> ## Content Index
> Fetch the complete content index at: https://ai-in-fvg.ghost.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# Il gatto con la pelle d'elefante
- URL: https://ai-in-fvg.ghost.io/il-gatto-con-la-pelle-delefante/
- Published: 2026-10-29T18:32:07.000Z
- Updated: 2026-10-29T18:47:29.000Z
- Description: Intervista a Fabiola Ricci, dottoranda alla SISSA, su come le reti neurali imparano a riconoscere le immagini e quali indizi utilizzano.
- Author: Chiara Meriani
- Tags: AI & Scienza, Approfondimenti, Interviste

**Intervista a Fabiola Ricci, dottoranda in Theoretical and Scientific Data Science alla SISSA di Trieste, nel gruppo Theory of Neural Networks diretto da Sebastian Goldt.**

![](https://storage.ghost.io/c/46/70/467017c5-54b8-4e09-98d0-13e7209e14af/content/images/2026/10/Foto-Fabiola-Ricci-1.png)

****Fabiola Ricci**, dottoranda in Data Science alla SISSA di Trieste, nel gruppo **Theory of Neural Networks*. **Foto gentilmente concessa da Fabiola Ricci, ottimizzata digitalmente.*

Quando incontro Fabiola Ricci alla Scuola Internazionale Superiore di Studi Avanzati (SISSA), ha la valigia pronta. Mancano poche ore alla partenza per l’Austria: la aspetta un periodo di ricerca all’*Institute of Science and Technology* Austria (ISTA), nell’area di Vienna, nel gruppo di Marco Mondelli. Vi resterà fino alla fine di gennaio 2027\. Prima di partire, però, trova il tempo per rispondere ad una mia domanda: quando una rete neurale impara da un’immagine, quali informazioni utilizza per prime?

Per spiegarlo, Fabiola inizia da un’immagine piuttosto bizzarra. Immaginiamo un gatto che abbia la pelle di un elefante. Le orecchie sono quelle di un gatto, così come la sagoma del corpo: ma la pelle è quella dell'elefante. Al nostro sguardo umano, appare chiaramente un gatto, magari "elefantizzato", ma pur sempre un gatto. Alcune reti neurali addestrate a classificare immagini, invece, potrebbero classificare quell'immagine bizzarra come "elefante". La macchina quindi sembra attribuire più importanza alla trama della superficie che alla forma dell’animale. Per noi è un piccolo paradosso; per chi studia l’intelligenza artificiale, una pista da seguire.

![](https://storage.ghost.io/c/46/70/467017c5-54b8-4e09-98d0-13e7209e14af/content/images/2026/10/Ricci_Figura_1_uccello_serpente--1-.png)

****Ampiezza e fase nella rappresentazione delle immagini.** A sinistra, le fotografie originali di un uccello e di un serpente; a destra, le immagini ottenute combinando l’ampiezza dell’una con la fase dell’altra. (Il risultato conserva soprattutto la forma dell’animale da cui proviene la fase). **Fonte: Ricci, Merger e Goldt,* [**A Fourier perspective on the learning dynamics of neural networks*](https://proceedings.mlr.press/v306/ricci26a.html?ref=ai-in-fvg.ghost.io)**, ICML 2026, PMLR 306, Figura 1 (particolare). Articolo pubblicato con licenza* [**CC BY 4.0*](https://creativecommons.org/licenses/by/4.0/?ref=ai-in-fvg.ghost.io)**; fotografie originali provenienti da ImageNet.*

Il contrasto tra forma e texture era già stato studiato, tra gli altri, da Robert Geirhos e colleghi nel 2019: questi studi fanno da cornice alla domanda di ricerca di Fabiola Ricci, dottoranda alla SISSA nel gruppo *Theory of Neural Networks* guidato da Sebastian Goldt: quali informazioni presenti nei dati vengono utilizzate per prime da una rete neurale, e quali soltanto in seguito?

Dopo l’incontro con Rudy Skerk, che mi aveva accompagnata tra generalizzazione e limiti teorici dell’apprendimento, la seconda tappa di questo percorso alla SISSA ci porta ad affrontare un'altra questione: come procede l'apprendimento, quando una rete neurale viene effettivamente addestrata. E perché, a volte, ciò che a noi sembra l’informazione decisiva non è la prima che un algoritmo riesce a sfruttare.

### Dalla matematica alle domande sull’AI

Fabiola arriva alla ricerca sulle reti neurali attraverso la matematica, studiata prima alla triennale e poi alla magistrale all’Università di Parma. La scelta della SISSA è maturata anche per il carattere interdisciplinare del percorso in *data science.* Il suo approccio è quindi matematico e probabilistico. Le reti possono essere progettate per svolgere nuovi compiti; Ricci, indaga, in particolare, l’influenza della struttura dei dati di addestramento: non solo quanti e quali esempi mostriamo alla macchina, ma quali regolarità statistiche contengono e come queste modificano il percorso verso una risposta.

Il *paper* in cui vengono descritti questi studi, porta le firme della Ricci, di Claudia Merger e del professor Sebastian Goldt: *"A Fourier perspective on the learning dynamics of neural networks: from sample complexities to mechanistic insights"*, presentato a ICML 2026 e pubblicato nei relativi atti. Il titolo, per i non addetti ai lavori, appare quasi incomprensibile. Provo a tradurlo in parole più semplici, aiutata dalle spiegazioni di Fabiola: **«**Come imparano le reti neurali, osservate attraverso la matematica di Fourier: dalla quantità di dati necessari per apprendere alla comprensione dei meccanismi dell'apprendimento**»**. 

Ma chi era Fourier, e che cosa c'entra con l'intelligenza artificiale?

Joseph Fourier era un matematico e fisico francese vissuto tra il Settecento e l'Ottocento. Sviluppò strumenti matematici che permettono di scomporre fenomeni complessi in componenti più semplici, come accade quando analizziamo un suono distinguendone le diverse frequenze.

Lo stesso principio può essere applicato alle immagini digitali. Attraverso la **trasformata di Fourier**, una fotografia può essere rappresentata non soltanto come un insieme di pixel, ma anche attraverso componenti che descrivono le variazioni di luminosità nello spazio. Ciascuna di queste componenti possiede due proprietà: **l'ampiezza**, che ne indica l'intensità, e **la fase**, che contribuisce a determinare come le componenti si combinano, dando forma anche a bordi e contorni.

È proprio questa diversa rappresentazione delle immagini che permette ai ricercatori di indagare una domanda fondamentale: quali informazioni utilizza per prime una rete neurale quando impara a riconoscere qualcosa, quali apprende successivamente e perché?

### Facile per chi?

Nel *paper* compare un’espressione inglese, *simplicity bias.* Possiamo tradurla come una tendenza, osservata in determinate condizioni, ad apprendere per prime regolarità statistiche relativamente semplici, lasciando a una fase successiva caratteristiche più complesse. È un’idea seducente: sembra quasi il modo in cui uno studente affronta un nuovo argomento. Ma la somiglianza va maneggiata con cura.

Ricci insiste su un punto fondamentale: «semplice» per una rete neurale non significa necessariamente «semplice» per un essere umano. Come abbiamo già accennato, noi riconosciamo con facilità la sagoma di un gatto; un algoritmo può invece ricavare indicazioni innanzitutto dalla distribuzione dei valori numerici che rappresentano l’immagine: non sta necessariamente "osservando" gli stessi indizi che considereremmo importanti noi.

Per orientarsi, partiamo da due nozioni familiari. La **media** sintetizza un insieme di numeri; la **varianza** dice quanto i valori si discostano dalla media. Si possono poi studiare relazioni sempre più articolate tra le misure: per esempio, quanto variano insieme due pixel e quali configurazioni coinvolgono più elementi contemporaneamente. Nel linguaggio della statistica si parla, tra l’altro, di correlazioni e statistiche di ordine superiore. La distinzione non coincide perfettamente con quella tra dettagli grandi e piccoli, né tra centro e contorno di una fotografia. È una distinzione matematica: quanto è complessa la relazione che vogliamo estrarre dai dati?

Ed eccoci di nuovo al nostro gatto dalla pelle d’elefante. In certi modelli, le *texture* offrono indizi molto accessibili, mentre riconoscere la forma complessiva richiede informazioni di altro tipo. La rete non sta necessariamente «sbagliando» nel senso comune del termine: in quell’immagine costruita apposta per mettere in conflitto due indizi, la risposta dipende da quale caratteristica viene privilegiata. È il modo in cui la rete arriva alla classificazione che interessa ai ricercatori.

### Un’immagine tradotta in due linguaggi

Come abbiamo visto, per studiare il modo in cui le reti neurali apprendono, Ricci e colleghi utilizzano uno strumento matematico che risale a molto prima dell’intelligenza artificiale: la *trasformata di Fourier*.

Partiamo da una fotografia digitale. Noi vediamo un’immagine, ma per il computer è un insieme di numeri, che descrivono i colori e la luminosità di ogni pixel. La trasformata di Fourier permette di rappresentare quella stessa immagine in un modo completamente diverso.

Immaginiamo di scomporla: ogni componente dell'immagine possiede due proprietà matematiche: l’**ampiezza** e la **fase**. L’ampiezza ci dice quanto è presente, o quanto è marcato, quel particolare motivo nell’immagine; la fase, invece, ci dice come quel motivo è posizionato rispetto agli altri. È un po’ come avere tanti fogli trasparenti con disegnate delle strisce: non conta soltanto quanto siano visibili, ma anche come li sovrapponiamo. Spostandoli, l’immagine complessiva cambia. Ecco perché la fase è così importante: il modo in cui le diverse componenti si combinano contribuisce a ricostruire la posizione dei bordi, i contorni degli oggetti e la loro forma.

Ampiezza e fase non sono dunque due parti separate della fotografia, ma due tipi di informazioni che, insieme, permettono di ricostruirla. Ed ecco il cuore di questo studio: i ricercatori possono modificare ampiezze e fasi e osservare come cambia la risposta di una rete già addestrata. Invece di limitarsi a chiedere «ha indovinato?», cercano di capire a quali informazioni si è appoggiata per trovare la risposta. 

### Cotone, pizzo e immagini scambiate

Nello studio, Fabiola ha utilizzato anche un altro tipo di immagini: quelle di pizzo e cotone. Inizialmente la rete è stata addestrata con esempi etichettati; poi, il test: si interroga la rete utilizzando immagini manipolate matematicamente, nelle quali alcune proprietà sono del cotone, ma altre tipiche dei pizzi: una stoffa che ...non esiste, ma che i dati numerici sanno rappresentare.

Si può, per esempio, usare l’ampiezza ricavata da un’immagine del cotone, e la fase di un pizzo. Ne esce uno stimolo volutamente insolito, un'immagine artificiale che combina le proprietà delle due stoffe. Osservando come la classificazione si modifica in seguito a questi "scambi", e ripetendo la prova in diversi momenti dell’addestramento, i ricercatori ricavano indicazioni su quali caratteristiche il modello utilizza. Nei compiti studiati, la rete tende inizialmente ad affidarsi alle informazioni di ampiezza, legate a correlazioni relativamente semplici tra pixel; solo più avanti riesce a sfruttare anche quelle di fase, che possono codificare strutture più complesse.

Il risultato non significa che una rete neurale «veda» le ampiezze prima delle fasi nel modo in cui noi volgiamo lo sguardo da un punto all’altro. Significa che, misurando risposte ed errori, possiamo osservare una successione nel tipo di informazioni statistiche effettivamente sfruttate dalla rete per poter giungere ad una classificazione.

Per certi versi, è un modo elegante di aprire la famosa *black box:* cambiare le proprietà dell’input, verificare l’effetto sull’output e costruire una spiegazione teorica che dovrà reggere anche ad altre prove.

### Prima si impara a camminare, poi a correre

Si potrebbe pensare che, per imparare a riconoscere un’immagine, una rete neurale possa concentrarsi subito sulle caratteristiche che permettono di distinguerla dalle altre, saltando direttamente alle informazioni necessarie per dare la risposta. Ma la ricerca di Ricci, Merger e Goldt mostra che le informazioni statistiche più semplici, pur non essendo sufficienti da sole a dare la risposta corretta, possono facilitare l’apprendimento di quelle più complesse.

Un po’ come per noi esseri umani: quando affrontiamo qualcosa di difficile, spesso ci è utile (se non necessario) partire dalle nozioni più semplici, per costruire progressivamente conoscenze più articolate. Nelle condizioni studiate dai ricercatori, anche per le reti neurali imparare a camminare rende più facile, poi, imparare a correre.

Tornando alle immagini e alla trasformata di Fourier, nel modello studiato dai ricercatori, le informazioni contenute nell’ampiezza sono relativamente facili da apprendere, ma non sono sufficienti per classificare correttamente le immagini. Per riuscirci, la rete deve imparare a utilizzare anche le informazioni più complesse, legate alla fase: ma è proprio partendo da quelle semplici che diventa molto più rapido arrivare a quelle complesse! Gli indizi più semplici aiutano la rete a **orientarsi** tra i dati, facilitando la ricerca di quelli davvero decisivi: naturalmente, la macchina non sceglie consapevolmente dove guardare; è la struttura matematica dei dati a rendere più efficiente questo metodo di apprendimento.

I ricercatori hanno studiato questo fenomeno attraverso un modello matematico semplificato, verificando poi alcuni risultati anche con reti neurali più complesse e immagini più realistiche. Il loro lavoro suggerisce qualcosa di importante: per capire come una rete neurale apprende, non basta sapere quanti dati riceve. Bisogna anche conoscere come quei dati sono strutturati e in che modo le loro caratteristiche, anche quelle apparentemente meno utili, possono facilitare l’apprendimento.

Ricci insiste inoltre sul fatto che i modelli matematici debbano semplificare la realtà senza cancellare il fenomeno che vogliono spiegare: nel loro studio, ad esempio, la parte complessa è la struttura dei dati; altre componenti vengono mantenute più semplici per rendere possibile l’analisi. Poi occorre chiedersi se quel comportamento resista anche quando la rete, i dati e il compito diventano meno idealizzati e più vicini a quelli reali.

### Quanti dati servono? E quando conviene fermarsi?

Alla domanda su quando una rete abbia imparato abbastanza, Ricci torna a distinguere l’addestramento dall’utilizzo del modello. Durante l’addestramento si scelgono dati, durata e risorse. Usarne troppo pochi può impedire di apprendere informazioni utili; ripetere troppo a lungo gli stessi esempi può, in alcune condizioni, favorire l’ *overfitting*: il modello diventa molto accurato su ciò che conosce, ma meno affidabile su casi nuovi.

C’è poi una differenza metodologica interessante rispetto alla ricerca di Rudy Skerk: il suo studio considera le prestazioni ottimali raggiungibili in un quadro teorico preciso; quello di Ricci si concentra sulle dinamiche di apprendimento di algoritmi di addestramento e sul ruolo delle proprietà statistiche dei dati. Due modi complementari di affrontare il problema. Sapere che un’informazione è presente nei dati non equivale a sapere se, e quando, un algoritmo riuscirà effettivamente a utilizzarla.

Ricci vede qui anche una prospettiva pratica: capire perché una rete neurale impara in modo più efficiente potrebbe aiutare, in futuro, a progettare sistemi che richiedano meno esempi o meno lavoro computazionale: il che potrebbe significare non solo meno tempo, ma anche meno consumo di energia.

### Fidarsi, ma di che cosa?

Il discorso, inevitabilmente, si sposta dalla ricerca alla società. Ricci guarda con scetticismo alle promesse di strumenti universali capaci di fare tutto al nostro posto. È una valutazione personale, che nasce dalla stessa attenzione scientifica ai limiti delle affermazioni. Per il lavoro scientifico, Fabiola immagina un aiuto più circoscritto: strumenti capaci di offrire riscontri su ipotesi e ragionamenti, utili soprattutto a chi possiede già le competenze per riconoscerne gli errori. Un’assistenza al lavoro di ricerca, non una sostituzione dell’esperienza e del confronto con supervisori e colleghi.

Mi colpisce infine un’altra convinzione: studiare intelligenza artificiale significa poter mettere in dialogo matematica, filosofia, comunicazione e responsabilità sociale. La chiave non è la figura solitaria del genio davanti al computer, osserva Ricci: la scienza è e deve restare un lavoro collettivo, fatto di idee discusse, ipotesi confutate e competenze che si completano. Di fiducia tra pari, e nella scienza stessa. E a proposito di fiducia, Fabiola insiste su un principio che attraversa tutta la nostra conversazione: la verificabilità. Anche chi conosce questi strumenti può essere portato a fidarsi troppo delle loro risposte, soprattutto quando cerca conferme alle proprie ipotesi. Per questo è importante poter controllare ciò che producono.

Comprenderne meglio il funzionamento, anche senza riuscire a spiegare ogni singolo passaggio, può aiutarci a capire in quali circostanze possiamo fidarci e in quali, invece, dobbiamo essere più prudenti.

Fabiola ed io ci salutiamo con una domanda, che resta aperta: in un settore in cui l'innovazione procede spesso più velocemente della nostra capacità di spiegarla, quali prove dovremmo pretendere prima di affidarci a un sistema?

## Fonti e note editoriali

Intervista realizzata da Chiara Meriani con Fabiola Ricci alla SISSA, 6 ottobre 2026.

F. Ricci, C. Merger e S. Goldt, [*«A Fourier perspective on the learning dynamics of neural networks: from sample complexities to mechanistic insights»*](https://proceedings.mlr.press/v306/ricci26a.html?ref=ai-in-fvg.ghost.io), in *Proceedings of Machine Learning Research*, vol. 306, 2026, pp. 105083–105121.

R. Geirhos et al., [*«ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness»*](https://arxiv.org/abs/1811.12231?ref=ai-in-fvg.ghost.io), presentato alla conferenza *«International Conference on Learning Representations»* (ICLR), 2019.

Profilo di Fabiola Ricci, [gruppo Theory and Scientific Data Science della SISSA](https://datascience.sissa.it/people?ref=ai-in-fvg.ghost.io).

Aggiornamento sul soggiorno all’ISTA: comunicazione personale di Fabiola Ricci a Chiara Meriani, 16 ottobre 2026.

© Chiara Meriani, 2026