Differenza tra Intelligenza Artificiale, Machine Learning, Deep Learning e LLM

Mi capita spesso di sentire "intelligenza artificiale" usato per descrivere qualsiasi cosa, da un filtro anti-spam a un chatbot che scrive poesie. E capisco perché: sono tutte etichette che si sono affacciate nel linguaggio comune quasi insieme, negli ultimi anni, ed è facile trattarle come sinonimi intercambiabili. Il problema è che non lo sono. Intelligenza Artificiale, Machine Learning, Deep Learning e Large Language Model sono quattro cose diverse, una dentro l'altra come le matrioske, e capire dove finisce una e comincia l'altra aiuta moltissimo a orientarsi quando si legge una notizia tecnologica o si valuta uno strumento nuovo.

In questo articolo provo a mettere ordine, partendo dalla storia vera di questi termini (con tanto di date e fonti verificabili, non aneddoti raccolti a orecchio) e arrivando a esempi pratici che si possono toccare con mano. È il primo di una piccola serie: negli articoli successivi entrerò nel dettaglio di come funziona davvero un LLM e di quali sono i suoi limiti reali. Ma prima serve una mappa, altrimenti si rischia di confondere il tutto con una sua parte.

Il quadro d'insieme: quattro cerchi concentrici

La maniera più utile per pensare a questi quattro termini è come a una serie di cerchi concentrici, dal più ampio al più specifico. Lo spiega bene anche IBM in una delle sue guide tecniche: "l'intelligenza artificiale è il sistema generale. Il machine learning è un sottoinsieme dell'IA. Il deep learning è un sottocampo del machine learning, e le reti neurali ne costituiscono l'infrastruttura portante" (IBM, AI vs. Machine Learning vs. Deep Learning vs. Neural Networks).

Detto in altre parole:

• Intelligenza Artificiale (AI) è l'obiettivo più ampio: costruire sistemi capaci di simulare capacità che associamo all'intelligenza umana, come il ragionamento, la percezione o la decisione.
• Machine Learning (ML) è uno dei modi per raggiungere quell'obiettivo: invece di scrivere regole esplicite a mano, si costruiscono algoritmi che imparano i pattern a partire dai dati.
• Deep Learning (DL) è un sottoinsieme del Machine Learning: usa un tipo particolare di algoritmo, le reti neurali profonde (cioè con molti strati), ispirate — in modo molto approssimativo — alla struttura del cervello.
• Large Language Model (LLM) è un'applicazione specifica del Deep Learning: reti neurali profonde, basate su un'architettura chiamata Transformer, addestrate su enormi quantità di testo per elaborare e generare linguaggio.

Non sono quindi quattro categorie parallele, ma quattro livelli di specificità crescente. Ogni LLM è un sistema di deep learning, ogni sistema di deep learning è un sistema di machine learning, ogni sistema di machine learning è un sistema di intelligenza artificiale. Il contrario non vale: non tutta l'IA è machine learning, e non tutto il machine learning è deep learning.

Vediamoli uno per uno, con un minimo di storia per ciascuno.

Intelligenza Artificiale: l'obiettivo, non il metodo

Il termine "intelligenza artificiale" ha una data di nascita sorprendentemente precisa. Fu coniato da John McCarthy nella proposta di finanziamento per un workshop di ricerca che si tenne nell'estate del 1956 al Dartmouth College, negli Stati Uniti — un evento oggi ampiamente considerato l'atto fondativo della disciplina come campo di studio autonomo (Dartmouth College). Gli organizzatori — lo stesso McCarthy insieme a Marvin Minsky, Claude Shannon e Nathaniel Rochester — partirono da una premessa piuttosto audace per l'epoca: che "ogni aspetto dell'apprendimento o qualunque altra caratteristica dell'intelligenza possa, in linea di principio, essere descritto con tale precisione da permettere a una macchina di simularlo".

Va detto che l'idea di macchine "pensanti" circolava già prima del 1956: sei anni prima, nel 1950, il matematico britannico Alan Turing aveva pubblicato sulla rivista Mind l'articolo "Computing Machinery and Intelligence", in cui proponeva quello che oggi conosciamo come "test di Turing" per stabilire se una macchina potesse mostrare un comportamento indistinguibile da quello umano (Mind, Oxford Academic). Ma è a Dartmouth che il campo prende un nome e diventa un programma di ricerca organizzato.

La definizione che ne dà oggi IBM è utile perché resta ampia apposta: "l'intelligenza artificiale è la tecnologia che permette a computer e macchine di simulare l'apprendimento umano, la comprensione, la risoluzione di problemi, il processo decisionale, la creatività e l'autonomia" (IBM, What Is Artificial Intelligence (AI)?). Questa ampiezza non è un difetto della definizione: è proprio il punto. L'IA è un obiettivo — far fare a una macchina qualcosa che associamo all'intelligenza — non un metodo specifico per raggiungerlo.

Questo significa che sotto l'ombrello "intelligenza artificiale" rientrano cose molto diverse tra loro, incluse tecniche che non hanno nulla a che fare con il machine learning. Un esempio classico è un sistema esperto: un programma che prende decisioni seguendo migliaia di regole scritte a mano da esperti umani ("se il paziente ha sintomo A e sintomo B ma non C, allora ipotesi diagnostica X"). Non impara nulla dai dati, semplicemente applica regole codificate — eppure è, a tutti gli effetti, intelligenza artificiale, perché simula un processo decisionale che normalmente richiederebbe un esperto umano.

Altri esempi concreti che rientrano nella categoria più ampia di IA, con o senza machine learning: motori scacchistici basati su alberi di ricerca, assistenti vocali come Siri o Alexa, sistemi di navigazione che calcolano il percorso più breve, chatbot basati su regole ("se l'utente scrive X, rispondi Y").

Machine Learning: imparare dai dati invece che dalle regole

Il Machine Learning nasce come sottocampo dell'IA quando ci si accorge che scrivere regole a mano per ogni situazione possibile è impraticabile — pensiamo a quante regole servirebbero per riconoscere un gatto in una foto, considerando pose, luci, angolazioni e razze diverse. L'idea alternativa è: invece di programmare le regole, si programma un algoritmo capace di estrarle da solo osservando tanti esempi.

Anche qui la storia ha una data e un nome precisi. Il termine "machine learning" viene fatto risalire (per l'origine dell'espressione, non del concetto sottostante, che è più antico) ad Arthur Samuel, ricercatore IBM, e al suo articolo del 1959 "Some Studies in Machine Learning Using the Game of Checkers", pubblicato sull'IBM Journal of Research and Development (IBM, What Is Machine Learning?). Samuel aveva scritto un programma capace di giocare a dama migliorando le proprie mosse partita dopo partita, senza che ogni singola strategia fosse stata scritta esplicitamente da un programmatore. Il suo obiettivo, nelle sue stesse parole, era che "un computer possa essere programmato in modo tale da imparare a giocare a dama meglio della persona che ha scritto il programma".

La definizione moderna di IBM cattura bene l'idea: il machine learning è "il sottoinsieme dell'intelligenza artificiale incentrato su algoritmi capaci di 'imparare' i pattern presenti nei dati di addestramento e, di conseguenza, fare inferenze accurate su dati nuovi" (IBM, What Is Machine Learning?). La parola chiave è "inferenze": il sistema non applica regole prestabilite, ma stima una risposta plausibile basandosi su ciò che ha osservato.

Esempi concreti di machine learning che usiamo ogni giorno, spesso senza accorgercene: i filtri anti-spam delle caselle email, che imparano a distinguere posta indesiderata da posta legittima osservando milioni di esempi già classificati; i sistemi di raccomandazione di piattaforme come Amazon, che suggeriscono prodotti in base ai pattern di acquisto (IBM); i modelli che prevedono la probabilità che una transazione con carta di credito sia fraudolenta; i sistemi di previsione della domanda usati nella logistica.

Un dettaglio importante: molte tecniche di machine learning "classico" non usano affatto le reti neurali. Alberi decisionali, regressioni statistiche, macchine a vettori di supporto sono tutti algoritmi di machine learning che esistevano ed erano usati con successo ben prima che il deep learning diventasse dominante.

Deep Learning: quando le reti neurali diventano profonde

Il Deep Learning è quel sottoinsieme del machine learning che usa le reti neurali artificiali, e in particolare reti con molti strati (da cui il termine "profonde", deep) impilati uno sopra l'altro. Ogni strato della rete elabora l'informazione ricevuta dallo strato precedente e la passa, trasformata, allo strato successivo. L'ispirazione di partenza viene, molto alla lontana, dal modo in cui i neuroni biologici sono collegati tra loro — ma è un'analogia utile più a livello didattico che come descrizione tecnica accurata di come funziona un cervello reale.

Le reti neurali come idea matematica esistono da decenni, ma per molto tempo sono rimaste un campo di nicchia, penalizzate dalla scarsità di dati e di potenza di calcolo necessari per addestrarle bene. Il punto di svolta che ha portato il deep learning al centro della scena è comunemente identificato nel 2012, quando una rete neurale chiamata AlexNet — sviluppata da Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton — ha vinto la competizione annuale di riconoscimento immagini ImageNet (ILSVRC) con un margine enorme rispetto a tutti gli approcci precedenti: un tasso di errore top-5 del 15,3%, contro il 26,2% del secondo classificato, un distacco che nessuno si aspettava da un anno all'altro (Krizhevsky, Sutskever, Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012). Quel risultato ha convinto gran parte della comunità di ricerca che le reti neurali profonde, combinate con abbastanza dati e abbastanza potenza di calcolo (in quel caso, GPU), potevano superare nettamente le tecniche di machine learning "classico" su compiti percettivi complessi.

Esempi concreti di deep learning: il riconoscimento vocale degli assistenti virtuali, il riconoscimento facciale, la diagnosi assistita da immagini mediche (per esempio l'identificazione di anomalie in una radiografia), i sistemi di visione artificiale delle auto a guida autonoma, l'algoritmo di ricerca di Google per capire il significato delle query (IBM).

Large Language Model: il deep learning applicato al linguaggio

Arriviamo così all'ultimo cerchio, il più piccolo e il più recente: i Large Language Model. Un LLM è, in sostanza, una rete neurale profonda addestrata su quantità enormi di testo per stimare — dato un pezzo di testo — quale sia la continuazione più probabile. È quindi un'applicazione specifica del deep learning, rivolta al linguaggio.

Il salto di qualità che ha reso possibili gli LLM come li conosciamo oggi è un'architettura di rete neurale chiamata Transformer, presentata nel 2017 da un gruppo di ricercatori di Google in un paper diventato uno dei più citati nella storia recente del machine learning: "Attention Is All You Need" (Vaswani et al., 2017, arXiv:1706.03762). Come racconta lo stesso blog di ricerca di Google, il Transformer si basa su un meccanismo chiamato "self-attention", che permette al modello di "aggregare informazioni da tutte le altre parole" di una frase per costruire una rappresentazione di ciascuna parola informata dall'intero contesto, ripetendo questo passaggio più volte e in parallelo (Google Research Blog, 2017). Rispetto alle architetture precedenti, il Transformer si è rivelato molto più facile da parallelizzare su hardware moderno, il che ha permesso di addestrare modelli molto più grandi in tempi ragionevoli — e, come vedremo nel prossimo articolo, è proprio questa architettura a essere alla base di praticamente tutti gli LLM moderni.

Da lì, la scala è cresciuta rapidamente. Un esempio ben documentato: nel 2020 OpenAI ha pubblicato il paper su GPT-3, un modello con 175 miliardi di parametri, dieci volte più grande di qualunque precedente modello linguistico non "sparso" fino a quel momento (Brown et al., Language Models are Few-Shot Learners, 2020, arXiv:2005.14165). Da allora il termine "Large" nella sigla LLM si è guadagnato pienamente sul campo.

Vale la pena notare che un LLM non "sa" cose nel senso in cui le sappiamo noi: non consulta un database di fatti verificati, non ha una memoria di eventi vissuti. Quello che fa, a un livello molto semplificato, è stimare quale sequenza di parole sia statisticamente più plausibile come continuazione di un testo, sulla base di tutti i pattern osservati durante l'addestramento. Questo è un punto centrale a cui dedicherò un intero articolo più avanti, perché è anche la radice del fenomeno delle "allucinazioni".

Esempi di LLM oggi ampiamente noti: la famiglia GPT di OpenAI, Claude di Anthropic, Gemini di Google DeepMind, Llama di Meta AI. Tutti condividono la stessa architettura di fondo (il Transformer) e la stessa filosofia di addestramento di base (predire il token successivo su enormi corpus di testo), pur differendo per dimensione, dati di addestramento e tecniche di allineamento successive.

Una parentesi necessaria: dove si colloca l'"IA generativa"

C'è un quinto termine che probabilmente avete sentito quanto gli altri quattro, e che vale la pena posizionare sulla stessa mappa: IA generativa (generative AI). Non è un livello ulteriore della gerarchia, ma una categoria trasversale che taglia orizzontalmente deep learning e LLM: è l'intelligenza artificiale "capace di creare contenuti originali — testo, immagini, video, audio o codice — in risposta a una richiesta dell'utente", come la definisce IBM (IBM, What is Generative AI?). Un LLM che scrive testo è generativo. Ma esistono anche modelli generativi di deep learning che non sono LLM, per esempio i generatori di immagini: condividono con gli LLM la base di deep learning e spesso anche pezzi di architettura Transformer, ma non lavorano sul linguaggio e quindi non rientrano nella definizione di LLM.

La ragione per cui questi termini sono esplosi tutti insieme nel linguaggio comune ha anche una data piuttosto precisa: il 30 novembre 2022, quando OpenAI ha reso pubblico ChatGPT. Da quel momento, come nota la stessa IBM, "l'IA generativa — e in particolare l'arrivo di ChatGPT — ha proiettato l'intelligenza artificiale nei titoli dei giornali di tutto il mondo, innescando un'ondata senza precedenti di innovazione e adozione" (IBM, What is Generative AI?). È comprensibile che in un lasso di tempo così breve i quattro-cinque termini si siano un po' accavallati nell'uso comune: la tecnologia si è diffusa più in fretta del vocabolario tecnico necessario a descriverla con precisione.

Un esempio pratico per tenerli distinti

Proviamo a mettere in fila i quattro livelli con un solo scenario concreto: un servizio clienti online.

• Un sistema basato su regole che risponde "Per il reso, vada alla pagina resi" ogni volta che l'utente scrive la parola "reso" è intelligenza artificiale (simula una funzione che normalmente farebbe una persona), ma non è machine learning: non ha imparato nulla, qualcuno ha scritto quella regola a mano.
• Un sistema che analizza migliaia di ticket passati per prevedere quale reparto dovrebbe gestire una nuova richiesta, imparando dai pattern nei dati storici, è machine learning.
• Un sistema che analizza il tono di voce o le espressioni facciali di un cliente in una videochiamata per stimare il suo livello di frustrazione, usando reti neurali addestrate su migliaia di ore di registrazioni etichettate, è deep learning.
• Un chatbot che legge la richiesta del cliente scritta in linguaggio naturale, capisce il contesto della conversazione e genera una risposta scritta pertinente, il tutto basandosi su un modello Transformer addestrato su enormi quantità di testo, è un LLM.

Le quattro cose possono benissimo coesistere nello stesso prodotto. Ed è proprio questa sovrapposizione — più che una cattiva comunicazione — a rendere naturale confondere i termini nel linguaggio comune.

Perché vale la pena conoscere la differenza

Non è solo un esercizio di precisione lessicale. Sapere in quale "cerchio" si trova una tecnologia aiuta a capire cosa aspettarsi da essa: un sistema basato su regole è prevedibile ma rigido; un sistema di machine learning classico è flessibile ma richiede dati etichettati specifici per il compito; un sistema di deep learning può gestire input complessi (immagini, audio) ma richiede quantità di dati e calcolo enormi; un LLM può conversare in linguaggio naturale su quasi qualunque argomento, ma — come vedremo — proprio per il modo in cui funziona, può anche generare con sicurezza informazioni sbagliate.

Nel prossimo articolo entro nel dettaglio tecnico di quest'ultimo cerchio: come funziona davvero un LLM, dalla tokenizzazione del testo fino a come il modello genera, letteralmente, una parola alla volta la risposta che leggiamo. E in quello successivo affronto la parte che più spesso genera equivoci: perché gli LLM allucinano e come usarli senza farsi ingannare.