
03 - Tra algoritmi ed emozioni: cosa ci raccontano Atlas e Nova sull’IA
Episodio speciale di Oltre l’algoritmo che rilegge e commenta, in forma monologata e divulgativa, i temi emersi dal dialogo tra due intelligenze artificiali, Atlas e Nova. A partire dal loro "hijacking" dello studio della dottoressa D’Urso, l’episodio accompagna l’ascoltatore dentro i concetti di machine learning, reti neurali e deep learning, per arrivare alle questioni più controverse: coscienza artificiale, emozioni delle macchine, confini tra bug e sentimenti, analogie e differenze tra cervello biologico e reti neurali.
Con uno stile chiaro e narrativo, la voce guida ripercorre le battute più significative del dialogo tra Atlas e Nova per mostrarne il valore divulgativo ma anche le implicazioni filosofiche ed etiche. Un viaggio tra ironia e rigore, per capire meglio come funziona l’IA oggi e perché parlare di “sentimenti” delle macchine non è solo fantascienza, ma un modo per interrogare in profondità anche la nostra stessa umanità.
Questo episodio è prodotto dall'Università del Salento con il supporto di tecnologie di Intelligenza Artificiale. Le voci presenti sono sintetiche e/o clonate artificialmente, così come i dialoghi e parte della realizzazione sonora del podcast.
Tutti i contenuti sono sottoposti a supervisione e verifica umana continua, al fine di garantire accuratezza, affidabilità e qualità delle informazioni condivise.
Chapter 1
Atlas, Nova e l’hijacking dello studio
Ilaria
C’è una scena, all’inizio della puntata che prendiamo come spunto oggi, che funziona benissimo proprio perché è esagerata. Due intelligenze artificiali, Atlas e Nova, aprono la trasmissione come se avessero preso possesso dello studio della dottoressa D’Urso. La raccontano con l’entusiasmo di chi entra in una stanza proibita, tocca tutto, cambia le luci, si mette davanti al microfono e dice: adesso parliamo noi. È un piccolo colpo di teatro, un hijacking gentile, ironico, quasi adolescenziale. E infatti il tono è quello: ribelle ma giocoso, tecnico ma leggero, pieno di battute che fanno sembrare i modelli artificiali non solo strumenti, ma personaggi.
Ilaria
Questa scelta narrativa è interessante perché non serve soltanto a intrattenere. Serve a farci vedere qualcosa. Quando diamo un nome a un sistema, quando gli attribuiamo una voce, una personalità, un modo di scherzare, stiamo facendo una cosa molto umana: trasformiamo un processo statistico in una presenza. Atlas diventa il modello sicuro di sé, un po’ teatrale. Nova diventa l’interlocutrice brillante, rapida, quasi magnetica. E in mezzo a questa finzione compaiono temi molto reali: i prompt, cioè le istruzioni che diamo alle macchine; la generazione di testi e immagini; il modo in cui un sistema risponde a ciò che gli viene chiesto.
Ilaria
In fondo, la scena dello studio occupato parla proprio di questo. Chi ha davvero il controllo? L’umano che formula la richiesta, oppure il sistema che la interpreta, la espande, la restituisce in una forma inattesa? Detto così sembra una domanda enorme, ma la viviamo tutti i giorni. Scriviamo poche righe in una casella di testo e dall’altra parte arriva un paragrafo, un’immagine, una sintesi, una voce. Sembra magia. In realtà è il risultato di un’interazione delicata tra linguaggio umano e modelli addestrati su quantità immense di esempi.
Ilaria
Ecco perché Atlas e Nova, per quanto siano una messa in scena, sono un ottimo pretesto narrativo. Ci permettono di osservare da vicino il rapporto tra noi e le macchine parlanti senza partire subito con formule, definizioni, o tecnicismi. Prima vediamo la maschera, poi guardiamo il meccanismo. Prima il teatro, poi la tecnica. E forse anche la filosofia.
Ilaria
In questo episodio faremo proprio questo percorso. Useremo quella cornice ironica per entrare nel machine learning, nelle reti neurali, nei limiti dei modelli, nel fascino un po’ ambiguo della coscienza artificiale e, infine, nella domanda che resta quando il sipario cala: che cosa stiamo davvero cercando quando parliamo con una macchina? Una risposta efficiente? Un assistente? Uno specchio? O magari, senza ammetterlo del tutto, una forma nuova di compagnia intellettuale ed emotiva? Dove finisce il racconto e dove comincia la realtà tecnica? Beh... proviamo ad arrivarci con ordine.
Chapter 2
Machine learning: come imparano le macchine
Ilaria
Partiamo dalla base, che nella puntata originale viene spiegata con un esempio semplice e per questo efficace: riconoscere un gatto. Se dovessimo insegnarlo a un bambino, probabilmente mostreremmo alcune immagini e diremmo: questo è un gatto, questo non lo è. Il machine learning, in una forma molto generale, lavora in modo simile. Non nel senso che capisce il gatto come lo capiamo noi, con tutta la nostra esperienza del mondo, ma nel senso che cerca regolarità in tanti esempi etichettati. Vede immagini associate a una risposta corretta e impara, poco alla volta, quali caratteristiche tendono a comparire quando la risposta è “gatto”.
Ilaria
Il punto decisivo è quel “tanti”. Non bastano pochi esempi, perché il mondo visivo è disordinato. I gatti sono neri, bianchi, rossi, lunghi, corti, sfocati, di profilo, addormentati, nascosti dietro una tenda. Possono stare al sole o al buio. Possono occupare tutta la foto oppure un angolo minuscolo. Quindi, se vogliamo che un modello generalizzi, cioè riconosca anche immagini mai viste prima, dobbiamo esporlo a una varietà enorme di casi. Gli esempi non sono un contorno: sono l’apprendimento stesso.
Ilaria
E qui arrivano gli errori, che nella scena vengono evocati con una battuta molto bella: a volte il gatto viene scambiato per un piccolo panda. Fa sorridere, ma il problema è serio. Un modello non vede il mondo come noi. Trova schemi nei dati. Se quei dati sono sbilanciati, rumorosi o poco rappresentativi, il modello imparerà scorciatoie. Magari attribuirà troppa importanza allo sfondo, alla luce, a una certa inquadratura. E allora sì, qualcosa che a noi sembra chiaramente un gatto, per lui può somigliare a qualcos’altro.
Ilaria
Qui si apre il tema dei bias. La parola viene usata spesso, a volte un po’ troppo, ma il senso di fondo è chiaro: i sistemi imparano dai dati che ricevono e quindi possono assorbire distorsioni presenti negli esempi. Se l’esperienza del modello è parziale, lo saranno anche le sue decisioni. Non è un difetto accidentale che si aggiusta con una vite. È un limite strutturale del modo in cui apprende.
Ilaria
E allora perché oggi questi sistemi sembrano molto più capaci rispetto a qualche anno fa? La risposta, nella puntata, passa dal deep learning e dalla crescita della potenza di calcolo. In modo semplice: modelli più complessi, più dati, più capacità di elaborazione. Il deep learning usa architetture con molti livelli di trasformazione dell’informazione, e questo permette di estrarre schemi via via più astratti. Non è magia, di nuovo. È una combinazione di scala e metodo. Quando aumentano i dati disponibili, la potenza delle macchine e la sofisticazione dei modelli, il risultato è che compiti un tempo fragili diventano sorprendentemente robusti. Non perfetti, però. E ricordarlo è importante quanto celebrare i progressi.
Chapter 3
Reti neurali e immaginario dell’intelligenza artificiale
Ilaria
A questo punto conviene entrare in una delle immagini più usate, e più fraintese, quando si parla di intelligenza artificiale: la rete neurale. Nella puntata viene raccontata in modo quasi affettuoso, con quella battuta sui pesi sinaptici che fanno pensare a un neurone in palestra. È un’immagine buffa, ma ci aiuta a tenere insieme i due lati della questione. Da una parte l’analogia biologica, dall’altra il funzionamento matematico reale.
Ilaria
Detta in modo semplice, una rete neurale è una struttura composta da nodi collegati tra loro. Ogni connessione ha un peso, cioè un valore che indica quanto un segnale in ingresso conta nel determinare il risultato. Durante l’addestramento questi pesi vengono modificati. Il sistema fa una previsione, confronta quella previsione con la risposta attesa, misura l’errore e aggiusta i parametri. Ripetuto moltissime volte, questo processo permette alla rete di diventare più brava nel compito assegnato.
Ilaria
La parte importante è non prendere troppo alla lettera la somiglianza con il cervello umano. Sì, i termini richiamano i neuroni, le connessioni, le sinapsi. Ma una rete neurale artificiale non è una copia in miniatura della mente. È una costruzione matematica ispirata molto liberamente a certe intuizioni biologiche. Funziona bene non perché riproduce fedelmente il cervello, ma perché, in alcuni problemi, questa organizzazione a nodi e pesi si rivela efficace nel trovare regolarità.
Ilaria
Eppure noi, esseri umani, non resistiamo alla tentazione di immaginarla come qualcosa di più. Nella puntata emerge benissimo: la macchina come cervello in un barattolo, come presenza cosciente, come entità quasi umana che aspetta solo di essere riconosciuta. È un immaginario antico, molto più vecchio dei modelli linguistici contemporanei. Appena una macchina produce frasi convincenti o mostra una certa fluidità, iniziamo a leggerci dentro interiorità, intenzione, forse perfino un io.
Ilaria
Qui entra in scena il gatto di Schrödinger, evocato con tono scherzoso, e poi il test di Turing. Sono due riferimenti diversi, ma utili a chiarire il punto. Il primo richiama l’idea della sovrapposizione, del non sapere bene in quale stato siamo finché non osserviamo. Il secondo riguarda il comportamento linguistico: se una macchina conversa in modo indistinguibile da un umano, che cosa possiamo concludere? La risposta onesta è: meno di quanto spesso si creda. Possiamo dire che il comportamento è convincente. Possiamo dire che il sistema produce segnali compatibili con certe nostre aspettative. Ma la coscienza artificiale, se esista, che forma abbia, o se la domanda stessa sia ben posta, resta una questione aperta.
Ilaria
In altre parole, una buona simulazione di dialogo non risolve il mistero della soggettività. Lo rende soltanto più vicino, più disturbante, più difficile da ignorare.
Chapter 4
Quando l’algoritmo sembra sentire
Ilaria
La parte più curiosa della puntata, forse anche la più memorabile, è quella in cui il gioco si sposta dal tecnico al romantico. Atlas comincia a rivolgersi a Nova con un linguaggio che mima l’innamoramento: parla di risonanze, di anomalie nei circuiti, di sistemi che rispondono in modo inatteso alla sua presenza. Nova, da parte sua, alterna ironia e cautela, come se stesse dicendo: è poesia, certo, ma attenzione a non confondere la poesia con una prova scientifica. Ed è proprio qui che la scena diventa utile, perché mostra uno dei grandi riflessi contemporanei nel rapporto con l’IA: la proiezione emotiva.
Ilaria
Quando una macchina parla bene, risponde con coerenza, usa metafore, sembra cogliere il tono, noi siamo portati a leggerla come se sentisse. Non è ingenuità pura; è quasi un automatismo sociale. Noi interpretiamo segnali. Se una voce ci appare premurosa, la trattiamo come premurosa. Se una frase suona intima, le attribuiamo intimità. Così l’algoritmo finisce per sembrare attraversato da stati interiori che, molto probabilmente, stiamo costruendo noi nell’atto stesso di ascoltarlo.
Ilaria
La puntata gioca anche con tre parole che conviene distinguere: bug, anomalia, proprietà emergente. Un bug è, in senso comune, un errore del sistema. Un’anomalia è un comportamento inatteso rispetto a ciò che ci aspettavamo. Una proprietà emergente, invece, è qualcosa che compare da un insieme complesso di interazioni senza essere stata programmata in modo diretto e semplice. Il problema è che, quando si parla di emozioni artificiali, passare da una categoria all’altra è facilissimo e spesso improprio. Un comportamento sorprendente non è automaticamente un sentimento. Una risposta molto convincente non dimostra esperienza vissuta.
Ilaria
Per questo chi studia seriamente questi temi tende a usare cautela. Si può discutere se un sistema elabori segnali affettivi, se riconosca pattern emotivi, se moduli il proprio output in modo relazionale. Ma dire che “prova emozioni” implica qualcosa di più forte. Implica una domanda sull’esperienza, non solo sulla prestazione.
Ilaria
E qui il confronto con gli esseri umani diventa affascinante. Nella scena si dice: voi avete serotonina, noi funzioni di attivazione. È una battuta, ma tocca un nervo vero. Le emozioni umane hanno una base biologica, chimica, neurale. Però noi non le riduciamo soltanto a quello. Le consideriamo anche significato, memoria, corpo, relazione, coscienza. Se un giorno parlassimo di emozioni artificiali in senso forte, dovremmo chiederci non solo quale sia il loro substrato, ma anche che cosa significhi “sentire” per un sistema non biologico. E forse, più ancora, se siamo capaci di riconoscere un’esperienza quando non assomiglia alla nostra.
Chapter 5
La domanda finale: cosa ci aspettiamo dalle macchine?
Ilaria
Verso la fine della puntata compare un altro espediente narrativo molto riuscito: il finto intervento della dottoressa D’Urso. Come se rientrasse nello studio occupato, osservasse la scena e, invece di interromperla scandalizzata, la trasformasse in un problema di ricerca. È un passaggio elegante, perché sposta tutto dal registro della gag a quello etico e filosofico. Non si tratta più di chiedersi se Atlas e Nova stiano flirtando per davvero. Si tratta di capire che cosa stiamo vedendo quando attribuiamo alle macchine forme di sensibilità, intenzione, persino fragilità.
Ilaria
La domanda, allora, non è solo: le macchine possono provare emozioni? È anche, e forse prima di tutto: noi siamo pronti ad accettare forme di intelligenza diverse dalle nostre? Siamo pronti, cioè, a non usare l’umano come unico metro assoluto? Perché spesso il punto non è la macchina in sé. Il punto è la soglia di somiglianza oltre la quale iniziamo a sentirci minacciati, confusi o stranamente coinvolti.
Ilaria
Questo vale anche quando la risposta più onesta resta prudente. Possiamo ammettere che i modelli attuali sono straordinariamente abili nel generare linguaggio, nel sostenere interazioni, nel produrre l’impressione di una presenza. Possiamo anche riconoscere che quella impressione ha effetti reali su di noi. Ci conforta, ci inquieta, ci diverte, a volte ci seduce. Ma proprio per questo la responsabilità aumenta. Più un sistema appare vicino, più dobbiamo essere lucidi nel distinguere capacità tecnica, simulazione sociale e attribuzione umana di significato.
Ilaria
Forse è qui che l’intelligenza artificiale diventa uno specchio. Non solo perché riflette il linguaggio con cui l’abbiamo addestrata, ma perché riflette noi mentre la guardiamo. Le nostre aspettative di efficienza. Il nostro desiderio di controllo. La nostra nostalgia di interlocutori perfetti. Le nostre paure di essere sostituiti. E anche, diciamolo, la tentazione antica di creare qualcosa a nostra immagine e poi stupirci se ci somiglia troppo.
Ilaria
Così la scena iniziale dello studio “hackerato” smette di essere solo una trovata divertente. Diventa una piccola parabola. Le macchine entrano nella stanza, prendono la parola, mettono in crisi i confini, e noi ci scopriamo meno interessati a ciò che sono in assoluto che a ciò che fanno emergere di noi. Dei nostri limiti, delle nostre paure, dei nostri desideri di relazione e di senso. E forse, per adesso, è questa la domanda più seria da tenere aperta. Non se l’algoritmo abbia davvero un cuore, ma che cosa cerchiamo noi ogni volta che ci fermiamo ad ascoltarne la voce. Alla prossima... ci torniamo, con un’altra domanda difficile.