Come l'intelligenza artificiale funziona davvero e perché è importante adesso

L'Organizzazione per la cooperazione e lo sviluppo economico (OCSE), i cui governi membri coordinano la politica sulla tecnologia, definisce un sistema di IA come "un sistema basato su macchina che, per obiettivi espliciti o impliciti, deduce, dall'input che riceve, come generare output come previsioni, contenuti, raccomandazioni o decisioni che possono influenzare ambienti fisici o virtuali." Il Consiglio dell'OCSE ha rivisto questa formulazione nel 2023 per mantenerla tecnicamente accurata mentre gli strumenti di IA generativa si diffondevano, secondo la spiegazione dell'organizzazione della definizione.

Dalle regole scritte all'apprendimento dai dati

Il software più vecchio seguiva le istruzioni che i programmatori scrivevano riga per riga: se accade X, fai Y. Il machine learning, l'approccio dietro la maggior parte dell'IA attuale, invece fornisce a un algoritmo grandi quantità di esempi e lo lascia elaborare i pattern stesso, secondo l'explicatore tecnico di IBM sull'argomento. Una volta addestrato, il sistema può classificare nuove informazioni, prevedere un valore, contrassegnare qualcosa di insolito o raccomandare un'azione senza ricevere la regola esatta per ogni caso.

L'OCSE suddivide il funzionamento di un sistema di IA in tre elementi. Gli input sono i dati, il codice o le regole inseriti nel sistema durante lo sviluppo o l'uso. L'inferenza è il passaggio in cui il sistema elabora un output da quegli input, che può avvenire mentre un modello viene costruito o dopo che è stato distribuito. Gli output sono le previsioni, i contenuti, le raccomandazioni o le decisioni che il sistema produce, che possono quindi influenzare un ambiente fisico o virtuale — ad esempio, la direzione di un'auto, un elenco di video consigliati o un paragrafo di testo generato.

Cosa fa una rete neurale all'interno del sistema

Il metodo di machine learning più ampiamente utilizzato oggi è la rete neurale, una struttura vagamente modellata sul cervello, costituita da livelli interconnessi di nodi che elaborano i dati insieme, secondo IBM. A differenza di un programma tradizionale, a una rete neurale non viene detto in anticipo la regola che collega l'input all'output; invece, le vengono mostrate molte coppie di input e output e si adatta se stessa, attraverso l'esposizione ripetuta, per scoprire cosa le collega.

L'apprendimento profondo si riferisce a reti neurali con molti livelli — tipicamente un livello di input, almeno tre (e spesso centinaia di) livelli nascosti e un livello di output, secondo il spiegatore di IBM. In un sistema di riconoscimento delle immagini, i livelli iniziali tendono a rispondere a caratteristiche semplici come bordi o colori, mentre i livelli più profondi li combinano in forme e, eventualmente, in oggetti riconoscibili. Questa struttura a strati consente ai sistemi di estrarre automaticamente caratteristiche rilevanti da dati non etichettati, che è parte di ciò che rende possibili gli attuali strumenti di IA generativa.

La creazione di un grande modello di IA generativa generalmente comporta tre fasi, secondo IBM: una fase di addestramento iniziale su set di dati massicci, spesso non etichettati, che possono richiedere migliaia di processori specializzati e costare milioni di dollari; una fase di sintonizzazione in cui il modello è adattato a compiti specifici, a volte utilizzando il feedback umano; e una valutazione continua dopo la distribuzione per controllare e perfezionare i suoi output.

Perché è importante: cifre di adozione e investimento

La portata dell'IA è cresciuta rapidamente secondo diverse misure tracciate nel Report dell'Indice dell'IA 2025 dell'Istituto di IA incentrato sull'uomo di Stanford. La quota di organizzazioni che segnalano un uso qualsiasi dell'IA è salita al 78% nel 2024, rispetto al 55% l'anno precedente. L'IA generativa specificamente ha attratto 33,9 miliardi di dollari in investimento privato globale nel 2024, un aumento dell'18,7% rispetto al 2023. Negli Stati Uniti, l'investimento privato in IA ha raggiunto 109,1 miliardi di dollari nel 2024, molto superiore ai 9,3 miliardi di dollari della Cina e ai 4,5 miliardi di dollari del Regno Unito, ha detto il rapporto.

Il rapporto ha anche registrato un balzo nelle prestazioni dei benchmark dell'IA: su tre test introdotti nel 2023 per misurare sistemi avanzati — MMMU, GPQA e SWE-bench — i punteggi sono aumentati rispettivamente di 18,8, 48,9 e 67,3 punti percentuali entro un anno. In campi regolamentati, il numero di dispositivi medici abilitati all'IA autorizzati dalla Food and Drug Administration degli Stati Uniti è cresciuto da sei nel 2015 a 223 nel 2023, secondo lo stesso rapporto.

Dove sta la concorrenza

Il rapporto di Stanford ha anche tracciato quali paesi hanno prodotto i modelli di IA più notevoli nel 2024: le istituzioni con sede negli Stati Uniti ne hanno prodotti 40, rispetto a 15 dalla Cina e tre dall'Europa. Allo stesso tempo, il divario di prestazioni tra i principali modelli statunitensi e cinesi sui principali benchmark si è ridotto da cifre doppie nel 2023 a quasi parità nel 2024, ha detto il rapporto.