GUIDA AI FONDAMENTALI

Che cos'è l'IA?

L'intelligenza artificiale (AI) è il campo in cui si costruiscono macchine che acquisiscono informazioni e producono risultati come previsioni, raccomandazioni, contenuti o decisioni che altrimenti necessiterebbero del giudizio umano.

Ascolta questa guidaNarrato dall'IA · ~9 min

In questa pagina10 minuti di lettura
  1. Panoramica
  2. Punti chiave
  3. Immersione profonda
  4. Decidi se un prodotto è davvero AI
  5. Implementazione nel mondo reale
  6. Il futuro di cos’è l’intelligenza artificiale?
  7. Metterlo in pratica
  8. Fonti e approfondimenti
  9. Continua a esplorare
  10. Domande frequenti

Panoramica

È un termine generico: programmi basati su regole, machine learning, deep learning e i chatbot di oggi si trovano tutti sotto di esso, e ognuno ha punti di forza, costi e modalità di fallimento diversi che vale la pena conoscere prima di fidarsi di uno.

Punti chiave

  1. L'intelligenza artificiale è un termine generico per macchine che deducono output come previsioni, contenuti, raccomandazioni o decisioni dai loro input.
  2. L’intelligenza artificiale basata su regole segue la conoscenza annotata dalle persone, mentre l’apprendimento automatico estrae modelli dagli esempi; la maggior parte dei prodotti moderni combina modelli appresi con software convenzionale.
  3. Alan Turing pose la questione del pensiero meccanico nel 1950, e la proposta di Dartmouth del 1955 diede il nome al campo prima del workshop del 1956.
  4. Ogni sistema di intelligenza artificiale in uso oggi è ristretto, costruito e testato per compiti particolari; l’intelligenza artificiale generale rimane ipotetica senza test concordati.
  5. I sistemi di intelligenza artificiale possono essere sicuramente sbagliati, sensibili alle parole e distorti dai dati di addestramento, quindi i risultati devono essere controllati dove gli errori contano.
  6. L’esecuzione dell’intelligenza artificiale è diventata molto più economica, con costi di inferenza di livello GPT-3.5 diminuiti di oltre 280 volte dal 2022 al 2024 secondo l’indice AI di Stanford.

Immersione profonda

Artificial intelligence is the effort to make machines do things that would require judgment if a person did them: recognize a face, translate a sentence, recommend a film, drive a car or answer a question. Because the phrase covers so much, it helps to use a precise definition. The European Union's AI Act, whose definitions have applied since 2 February 2025, describes an AI system as a machine-based system that operates with some autonomy, may adapt after deployment, and infers from its input how to generate outputs such as predictions, content, recommendations or decisions that can affect physical or virtual environments. The key word is infers. A calculator follows fixed steps; an AI system works out an output that nobody spelled out in advance for that exact input.

The field has two broad families of methods, and most real products mix them. The first is symbolic AI, sometimes called rule-based or classical AI. People write down knowledge as rules and the program searches through possibilities. IBM's Deep Blue is the textbook case: it evaluated about 200 million chess positions per second using 32 processors and a hand-tuned scoring function. The second family is machine learning, in which the program is not told the rules but learns them from examples. A spam filter trained on millions of labeled emails, or a model that predicts delivery times from past trips, works this way. Deep learning is the branch of machine learning that uses neural networks with many layers, and since the early 2010s it has driven most of the visible progress in speech, vision and language, as the 2015 Nature review by Yann LeCun, Yoshua Bengio and Geoffrey Hinton describes.

A modern machine learning system is built in a fairly fixed sequence. Someone defines the task and collects data, such as photos with labels or text from the web. They choose a model, a mathematical function with adjustable settings called parameters. Training repeatedly adjusts those parameters so the model's outputs match the examples better, as judged by a score called the objective or loss. The trained model is then tested on data it has never seen, because doing well on the training examples alone proves little. Finally it is deployed inside a product, where it receives real inputs, and its behavior is monitored because the world drifts away from the training data over time.

The history runs back more than seventy years. In 1950 Alan Turing opened his paper Computing Machinery and Intelligence with the question of whether machines can think, and proposed replacing it with a test, the imitation game, in which an interrogator chats with a hidden human and a hidden machine. He guessed that within about fifty years a machine could fool an average interrogator often enough that they would have no better than a 70 percent chance of a correct identification after five minutes. On August 31, 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester and Claude Shannon dated their proposal for a summer research project at Dartmouth College on artificial intelligence, and the 1956 workshop that followed gave the field its name. Later milestones include Deep Blue's 1997 chess win, the 2012 to 2015 deep learning breakthroughs, AlphaGo's 2016 Go victories, and ChatGPT's public release on November 30, 2022.

People often sort AI by how broad it is. Narrow AI does one kind of task, such as playing chess or transcribing speech, and every system in commercial use today is built and tested for particular tasks. Artificial general intelligence, or AGI, refers to a hypothetical system that could learn and perform most intellectual tasks a person can; there is no agreed test for it and no agreed date for it. Generative AI is a newer label for systems that produce text, images, audio or code. It is not a separate kind of intelligence but an application of deep learning. Robotics adds sensors and motors so the outputs act on the physical world.

It also helps to compare AI with things it is often confused with. Ordinary software follows explicit instructions and gives the same answer every time; AI systems can handle messy inputs but can also be wrong in ways that are hard to predict. Automation means any machine doing a task without a person, and much automation, such as a timer on a sprinkler, contains no AI at all. Human intelligence is general, grounded in physical experience and able to learn from a handful of examples; most AI systems need large amounts of data and can fail when inputs differ from what they saw in training. AlphaGo could beat a professional at Go but could not play chess without being rebuilt and retrained.

The limits are practical, not abstract. OpenAI's own launch note for ChatGPT warned that it sometimes writes plausible-sounding but incorrect answers, changes its answer when a question is rephrased, guesses at ambiguous requests instead of asking, and can still respond to harmful instructions or show biased behavior. Learned systems absorb the patterns, and the gaps, in their training data, so they can treat groups of people unequally. They can be fooled by inputs designed to trick them. And an AI system has no built-in sense of when it is outside its competence, so the people deploying it must decide where it is safe to rely on.

Using AI is cheap for individuals and expensive to build at the frontier. The Stanford AI Index 2025 reports that the cost of running a model at GPT-3.5's level fell more than 280-fold between November 2022 and October 2024, which is why capable assistants are now free or low cost. At the same time, US private investment in AI reached 109.1 billion dollars in 2024, and nearly 90% of notable new models came from companies rather than universities, because training the largest systems takes specialized chips, large data centers and large datasets. For most organizations the realistic cost is not building a model but integrating an existing one, checking its outputs, and training people to use it well.

04Esempio lavorato

Decidi se un prodotto è davvero AI

  1. Scegli tre prodotti di uso quotidiano: un irrigatore che si accende alle 6 del mattino, un filtro antispam per le email e un chatbot sul sito web di una banca.

  2. Per ognuno, chiedi qual è il suo risultato. L'irrigatore emette output attivati ​​o disattivati, il filtro emette spam o non spam, il chatbot emette una risposta scritta.

  3. Chiedi se una persona ha scritto la regola esatta per ogni caso. Il programma dell'irrigatore è stato scritto da una persona; nessuno ha scritto una regola per ogni possibile email o domanda.

  4. Chiedersi se il sistema deduce il suo output dall’input che riceve, il test utilizzato nella definizione della legge sull’IA dell’UE. Il filtro e il chatbot lo fanno; il timer no.

  5. Chiedi se ha imparato dai dati. Un moderno filtro antispam e un chatbot vengono addestrati su esempi, il che li rende sistemi di apprendimento automatico.

  6. Annota per ogni prodotto AI cosa potrebbe andare storto: una vera e-mail inviata allo spam o una risposta sicura ma sbagliata sulle tariffe.

Cosa mostra

Il filtro antispam e il chatbot contano come AI e il timer no. Il controllo è se il sistema elabora il suo output dall'input piuttosto che seguendo una regola fissa, e l'elenco dei possibili errori mostra dove una persona deve ancora verificare l'output.

Implementazione nel mondo reale

Gioco tramite ricerca: Deep Blue dell'IBM ha esaminato circa 200 milioni di posizioni di scacchi al secondo su 32 processori paralleli e ha battuto il campione del mondo Garry Kasparov 3,5 a 2,5 nel maggio 1997, un anno dopo aver perso contro di lui 4 a 2.

Apprendimento più ricerca: AlphaGo di DeepMind ha combinato reti neurali addestrate su giochi esperti e auto-gioco con la ricerca sugli alberi e nel 2016 è diventato il primo programma a battere un professionista umano al Go a pensione completa, vincendo 5 a 0.

Conversazione: ChatGPT, rilasciato da OpenAI il 30 novembre 2022, è un modello linguistico della serie GPT-3.5 ottimizzato con l'apprendimento per rinforzo dal feedback umano in modo che possa rispondere alle domande di follow-up in un dialogo.

Medicina e trasporti: lo Stanford AI Index 2025 conta 223 dispositivi medici abilitati all’intelligenza artificiale approvati dalla FDA statunitense nel 2023, rispetto ai sei del 2015, e segnala che Waymo fornisce più di 150.000 corse senza conducente ogni settimana.

Software aziendale quotidiano: lo stesso rapporto rileva che il 78% delle organizzazioni intervistate ha utilizzato l’intelligenza artificiale nel 2024, rispetto al 55% dell’anno precedente, il che mostra la rapidità con cui l’intelligenza artificiale è passata da progetti pilota a software di lavoro di routine.

Il futuro di cos’è l’intelligenza artificiale?

Diverse domande sull’intelligenza artificiale rimangono aperte nel 2026. La prima è la misurazione: il gioco dell’imitazione di Turing del 1950 è ancora discusso, ma i ricercatori ora si affidano a suite di benchmark di grandi dimensioni e lo Stanford AI Index 2025 riporta che i punteggi su benchmark impegnativi sono aumentati in un solo anno di 48,9 punti percentuali su GPQA e 67,3 su SWE-bench. La rapida saturazione rende difficile dire quanto siano realmente capaci i sistemi al di fuori dei test. Il secondo è la governance. Le definizioni dell’EU AI Act hanno iniziato ad applicarsi il 2 febbraio 2025 e l’AI Index ha contato 59 regolamenti relativi all’IA emanati da agenzie federali statunitensi nel 2024, più del doppio dell’anno precedente. Il modo in cui queste regole funzionano nella pratica e se altri paesi convergono su definizioni simili sono ancora in fase di definizione. Il terzo è l'affidabilità. Fatti allucinanti, sensibilità alle parole e risultati distorti, che OpenAI ha elencato come limitazioni note al lancio di ChatGPT nel 2022, sono aree di ricerca attive piuttosto che problemi risolti. Se più dati e potenza di calcolo continueranno a produrre capacità più ampie, o se siano necessari nuovi metodi affinché i sistemi ragionino in modo affidabile, è un argomento dibattuto tra i ricercatori piuttosto che stabilito.

Metterlo in pratica

Perché è importante

  • Decisioni più chiare. Ti aiuta a separare le chiare affermazioni tecniche dal linguaggio di marketing.
  • Costo e budget. Puoi porre domande sull'implementazione migliore prima di spendere denaro o tempo.
  • Team e flusso di lavoro. I team con una comprensione condivisa prendono decisioni migliori su prodotti, politiche e apprendimento.

Attenzione

  • Team diversi possono utilizzare lo stesso termine in modo diverso, quindi definisci l'ambito in anticipo.
  • I benchmark possono sembrare solidi mentre le prestazioni nel mondo reale non sono uniformi.
  • Ignorare la qualità dei dati e i piani di valutazione spesso crea risultati fragili.

Prossimi passi

  1. Inizia con una definizione in linguaggio semplice del risultato di cui hai bisogno.
  2. Scegli una metrica di successo e una condizione di fallimento prima del test.
  3. Esegui un piccolo progetto pilota con dati rappresentativi, non un set demo raffinato.
  4. Documento dove Cos'è l'intelligenza artificiale? aiuta e dove i metodi più semplici sono migliori.

Fonti e approfondimenti

  1. Mind (A. M. Turing, 1950), course reprint at UMBCMacchine informatiche e intelligenza
  2. AI Magazine (AAAI)Una proposta per il progetto di ricerca estiva di Dartmouth sull'intelligenza artificiale, 31 agosto 1955
  3. IBMBlu profondo
  4. Nature (Silver et al., 2016)Padroneggiare il gioco del Go con reti neurali profonde e ricerca di alberi
  5. Nature (LeCun, Bengio and Hinton, 2015)Apprendimento profondo
  6. OpenAIPresentazione di ChatGPT
  7. Future of Life Institute (EU AI Act explorer)Articolo 3: Definizioni, legge dell'UE sull'intelligenza artificiale
  8. Stanford Institute for Human-Centered AIIl rapporto sull’indice dell’intelligenza artificiale 2025

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Prendi il libro Che cos'è l'intelligenza artificiale? quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è l'IA?

L'intelligenza artificiale (AI) è il campo in cui si costruiscono macchine che acquisiscono informazioni e producono risultati come previsioni, raccomandazioni, contenuti o decisioni che altrimenti necessiterebbero del giudizio umano. È un termine generico: programmi basati su regole, machine learning, deep learning e i chatbot di oggi si trovano tutti sotto di esso, e ognuno ha punti di forza, costi e modalità di fallimento diversi che vale la pena conoscere prima di fidarsi di uno.

Un pianificatore di percorso ricerca possibili viaggi utilizzando regole esplicite. Cosa illustra questo sull’intelligenza artificiale?

La guida include regole esplicite e ricerca all'interno dell'intelligenza artificiale; l’apprendimento automatico è un approccio in un campo più ampio.

L’apprendimento automatico è meglio descritto come: quale relazione con l’intelligenza artificiale?

L’apprendimento automatico è un approccio nel campo più ampio dell’intelligenza artificiale. Invece di scrivere a mano ogni regola, gli sviluppatori lasciano che il sistema impari dagli esempi.

Un servizio di consegna stima i tempi di arrivo in base ai dati di percorso e traffico. Cosa dovrebbe capire l'utente riguardo a quell'output?

L'esempio di consegna della guida è una stima basata sui dati del percorso e del traffico, non un orario di arrivo garantito.

Un team sta scegliendo tra due strumenti di intelligenza artificiale per un compito di supporto ambiguo. Quale confronto segue la guida?

La guida raccomanda di valutare l'esecuzione del compito su casi non familiari e ambigui, con attenzione agli errori consequenziali.

Un organizzatore di foto etichetta bene le immagini familiari. Quale controllo successivo risolve un limite descritto nella guida?

Le prestazioni su esempi familiari non stabiliscono l’affidabilità su input non familiari o errori costosi.