Come funzionano le reti neurali: la tecnologia dietro ChatGPT e l'IA moderna

Le reti neurali non sono nuove — i ricercatori le studiano dalla metà del XX secolo — ma ora si trovano dietro la maggior parte dei prodotti di IA al consumo in uso quotidiano. OpenAI ha dichiarato al suo evento DevDay del 29 settembre 2026 che ChatGPT aveva raggiunto 1,2 miliardi di utenti settimanali, secondo un liveblog dell'evento di Engadget. Questo livello di adozione ha riportato una domanda tecnica di base ai vertici dei risultati di ricerca: come funziona effettivamente una rete neurale?

Il componente di base: neuroni, pesi e strati

Secondo IBM, una rete neurale è un modello di apprendimento automatico costruito a partire da semplici unità chiamate neuroni, disposte in strati, che imparano pesi e bias regolabili dai dati al fine di mappare gli input agli output. Ogni rete ha uno strato di input che contiene i dati grezzi, uno o più strati nascosti che li trasformano, e uno strato di output che produce il risultato finale, spiega IBM.

Ogni connessione tra neuroni ha un peso — un numero che, secondo IBM, funziona come una manopola che controlla la forza con cui una data caratteristica di input influenza la decisione della rete. Un valore separato chiamato bias viene aggiunto a ogni neurone in modo che possa attivarsi anche quando i suoi input sono deboli, spostando la soglia di decisione. Il Machine Learning Crash Course di Google aggiunge un terzo ingrediente necessario: le funzioni di attivazione, passaggi matematici non lineari applicati dopo la somma degli input ponderati, che permettono a una rete di rilevare modelli che una semplice formula lineare non potrebbe catturare.

Propagazione in avanti: come una rete produce una risposta

Quando a una rete neurale vengono assegnati nuovi dati, questi dati si muovono attraverso la rete in una sola direzione, dallo strato di input allo strato di output, in quello che sia IBM che il corso di Google chiamano propagazione in avanti (o forward pass). In ogni neurone, i valori in arrivo vengono moltiplicati per i loro pesi, sommati insieme al bias, e passati attraverso la funzione di attivazione prima di passare al livello successivo. IBM nota che i primi strati di una rete tendono a elaborare l'importanza dei singoli segnali, mentre i livelli successivi combinano queste informazioni in modelli di livello superiore che catturano un contesto più ampio.

Retropropagazione: come una rete impara dai suoi errori

Una rete neurale appena costruita inizia con pesi essenzialmente casuali e produce previsioni scadenti. L'allenamento è il processo di correzione. IBM descrive la retropropagazione come l'algoritmo che propaga l'errore di previsione della rete all'indietro attraverso gli strati, utilizzando la regola della catena del calcolo per calcolare quanto ogni singolo peso e bias ha contribuito all'errore complessivo. Allo stesso modo, il corso di Google identifica la retropropagazione come l'algoritmo di allenamento principale, descrivendo il suo scopo come l'aggiustamento dei pesi per ridurre, o minimizzare, la perdita di previsione della rete.

Una volta che è noto il contributo di ogni peso all'errore, un metodo di ottimizzazione chiamato discesa del gradiente spinge leggermente ogni peso nella direzione che riduce l'errore. Questo ciclo di passaggio in avanti e correzione all'indietro viene ripetuto su grandi quantità di dati di allenamento — spesso milioni o miliardi di esempi — fino a quando le previsioni della rete non diventano sufficientemente affidabili per l'uso pratico.

Diversi design di rete per diversi tipi di dati

Non tutte le reti neurali sono costruite nello stesso modo. IBM identifica tre ampie famiglie ampiamente utilizzate oggi: le reti neurali convoluzionali (CNN), progettate per dati simili a griglie come le immagini e utilizzate pesantemente nel riconoscimento visivo; le reti neurali ricorrenti (RNN), che includono cicli di retroazione adatti a dati sequenziali o serie temporali; e i transformer, l'architettura dietro la maggior parte dei modelli linguistici di grandi dimensioni di oggi, che si affidano a un meccanismo di attenzione piuttosto che a una sequenziazione rigorosa passo dopo passo.

Come questo si ridimensiona ai sistemi come ChatGPT

I grandi modelli linguistici come la famiglia GPT applicano gli stessi meccanismi principali — neuroni ponderati, strati, propagazione in avanti, retropropagazione — a una scala molto più grande, utilizzando l'architettura del trasformatore. Il documento di ricerca del 2020 di OpenAI su GPT-3, pubblicato su arXiv, affermava che il modello aveva esattamente 175 miliardi di parametri, descrivendolo come "10 volte più grande rispetto a qualsiasi precedente modello linguistico non sparse". I parametri sono il termine generale per l'insieme completo dei pesi e dei bias di una rete; più parametri generalmente consentono a un modello di catturare modelli più complessi nel linguaggio, sebbene OpenAI non abbia pubblicato cifre di parametri equivalenti per i suoi modelli più recenti.

All'interno di un trasformatore, un meccanismo chiamato auto-attenzione consente al modello di valutare quanto sia rilevante ogni altra parola in un passaggio per la parola attualmente in elaborazione, piuttosto che leggere rigorosamente da sinistra a destra. Questo design, introdotto per la prima volta nella ricerca sui trasformatori e ora standard tra i principali modelli linguistici, è ciò che consente ai sistemi come ChatGPT di tracciare il contesto in una conversazione lunga.

Perché questo è importante adesso

La matematica sottostante dei neuroni, dei pesi e della retropropagazione esiste da decenni, ma la combinazione di set di dati più grandi, più potenza di calcolo e l'architettura del trasformatore è ciò che ha trasformato le reti neurali da uno strumento di ricerca specializzato al motore dietro i prodotti al consumo utilizzati da ben più di un miliardo di persone a settimana, secondo le stesse cifre di OpenAI del settembre 2026 riportate da Engadget. Comprendere il ciclo di base di passaggio in avanti e correzione descritto da IBM e Google non richiede matematica avanzata, ma spiega perché questi sistemi hanno bisogno di vaste quantità di dati di allenamento e potenza di calcolo, e perché i loro output sono previsioni statistiche piuttosto che fatti garantiti.