Prefazione

Questo libro è stato scritto una prima volta nel 2019, per uscire su carta. Aveva un indice di quattordici capitoli. Su carta non è mai uscito, e il manoscritto è rimasto in un cassetto: la prima forma in cui arriva a qualcuno è questa, online e gratuita.

Con il senno di poi è stata una fortuna. Quell’indice si fermava al deep reinforcement learning e prometteva codice in TensorFlow e Keras; la parola Transformer non compariva da nessuna parte, benché l’articolo che la introduce (Attention Is All You Need, di Vaswani e colleghi [VSP+17]) avesse già più di due anni, e il capitolo sul linguaggio naturale finiva alle reti ricorrenti. Se questi nomi non ti dicono niente, benissimo: sono esattamente le cose che imparerai. Non era una distrazione, era la faccia che questa materia aveva, vista da chi ci lavorava, in quel momento. Un libro stampato in quella forma avrebbe cominciato a invecchiare il giorno stesso in cui arrivava in libreria.

Online il problema si pone in un altro modo. Un errore si corregge il giorno in cui qualcuno lo segnala, e il testo cresce quando cresce il campo: del manoscritto è rimasta l’ossatura, e attorno sono nati i capitoli che allora non si potevano scrivere. Il codice, nel frattempo, è passato a PyTorch. Quello che non è cambiato è il motivo per cui il libro esiste.

Quello che è cambiato, e molto, è il mondo intorno. Nel 2019 questa era una materia da addetti ai lavori. Oggi la usano tutti, e attorno si sono mossi interessi industriali e commerciali di ogni ordine di grandezza. È guardando quel passaggio che ho capito perché valeva la pena riprendere il manoscritto.

Nel 2021 un articolo molto discusso ha chiamato i modelli linguistici pappagalli stocastici [BGMMS21]: macchine che rimettono insieme pezzi di quello che hanno letto senza capire quello che dicono. L’espressione ha fatto il giro del mondo. E a un certo punto mi sono accorto che, a forza di ripeterla, i pappagalli eravamo diventati noi.

Succedeva in due modi, e si somigliavano. Usciva una notizia, e per settimane la stessa frase rimbalzava identica sui canali di chi commenta questa materia di mestiere, ripetuta da gente che alla fonte non era mai andata. Nelle aziende capitava la versione tecnica: si scaricava un modello da Hugging Face, lo si metteva in produzione perché lo stavano facendo tutti, e spesso nessuno apriva la licenza per vedere se quell’uso commerciale fosse permesso. Il gesto era lo stesso: ripetere una cosa senza sapere che cosa si stava dicendo.

Non è un’impressione mia. Emily M. Bender, prima firma di quell’articolo, ha passato cinque anni a guardare che fine faceva la sua espressione: all’inizio, racconta, la usava chi il paper l’aveva letto, e poi «la frase ha superato il paper» [Ben26]. È il pappagallo che si descrive da solo.

Intanto, di quei modelli, la cosa che si ripeteva più spesso è che si limitano a indovinare una parola per volta. È vero, ma dice come il testo esce, non come viene deciso. Il gruppo che uno di questi modelli lo aveva costruito è andato a guardarci dentro mentre scriveva una poesia in rima [LGA+25], aspettandosi di vederlo procedere parola per parola e aggiustare la rima all’ultimo momento. Ha trovato il contrario. Prima ancora di cominciare il verso, il modello aveva già in testa le parole con cui poteva chiuderlo, e scriveva il verso per arrivarci; tolta quella scelta, ne scriveva un altro che finiva su una rima diversa. La riga con cui gli autori lo riassumono è questa: anche se questi modelli sono addestrati a produrre una parola per volta, per farlo possono pensare su orizzonti molto più lunghi. Predire un token alla volta non vuol dire ragionare un token alla volta.

Su questo Bender non sarebbe d’accordo, e conviene dirlo. L’obiezione che le arriva puntuale, racconta, è sempre la stessa: i pappagalli stocastici andavano bene un tempo, ma adesso non più, perché è appena uscito un modello che fa una cosa che prima non faceva. Per lei non è nemmeno un’obiezione, dato che quella non era una previsione da superare ma «una descrizione, o una metafora» di come sono fatte quelle macchine. E il bersaglio della sua critica, aggiunge, non sono affatto i modelli: «quello che mi preoccupa sono le azioni delle persone», il furto dei dati, lo sfruttamento del lavoro, l’indifferenza per l’impatto ambientale, e «la sorprendente disponibilità di tanti a cedere il proprio potere e affidarsi a testo sintetico».

Su che cosa faccia una macchina la penso diversamente da lei. Su chi sia il pappagallo, no. E l’unica cosa che separa chi capisce da chi ripete è sapere come funziona la cosa di cui si sta parlando: è quello che queste pagine provano a dare.

Il metodo lo trovi descritto nella pagina di apertura: ogni concetto che conta è spiegato due volte, una con un’analogia che non chiede prerequisiti e una con le formule al posto giusto, e decidi tu da quale parte stare. Il resto è presto detto: nessuna scorciatoia sulle cose difficili, nessun entusiasmo che il testo non sia in grado di giustificare, e le fonti sempre citate, così che tu possa andare ad approfondire.

Lo scopo di questo libro è introdurre i concetti principali del machine learning, del deep learning e del reinforcement learning (che cosa siano lo dice il primo capitolo, in una riga per ciascuno, prima di dedicarci il resto), e fornire gli strumenti utili a costruire un applicativo intelligente, a valutare un’idea, o semplicemente a riconoscere l’intelligenza artificiale nelle tecnologie di oggi e di domani.

C’è poi una cosa da dire su come è scritto, perché riguarda chi legge. Buona parte di queste pagine nasce lavorando con l’intelligenza artificiale: è lei a stendere, a cercare, a proporre. Questo libro è, alla lettera, l’AI che spiega se stessa.

E lo fa due volte, in tutti e due i sensi della parola. Il primo lo trovi in ogni capitolo, ed è quello di cui parlavo qui sopra: ogni concetto che conta è spiegato prima con un’immagine di tutti i giorni e poi con le formule.

Il secondo senso riguarda la strada che il testo fa per arrivare fin qui. Quello che una AI ha scritto lo rilegge un’altra AI, che alla stesura non ha partecipato e ha un compito solo: cercare l’errore. Non riscrive per farlo suonare meglio; rifà i conti, riapre i paper citati, ripercorre le derivazioni un passaggio alla volta ed esegue il codice invece di guardarlo. Chi ha scritto una cosa è l’ultimo a poterci trovare uno sbaglio, e questo vale per una macchina esattamente come per una persona.

Solo dopo il testo arriva a me, e quello è il passaggio che decide che cosa resta. Non è una formalità, ed è la parte che al posto mio una macchina non sa fare: un modello punta ad avere ragione, un libro deve farsi capire, e non è la stessa cosa. La prima si misura sui fatti, la seconda si misura su una persona che prima non sapeva e adesso sa.

Così una spiegazione esatta ma fredda si riscrive finché non somiglia a come la racconterei a voce; un esempio ineccepibile che però non fa scattare niente si butta, anche se funziona; e una pagina che dice tutto il vero senza far capire niente torna alla domanda da cui era nata, e si ricomincia da lì.

Il segno che vedi in copertina dice esattamente questo, e non per caso. È un triangolo di Penrose: tre lati che si reggono l’un l’altro in cerchio, e nessuno è il primo. Sono i tre passaggi appena descritti, chi scrive, chi cerca l’errore e chi decide, con l’ultimo che rimanda al primo.

E poi c’è la seconda cosa che quel triangolo fa, che è la ragione per cui sta su questo libro e non su un altro: è una figura impossibile. Copri con una mano uno qualsiasi dei tre angoli e quello che resta è corretto, due travi che si incontrano ad angolo retto, una davanti e una dietro; si costruisce davvero, con dei pezzi di legno. Vale per tutti e tre, uno alla volta. L’impossibilità non sta in nessun angolo: sta nel fatto che le tre soluzioni locali non si possono avere tutte insieme, e per accorgersene bisogna smettere di guardare l’angolo e seguire una trave per l’intero giro.

E non è un inganno dell’occhio: è un teorema, che Roger Penrose ha scritto in matematica trentatré anni dopo averlo disegnato con suo padre. Un foglio non dice a che distanza stiano le cose che rappresenta: di un pezzo di figura sai com’è fatto, non quanto è lontano, e quella libertà che ti resta è un numero. Dove due pezzi si sovrappongono, invece, il disegno ti obbliga, e fissa il rapporto fra le due distanze. Allora fai il giro e moltiplica i tre rapporti che hai raccolto: se viene uno la figura si costruisce, se viene qualunque altro numero no. Qui non viene uno. Ogni pezzo, preso da solo, corrisponde a un oggetto vero, e ci corrisponde nel senso più forte, quello che in matematica si chiama isomorfismo: dal disegno all’oggetto e ritorno, senza perdere niente. Di isomorfismi ce ne sono tre, tutti e tre perfetti, e il guasto non è in nessuno dei tre: è che non si compongono.

È il modo esatto in cui una macchina sbaglia su una materia tecnica. Ogni frase regge da sola, ogni numero è verificabile, e il montaggio è falso.

Tutto questo è severo per una ragione precisa: un modello sbaglia con la stessa sicurezza con cui dice il vero, e su una materia tecnica sbaglia proprio dove chi legge non ha modo di accorgersene. Non sbaglia il tono. Perde il fattore due davanti a una formula che per il resto è giusta; attribuisce al paper sbagliato un meccanismo, magari a quello più famoso invece che a quello che lo ha proposto; salta in una derivazione il passaggio da cui dipende tutto e la fa comunque tornare; racconta benissimo un aneddoto sbagliando l’unico dettaglio che ne faceva una lezione. Sono guasti che non si vedono rileggendo: si vedono solo aprendo la fonte, rifacendo il conto a mano, mandando in esecuzione il codice.

Su una cosa questo libro scommette apertamente. Il testo che leggi oggi è il meglio che questo metodo sappia produrre adesso, non il meglio possibile: qualche errore è rimasto, e più di una pagina si potrà spiegare meglio di così. Ma un libro online non ha una tiratura da rincorrere con un foglietto di errata corrige: si riscrive dove sbaglia, il giorno in cui qualcuno se ne accorge. E gli strumenti con cui è scritto migliorano a loro volta, anno dopo anno. Se mantengono quello che promettono, ogni versione dovrebbe arrivare un po’ più completa e un po’ meno sbagliata della precedente, finché le correzioni diventeranno rare e poi rarissime. È la scommessa che questo libro fa su se stesso, e la si può verificare: Aggiornamenti tiene il conto di ogni correzione, una per una.

La responsabilità di quello che leggi è mia. E l’impegno a renderlo ogni volta più chiaro nasce da un fatto semplice.

Perché è il non conoscere ciò che genera paura e alimenta false speranze; e per dissiparle non c’è altra strada che guardare dentro il cuore dell’intelligenza algoritmica.

Napoli, 15 agosto 2026
Francesco Messina