Scrivo questo articolo per via di un evento dove dovrò confrontarmi con un centinaio di adolescenti su tecnologia, intelligenza artificiale, affettività. In fondo una sintesi del progetto e la mia lettera agli studenti.
(no, non mi sento preparato)
Continua (5 min)Dove scopro che se non imparo a vedere come vede lui non posso insegnare nulla.
È stato possibile scrivere questo articolo grazie all’eccezionale collaborazione di Francesco Savanelli, il protagonista, e al contributo spontaneo di una sua collega, Barbara Veneruso.
Nel caos degli accomodamenti di una settantina di studenti, laggiù in fondo all’aula si aggira un giovane che si muove in modo differente, mi rendo conto che non vede: avrà sbagliato aula, sarà di un altro corso di laurea… Dimentico, travolto dalla quantità di cose da fare e da dire nel primo incontro del laboratorio. Ma alla fine rieccolo, accompagnato da una collega. Si presenta: è un mio studente. Non molto dopo gliel’ho detto chiaramente:
— Francesco, appena mi sono reso conto che sei un mio studente m’è preso il panico!
Continua (15 min, 30 min con i video)Scrivo questo articolo per condividere la memoria di Maria Grazia Fiore1 con tante persone che l’hanno conosciuta e si sono avvalse dei suoi insegnamenti. Lo scrivo anche perché nel corso della nostra lunga collaborazione ho imparato veramente tanto da lei e questo è un modo per ritrovare tracce che non voglio smarrire.
Continuiamo a raccontare, ovunque capiti, dalla parrocchia all’università, a quella della terza età, all’associazione scientifica. Raccontiamo non contro, come taluni equivocano, ma per capire. La questione non è essere pro/contro ma sforzarsi di comprendere. Il fatto è che informazione totale equivale a informazione zero. Il desiderio di capire e, conseguentemente, di esercitare il pensiero critico, naufraga miserabilmente nel tutto e contrario di tutto, dove prevalgono le appartenenze e quello che pare dialogo forbito si riduce in realtà a contesa tribale.
E nel cercare di comprendere ci riferiamo sempre e solo agli studi dei massimi esperti, cioè di coloro che l’intelligenza artificiale la costruiscono e sanno meglio di tutti come è fatta dentro.
Solo fatti, dimostrati fino a prova contraria. Niente fuffa.
Questo articolo fa parte di una serie di approfondimenti sull’AI — il link conduce a un indice aggiornato.
Recentemente circolano sempre più notizie sui ritorni irrisori prodotti dagli investimenti in AI, specialmente, anche se non solo, da parte delle imprese più grandi. Uno studio recente del MIT stima siano il 95% le organizzazioni che non registrano ritorni apprezzabili dagli investimenti in tecnologie AI.
Il fenomeno è sempre più evidente quindi si iniziano a cercare le cause: AI-Generated “Workslop” Is Destroying Productivity (Harvard Business Review, settembre 2025). Workslop: contenuto generato con l’AI che all’apparenza si presenta bene, ma poi si rivela privo di sostanza, quindi inutile. Si usa anche la forma verbale: you have been workslopped, ti hanno mollato un pacco, una sciatteria da AI. L’articolo ha rilevato che il 40% su un totale di 1150 impiegati in varie imprese americane lamenta di ricevere workslop. Il problema è macroscopico perché i testi sciatti perfondono il sistema comunicativo delle aziende costringendo altri colleghi a dissipare tempo prezioso nel valutare e correggere, se non riscrivere ex novo, i workslop; di conseguenza viene speso tempo improduttivo e i flussi di informazione si deteriorano. L’articolo ipotizza che la causa sia “AI slop”, sciatteria da AI.
L’AI slop affligge anche noi utenti comuni. Nella stragrande mggioranza dei casi adoperiamo le chat senza un piano B: mi occorre un’informazione che non posseggo, chiedo a ChatGPT (o altro) e uso la risposta. Fine della storia. Gli utenti accorti e consapevoli sono una quantità infinitesima. Inutile girarci attorno. Il problema affligge anche scolari e studenti: ChatGPT vola quando i ragazzi tornano a scuola1. O pensiamo che loro sì, usino l’AI in modo consapevole, attuando verifiche e controlli del caso? O confidiamo che gli insegnanti, che poi sono alcuni di noi, abbiano competenze e strumenti per affrontare un problema del genere?
Ma se la sciatteria è il problema, come valutarne gli effetti? Ebbene, recentemente è uscito un articolo che affronta rigorosamente la questione in un contesto ben definito. Il lavoro è stato proposto in questi giorni da un gruppo di ricercatori dell’Università Bocconi, delle università di Zurigo, Gothenburg, Leiden e dell’Istituto per le Scienze Sociali Leibniz2.
Continua (10 min)Questo articolo fa parte di una serie di approfondimenti sull’AI — il link conduce a un indice aggiornato.
I temi principali discussi in questa raccolta di approfondimenti sull’AI sono ora disponibili anche nel MOOC Vocabolario artificiale: dalla A alla I ospitato da Federica WebLearning.
Il MOOC è rivolto a chi ha difficoltà a racapezzarsi nella tempesta di acronimi dell’AI. Spiega in modo semplice i concetti fondamentali che sostengono i Large Language Model (LLM). Non copre tutto ciò che concerne le versioni “thinking”: chain-of-thought, varie forme di reinforced learning ecc. E non copre le altre forme di intelligenza artificiale, meno note ma non meno importanti, di cui ci occuperemo in futuro.
Si concentra solo sui concetti base perché pregi e difetti degli LLM si riverberano su tutto ciò che vi viene costruito sopra: capire i fondamenti serve a porre in una prospettiva corretta tutto il resto.
L’accesso al MOOC è gratuito.
Questo articolo fa parte di una serie di approfondimenti sull’AI — il link conduce a un indice aggiornato.
L’altro giorno mi serviva disegnare un diagramma di una semplice rete neurale. Per fare prima ho chiesto a ChatGPT, anche per provare la versione 5, comparsa il giorno prima.
Questo il prompt:
I need a diagram of a neural network composed by:
Input layer with 2 nodes
Hidden dense layer with 25 nodes
Output layer 1 nodeFare divulgazione seria su una materia così complessa come l’intelligenza artificiale è difficile. La narrativa dominante è drogata dall’appettibilità giornalistica dell’argomento. Il discorso scientifico muta in racconto fantascientifico perdendo contatto con i fondamenti su cui l’intelligenza artificiale è costruita. Essa diviene soggetto a sé stante, interlocutrice indipendente, addirittura “consapevole”. D’altronde non si può pretendere che tutti abbiano studiato algebra lineare, statistica e informatica.
Il Transformer non è certo l’unico strumento dell’AI ma ha generato l’esplorazione dei Large Language Model, dando le ali alla narrativa ebbra che si diceva. Aggiungo quindi un quarto tentativo (uno, due e tre i precedenti) per illustrarne il funzionamento, questa volta mediante una guida al Transformer Explainer, una bellissima demo sviluppata dai ricercatori del Data Science del Georgia Institute for technology.
L’invito è a giocarci per capire quanto sia difficile regolare un’architettura così complessa che per suo statuto matematico non è fatta per dire il vero ma sempre e solo il plausibile. Quasi tutto ciò che raggiunge il pubblico oggi si basa su questo mattone. Tutto quello che è seguito (“ragionamento”, chain of thought, agenti ecc.) nasconde ma non elimina le fragilità del meccanismo fondamentale. E i nodi vengono al pettine quando all’AI si chiede affidabilità o immaginazione vera, non mera interpolazione dei dati adoperati per l’addestramento. Utilissima ma non altro.
Questo articolo fa parte di una serie di approfondimenti sull’AI — il link conduce a un indice aggiornato.
L’occasione di occuparsi dell’altra AI, quella non generativa, è venuta con l’invito a contribuire a un corso di aggiornamento in medicina nucleare. La richiesta del caro amico Luigi Mansi, prof di medicina nucleare, napoletano arguto e anche parecchio burlone, era di giocare il ruolo di Grillo Parlante dell’AI generativa, quello che finisce schiacciato col martello per via delle sue irritanti verità. In effetti è andata proprio così, come è risultato dai feedback dell’evento. Buona parte del pubblico non ha gradito. Non si ama sentire ciò che non si vuole sentire, anche a fronte di eccellenti riferimenti bibliografici. Ecco le slide dell’intervento.
Continua (10 min)Questo articolo fa parte di una serie di approfondimenti sull’AI — il link conduce a un indice aggiornato.
Qualche tempo fa ho avuto il piacere di confrontarmi con 25 giovani docenti universitari sudafricani sui temi delle OER e dell’intelligenza artificiale in una settimana di formazione (26-30 maggio) che ha avuto luogo a Firenze nell’ambito del progetto europeo Ted-SOEP: Transforming STEM teacher education in South Africa through Self-Directed Open Educational Practices.
Continua (4 min)