Come PENSANO le MACCHINE? Spiegato dallo Scienziato Nello Cristianini

Andrea Muzii
3 Apr 202454:13

Summary

TLDRThe transcript is a detailed conversation with Professor Nello Cristianini, a renowned expert in artificial intelligence and machine learning. The discussion delves into the evolution of AI, particularly focusing on language processing and the Turing Test. Cristianini talks about his book 'Macina Sapiens,' which explores how AI has rapidly developed to mimic human-like conversational abilities. The conversation touches on the concept of 'transfer learning,' where AI can apply knowledge from one area to another, a feat that was challenging few years back but has seen significant progress. The professor also highlights the transformative impact of models like GPT and the surprising capabilities that have emerged from training on vast amounts of data. The dialogue further contemplates the ethical considerations and potential risks associated with AI, the legislative steps being taken to regulate AI in Europe, and the future of work in the face of increasing automation. Additionally, the transcript briefly touches on the personal habits and strategies that contribute to the success of individuals in highly focused and creative fields like AI research.

Takeaways

  • 📚 The book 'Macina Sapiens' discusses the rapid development of machines capable of passing the Turing test, which involves creating a machine that can engage in conversation indistinguishable from a human's.
  • 🤖 The concept of 'transfer learning' in machine learning has evolved, allowing algorithms that were once only capable of performing a single task, like spam blocking, to be applied to other tasks such as document translation.
  • 📈 The importance of 'modeling' in AI is highlighted, where creating models of the world helps AI predict and adapt to new situations, much like humans use their understanding of the world to respond to novel scenarios.
  • 🧠 The 'Transformer' mechanism in AI has been pivotal, allowing machines to predict missing words in a text and, surprisingly, leading to the emergence of abilities like arithmetic operations and question-answering, which were not explicitly programmed.
  • 🚀 The development of large-scale language models like GPT has led to machines that can understand and generate human-like text, marking a significant leap in AI capabilities.
  • 🌐 The vast amount of data available on the internet and in books has been crucial in training these models, enabling them to learn about the world and make connections between different domains of knowledge.
  • ⚖️ Ethical considerations in AI are emphasized, with the speaker having discussed the risks associated with AI in various forums, including the European Parliament.
  • 🛡️ The European Union has taken a leading role in regulating AI with specific laws, aiming to prevent misuse and ensure ethical practices in the field.
  • 🤖 The impact of AI on the job market is significant, with the potential for automation to replace human jobs, especially those involving repetitive tasks.
  • ⏳ The historical perspective on AI development is important, with the field evolving from Alan Turing's initial inquiries into machine intelligence to the current state where machines can engage in conversation.
  • 🔍 The 'needle in a haystack' test is used to measure how much context AI systems can process before losing information, showcasing their ability to find specific information within vast datasets.

Q & A

  • What is the title of the book that Professor Nello Cristianini is presenting?

    -The title of the book is 'Macchina Sapiens', which is about the development of machines capable of passing the Turing test and engaging in conversation.

  • What is the Turing test and why is it significant?

    -The Turing test is a measure of a machine's ability to exhibit intelligent behavior that is indistinguishable from that of a human. It is significant because it is a benchmark in the field of artificial intelligence to assess machine intelligence and its ability to replicate human-like conversation.

  • What is 'transfer learning' in the context of machine learning?

    -Transfer learning is a technique where a model developed for a particular task is reused as the starting point for a model on a different but related task. It allows algorithms to apply knowledge gained from one problem to solve another, different problem.

  • How has the development of language models like GPT changed the field of machine learning?

    -Language models like GPT have revolutionized the field of machine learning by enabling machines to understand and generate human-like text. They have allowed for the development of algorithms that can perform a variety of language-related tasks, such as translation, summarization, and even conversation.

  • What is the 'Transformer' mechanism in the context of language models?

    -The Transformer is a mathematical mechanism used to predict missing words in a text. It has been instrumental in the development of language models, allowing them to understand context and generate coherent and contextually relevant text.

  • How do large language models acquire knowledge beyond language processing?

    -Large language models acquire knowledge beyond language processing by being trained on vast amounts of data from the web and books. This exposure allows them to spontaneously learn useful and surprising knowledge, such as the ability to answer questions or perform arithmetic operations.

  • What is the 'Black Box' term referring to in the context of AI learning?

    -The 'Black Box' term refers to the aspect of AI where the model learns to perform tasks without a clear understanding of how it does so. It implies that while the model can produce correct outputs, the process by which it arrives at those outputs is not easily explainable or transparent.

  • What are the potential risks associated with the development and use of AI?

    -Potential risks associated with AI include ethical concerns, such as the use of AI in manipulative ways or for surveillance without consent. There are also concerns about AI's impact on employment, as automation may replace certain jobs, and the potential for AI to be used in harmful ways if not regulated properly.

  • How does the development of hardware contribute to the advancements in AI?

    -The development of hardware, particularly powerful processors like GPUs (Graphical Processing Units), has significantly contributed to AI advancements. These processors allow for the rapid computation of complex and large-scale models, which is essential for training and running sophisticated AI systems.

  • What is the 'Butterfly Effect' in the context of predicting future events?

    -The 'Butterfly Effect' is a concept that illustrates how small causes can have large effects in complex systems. In the context of predicting future events, it suggests that because of the infinite and intricate relationships of cause and effect, it is impossible to predict a series of events accurately, especially when dealing with a vast number of variables.

  • How does the concept of 'autopoiesis' relate to the understanding of intelligence?

    -Autopoiesis is a concept from biology that refers to a system's ability to produce and maintain itself. In the context of intelligence, it suggests that all forms of intelligence, including human and artificial, have the purpose of predicting and controlling the world around them for survival. This concept helps to understand the different ways intelligence can manifest and the common goal across different forms of intelligent entities.

Outlines

00:00

📚 Introduction to the Book 'Macchina Sapiens'

The speaker, Professor Nello Cristianini, discusses his international reputation in the field of artificial intelligence and machine learning. He talks about his experience at a TEDx event in Como where the idea of creating a video together was born. The book 'Macchina Sapiens' is introduced, which narrates the history of passing the Turing test by creating a machine capable of conversation. The subtitle 'The Algorithm that Stole the Secret of Knowledge' is considered provocative, hinting at the capabilities of modern machines. The speaker shares his insights on the differences in learning between his children and his algorithms, and the concept of transfer learning within machine learning.

05:01

🤖 The Evolution of Machine Learning and Language Models

The conversation delves into the evolution of machine learning and the ability of algorithms to transfer knowledge across different tasks, a process known as transfer learning. The speaker discusses the breakthrough in machine learning that occurred 4-5 years ago, which allowed algorithms to learn and adapt across various tasks. The importance of language models such as GPT and its cousins is highlighted, and the concept of modeling language to predict and process text is explored. The speaker also touches upon the idea of emergent abilities in AI, where new skills are discovered unexpectedly during training.

10:02

🧠 The Concept of Black Box Learning and AI's Understanding of the World

The discussion continues with the concept of 'Black Box' learning, where AI systems develop abilities that are not fully understood by their creators. The speaker ponders on the trustworthiness of AI systems that operate as 'Black Boxes.' The topic of AI's understanding of the world and its ability to answer questions that require world knowledge is explored. Examples are given to illustrate AI's ability to comprehend causal connections and respond to complex questions. The limitations of AI are also considered, particularly in areas such as long-term planning and foresight.

15:03

🌐 The Impact of Scale on AI Capabilities

The speaker emphasizes the importance of scale in AI, explaining that increasing the size of AI models, computational power, and data can lead to a qualitative change in behavior and the emergence of new abilities. The concept of a 'shortcut' in AI is introduced, drawing parallels with the use of statistical methods and big data to make intelligent decisions without fully understanding the underlying mechanisms. The potential for AI to surpass human capabilities in specific areas is acknowledged, while recognizing the inherent limitations of both humans and machines.

20:04

🤔 Cognitive Biases and the Human-like Abilities of AI

The conversation explores cognitive biases and how AI can mimic human-like abilities. The speaker discusses the expectations that humans have about the world, such as object persistence, and how these expectations shape our learning and understanding. The potential for AI to discover patterns in the world that humans may not be able to perceive is considered. The limitations of human cognition are contrasted with the different limitations of AI, and the possibility of AI contributing to scientific discovery is discussed.

25:06

📉 The Role of Hardware in AI's Progress and the Ethical Considerations

The speaker highlights the significant role of hardware in the advancement of AI, particularly the use of GPUs for processing large AI models. The importance of data, software, and hardware in the development of AI is underscored. Ethical concerns related to AI are also addressed, with the speaker sharing his experiences in discussing these issues at the European Parliament. The need for regulation to prevent misuse of AI, such as manipulating public opinion or unauthorized surveillance, is emphasized.

30:07

🔄 The Transformation of Work and Historical Perspective on AI

The impact of AI on the job market is discussed, with the speaker noting that many jobs, especially those involving repetitive tasks or writing, are susceptible to automation. The historical perspective on the development of AI is considered, from the early ideas of Alan Turing to the present day. The Turing Test and its evolution are explored, as well as the cultural impact of AI and the need to view these changes through a historical and cultural lens.

35:08

🧐 The Challenge of Understanding AI's Knowledge and the Interdisciplinary Nature of AI Research

The conversation concludes with the challenges of understanding the knowledge and thought processes of AI systems. The speaker discusses the need for psychological testing and direct inspection to gauge AI's understanding and awareness. The interdisciplinary nature of AI research is highlighted, with the speaker noting the commonality of physicists entering the field of AI. The importance of a broad educational background, such as in physics or the classics, is discussed for fostering the ability to think rationally and make connections across disparate ideas.

40:08

🚀 The Vision of Alan Turing and the Future of AI

The speaker reflects on the visionary ideas of Alan Turing, who not only laid the groundwork for computer science but also speculated on the future of AI and the potential for machines to learn autonomously. The concept of a critical threshold for AI learning is introduced, drawing an analogy with nuclear reactions. The impact of Turing's work on the development of AI and the ethical considerations of AI in society are discussed, along with the importance of adapting language to accommodate the evolution of AI.

45:09

🤓 The Importance of Concentration and Productivity in Research and Writing

The speaker shares personal strategies for maintaining focus and productivity in research and writing. Techniques for entering a state of flow, the benefits of working in isolation, and the challenges of balancing academic responsibilities with the need for concentrated work are discussed. The importance of establishing routines and creating an environment conducive to deep work is emphasized. The speaker also shares insights on maintaining physical and mental well-being during periods of intense concentration, including dietary habits and the avoidance of sugar.

Mindmap

Keywords

💡Artificial Intelligence

Artificial Intelligence (AI) refers to the simulation of human intelligence in machines that are programmed to think like humans and mimic their actions. In the video, AI is a central theme as the discussion revolves around the advancements in AI, particularly in machine learning and natural language processing, which enable machines to understand and generate human-like responses.

💡Machine Learning

Machine Learning is a subset of AI that involves the development of algorithms that allow computers to learn and improve from experience without being explicitly programmed. The video discusses the evolution of machine learning models, such as GPT (Generative Pre-trained Transformer), which have significantly improved the ability of machines to process and understand language.

💡Turing Test

The Turing Test is a measure of a machine's ability to exhibit intelligent behavior that is indistinguishable from that of a human. Named after the mathematician Alan Turing, the test is mentioned in the video as a historical benchmark for AI. The conversation highlights how modern AI systems, like the one discussed, have begun to pass the Turing Test by engaging in human-like conversations.

💡Transfer Learning

Transfer Learning is a technique in machine learning where a model developed for one task is reused as the starting point for a model on a second task. In the context of the video, the speaker discusses how recent advancements have allowed algorithms that were initially trained for tasks like spam detection to be applied to other linguistic tasks, such as document summarization or translation.

💡Language Modeling

Language Modeling involves teaching machines to understand and generate language in a way that is coherent and similar to human communication. The video emphasizes the importance of language models like GPT in the development of AI systems capable of natural language understanding and generation, which is crucial for tasks such as conversational AI.

💡Generative AI

Generative AI refers to systems that can create new content, such as text, images, or music, that did not exist before. The video touches on the capabilities of generative AI in creating content that is not only linguistically sound but also contextually relevant, showcasing the system's ability to understand and respond to complex prompts.

💡Neural Networks

Neural Networks are a cornerstone of modern AI, inspired by the human brain's structure. They are used to process complex data and make predictions or decisions. Although not explicitly mentioned in the transcript, neural networks are the foundational technology behind the advanced machine learning models discussed in the video.

💡Algorithm

An algorithm is a set of rules or steps that define how to solve a problem or perform a computation. The video script discusses algorithms in the context of AI, particularly how they are used to teach machines to perform tasks such as spam detection and language translation, highlighting the evolution of algorithmic capabilities in AI.

💡Data Processing

Data Processing involves the manipulation and analysis of data. In the video, the discussion about AI systems' ability to process vast amounts of data, such as the entire web and thousands of books, emphasizes the importance of data processing in training and improving the performance of AI models.

💡Hardware and Software

Hardware refers to the physical components of a computer system, while software comprises the programs and applications that run on the hardware. The video highlights the interplay between hardware and software in the advancement of AI, noting that significant progress in AI has been made possible by improvements in both areas.

💡Ethical Considerations

Ethical Considerations pertain to moral principles that guide actions and decisions. The video script briefly touches on the ethical implications of AI, including concerns about data privacy, the potential for misuse, and the need for regulations to ensure the responsible development and use of AI technologies.

Highlights

The book 'Macina Sapiens' discusses the rapid development of machines capable of passing the Turing test by conversing like humans.

The provocative subtitle 'The algorithm that stole the secret of knowledge' suggests a deep exploration into AI's learning capabilities.

The author shares personal anecdotes comparing the learning processes of his children and his algorithms, highlighting the differences in acquisition and transfer of knowledge.

The concept of 'transfer learning' is explored, where algorithms have evolved to utilize learned skills in different contexts, mirroring human learning.

The transformative shift in machine learning, where models like GPT and its cousins have enabled machines to understand and predict language effectively.

The importance of 'modeling' in AI is emphasized, as it helps machines predict and adapt to new situations, a crucial aspect of intelligence.

The discussion of the 'Transformer' mechanism, which revolutionized language processing by predicting missing words in texts, leading to emergent abilities.

Linguistic models trained on vast data can spontaneously acquire useful and surprising knowledge, such as arithmetic operations or question-rounding abilities.

The book presents examples where AI demonstrates understanding of causal connections in the world, not just language processing.

The concept of 'Black Box' learning is introduced, where AI learns to perform tasks without a clear understanding of how it does so, similar to human intuition.

The idea that AI might be capable of performing typically human activities, such as scientific discovery, is explored with intriguing examples.

The impact of AI on the future of work is discussed, with the acknowledgment that many jobs, especially in processing language and writing, are susceptible to automation.

The historical perspective on AI's evolution is provided, from Alan Turing's early questions about machine intelligence to the current state of AI conversational abilities.

The ethical considerations and risks associated with AI are mentioned, including the importance of regulation to prevent misuse and ensure fair treatment.

The importance of understanding the limits of AI is emphasized, contrasting human cognitive limitations with the potential for AI to comprehend different aspects of the world.

The role of hardware advancements in enabling the progress of AI is highlighted, particularly the use of GPUs for processing large models.

The interviewee shares personal strategies for maintaining focus and productivity, such as early morning isolation for deep work and avoiding certain distractions.

The discussion touches on the potential for AI to understand and replicate human cognitive biases, which could provide insights into human psychology.

The interview concludes with a reflection on the importance of continued research and development in AI, considering both its immense potential and the need for ethical guidelines.

Transcripts

play00:00

nello cristianini professore di

play00:01

intelligenza artificiale ricercatore di

play00:04

fama internazionale in tutti gli ambiti

play00:06

del machine Learning e autore di libri

play00:09

anche divulgativi di quest'ambito

play00:11

Innanzitutto grazie di essere qui grazie

play00:14

a te Noi ci siamo conosciuti qualche

play00:16

mese fa al tedex di Como perché siamo

play00:18

stati entrambi entrambi speaker a questo

play00:21

evento lì abbiamo parlato molto ed è

play00:23

nata l'idea di fare un video insieme e

play00:25

sono riuscito oggi a

play00:28

Intercetta per presentare un libro

play00:31

Quindi ti chiedo direttamente di di

play00:33

farci vedere il libro in questione così

play00:35

iniziamo iniziamo a parlarne Beh il il

play00:38

Grazie il libro di cui che presenterò in

play00:41

questi giorni si chiama macina Sapiens

play00:43

ed è un libro del Mulino è appena uscito

play00:46

e racconta la storia di come abbiam

play00:48

fatto in pochissimi anni a

play00:50

essenzialmente a passare il test di

play00:52

turing ovvero creare una macchina in

play00:54

grado di conversare Ecco e leggo il

play00:57

sottotitolo che è l'algoritmo che ci ha

play00:59

rubato Il segreto della conoscenza

play01:01

Quanto è un titolo provocatorio e quanto

play01:04

è invece realtà Beh diciamo che c'è un

play01:08

fatto nuovo di cui si parla il fatto

play01:10

nuovo è che abbiamo delle macchine ora

play01:13

che comprendono degli aspetti del

play01:15

mondo verso la fine del libro ci poniamo

play01:18

questa domanda e che qual è il segreto

play01:20

della conoscenza Magari riusciamo a

play01:22

rispondere meglio alla fine così vi

play01:23

lascio un po' in sospeso va bene e io ho

play01:26

avuto l'opportunità di leggere il libro

play01:28

in anticipo non sono riuscito a finirlo

play01:29

però mi sono segnato Alcuni passaggi e

play01:32

ne leggo subito uno per farti una

play01:34

domanda che mi è piaciuto

play01:36

particolarmente che mi ha fatto anche

play01:37

ridere ovvero per una parte della mia

play01:39

vita mi sono trovato a insegnare

play01:41

simultaneamente cose simili ai miei

play01:43

figli e ai miei algoritmi e posso

play01:45

assicurarvi che imparavano in modo molto

play01:48

diverso quindi la prima domanda è in che

play01:50

qual è questa diversità e poi più avanti

play01:52

leggo gli esseri umani sono in grado di

play01:54

trasferire conoscenze da un ambito

play01:56

all'altro questo limite adesso con i

play01:58

nuovi modelli è è stato superato o c'è

play02:01

ancora quindi l'abilità di è vero è

play02:03

proprio questa è una cosa io avendo

play02:04

fatto machine Learning da una vita

play02:07

guardavo i miei figli anche con

play02:08

quell'occhio lì questi imparavano

play02:09

velocissimi e imparavano cose in un

play02:12

ambito le usavano in un altro Questo si

play02:15

chiama transfer learning in in nella

play02:17

ricerca capacità di trasferire le

play02:19

conoscenze per quasi tutta la mia vita

play02:21

gli algoritmi non erano capaci potevano

play02:24

imparare per esempio a bloccare lo spam

play02:26

email benissimo Poi gli chiedevo di fare

play02:30

una cosa simile non so fare un riassunto

play02:32

tradurre un documento non potevano fare

play02:34

niente tutte le competenze linguistiche

play02:36

acquisite bloccando lo spam non erano

play02:38

riciclabili nel campo della traduzione e

play02:40

viceversa tutto questo è cambiato 4-5

play02:44

anni fa come e perché è cambiato Ahah

play02:48

questa è una storia interessantissima

play02:50

abbiamo imparato Come modellare il

play02:52

linguaggio Se vuoi ti racconto poi è un

play02:54

po' noioso Ma cos'è un modello Perché AB

play02:56

fto dei modelli di linguaggio tutta

play02:58

questa famiglia de GPT si parla sì di

play03:00

GPT qui e dei Cugini di GPT Gemini tutte

play03:02

queste macchine che Conversano con noi

play03:04

grock e gli altri sono modelli di

play03:07

linguaggio Poi ne parliamo un pochino

play03:09

più accuratamente Ma cosa vuol dire

play03:11

modellare Ecco questo è un esempio

play03:14

l'intelligenza serve a predire cosa farà

play03:18

il mondo serve a comportarsi in modo

play03:22

appropriato ad adattarsi no Sì ma anche

play03:24

quando abbiamo situazioni nuove perché

play03:26

se io ripeto la stessa situazione Ogni

play03:27

volta non ho bisogno di intelligenza

play03:29

basta memorizzare cosa come comportarmi

play03:31

e ho memorizzato No se io ho un elenco

play03:33

di ogni email che va considerato spam

play03:36

quando vedo quell email lì esattamente

play03:37

lo blocco non è cosa faccio quando vedo

play03:40

un messaggio nuovo Cosa faccio quando

play03:43

vedo una scacchiera in posizione mai

play03:45

vista cosa faccio di fronte al al nuovo

play03:49

lì devo ragionarci su e usare

play03:51

l'intelligenza quindi devo prevedere

play03:54

come si comporterà il mondo prevedere

play03:57

una cosa mai vista prima è logicamente

play03:59

possibile se non c'è un modello e quindi

play04:01

bisogna fare dei modelli per esempio vi

play04:03

dico un esempio questo libro qua è

play04:05

appena uscito non l'ho mai visto l'ho

play04:06

visto questa mattina per la prima volta

play04:07

in negozio Eppure Secondo me se lo metto

play04:11

fuori della torre di Pisa lo faccio

play04:13

cadere io predico che cadrà

play04:16

verticalmente verso il basso anche se la

play04:18

questa cosa non è mai stata fatta prima

play04:19

quindi io non posso PR Esatto Non si può

play04:22

sapere che però perché Perché il mio

play04:23

modello del mondo assume presume che è

play04:27

la massa del libro non i contenuti del

play04:29

testo t o che influenzano la

play04:32

traiettoria uguale per il linguaggio

play04:35

come processare un testo mai visto Ci

play04:39

vuole un modello del linguaggio e

play04:40

arriviamo alla risposta il modello di

play04:42

linguaggio è importantissimo per

play04:44

insegnare la macchina processare il

play04:45

linguaggio da 5 anni abbiam trovato

play04:48

finalmente una strada che sembrava

play04:50

assurda sembra ridicola Ma che funziona

play04:52

benissimo fatto quel passaggio lì che

play04:55

descriverò se volete la macchina può

play04:58

imparare competenze facendo un compito

play05:00

per esempio bloccando lo spam può

play05:02

trasferirli in un altro compito che

play05:03

magari è diverso e inizia a comportarsi

play05:06

come i miei figli e il mio gatto a

play05:08

trasferire le competenze e questo è un

play05:10

aiuto enorme e perché dici passaggio che

play05:12

sembra

play05:13

ridicolo perché per un per come

play05:16

impariamo noi può sembrare banale ma in

play05:17

realtà non lo è Dunque sì per quelle

play05:19

macchine ogni cosa va detta sempre in

play05:21

dettaglio e adesso questa cosa è

play05:22

cambiata No il metodo è questo si chiede

play05:26

a un un meccanismo che si chiama il

play05:30

Transformer è un meccanismo matematico

play05:33

di predire le parole mancanti in un

play05:35

testo se io prendo un testo Questo qua e

play05:37

cancello delle parole a caso e chiedo a

play05:40

qualcuno di ricostruire le parole

play05:42

mancanti leggendo il contesto in genere

play05:43

ci riusciamo quasi sempre io posso dare

play05:46

al mio algoritmo tanti documenti con le

play05:49

parole cancellate gli chiedo di predire

play05:51

indovinare quella mancante se leggendo

play05:54

il resto e se sbaglia gli mostro la

play05:57

parola giusta e si aggiorna dopo molti

play06:00

miliardi di documenti intendo quasi

play06:02

tutto il web e migliaia di libri questo

play06:05

meccanismo ha imparato a predire le

play06:08

parole mancanti e a quel punto è

play06:10

arrivata la sorpresa sapeva fare altre

play06:12

altre cose che non erano questa E

play06:14

infatti ti stavo proprio per leggere un

play06:17

altro passaggio che mi ha colpito e che

play06:18

mi incuriosisce molto ovvero quando

play06:20

vengono addestrati su quantità

play06:22

sufficienti di dati i modelli

play06:24

linguistici Acquisiscono spontaneamente

play06:26

conoscenze utili e sconcertanti come

play06:28

l'abilità di rond a domande o quella di

play06:31

Eseguire operazioni aritmetiche quindi

play06:34

per fare un esempio se io do ad un

play06:36

modello di ai impasto la Divina Commedia

play06:39

magari lui in un modo molto molto

play06:41

indiretto impara a fare le equazioni di

play06:44

secondo grado è questo è il salto è un

play06:46

esempio Sì le equazioni sono un caso

play06:47

molto difficile però è vero che leggendo

play06:49

tutto Wikipedia in ogni lingua e tutto

play06:51

il web Tutti i giornali tutti i libri

play06:53

del mondo questa cosa qua non impara

play06:55

solamente il linguaggio impara a

play06:57

comprendere un po' il mondo al punto da

play06:59

collegare insieme fronti diverse e e e

play07:03

rispondere a domanda completare un

play07:05

sillogismo lo fa Eh rispondere a domande

play07:08

nel libro mostro molti esempi di domande

play07:10

che non si potrebbero rispondere senza

play07:12

conoscenza del mondo una che gli faccio

play07:13

nella prima pagina è l'auto ha il

play07:16

serbatoio vuoto il distributore di

play07:18

benzina è 1 km di distanza ma ho una

play07:22

tannica vuota in macchina cosa faccio e

play07:24

GPT risponde Prendi la tanica cammina al

play07:27

distributore riempi la tanica porta in

play07:29

macchine riempi il serbatoio e porta la

play07:31

macchina poi a completare il pieno

play07:33

questo non è una conoscenza grammaticale

play07:36

questo conosce le connessioni causali

play07:39

del mondo e questo questo processo di

play07:41

acquisizione di conoscenze anche

play07:43

indirette quanto è black box e quanto

play07:46

invece no E magari spieghiamo anche Che

play07:48

cosa significa Black Black Box imparato

play07:50

onestamente col gioco che appena

play07:52

descritto imparando a ricostruire le

play07:55

parole

play07:56

mancanti non solo ha imparato questo

play07:58

sono emerse altre abilità le abilità

play08:01

emergenti si chiamano che emergono

play08:03

spontanee mentre si fa un compito

play08:05

semplice non sono spiegate la teoria che

play08:07

io oggi non è non è in grado di spiegare

play08:09

questo fatto quindi noi non sappiamo

play08:11

come fa effettivamente a fare certe cose

play08:13

e quindi non è facile fidarsi m alcune

play08:16

volte sbaria ma è questo il gioco e se

play08:19

posso se posso finire ehm cos'altro può

play08:23

emergere da da questa cosa qua non non è

play08:26

banale ma la cosa importante è che

play08:30

per la prima volta abbiamo un

play08:33

meccanismo che poi parleremo di turing

play08:36

forse che che può conversare conversare

play08:40

è un fatto più che linguistico è un

play08:41

fatto di conoscenza del mondo e quindi

play08:43

siamo sul punto di passare il test di

play08:45

tuing Ecco e abbiamo detto Black Box

play08:47

invece Black Swan cioè l'i generativa

play08:51

può essere considerata un cigno nero

play08:53

perché sempre nel libro Io ho letto che

play08:56

in alcuni casi i risultati hanno stupito

play08:58

addirittura i creatori stessi quindi era

play09:00

qualcosa di imprevedibile oppure no è

play09:03

vero che questo meccanismo è stato

play09:06

creato nell'ambito della traduzione cioè

play09:08

si intendeva migliorare le macchine che

play09:11

traducono è stato poi usato l'anno dopo

play09:14

in questo compito che ho detto di

play09:16

modellare il linguaggio per cercare di

play09:18

migliorare il transfer Learning per

play09:19

aiutare eh a migliorare i meccanismi di

play09:22

di linguistica chi si aspettava mai che

play09:24

sta macchina fosse in grado anche di

play09:27

conversare ragionare e avanti così È una

play09:30

sorpresa Appena però questi bravi

play09:32

scienziati di Open ai han visto la

play09:34

possibilità hanno reagito nel modo

play09:36

giusto l'hanno fatta una versione 10

play09:38

volte più grande e L'anno dopo una

play09:41

versione 10 volte più grande ancora e

play09:43

hanno esplorato queste nuove capacità

play09:46

che sono la vera cosa interessante

play09:47

perché noi non serve In realtà di

play09:49

tradurre abbiamo risolto la traduzione

play09:51

ormai ma tutto il resto che sta

play09:53

emergendo e affascinante e c'è stato un

play09:55

un fattore in particolare che ha

play09:57

consentito questo passaggio in più

play09:59

oppure è stato un insieme di cose o

play10:02

qualcosa che magari qualcuno ha fatto

play10:04

che prima non era stata fatto

play10:05

un'intuizione i credo che sia le

play10:06

dimensioni la grande scoperta è che

play10:09

aumentando di molto le dimensioni del

play10:11

modello del meccanismo dell'hardware del

play10:14

software dei

play10:15

dati non

play10:17

solo si fa tutto un pochino più in

play10:19

grande cambia la qualità del

play10:21

comportamento questa è la cosa

play10:23

importante cambiando le dimensioni

play10:25

emergono abilità nuove e un altro tuo

play10:28

libro forse il il più letto è la

play10:30

scorciatoia e anche qui il titolo mi

play10:32

incuriosisce Cosa significa la

play10:34

scorciatoia in quel caso lì Si parlava

play10:36

di tutto quello che è successo prima di

play10:37

questo e che comunque è importantissimo

play10:39

e e che e si mostra come abbiamo

play10:44

costruito macchine intelligenti

play10:45

immaginiamo YouTube immaginiamo

play10:48

l'algoritmo che romanda i video di

play10:49

YouTube Senza bisogno di comprendere in

play10:52

modo

play10:52

umano l'intelligenza

play10:55

abbiamo usato dei metodi statistici

play10:58

anche lì grande di quantità di dati e

play11:00

statistica sono sufficienti a

play11:03

comprendere che tipo di video andrà bene

play11:05

per quale tipo di persona o quale libro

play11:07

e avanti così quindi in quel caso la

play11:10

scorciatoia era quando abbiamo

play11:12

rinunciato a usare le teorie e ci siamo

play11:16

messi a usare i dati la statistica

play11:17

l'intelligenza artificiale ha iniziato a

play11:20

funzionare questa volendo Uno potrebbe

play11:22

dire è una quarta o quinta

play11:25

scorciatoia e tu sai che gran parte del

play11:28

del mio lavoro della mia passione è

play11:30

cercare di superare i miei limiti

play11:32

mentali quindi mi viene spontanea la

play11:34

domanda dei limiti se ce ne sono e quali

play11:36

sono dell'intelligenza artificiale sia

play11:39

al momento sia in generale quali quali

play11:42

pensi che possano essere i limiti di

play11:44

questa Beh ci sono limiti ovvio che sta

play11:47

cosa qui non è onnipotente e in questo

play11:49

momento quello che abbiamo fatto

play11:50

probabilmente non sarà mai illimitato

play11:52

conosciamo dei

play11:54

limiti la questione va detta è che se i

play11:57

limiti della macchina Come si può dire

play11:59

se la macchina è comunque più forte di

play12:00

noi anche se è limitata Comunque va

play12:03

presa sul serio cioè noi siamo e abbiamo

play12:06

un'intelligenza molto limitata a noi

play12:07

Provate a leggere il codice a barre o il

play12:09

codice QR a occhio e capite un limite

play12:12

cognitivo che voi avete nessuno è

play12:15

nessuno è capace di ricordarne due tre

play12:17

in negozio non si fanno i conti dei

play12:19

prezzi guardando quel codice lì le

play12:21

macchine lo fanno è un limite della

play12:24

nostra convizione Ce ne sono tantissimi

play12:26

non abbiamo la memoria limitata ci sono

play12:28

degli animali che nascondono il il cibo

play12:30

nei posti più strani e L'anno dopo

play12:32

ritornano e lo trovano lì perché sanno

play12:33

dov'è Noi no Oppure le tartarughe che

play12:36

riescono a tornare a Dove sono nate anni

play12:38

dopo sì sono delle cose molto

play12:39

interessanti e quelle sono quasi forse

play12:42

imprinting e magari non sarebbero in

play12:44

grado di cambiare chi lo sa non lo so ma

play12:46

lo scoiattolo sa benissimo dove ha messo

play12:49

sono animali la cognizione nostra non è

play12:52

l'unica e non è la più potente dipende

play12:55

da ogni campo la macchina avrà i suoi

play12:59

limiti uno che sappiamo benissimo è che

play13:01

in questo momento il modo in cui è

play13:02

costruita eh non è in grado di fare

play13:05

quella che si chiama pianificazione cioè

play13:06

guardare la lungimiranza guardare le

play13:09

conseguenze a lungo termine ancora non è

play13:11

non è capace Quindi è chiaro che sia l'i

play13:14

che l'umano abbiano dei limiti così come

play13:17

è chiaro che l'umano abbia dei limiti

play13:19

molto ristretti dal punto di vista del

play13:22

calcolo della memoria della capacità di

play13:24

elaborare informazioni Quindi questi

play13:26

sono limiti scontati per così dire ce ne

play13:28

sono invece altri da un punto di vista

play13:30

più concettuale quindi nel modo di

play13:32

pensare in che modo la mente umana è

play13:35

limitata e invece l'i non lo è cioè ci

play13:38

sono dei modi in cui l'i può comprendere

play13:41

delle cose che noi magari non riusciamo

play13:43

neanche a concepire Sì secondo me questa

play13:46

è una domanda importante primo diciamo

play13:48

cos'è l'intelligenza e poi

play13:50

questo secondo me è ovvio che

play13:52

l'intelligenza esiste su questo pianeta

play13:54

da prima di noi e L'intelligenza non non

play13:57

serve a a fare le po ma serve a

play14:00

sopravvivere quindi una gallina

play14:02

attraversa la strada senza essere

play14:04

colpita dal camion perché ha usato

play14:06

l'intelligenza per evitare gli ostacoli

play14:08

e noi vediamo segni di questo qua da

play14:11

sempre nei fossili il cervello c'è i

play14:13

sensi ci sono si usano le informazioni

play14:15

per decidere come

play14:17

comportarsi un caso unico fra tutti gli

play14:19

altri casi ha anche prodotto il

play14:20

linguaggio l'autocoscienza la cultura

play14:23

siamo noi ma noi siamo un esempio tutte

play14:25

le altre forme di intelligenza sono

play14:27

diverse Gli elefanti sono diversi dalle

play14:29

galline o dalle piove una E tutte hanno

play14:32

lo stesso scopo predire il mondo e

play14:35

controllare il mondo sopravvivere una

play14:38

domanda interessante è le nostre

play14:40

macchine potrebbero fare delle cose

play14:43

tipicamente umane ovvero per esempio A

play14:44

me interessa molto fare scienza cioè un

play14:46

computer può produrre scienza Ecco

play14:50

perché al momento Scusa se ti interrompo

play14:52

non è possibile questo ma sotto

play14:54

controllo umano fa dei piccoli compiti

play14:56

ma non è autonomo che produce teorie

play14:57

scientifiche o niente chiaro anche lì va

play15:01

capito perché Uno potrebbe dire quello

play15:02

che fa

play15:03

Amazon studia milioni e miliardi di

play15:06

utenti e crea un modello matematico

play15:08

delle preferenze umane Uno potrebbe dire

play15:11

è un modello scientifico degli utenti

play15:13

solo che non è scritto nel nostro

play15:15

linguaggio no si può andare a discutere

play15:16

cos'è scienza Ma la cosa interessante è

play15:19

che noi abbiamo dei limiti che hanno

play15:21

plasmato il tipo di cose che facciamo

play15:23

per esempio noi nasciamo con delle

play15:24

aspettative del mondo ogni Infante si

play15:27

aspetta che il mondo sia diviso in

play15:29

oggetti per esempio e gli oggetti

play15:30

abbiano una posizione e che l'oggetto

play15:33

persista quindi io non è che posso

play15:35

mettere una macchinina dietro uno

play15:36

schermo e ne escono quattro si chiama

play15:38

proprio persistenza dell'oggetto no che

play15:39

viene imparata nei primi anni di vita Sì

play15:41

sì prima il leonato non sa viene

play15:43

imparata e probabilmente è innata ed è

play15:45

presente anche nei primati superiori e

play15:47

negli infanti umani Io credo che noi ci

play15:48

aspettiamo che il mondo sia fatto di

play15:50

oggetti che persistono ed è Ecco perché

play15:53

l'infante reagisce con l'espressione

play15:55

sorpresa quando il prestigiatore gli gli

play15:57

fa un trucco l'infante anche la ci sono

play15:59

i video dove dei dei prestigiatori fanno

play16:01

delle magie allo zoo alle scimmie in cui

play16:04

fanno sparire degli oggetti o li

play16:05

trasformano e loro si stupiscono eh ma è

play16:08

un segno che abbiamo ed è anche bello

play16:09

avere quelli che si chiamano dei bias

play16:11

cognitivi Ci aspettiamo delle cose e

play16:13

sono È utilissimo perché limita lo

play16:15

spazio delle cose che che sono possibili

play16:17

e quindi possiamo apprendere se è tutto

play16:19

ugualmente probabile e tutto ugualmente

play16:21

possibile non è facile prendere ma se

play16:24

nei abbiamo già strutturato che il mondo

play16:26

è fatto così è più facile prendere e ci

play16:29

aiuta moltissimo che succede però che

play16:31

impariamo il tipo di cose che possiamo

play16:33

rappresentare e quindi vogliamo un mondo

play16:35

fatto di cause di effetti di oggetti di

play16:38

persone di cose di di persone con

play16:41

intenti quindi un un agente animato avrà

play16:44

degli scopi e delle convinzioni un

play16:46

oggetto fisico avrà delle cause degli

play16:48

effetti posizione e va bene nel nostro

play16:51

mondo in cui viviamo cercate adesso di

play16:54

capire il mondo quantistico in cui è

play16:56

tutto fatto di di particelle

play16:58

piccolissime che non hanno posizione che

play17:00

non hanno traiettoria esatta che con una

play17:02

certa probabilità possono sparire qua e

play17:04

comparire là e che possono seguire due

play17:06

traiettorie simultaneamente come fa

play17:08

l'esperimento delle fenditure quello è

play17:10

un mondo quantistico che il nostro

play17:11

cervello non può comprendere perché si

play17:13

aspetta diversamente immaginate un caso

play17:15

in cui

play17:18

predire qualcosa di di grosso di

play17:21

geopolitico richiede cause ed effetti

play17:24

con 10.000 parti in movimento Quale

play17:27

mente umana può tenere in mente 10.000

play17:29

parti in movimento faremo una teoria

play17:30

approssimata che usa quattro parti

play17:33

movimento quelle che possiamo tenere in

play17:34

mente ogni cosa che facciamo noi può

play17:36

tenere in mente un piccolo numero di di

play17:38

variabili le nostre macchine

play17:41

potenzialmente hanno i loro limiti

play17:43

diversi dai nostri potrebbero scoprire

play17:46

regolarità del mondo che noi non

play17:47

possiamo immaginare né riconoscere

play17:49

potrebbero sfruttarle e potrebbero

play17:51

essere di aiuto e potrebbero essere in

play17:54

grado di conoscere cose che noi non

play17:55

possiamo comprendere e un'abilità del

play17:56

genere per come l'hai descritta mi fa

play17:58

pensare a una possibile piccola

play18:00

previsione del futuro Cioè se uno si

play18:02

guarda indietro può spiegare il rapporto

play18:04

di causa effetto in una lunga

play18:06

successione di eventi uno può dire

play18:07

questo evento è successo Perché è

play18:09

successo questo eccetera eccetera la

play18:11

stessa cosa Non si può fare guardando in

play18:13

avanti Quindi uno non può predire tutta

play18:15

una serie di eventi Proprio perché sono

play18:17

inspiegabili No perché come hai

play18:18

descritto ci sono un'infinità di

play18:20

elementi in un in complicatissimi

play18:22

rapporti di causa effetto quindi uno non

play18:23

può avere un'idea di quello che sarà se

play18:26

invece una macchina ha questa capacità

play18:29

perlomeno in un ambiente controllato

play18:31

dove le variabili non sono infinite come

play18:33

sono quelle del come sono quelle del

play18:34

mondo può avvicinarsi di più a predire

play18:38

alcuni aspetti del del futuro mi è

play18:39

venuto in mente adesso mentre mi mi

play18:41

descriveva

play18:43

caratteristica Io credo che in certi

play18:45

casi sì Tutto sta a capirsi cosa non

play18:47

voglio lasciare l'impressione che stiamo

play18:49

prevedendo il futuro Sì ma lo scopo per

play18:51

cui le facciamo ste cose e perché fanno

play18:53

delle cose che noi non possiamo fare

play18:55

quindi già già già quello che fa YouTube

play18:58

tiene presente 1000 segnali diversi

play19:00

sulla gente e cerca di capire se una

play19:02

persona in quelle condizioni di

play19:05

quell'età con quegli interessi che ha

play19:06

visto quei video vuole vedere

play19:07

quest'altro video già si inizia a usare

play19:10

più informazioni di quanti la gente

play19:11

potrebbe gestire Sì anche questa è anche

play19:13

l'algoritmo di YouTube è in un certo

play19:15

senso una previsione del futuro perché

play19:17

io prevedo che a quell'utente possa

play19:18

interessare di più questo contenuto

play19:20

rispetto a quest'altro Beh ma ogni forma

play19:22

di intelligenza io devo agire nel mondo

play19:24

in modo sensato in condizioni mai viste

play19:26

devo prevedere gli effetti e tutto il

play19:28

gioco dell'intelligenza

play19:30

l'intelligenza serve a quello è un gioco

play19:32

della previsione Come no E nella

play19:34

macchina quanto tutto questo è grazie al

play19:37

software e quanto Grazie all'hardware

play19:39

Soprattutto negli ultimi anni con i

play19:40

modelli di ai generativa quanto il

play19:42

progresso è stato dato Dal software e

play19:45

quanto dall'hardware Eh sì ovvio che

play19:49

ogni invenzione di cui parlo è software

play19:52

abbiamo inventato dei modelli matematici

play19:54

nuovi

play19:55

Però tutto questo non avrebbe funzionato

play19:59

senza l'hardware degli ultimi 3-4 anni

play20:02

cioè quello che è successo è che qualche

play20:04

anno fa abbiamo cominciato a usare

play20:07

eh quelle quel tipo di processori le gpu

play20:11

le graphical possessing units sono

play20:13

quelle che sono nate per i videogiochi

play20:14

per la Xbox per la PS4

play20:17

e per per computare in modo più rapido

play20:20

questi modelli enormi Teniamo presente

play20:22

adesso che GPT 3 quello precedente

play20:26

conteneva al suo interno 175 miliardi di

play20:29

parametri o vuol dire il suo

play20:31

comportamento dipendeva da 1 miliardi di

play20:34

numeri immaginate una spreadsheet di

play20:36

Excel di Excel che ha 175 miliardi e io

play20:40

penso che sia circa 1 km quad Ecco

play20:43

immaginate un parcheggio di 1 km dove

play20:47

ogni Celletta è un numero reale con con

play20:50

la virgola e tutto sintonizzarti tutti

play20:53

in modo Esatto provoca il comportamento

play20:56

appropriato sbagliar vuol dire che la

play20:58

macchina fa cos cos senza senso questo è

play21:00

gpt3

play21:02

eh regolare sta roba qua richiede

play21:05

tantissimi dati Quindi tutto il web

play21:07

tutta Wikipedia e poi ci vuole

play21:09

dell'hardware per computare per

play21:10

settimana e si usano ormai dei Cluster

play21:13

di decine di migliaia di gpu Bologna sta

play21:16

costruendo il più grande Cluster

play21:18

italiano che ne avrà 15.000 meta la

play21:21

compagnia che possiede Facebook e

play21:22

Instagram ne ha annunciato che entro

play21:24

quest'anno ne avrà 600.000 Questa è la

play21:27

differenza fra una compagnia privata e

play21:28

l'intera Italia quindi senza questa

play21:31

hardware qui avere un modello matematico

play21:33

non serve a niente e è sia un fatto di

play21:35

hardware che di software che di dati il

play21:38

che spiega poi la grande tensione fra

play21:41

Microsoft e il New York Times perché il

play21:43

New York Times dice non usate i miei

play21:44

dati per addestrare le macchine vostre e

play21:47

poi risorse umane Ecco in questo momento

play21:49

c'è il cocktail perfetto abbiamo molte

play21:51

risorse umane ottimo hardware tanti dati

play21:55

e investimenti possiamo aspettarci che

play21:58

capiti qualcosa Ecco abbiamo parlato

play21:59

degli aspetti più positivi invece di

play22:01

quelli negativi per esempio i rischi

play22:03

perché so che tu hai anche tenuto un

play22:05

discorso al Parlamento Europeo proprio

play22:07

sul tema rischi legati alle eii in

play22:09

particolare sull'aspetto etico molti

play22:12

Come mai C'è questo Come mai questo tema

play22:14

è così caldo Quali possono essere questi

play22:16

rischi beh quel problema lì è risolto

play22:18

tutto sommato io nel 2016 o 17 ho fatto

play22:20

questo discorso cioè su YouTube del

play22:22

Parlamento Europeo Ma dalla settimana

play22:24

scorsa

play22:25

e l'Europa abbiamo una legge L'Europa è

play22:29

il primo paese al mondo che ha una legge

play22:31

specifica per regolamentare questo campo

play22:33

prima dell'America e prima degli altri

play22:35

Quindi io credo che mentre mi sentivo

play22:37

molto ansioso molti anni fa i quando è

play22:39

da sono diversi anni che mi preoccupo di

play22:41

cosa può andare storto e e ho fatto il

play22:44

possibile per parlarne per scriverne per

play22:46

avvisare io in realtà Domo benissimo

play22:48

perché non è un problema mio è un

play22:50

problema hanno fatto una legge che la

play22:51

applichino e quando ti chiedevi cosa può

play22:53

andare storto Che risposte ti davi Uh

play22:56

incubi uno può fare cose

play22:58

se se tutto è è è Come l'esempio è

play23:04

proprio banale di di etica banale uno

play23:06

dice mi dicono spesso tutti quanti e il

play23:09

coltello si può usare per commettere un

play23:11

delitto ma anche per tagliare la

play23:12

bistecca non vorrai proibire l'uso dei

play23:15

coltelli la verità è ovviamente non si

play23:16

può si fa una legge che il coltello si

play23:19

può usare legalmente per la bistecca ma

play23:21

non per commettere un delito Quando c'è

play23:22

la legge fate pure il coltello Tanto c'è

play23:24

la legge c'è la polizia fino a poco

play23:26

tempo fa si potevano fare delle cose

play23:28

brutte legalmente ad esempio manipolare

play23:31

le opinioni pubblica adesso è vietato

play23:33

oppure usare riconoscimento delle

play23:36

emozioni delle persone in modo per fare

play23:38

marketing adesso è vietato e varie Foria

play23:41

analitica No per esempio sì o varie

play23:43

forme di sorveglianza negli spazi

play23:45

pubblici con la faccia nelle strade

play23:48

senza consenso a distanza biometrica

play23:50

adesso è regolamentato in modo

play23:52

strettissimo tante cose potevano andare

play23:55

male ma sono nell'elenco delle cose che

play23:57

saranno controllatissima Ok speriamo

play23:59

continui ad essere così e invece

play24:01

nell'ambito lavorativo perché io anche

play24:04

ovviamente in questi anni soprattutto

play24:05

nell'ultimo anno mi sono chiesto credo

play24:07

lo abbiano fatto tutti dove può portare

play24:09

tutto questo soprattutto nell'ambito

play24:11

lavorativo perché pare che un sacco di

play24:13

lavori possano essere sostituiti

play24:15

perlomeno in parte dalle ai e in gran

play24:17

parte è già così tu questo lo Vivi come

play24:19

un problema se sì In quali settori in

play24:21

particolare come pensi che questo possa

play24:23

influenzare il il futuro lavorativo e in

play24:26

generale umano nel nell'ambito proprio

play24:28

del il lavoro Sì ma questo è un momento

play24:30

storico Infatti dopo parliamo anche di

play24:31

storia perché va preso così è un momento

play24:33

storico di cambiamento E l'ansia è

play24:35

giustificata nei momenti storici si

play24:37

sente ansia un cambiamento È sul lavoro

play24:40

perché abbiamo fatto una macchina che è

play24:42

in grado di di processare il linguaggio

play24:45

di scrivere di parlare anche anche

play24:47

verbalmente tra poco quindi uno che

play24:49

lavora in un call center che passa la

play24:52

vita a rispondere alle stesse 20 domande

play24:53

allo stesso modo insomma non è che avrà

play24:56

un lavoro per sempre perché una una cosa

play24:58

da computer se poi la domanda è

play25:00

particolarmente nuova e diversa in quel

play25:03

caso la si passa a un essere umano la

play25:06

volta dopo quella risposta è memorizzata

play25:08

dalla macchina sì call center sono un

play25:11

esempio ma anche giornalisti si sa già

play25:12

ormai si si è visto che molti casi di

play25:15

lavori che richiedono scrittura sono

play25:17

automatizzabili la verità triste è

play25:19

Brutale è brutta da dire è che

play25:21

l'automazione ha come scopo sostituire

play25:24

le persone qui si parla di automatizzare

play25:26

una serie di lavori che che sono

play25:28

competenze tipicamente umane Una volta

play25:31

erano

play25:34

eh altri

play25:36

lavori eseguire dei calcoli Insomma

play25:39

Ricordiamoci che il fatto che abbiamo la

play25:41

posta elettronica e la

play25:43

spreadsheet la stampante in casa vuol

play25:46

dire che una volta c'era della gente che

play25:47

faceva Questi calcoli c'erano i

play25:49

contabili c'erano i postini c'è un mondo

play25:52

che non c'è più c'erano le cabine

play25:54

telefoniche lentamente il mondo cambia

play25:56

ora è arrivato a Siamo arrivati a

play25:59

automatizzare delle cose che

play26:01

consideriamo vicine al alla nostra

play26:04

essenza cioè comprendere alcuni aspetti

play26:07

del mondo sì Poco fa mi hai menzionato

play26:09

l'aspetto storia mi hai detto che volevi

play26:11

approfondire questa parte Secondo me è

play26:13

importante guardare queste cose da con

play26:15

la distanza della storia aiuta

play26:16

moltissimo e poi anche non smettere di

play26:18

meravigliarsi del lato scientifico che è

play26:20

bellissimo

play26:22

storicamente questo campo l'intelligenza

play26:25

artificiale nasce con il fondatore

play26:27

dell'informatica Alan turing che ha

play26:30

avuto una vita breve ma di un'influenza

play26:33

incredibile sul mondo di oggi e anche

play26:37

sfortunata tragica la sua vita

play26:39

eh triste

play26:41

però negli ultimi anni si occupava molto

play26:45

della domanda se le macchine possono

play26:47

pensare e diventare intelligenti e lui

play26:49

pensava di sì

play26:50

e e da quell articolo fondamentale del

play26:53

1950 e son passati 74 anni

play26:58

e lì lui diceva secondo me per essere

play27:01

semplici è inutile stare a discutere

play27:03

troppo di filosofia Sei una macchina può

play27:05

conversare con noi senza essere mai

play27:08

riconosciuta chiamiamola trattiamola

play27:11

come Pensante era un tipo pragmatico

play27:15

Ebbene per anni si è tentato di superare

play27:17

il test di turing quello si chiama il

play27:19

gioco di limitazione chiamava lui Noi

play27:20

chiamiamo il test di turing per anni ci

play27:22

abbiamo provato e lo scorso anno e tutti

play27:26

abbiamo conversato con GPT mentre fino a

play27:30

prima era una cosa

play27:32

Insuperabile

play27:35

Ora Ehm una compagnia israeliana lo

play27:39

scorso anno ha fatto un test online con

play27:41

milioni di utenti Chiedendogli di

play27:43

parlare fra di loro e alcuni invece

play27:45

parlavano con la macchina alcuni fra di

play27:47

loro e poi gli chiedeva quale di voi

play27:48

pensa di aver parlato il 40% degli

play27:51

utenti non riusciva a riconoscere il bot

play27:52

quando lo incontrava quindi testa

play27:54

superato se fosse il 50% sarebbe

play27:58

esattamente come lanciare la moneta c'è

play27:59

ancora un po' di vantaggio Ma questo era

play28:01

l'altr anno con gpt3 ora c'è GPT 4 5 6 7

play28:05

8 siamo all'inizio Tenete presente

play28:07

questo no com'era l'aeroplano dei

play28:10

fratelli Right era di Balsa e tela Com'è

play28:13

adesso l'aeroplano preso questa mattina

play28:15

Ieri per venire qui il mondo in 100 anni

play28:17

cambia fra 100 anni il mio lavoro è

play28:19

pensare cosa farà questa cosa qua fra

play28:21

100 anni no Certo Ormai è chiaro che ste

play28:23

macchine potranno conversare come noi e

play28:25

il momento è storico in questo senso qua

play28:27

sì e prima prima di iniziare la

play28:30

registrazione mi stavi facendo un

play28:31

esempio di un ago in un pagaio io ti ho

play28:33

fermato perché volevo volevo riprenderlo

play28:36

sono molte analogie con la nostra

play28:37

cognizione e differenze e analogie tra i

play28:40

mille modi per fare i test di questa

play28:42

macchina sono 1le modi Allora uno è gli

play28:44

si insegna quel compito che ho detto il

play28:45

compito è quello di predire le parole

play28:46

mancanti la macchina acquisisce capacità

play28:49

linguistiche inizia a rispondere a

play28:50

domandi anche fattuali per esempio G

play28:53

chiedo Qual è il fiume più lungo

play28:55

d'Italia la risposta mi arriva subito e

play28:57

non è un fatto di grammatica un'altra

play29:00

domanda che ho nel libro un esempio che

play29:01

ho fatto le due

play29:04

frasi nelle scorse elezioni biden ha

play29:07

battuto Trump e questo lo ha reso felice

play29:11

la seconda frase biden ha battuto Trump

play29:14

e questo lo ha reso infelice a chi dei

play29:17

due si riferisce la parola lo il pronome

play29:19

a chi si riferisce la frase è identica

play29:22

ma nel primo caso lo si riferisce a

play29:24

biden e la seconda caso a Trump perché

play29:28

possiamo rispondere solamente

play29:29

comprendendo la politica e la psicologia

play29:30

umana non la grammatica la macchina

play29:32

risponde in modo corretto Perché ha

play29:34

acquisito alcune informazioni che non

play29:36

sono linguistica Allora abbiamo dei modi

play29:38

per fare i test quante cose sai quante

play29:40

cose non sai E quante cose riesci a fare

play29:42

una cosa interessante è che noi e per

play29:44

essere proprio pratici diamo alla

play29:46

macchina un un testo che si chiama il

play29:48

prompt che è un imbeccata e poi la

play29:50

macchina Continua la domanda può essere

play29:52

così questo testo può contenere

play29:54

all'interno anche molte informazioni e

play29:57

la chiamiamo questa cosa qua the context

play30:01

il contesto perché Tenete presente

play30:02

quando dialogate con la macchina anche

play30:04

le domande precedenti nella

play30:05

conversazione vengono rimesse dentro

play30:07

ogni volta come parte del contesto Ecco

play30:09

perché la macchina può ricordarsi cose

play30:11

dette 5 sei battute prima possiamo fare

play30:13

un dialogo e la macchina può riferirsi

play30:16

alla cosa detta due tutte fa perché

play30:17

risponde all domande di adesso tenendo

play30:19

in mente nel contesto l'intera sessione

play30:22

quanto grande può essere un contesto e

play30:25

si studia quanto grande può essere un

play30:26

contesto ora si parla di un milione di

play30:28

token un token è una parola un milione

play30:31

di parole vuol dire che posso dare alla

play30:32

macchina un libro intero e dire in

play30:34

questo contesto Cosa intendi per

play30:37

memorizzazione e dice Ma nel contesto

play30:39

del libro di picco della Mirandola

play30:40

questo perché il contesto è enorme bene

play30:43

allora un test che si fa è l'ago nel

play30:45

pagliaio io do alla macchina un'intera

play30:48

quantità di documenti scelti a caso e ci

play30:50

pianto in mezzo un'informazione in mezzo

play30:53

e si parla di milioni di pagine di

play30:55

documenti e in mezzo c'è un dato ricetta

play30:58

della pizza e il resto è un libro di

play31:00

informatica no E poi gli chiedo alla

play31:02

fine al dopo un

play31:04

po' ci si mette l'origano o no sulla

play31:07

pizza e lui deve andare a trovare in

play31:10

questo enorme contesto quella riga che

play31:13

lì consente di rispondere e si chiama il

play31:15

test dell'ago nel pagliaio e funziona si

play31:18

riesce a misurare quanto grande la

play31:21

macchina può un contesto prima di

play31:22

riuscire prima di perdere le cose e si

play31:24

fanno le competizioni fa i vari modelli

play31:26

interessante la settimana sc corsa

play31:28

quelli che fanno claud claud è una

play31:31

compagnia è un prodotto un altro di

play31:32

questi agenti fatto dalla compagnia

play31:34

antropic hanno postato su ex su Twitter

play31:37

un una cosa che gli era appena successa

play31:40

l'hanno messa hanno chiesto a Claude di

play31:43

partecipare al test del Lago del pagaio

play31:45

gli han chiesto proprio la ricetta della

play31:47

pizza il contesto eran documenti di

play31:49

informatica che erano lì li avevano lì e

play31:51

la macchina ha risposto e la pizza ha

play31:54

bisogno di mozzarella A proposito e

play31:57

talmente diverso questa informazione

play31:59

dall resto del contesto che secondo me

play32:02

mi state facendo un test Wow È assurdo È

play32:04

incredibile assurdo questo è incredibile

play32:07

davvero e un altro dettaglio che è

play32:10

venuto fuori per caso mentre parlavamo

play32:11

prima di una somiglianza tra gli errori

play32:14

di ragion gli errori in generale della

play32:16

mente umana e quelli del della macchina

play32:20

riguarda i sogni cioè Ehm io io ho

play32:24

parlato varie volte sul mio canale di

play32:25

Sogni lucidi e uno dei modi che noi

play32:28

possiamo usare per capire se siamo in un

play32:29

sogno o no O se siamo nel nel mondo

play32:32

reale è quello di guardarci le mani

play32:33

osservarle e contarci le dita perché se

play32:36

durante la realtà io mi conto le dita

play32:38

insomma sono sono 10 sono sempre quelle

play32:40

se lo faccio in un sogno le dita Magari

play32:43

sono 11 Magari sono 8 Magari cambiano di

play32:46

dimensione E io in questo modo lo faccio

play32:49

durante il sogno mi accorgo di star

play32:50

sognando e a quel punto posso iniziare

play32:51

il mio sogno lucido uno degli errori più

play32:54

comuni che le i generative in ambito di

play32:57

immagini fa fanno per esempio m giorne

play32:59

quando devono creare degli esseri umani

play33:01

è proprio il numero di dita Questa è una

play33:04

coincidenza oppure è proprio perché il

play33:06

modo di pensare si avvicina a quell'

play33:08

umano perché è incredibile Quando prima

play33:10

è uscito questo dettaglio io sono

play33:11

rimasto a bocca aperta È assurdo è un

play33:13

dettaglio estremamente simile Sì ed è ed

play33:16

è non so spiegarmelo e si parla di ai

play33:20

generativa Quindi l'ai che può generare

play33:23

immagini o video O suoni o anche testi

play33:26

ed è quello di cui parliamo quando

play33:29

genera immagini Sono meravigliosi lo

play33:31

faccio ogni giorno Ormai è bellissimo e

play33:34

sono migliori dell'immagine fotografica

play33:37

e fa degli errori e gli errori sono

play33:39

molto interessanti e un errore che fa è

play33:41

proprio questo sbaglia sempre il numero

play33:43

delle cose delle dita per esempio e mi

play33:44

sono ricordato che è quello che l'essere

play33:46

umano lo fa mentre sogna Sì però non

play33:48

quando quando disegna in modo cosciente

play33:51

ed è cosciente la parola grossa perché

play33:53

il sogno lucido va discusso se è

play33:55

cosciente o no non si sa però eh

play33:59

è una coincidenza

play34:01

o possiamo usare queste macchine come

play34:03

dei modelli per comprendere qualcosa di

play34:06

noi Ecco questo Siamo talmente

play34:08

all'inizio Ricordiamoci siamo all'inizio

play34:10

di qualcosa non sappiamo Ecco infatti

play34:12

volevo chiederti la tua opinione su

play34:15

qualcosa Perché giustamente gli

play34:17

scienziati non parlano per opinioni

play34:18

parlano per fatti che si basano su anni

play34:21

decenni di ricerca invece la tua

play34:24

personale opinione sul prossimo passo su

play34:26

quello che sarà il prossimo prosso passo

play34:28

all prossima sfida più grande nella

play34:30

ricerca e nello sviluppo delle ai Oh

play34:33

bella questa Beh intanto possiamo dire

play34:36

una cosa importante che tornando al

play34:38

libro per rispondere Il libro è diviso

play34:40

in tre atti in tre parti e e racconta

play34:43

questo incontro fra le persone Il primo

play34:45

è il punto di vista degli scienziati

play34:47

come hanno fatto sti scienziati in 56

play34:49

anni da zero a fare sta macchina che

play34:52

conversa è una serie di eventi è una

play34:53

storia ma il secondo atto racconta

play34:55

l'incontro fra le persone e le macchine

play34:58

Cioè cosa può capitare a una mente umana

play35:00

perché la mente umana non è non si è

play35:02

evoluta per parlare con un meccanismo

play35:05

noi non abbiamo mai incontrato un altro

play35:07

essere un'altra entità in grado di

play35:09

dialogare il gatto il cavallo il cane

play35:11

non possono parlare con noi noi Parliamo

play35:13

fra di noi adesso parliamo con le

play35:15

macchine primo caso nella storia mai

play35:17

successo non siamo come rispondiamo e ho

play35:20

messo insieme una serie di fatti che ho

play35:22

trovato No quel poverino in Belgio che

play35:24

si era innamorato quello storia trag

play35:28

quel collaudatore di Google che si era

play35:30

convinto che la macchina fosse

play35:31

autocosciente

play35:33

ehm quel povero avvocato americano

play35:36

accusato dalla macchina di essere un

play35:37

molestatore che non era vero e avanti

play35:39

serie di casi che si possono studiare

play35:41

Questo è il secondo atto Ecco una cosa

play35:44

che si dovrà sviluppare sarà comprendere

play35:46

a fondo gli effetti dell'interazione fra

play35:49

noi e loro e poi il terzo atto è il

play35:52

punto di vista delle macchine stesse

play35:54

cosa sanno loro anche lì non si sa a

play35:57

fondo cosa sappiano e non è facile

play35:59

comprendere cosa sono sono dei test che

play36:01

facciamo psicologici del test lago del

play36:03

pagaio e poi alcuni casi anche di

play36:06

ispezione diretta l'ispezione diretta è

play36:08

molto difficile abbiam detto e e posso

play36:11

un po' raccontare come funziona sta

play36:12

macchina per capire perché è difficile

play36:14

ma ovvio che dobbio sviluppare a fondo

play36:16

noi la capacità di ispezionarlo di

play36:19

comprendere cosa sanno di noi cosa

play36:21

pensano del mondo e come rispondiamo noi

play36:23

con loro quello è ancora aperto eh Anche

play36:25

perché noi come facciamo a capire se la

play36:28

loro risposta è un imitazione come

play36:30

stavamo dicendo prima il il gioco

play36:32

dell'imitazione oppure è realmente una

play36:34

reazione Cioè se la macchina ti spiega

play36:37

un per dire un sentimento che sta avendo

play36:39

un un parere un'idea e perché ha davvero

play36:42

quell'idea qu l'emozione o sta imitando

play36:45

un essere umano per convincere noi che è

play36:48

in grado di fare quel qualcosa cioè come

play36:50

come si fa a distinguere se sta solo

play36:52

imitando oppure è una distinzione molto

play36:54

filosofica perché pensiamo a un calcolo

play36:57

atore e gli do di moltiplicare 118 per

play37:00

27 tu l'avrei già fatto in questo No no

play37:03

no ma che differenza c'è faa imitare e

play37:06

farlo veramente quando la macchina

play37:07

risponde il risultato sempre quello eh

play37:09

Torin direbbe è uguale cioè la macchina

play37:11

fa il calcolo che deve fare scrive il

play37:13

testo risponde alle Dom S dico la

play37:15

macchina ti do a voce le istruzioni per

play37:17

la pizza Tu vai di là e fammi la pizza

play37:19

questa sente tutto il discorso va di là

play37:22

e torna con la pizza cucinata giusta cos

play37:25

Come si fa a dire che non ha compreso di

play37:27

già Ha compreso ma di fatto non ha

play37:29

capito quello che faceva ha fatto la

play37:31

pizza Ha tradotto il documento ha

play37:32

risposto alle domande ha fatto il

play37:33

riassunto ha

play37:36

moltiplicato cos'è che manca Ecco manca

play37:39

la senzienza la l'autocoscienza quella

play37:41

parte lì che non Cent niente con

play37:43

l'intelligenza è una cosa che gli umani

play37:45

hanno non si capisce bene perché

play37:48

l'abbiamo sono teorie di ogni tipo non è

play37:51

non sembra necessaria Nel senso che Qual

play37:54

è il vantaggio di essere autocosciente

play37:55

se tutti comporti in tutto per tutto no

play37:57

e ci sono I filosofi che ne discutono

play37:59

Gli scienziati non hanno molto da dire

play38:00

perché non è

play38:03

misurabile Gli scienziati sanno però che

play38:06

in certi casi con l'anestesia si può

play38:07

spegnere la coscienza e poi domani ci si

play38:09

risveglia quindi è ovvio che è un fatto

play38:11

anche fisico da qualche parte nel

play38:13

cervello qualcosa succede di chimico ma

play38:15

non è chiaro cosa sta succedendo

play38:17

Eh Come si fa a sapere se la macchina

play38:21

veramente sa quello che sa o si comporta

play38:23

come se lo sa a parte questo che che ho

play38:26

detto e si possono dare alla macchina

play38:29

dei test studiati bene per essere

play38:32

completamente nuovi sono delle si può

play38:34

fare la domanda con grande cautela che

play38:36

non può avere mai visto prima a quel

play38:39

punto deve essere in grado di usare

play38:41

quello che sa per risolvere un problema

play38:43

nuovo e lì è un gioco di direi di

play38:46

psicometria bellissimo Infatti

play38:47

L'intreccio dei campi perché mi hai

play38:49

appena menzionato la psicometria quindi

play38:51

psicologia l'informatica perché è quello

play38:53

di cui stiamo parlando filosofia se

play38:56

vogliamo anche medicina Poco fa hai

play38:57

menzionato l'anestesia quindi è

play39:00

estremamente interessante come si possa

play39:02

vedere che non non non ci siano confini

play39:04

tra una materia e l'altra soprattutto in

play39:07

questo campo e infatti ho un un'altra

play39:10

curiosità perché tu sei laureato in

play39:11

fisica e ultimamente sto notando che non

play39:15

è per niente inusuale che un uno

play39:18

scienziato che faccia ricerca in altri

play39:20

campi sia laureato in fisica anche

play39:23

Fernanda per esempio Fernanda pineiro

play39:24

che era al tedex lei è una biologa comp

play39:27

Nazionale Però è una fisica e ho altri

play39:30

esempi che di persone che ho conosciuto

play39:31

di recente che sono laureate in fisica

play39:33

ma che fanno ricerca in altri campi la

play39:36

fisica ha qualcosa di di particolare che

play39:38

rende Poi spesso gli scienziati dei

play39:41

bravi scienziati oppure sono Magari

play39:43

quelle persone che sono molto curiose e

play39:44

sono attratte da quel campo magari

play39:46

Entrambe le cose perché è curiosa come

play39:48

bella domanda Sì sì è simile al mio

play39:50

punto che ho fatto sui Mancini Sì magari

play39:53

diciamolo Perché diciamo È vero che in

play39:55

certi campi io vedo molti Mancini chi lo

play39:58

sa sì per esempio ecco nella io a delle

play40:00

gare di memoria mi ricordo i campionati

play40:03

europei di memoria del 2019 qualcosa

play40:05

come il 50% dei partecipanti erano

play40:08

Mancini e così tu prima mi dicevi che in

play40:10

alcuni ambiti della ricerca No è pieno

play40:12

di mancini Ah nel mio lavoro io me ne

play40:13

accorgo perché quando passiamo la vita

play40:15

alla lavagna noi e Il mancino fa un

play40:17

disastro sua lavagna perché sporca tutto

play40:19

S perché sporca tutto e sono tanti i

play40:20

mancini nella matematica li vedi subito

play40:23

Comunque il fisici è un'altra cosa

play40:24

interessante nel fisico perché Uno

play40:26

potrebbe dire che la verità è che quando

play40:30

si arriva a livelli estremi in tutti i

play40:32

campi le differenze

play40:34

poi di formazione contano contano meno

play40:37

Quindi a livelli avanzati di scienza un

play40:39

informatico un matematico un fisico

play40:41

tutto sommato hanno imparato così tanto

play40:43

dopo la laurea che quasi quasi non conta

play40:46

il punto di partenza conta di meno

play40:47

quindi conta un po' di meno però è vero

play40:49

che c'è qualcosa nella testa del fisico

play40:52

che io bonariamente direi è una strana

play40:55

forma di incoscienza e di arroganza cioè

play40:57

il primo pensiero che ti viene in mente

play41:00

è quanto sarà difficile sta cosa se

play41:03

arriva uno e mi dice Oh hanno appena

play41:04

inventato GPT 4 c'è da leggere una pila

play41:08

di 120 articoli tecnici scritti in

play41:13

linguaggio statistico informatico in

play41:14

inglese il fisico dice quanto sarà

play41:17

difficile me li leggo Cioè non ci pensa

play41:19

nemmeno è è un modo di approcciare le

play41:21

cose dici me li leggo poi in caso ci

play41:24

provo lo faccio io lo ripeto lo

play41:26

programmo è un modo di pensare di nel

play41:29

mio caso particolare Mi Mi è auto molto

play41:32

sia la

play41:34

fisica e devo dire la verità anche il il

play41:37

mio liceo classico Entrambe le cose Ah

play41:39

liceo classico hai fatto entrambe le

play41:41

cose mi hanno aiutato è un modo di di

play41:44

non di collegare cose distanti e di

play41:47

pensare in modo razionale Secondo me son

play41:49

super curioso come mai il classico E

play41:51

come mai trovi collegamenti anche con

play41:53

con questo ma intanto perché uno va dal

play41:56

classico a fisica la risposta è

play41:58

incoscienza perché non sarebbe da

play42:00

consigliare a tutti però si può

play42:02

sopravvivere se uno vuole provare si può

play42:04

fare

play42:05

ehm Beh già il fatto di parlare di

play42:08

linguistica perché oggi abbiamo parlato

play42:11

ma se è ovvio che Samo parlando di

play42:13

linguistica la linguistica è è la

play42:16

traduzione è il concetto di di di di di

play42:19

di di pensare a un testo in modo così

play42:22

profondo e tutte cose che io ho amato

play42:24

molto il liceo classico occuparmi di

play42:26

problemi adesso e

play42:28

filosofici culturali alla fine se abbiam

play42:31

tempo parliamo dell'impatto culturale di

play42:33

del momento storico vedere le cose in

play42:34

chiave storica e culturale interpretare

play42:37

gli avvenimenti con grande distanza

play42:41

storica si impara lì Ecco mi ricordo al

play42:44

liceo classico quando si studiava per

play42:45

esempio con nostri insegnanti di

play42:46

italiano o di latino dividere la storia

play42:49

in periodi in cui le idee cambiano

play42:51

perché cambia piccolo cambiamento

play42:53

tecnico innesca una serie di reazioni

play42:56

che dopo anni la cultura è cambiata

play42:59

vedere il mondo da

play43:01

lontano collegare avvenimenti su questa

play43:05

scala Qui si studia con la storia e la

play43:07

storia è una scienza e la fisica fa cose

play43:10

diverse Ecco in questo momento siamo in

play43:12

un momento storico Ecco quindi

play43:14

probabilmente non è tanto la formazione

play43:16

che ti ha dato la fisica quanto la

play43:18

mentalità della persona che si avvicina

play43:20

alla fisica che è la mentalità di una

play43:21

persona molto curiosa No beh questo

play43:24

aiuta e dobbiamo ancora chiudere cerchio

play43:27

perché ancora non ho una risposta alla

play43:29

domanda l'algoritmo che ci ha rubato il

play43:32

segreto della conoscenza Ah chiudiamo il

play43:34

cerchio perché io non ho fin non ho

play43:35

fatto in tempo a finire il libro Quindi

play43:37

non ho questa risposta chiudiamo questo

play43:39

cerchio sono due cerchi da chiudere

play43:40

forse questo è uno l'altro l'ho

play43:41

dimenticato quindi l'altro mi volevi

play43:43

dire forse del del momento storico mi

play43:45

dicevi sì e forse un po' collegato lo

play43:48

colleghiamo Allora è ovvio che Alan

play43:49

turing inizia questa grande ricerca per

play43:52

Alan

play43:53

turing tra l'altro anche lui si occupava

play43:56

di di fisica matematica come come

play43:58

formazione e poi inventa l'informatica e

play44:01

prima di morire si occupa di biologia

play44:02

Tra l'altro Comunque lui ci diceva che

play44:05

secondo lui nel tempo il linguaggio

play44:07

stesso cambierà e il linguaggio cambierà

play44:09

In modo tale che noi riusciremo a usare

play44:12

la parola pensare e ragionare

play44:13

intelligenza in modo diverso per

play44:15

accomodare anche le macchine e in

play44:17

effetti è vero che noi la parola volare

play44:19

non l'abbiamo creata per gli elicotteri

play44:21

e per le mongolfiere ma per gli uccelli

play44:23

ma nel tempo abbiamo iniziato a decidere

play44:25

che anche l'elicottero può volare magari

play44:27

chissà quanta gente aveva obiettato

play44:28

all'inizio questo non vuol dire volare

play44:30

la macchina non vuol dire veramente

play44:31

pensare dovremmo lentamente Adattare il

play44:34

linguaggio ma lui si aspettava anche

play44:36

altre cose che la macchina avrebbe

play44:38

imparato a conversare mediante

play44:39

apprendimento automatico e poi ci dava

play44:42

degli strani avvertimenti e uno era che

play44:44

potrebbe anche superarci e e faceva una

play44:48

domanda strana diceva usando un'analogia

play44:50

strana della fisica diceva in un

play44:52

reattore nucleare diceva con poca massa

play44:55

di materiale fissile con poco Urano Non

play44:57

capita niente se aggiungo altro uranio

play45:00

si raggiunge una massa critica oltre la

play45:02

quale inizia la reazione spontanea come

play45:05

i dati che servono in grande quantità no

play45:07

E lui diceva E se fosse che le macchine

play45:09

intelligenti hanno una soglia critica

play45:11

oltre la quale iniziano imparare da sole

play45:14

che è quello che e che è quello che oggi

play45:15

stiamo forse vedendo era strano come

play45:18

riusciva a pensare in modo diverso da

play45:19

noi e e farsi a trovare il nocciolo

play45:21

della domanda turing Ecco a me mi son

play45:24

chiesto cosa capirebbe cosa direbbe lui

play45:27

se potesse essere se non si fosse

play45:29

tristemente suicidato perché poi nel 54

play45:32

è stato arrestato perché era omosessuale

play45:35

In quegli anni in quel paese er era

play45:36

illegale si omosessuale l'hanno

play45:38

obbligato a questa terapia di ormoni lui

play45:40

ha perso la testa si è tragicamente

play45:42

tolto la vita eh E se fosse vivo oggi

play45:45

Ecco secondo te cosa cosa direbbe di

play45:48

fronte si stupirebbe che le macchine con

play45:50

Io penso che si stupirebbe che le

play45:53

macchine Conversano e che tutti hanno in

play45:55

tasca un computer disegnato da perché

play45:57

lui ha disegnato ha disegnato i primi

play45:59

computer ora io intasco un telefono che

play46:00

è un computer che è una macchina di

play46:02

turing Ma si stupirebbe di più che lo

play46:05

scorso anno a novembre il primo ministro

play46:07

dell'Inghilterra ha chiamato tutti gli

play46:09

altri capi di Stato a BL l Park nello

play46:12

stesso edificio Dove turing ha lavorato

play46:14

per decodificare il codice tedesco della

play46:17

Guerra Mondiale

play46:18

No stesso posto chiaman tutti e si

play46:23

parlano di Come gestire l'intelligenza

play46:25

artificiale

play46:27

sognata da lui in quel posto e

play46:30

sull'agenda tra i primi punti c'era

play46:32

questo come fare in modo che anche nel

play46:35

mondo delle macchine trattiamo in modo

play46:38

equo e rispettoso tutti le minoranze era

play46:41

nell'agenda in alto penso che penserebbe

play46:44

turing che si pongono il problema di non

play46:46

discriminare nessuno potrebbe essere un

play46:48

un film a volte la realtà è più

play46:50

interessante di di un film pazzesco e ho

play46:54

un ultimo Un'ultima domanda o meglio un

play46:55

ultimo argomento di cui abbiamo parlato

play46:57

a Como e che è un argomento chiave del

play47:00

mio canale che è quello della

play47:01

concentrazione perché tu in quanto

play47:04

scienziato di F internazionale autore

play47:07

devi da una parte lavorare con estrema

play47:10

concentrazione immersione isolamento

play47:12

Però dall'altra parte sei un professore

play47:15

Quindi hai a che fare con gli aspetti

play47:16

burocratici le lezioni le email di nuovo

play47:19

in quanto autore avrai tutta una serie

play47:20

di impegni che non sono la pura

play47:21

scrittura e la pura ricerca Come dividi

play47:24

questi due aspetti perché noi ne abbiamo

play47:25

parlato a Como e ci siamo ritrovati su

play47:27

molti aspetti di concentrazione di

play47:28

flusso ed è estremamente interessante

play47:31

perché per produrre tutta la Conoscenza

play47:34

scientifica e divulgativa che hai

play47:36

prodotto serve concentrarsi benissimo

play47:40

Quali sono le tue abitudini a riguardo

play47:42

la risposta è abitudine Bravo ho

play47:45

imparato nel tempo ma nessuno me le mai

play47:47

insegnate è bene che oggi la gente possa

play47:48

sentirne parlare da te e e impararle

play47:51

perché non non ha senso riscoprire tutto

play47:53

da zero io ho dovuto scoprire da solo

play47:55

come tanti e e poi oggi

play47:57

si si può studiare le abitudini sono

play48:01

importanti eh un'abitudine che ho io e

play48:05

All'inizio cercavo di di ammaestrare

play48:07

tutta la gente intorno a me a lasciarmi

play48:09

in pace a non parlari a non mettermi in

play48:11

testa dei pensieri Quando entro nel mio

play48:13

flusso in cui programmo programmava

play48:15

molto da giovane adesso meno Ora scrivo

play48:18

ho visto che non è facile convincere

play48:20

tutti a capire a fondo e non si può

play48:22

dipendere da questo perché basta uno e

play48:25

quello che ho imparato è togliermi piedi

play48:27