsabile. Numerosi scienziati e filosofi, tra cui, nel 2014, Stephen Hawking, hanno segnalato i rischi potenziali dell'IA, arrivando in alcuni casi a considerarla una minaccia per la sopravvivenza dell'umanità, mentre altri ne sottolineano soprattutto le opportunità per il benessere collettivo. Le preoccupazioni riguardano in particolare la sicurezza dei sistemi, le conseguenze indesiderate del loro utilizzo, gli effetti di lungo periodo sul mercato del lavoro, sulla sanità e sull'istruzione, e gli eventuali rischi esistenziali legati a sistemi futuri molto più capaci di quelli attuali. Tali questioni hanno alimentato il dibattito pubblico sulla regolamentazione dell'IA, di cui l'AI Act europeo e lo standard ISO/IEC 42001 rappresentano due delle risposte normative più rilevanti.
Storia Dai calcolatori alle prime reti neurali artificiali
La nascita dell'intelligenza artificiale può essere fatta risalire all'avvento dei primi computer.
Nel 1936 Alan Turing nel suo articolo On Computable Numbers, With An Application To The Entscheidungsproblem discute su alcuni concetti che sono alla base del funzionamento dei computer e quindi dell'intelligenza artificiale, quali la calcolabilità, la computabilità e il concetto di macchina di Turing.
Nel 1943 McCulloch e Pitts crearono ciò che viene ritenuto il primo lavoro inerente all'intelligenza artificiale. Tale sistema impiega un modello di neuroni artificiali nel quale lo stato di tali neuroni può essere “acceso” o “spento,” con un passaggio ad “acceso” in presenza di stimoli causati da un numero sufficiente di neuroni circostanti. McCulloch e Pitts dimostrarono che qualsiasi funzione computabile può essere rappresentata da qualche rete di neuroni, e che tutti i connettivi logici (“e”, “o”, ...) possono essere implementati da una semplice struttura neurale.
Le loro ricerche si basarono sulla scoperta da parte di alcuni neurologi, tra cui Francis Crick, che la ragione attiva un frammento della corteccia prefrontale il cui funzionamento si poteva descrivere bene in termini binari. In seguito, si scoprì il ruolo dell'amigdala per i sentimenti, le emozioni, la creatività, concludendo che solo una parte dell'attività cerebrale era rappresentabile da computer e reti neurali.
Nel 1950 Marvin Minsky e Dean Edmonds, studenti dell'università di Harvard, crearono la prima rete neurale artificiale, conosciuta con il nome di "SNARC" (Stochastic neural analog reinforcement calculator).
Conferenza di Dartmouth
Nel 1956, nel New Hampshire, al Dartmouth College, si tenne un convegno al quale presero parte John McCarthy, Marvin Minsky, Claude Shannon e Nathaniel Rochester. Su iniziativa di McCarthy, un team di dieci persone avrebbe dovuto creare in due mesi una macchina in grado di simulare ogni aspetto dell'apprendimento e dell'intelligenza umana. Ad aderire a tale iniziativa furono alcuni ricercatori, tra cui anche Trenchard More di Princeton, Arthur Samuel di IBM, e Ray Solomonoff e Oliver Selfridge del MIT.
Nello stesso convegno i ricercatori Allen Newell e Herbert Simon presentarono un programma capace di qualche forma di ragionamento, conosciuto con il nome di "Logic Theorist", o LT, in grado di dimostrare teoremi partendo dai principi della matematica.
Sempre nello stesso convegno, McCarthy introdusse l'espressione "intelligenza artificiale".
Primi programmi di intelligenza artificiale Il programma creato da Newell e Simon permise loro di progredire e creare un programma chiamato General Problem Solver, o GPS. A differenza del LP, il GPS fu ideato con lo scopo di imitare i processi di risoluzione dei problemi utilizzati dagli esseri umani (nello specifico la cosiddetta "euristica mezzi-fini"). Nei ristretti casi nel quale il programma poteva operare, si notò che l'approccio con il quale il programma considerava gli obiettivi e le azioni era assimilabile a un umano. Negli stessi anni, presso l'IBM, Rochester con dei suoi colleghi cominciò a sviluppare altri programmi capaci di ragionamento.
Nel 1959, Herbert Gelemter creò il Geometry Theorem Prover, un programma in grado di dimostrare teoremi di geometria complessi. L'anno precedente, presso il MIT, McCarthy definì il linguaggio di programmazione Lisp, che venne utilizzato ampiamente per la realizzazione dei sistemi di intelligenza artificiale. McCarthy scrisse inoltre un documento intitolato Programs with Common Sense, nel quale descrive un programma ideale, chiamato Advice Taker, che può essere visto come il primo sistema intelligente completo.
Minsky, durante il suo periodo al MIT, coordinò la creazione di programmi per affrontare quelli che vengono chiamati "micro mondi", ovvero problemi limitati e descritti da asserzioni che richiedevano l'utilizzo di ragionamento per essere risolti. Tra questi, il programma di James Slagle del 1963, SAINT, era in grado di risolvere problemi riguardo al calcolo integrale in forma chiusa. Alla fine degli anni '60 risale "Gioco della vita", un automa cellulare sviluppato dal matematico inglese John Conway, che ha lo scopo di mostrare come comportamenti simili alla vita possano emergere da regole semplici e interazioni a molti corpi.
Tra le varie aspirazioni da parte dei ricercatori vi era principalmente quella di creare macchine in grado di esibire capacità di ragionamento simili a quelle umane. Ad esempio, Herbert Simon, nel 1957, stimò che nel giro di dieci anni ci sarebbero state macchine in grado di competere con i campioni di scacchi (previsione che si avvererà, ma dopo quarant'anni). Queste aspirazioni, però, dovettero scontrarsi con alcune difficoltà: prime fra tutte, l’assoluta mancanza di conoscenza semantica relativa ai domini trattati dalle macchine, in quanto la loro capacità di ragionamento si limitava a una vera manipolazione sintattica. A causa di questa difficoltà, nel 1966 il governo federale degli Stati Uniti d'America interruppe i fondi per lo sviluppo delle macchine traduttrici. Un ulteriore problema fu l'impossibilità del trattare molti problemi che l'intelligenza artificiale si era proposta. Questo perché si riteneva che “scalare” le dimensioni di un problema fosse solo una questione di hardware e memoria.
Questo tipo di ottimismo fu presto spento quando i ricercatori fallirono nel dimostrare teoremi a partire da più di una dozzina di assiomi. Si capì quindi che il fatto di disporre di un algoritmo che, a livello teorico, fosse in grado di trovare una soluzione a un problema non significava che un corrispondente programma fosse in grado di calcolarla effettivamente a livello pratico. Un terzo tipo di difficoltà furono le limitazioni alla base della logica, nel senso di ragionamento, dei calcolatori. Nel documento di Minsky e Papert, intitolato Perceptrons (1969), si mostrò che, nonostante un percettrone (una semplice forma di rete neurale) fosse in grado di apprendere qualsiasi funzione potesse rappresentare, un percettrone con due input non era in grado di rappresentare una funzione che riconoscesse quando i due input sono diversi.