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 prometteva codice in TensorFlow e Keras [ABC+16, C+15] e il capitolo sul linguaggio naturale finiva alle reti ricorrenti; 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 due anni. Se questi nomi non ti dicono niente, benissimo: sono esattamente le cose che imparerai. Un libro stampato così avrebbe cominciato a invecchiare il giorno in cui arrivava in libreria; online un errore si corregge appena qualcuno lo segnala. Del manoscritto è rimasta l’ossatura, il codice è passato a PyTorch [PGM+19], e attorno sono nati i capitoli che allora non si potevano scrivere.

Nel 2021 un articolo molto discusso ha chiamato i modelli linguistici (i programmi dietro a ChatGPT e alle sue varianti) pappagalli stocastici [BGMMS21]: macchine che rimettono insieme pezzi di quello che hanno letto senza capire quello che dicono. A un certo punto mi sono accorto che, a forza di ripetere quella formula, i pappagalli eravamo diventati noi. Per settimane, dopo ogni notizia, la stessa frase rimbalzava identica sui canali di chi commenta questa materia di mestiere, ripetuta da chi alla fonte non era andato. Intanto cambiava il lavoro: prima di ChatGPT chi curava i dati, chi addestrava i modelli e chi li portava in produzione facevano mestieri distinti, poi il mercato ne ha chiesto uno solo, capace di prendere il modello aperto del momento da Hugging Face [WDS+20], istruirlo con un prompt perfezionato sul caso d’uso e rivenderlo come soluzione propria. Il gesto era lo stesso di chi ripeteva la frase: usare una cosa senza sapere che cosa fosse.

Emily M. Bender, prima firma di quell’articolo, racconta che all’inizio la sua espressione la usava chi l’articolo l’aveva letto, e che poi «la frase ha superato l’articolo» [Ben26]. È il pappagallo che si descrive da solo. Su che cosa faccia una macchina la penso diversamente da lei; su chi sia il pappagallo, no: il bersaglio della sua critica, dice, non sono affatto i modelli, «quello che mi preoccupa sono le azioni delle persone». E l’unica cosa che separa chi capisce da chi ripete è sapere come funziona ciò di cui si parla.

Questo libro sta dall’altra parte: meno caccia all’istruzione magica, più architetture, iperparametri e funzioni di costo. Dentro ci sono i concetti principali dell’intelligenza artificiale, dal machine learning al deep learning al reinforcement learning (li definisce l’introduzione), e i capitoli che li portano in produzione e ne discutono le conseguenze. 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: come funziona lo dice la pagina di apertura. Nessuna scorciatoia sulle cose difficili, nessun entusiasmo che il testo non sia in grado di giustificare, e le fonti sempre citate.

C’è poi da dire come è scritto, perché interessa a chi legge. Buona parte di queste pagine nasce da una stretta collaborazione con l’intelligenza artificiale: sono io a delineare i temi, a dare la direzione e a scegliere le fonti, e l’AI elabora la prima bozza. Questo libro è, alla lettera, l’AI che spiega se stessa.

Quello che l’AI ha scritto lo rilegge un’altra AI, che alla stesura non ha partecipato e ha un compito solo, cercare l’errore: rifà i conti, riapre gli articoli citati, ripercorre le derivazioni ed esegue il codice invece di guardarlo. Chi ha scritto una cosa è l’ultimo a poterci trovare uno sbaglio, e vale per una macchina come per una persona.

Solo dopo il testo arriva a me, ed è il passaggio che decide che cosa resta: un modello punta ad avere ragione, un libro deve farsi capire. Avere ragione si controlla riaprendo le fonti; farsi capire, soltanto leggendo la pagina come la leggerebbe chiunque altro.

Il segno che il libro porta nel nome dice esattamente questo: la «a» di paithon è un triangolo di Penrose, tre lati che si reggono l’un l’altro e nessuno è il primo, come i tre passaggi appena descritti. Ed è anche una figura impossibile, e a leggerne una come un anello che torna su sé stesso ha insegnato Douglas Hofstadter in Gödel, Escher, Bach [Hof79].

Fig. 1 Il logo del progetto paithon.

Guarda uno qualsiasi dei tre angoli (Fig. 1), coprendo con una mano il resto: quello che resta scoperto sono due travi che si incontrano ad angolo retto, e con dei pezzi di legno si costruisce davvero. L’impossibilità sta nel non poterli avere tutti insieme, e per accorgersene bisogna seguire una trave per l’intero giro [PP58, Pen91]. 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. Il triangolo sta sul libro per tutte e due le ragioni: è il giro dei tre ruoli che si reggono a vicenda, ed è il guasto contro cui quel lavoro esiste.

La responsabilità di quello che leggi è mia. Qualche errore sarà rimasto, ma un libro online non ha migliaia di copie stampate da rincorrere con l’errata corrige: si riscrive dove sbaglia il giorno in cui qualcuno se ne accorge, e Aggiornamenti tiene il conto delle correzioni. È una scommessa che il libro fa su se stesso: che questi sistemi continuino a migliorare, e che ogni versione arrivi un po’ meno sbagliata della precedente. L’impegno a renderlo ogni volta più chiaro nasce da un fatto semplice.

È il non conoscere 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