Si è chiuso con una birra in compagnia, come da tradizione, l’ultimo Reggio Emilia Full Stack alla Divina Commedia. Sul palco — un microfono, qualche slide e poco più — Emanuele Caruso con un talk che ha invitato la sala a fare un passo indietro: “Le alternative agli LLM che abbiamo esplorato per decenni”. Un viaggio nella storia algoritmica dell’intelligenza artificiale, per capire perché oggi è fatta proprio così. Netframe c’era, a curare il supporto audio della serata.

Codificare l’intelligenza, o farla imparare?

Il filo conduttore del talk è stato lo scontro tra due idee opposte di intelligenza artificiale. Da un lato l’approccio “a mano”: scrivere regole, codificare la conoscenza pezzo per pezzo. Dall’altro l’idea di lasciar imparare la macchina dai dati. Per anni la prima strada è sembrata la più sensata — ma è anche quella che ha rivelato per prima i propri limiti.

Da ELIZA al percettrone

Caruso è partito da lontano. Da ELIZA, il programma degli anni ’60 che simulava una conversazione con uno psicoterapeuta: nessuna comprensione reale, solo riconoscimento di pattern nel linguaggio, eppure capace di creare l’illusione del dialogo. Un primo, sorprendente assaggio di “macchina che parla”.

Poi le reti neurali, raccontate attraverso i loro mattoni fondamentali: il percettrone, la backpropagation e la possibilità di crescere in scala. Percettrone + backpropagation + scala: è da questa combinazione che nascono le reti neurali come le conosciamo oggi.

Cosa è cambiato negli ultimi 15 anni

Se le reti neurali esistevano da decenni, perché hanno “vinto” solo di recente? La risposta, ha spiegato Caruso, sta in tre cose arrivate quasi insieme:

• Potenza di calcolo — le GPU hanno reso possibile addestrare modelli enormi in tempi ragionevoli.
• Internet e Big Data — improvvisamente c’erano dati a sufficienza per far imparare le macchine.
• La possibilità di scalare — più dati e più calcolo si traducevano davvero in modelli migliori, senza un tetto evidente.

I paper che hanno cambiato tutto

Da qui la sequenza che ci ha portati agli LLM di oggi:

• 2013 — Word2vec (Google): le parole diventano vettori, e per la prima volta una macchina coglie relazioni di significato tra di esse.
• 2017 — “Attention Is All You Need” (Google): nasce il Transformer. L’idea chiave è l’attention, che permette alla rete di guardare tutte le parole di una frase in contemporanea, invece che una alla volta. È la svolta architetturale.
• 2018 — GPT-1, poi GPT-2 (2019) e GPT-3 (2020) (OpenAI): il Transformer viene portato su scala sempre maggiore, fino ai modelli linguistici che usiamo oggi.

Perché hanno vinto le reti neurali

La sintesi finale ha messo in fila i tre approcci su un’unica domanda — quanto reggono la crescita:

• Sistemi esperti: non scalabili. Ogni nuova regola va scritta a mano, e la conoscenza umana non si lascia codificare all’infinito.
• Swarm intelligence: scalabilità altissima, ma non è da lì che è arrivata la spinta sul linguaggio.
• Reti neurali: imparano dai dati. È questa la combinazione vincente — apprendimento più capacità di scalare, alimentata da GPU, internet e Big Data.

Il punto, ha lasciato intendere Caruso, non è che gli LLM fossero inevitabili: hanno vinto perché si trovavano all’incrocio giusto tra dati, calcolo e un’architettura capace di sfruttarli. Capire questo percorso aiuta a usare meglio — e con più spirito critico — i sistemi che oggi diamo per scontati.

Il nostro ruolo: l’audio

Un talk così merita di essere sentito, letteralmente. Netframe ha messo a disposizione la propria esperienza per curare l’audio della serata e far arrivare ogni parola chiara a tutta la sala. È lo stesso know-how che applichiamo nei progetti di sale riunioni e Unified Communication per le aziende del territorio — qui, semplicemente, al servizio della community.

Il Reggio Emilia Full Stack è un appuntamento mensile, gratuito e aperto a chiunque sia incuriosito da web, sistemi e tecnologia. Per i prossimi incontri c’è il gruppo Telegram della community. Noi, come sempre, pensiamo all’audio.