> ## 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. # L’intelligenza artificiale funziona. Ma sappiamo come? - URL: https://ai-in-fvg.ghost.io/lintelligenza-artificiale-funziona-ma-sappiamo-come/ - Published: 2026-08-04T11:48:10.000Z - Updated: 2026-08-04T14:30:34.000Z - Author: Chiara Meriani - Tags: AI & Scienza, Approfondimenti ### Dall’ICTP di Trieste, una mappa delle domande su cui lavora una nuova generazione di ricercatori. Per quattro giorni, nella Budinich Lecture Hall dell’ICTP, sulla Costiera triestina, si è parlato di intelligenza artificiale: sullo schermo scorrevano grafici, equazioni, paesaggi attraversati da curve irregolari. Fuori dalle finestre e durante le pause sulla terrazza del Leonardo Building, il Golfo di Trieste. Dal 20 al 23 luglio, la settima edizione di ***Youth in High-Dimensions: Recent Progress in Machine Learning, High-Dimensional Statistics and Inference*** ha riunito giovani matematici, fisici, informatici e studiosi di statistica provenienti da alcuni dei maggiori centri di ricerca internazionali. Il programma comprendeva 31 tra relazioni principali e interventi brevi, una sessione poster e, nell’ultima giornata, la cerimonia del premio ICTP-IBM dedicato all’AI. Nel programma comparivano Princeton, Harvard, MIT, Berkeley, Yale e New York University; Cambridge, ETH di Zurigo, EPFL e ISTA; l’École normale supérieure, l’Università di Bologna, la Bocconi, la SISSA e naturalmente l’ICTP. Ma anche l’African Institute for Mathematical Sciences del Rwanda, l’Università di Niš in Serbia, Apple e il Flatiron Institute (spero di non aver dimenticato nessuno!) Una geografia che dice molto sulla ricerca contemporanea: internazionale e sempre meno confinata entro il perimetro di una singola disciplina. Il titolo dell’incontro parla di “alte dimensioni”: spazi matematici con un numero enorme di variabili. Un’immagine digitale contiene migliaia o milioni di valori; una rete neurale può avere miliardi di parametri; i dati biologici, linguistici o climatici formano territori troppo vasti perché possano essere osservati con l’intuizione costruita nel nostro abituale mondo a tre dimensioni. È qui che si incontrano problemi apparentemente lontani: analizzare reti neurali profonde, ricostruire segnali disturbati dal rumore o utilizzare il machine learning per la scoperta scientifica: le domande e gli strumenti matematici per affrontare questi problemi, cominciano a convergere. ### La macchina corre, la teoria la insegue Una delle domande che sembrava attraversare molte delle relazioni può essere così riassunta: perché le reti neurali profonde, comprese quelle alla base dei grandi modelli linguistici, funzionano così bene? I sistemi contemporanei riconoscono immagini, producono testi, traducono lingue e individuano strutture nascoste in enormi quantità di dati: hanno superato confini che fino a pochi mesi fa sembravano lontani. Eppure non possediamo ancora una teoria generale capace di spiegare pienamente perché apprendano, che cosa accada durante l’addestramento e per quale ragione riescano a comportarsi così bene davanti a esempi o richieste mai incontrate prima. Romain Cosson, ricercatore della New York University che studia algoritmi, durante un’intervista\* mi ha proposto un’analogia illuminante: all’inizio della Rivoluzione industriale, le macchine a vapore trasformavano già il calore in movimento, ma mancava una teoria che spiegasse davvero quel passaggio. La termodinamica è arrivata dopo. Oggi, suggerisce Cosson, potremmo trovarci in una situazione simile: abbiamo costruito motori cognitivi sorprendenti, mentre la scienza cerca ancora il linguaggio con cui descriverne il funzionamento. ### Imparare sul bordo dell’instabilità Una delle immagini più evocative emerse dalle giornate è invece frutto di una interessante chiacchierata con Pierfrancesco Beneventano, matematico italiano e postdoctoral researcher al MIT: riguarda il modo in cui viene addestrata una rete neurale. L’apprendimento potrebbe essere immaginato come una discesa: il sistema si trova su una montagna, dove l’errore è alto, e cerca il percorso che conduce verso il fondovalle, dove l’errore diminuisce, fino ad arrivare (idealmente o realmente?) al livello del mare: zero errori. È l’idea alla base della *gradient descent*, o discesa del gradiente\*: una discesa idealmente progressiva - graduale - verso una configurazione in cui la rete commette meno errori. Il comportamento delle grandi reti neurali, però, è meno ordinato. Non sempre l’errore diminuisce a ogni passo: il sistema può oscillare, procedere quasi in piano, avvicinarsi a una zona instabile e poi riprendere a imparare. È il cosiddetto *Edge of Stability*: il margine della stabilità. ### Memoria, ragionamento e rappresentazioni interne Un secondo grande gruppo di studi cerca di capire che cosa avvenga dentro i modelli quando ricordano un’informazione o costruiscono una risposta. Come viene conservato un fatto? Che cosa cambia durante il *pretraining*? Due reti capaci di svolgere lo stesso compito organizzano internamente le informazioni nello stesso modo? Una *chain of thought*, la sequenza testuale con cui un modello espone i passaggi di una soluzione, corrisponde davvero al suo processo interno oppure ne costituisce soltanto una rappresentazione plausibile? Durante l’evento, Eshaan Nichani di Princeton e Alessio Giorlandino della SISSA hanno affrontato il tema della memoria associativa e del richiamo dei fatti. Sam Buchanan di Berkeley ha presentato i Transformer come processi di ottimizzazione “srotolati”; Clementine Domine dell’ISTA ha studiato il modo in cui il *pretraining* modifica ciò che un modello è predisposto a imparare successivamente. Altri lavori hanno esplorato le rappresentazioni delle texture nei Vision Transformer, la geometria interna dei modelli vocali e perfino le transizioni improvvise che un cambiamento del prompt può produrre nella distribuzione delle risposte di un LLM. Questioni difficili da comprendere per una mente "non matematica"! Il punto comune però l'ho colto, ed è cruciale: ottenere la risposta corretta non significa necessariamente essere arrivati alla risposta nel modo giusto. Un sistema può indovinare una soluzione matematica e costruire una dimostrazione sbagliata! Può quindi associare correttamente due informazioni senza conoscere la relazione causale che le unisce: capire questa differenza è essenziale se vogliamo affidare ai modelli compiti scientifici, medici o decisionali. ### Non soltanto modelli sempre più grandi Un’altra direzione emersa mette in discussione l’idea che il futuro dell’AI debba coincidere necessariamente con macchine sempre più vaste e centralizzate: Anastasia Koloskova ha presentato ricerche sull’apprendimento distribuito e federato, nel quale dati e calcolo possono rimanere separati; Jean Barbier dell’ICTP ha studiato forme di apprendimento collettivo fra sistemi semplici che interagiscono; Eiman Kanjo ha concluso le giornate parlando di modelli piccoli, specializzati, collaborativi e utilizzabili anche su dispositivi fisici. La prospettiva è far collaborare molte intelligenze più piccole, conservando i dati localmente, consumando meno risorse e adattandosi a compiti precisi. ### Dalla previsione alla scoperta La cerimonia conclusiva ha aperto infine una finestra sull’*AI for science*: Michael Skinnider, giovane medico e ricercatore di Princeton, ha ricevuto il premio ICTP-IBM per il lavoro con cui utilizza l’intelligenza artificiale nell’esplorare il “metaboloma”: l’universo ancora in gran parte sconosciuto dei metaboliti, “piccolissime molecole” presenti negli organismi viventi. Ho avuto il piacere di intervistare anche il prof. Skinnider (divulgazione dell’intervista\* a breve!): qui accenniamo solo a quello che mi è sembrato essere il punto focale del suo lavoro. L’AI non serve soltanto a classificare ciò che già conosciamo, ma può suggerire l’esistenza di molecole ancora a noi sconosciute nonché proporre ipotesi per realizzarne di sintetiche, con strutture che gli scienziati non avevano ancora nemmeno immaginato! Le previsioni così ottenute sono soltanto il primo passo: per diventare “scoperte” devono poi passare attraverso il laboratorio. Forse è questa la direzione complessiva che emerge da *Youth in High-Dimensions*: i confini della ricerca si allargano ogni giorno e a “dimensioni sempre più ampie” si devono affiancare studi e ricerche sempre più profondi, interdisciplinari e pronti ad accogliere novità anche inaspettate! --- \* **Discesa del gradiente:** è un metodo matematico usato per trovare il minimo di una funzione, cioè il punto in cui il suo valore è più basso. Nell’intelligenza artificiale questo principio viene usato durante l’addestramento dei modelli: i parametri vengono modificati progressivamente per diminuire l’errore tra il risultato prodotto e quello atteso. \*L’intervista a Romain Cosson è già disponibile su LinkedIn; quelle a Pierfrancesco Beneventano e Michael Skinnider saranno pubblicate prossimamente. Tutte confluiranno anche in questo blog.