Non esattamente: ti sfugge che il calciatore (la rete neurale) ha una sua capacità di apprendere legata alla struttura del suo modello: la backpropagation stimola l’apprendimento ma non basta se il modello è inadeguato.
Sostituisci al calciatore una rete fatta di un singolo perceptron e il meccanismo non funziona.
Proprio sul ruolo cruciale dell’architettura dei modelli sta la differenza con l’interpretazione di macchina-statistica.
I successi del Deep Learning sono dovuti proprio ai progressi nelle architetture dei modelli.
— Beppe
On 11 May 2026, at 13:09, nexa-request@server-nexa.polito.it wrote:
From:
antonio <antonio@piumarossa.it>
Subject:
[nexa] Re: Una visione realistica dell’Intelligenza
Artificiale
- Lettera aperta alla società
To: nexa@server-nexa.polito.it
Message-ID:
<20260511122219.a36e31cefab1826de25daa7e@piumarossa.it>
Content-Type:
text/plain; charset=ISO-8859-1
I LLM hanno risolto il problema in modo radicalmente diverso: invece di codificare
regole, apprendono pattern statistici da enormi quantità di testo.
Se
venisse da me un ragazzino a chiedermi il funzionamento base di una rete neurale gli farei questo esempio.
Vuoi
tirare il rigore perfetto all'incrocio dei pali? Vieni con me.
Ti
porto nei pressi del dischetto e ti bendo.
"Tira
il pallone in una direzione a caso, poi io ti dirò come aggiustare il tiro".
Un
po' più a destra, un po' più alto, ancora più in alto, no, troppo, ora abbassa, e così per tutto il giorno.
Io
prenderò nota solo dei movimenti corretti.
Dopo
10.000 rigori, non avrai più bisogno che io ti guidi. Avrai memorizzato esattamente la tensione muscolare e
la
potenza necessaria per colpire l'incrocio. A quel punto, toglieremo la benda e farai gol al primo colpo.
Quindi
abbiamo:
1)
Il calciatore (la rete neurale): È lui che agisce, ma all'inizio non sa nulla.
2)
Il tiro a caso (forward propagation): La rete neurale fa una previsione basandosi su pesi casuali.
3)
Tu che correggi ("più a destra/alto") (Funzione di perdita/loss function): misuri l'errore tra dove è andata la palla e l'incrocio dei pali.
4)
Aggiustare il tiro (backpropagation): Il calciatore capisce l'errore e modifica la posizione del corpo per il prossimo tiro.
5)
Tirare tutto il giorno (addestramento/training): La rete impara iterando migliaia di volte finché non azzecca il tiro
6)
Prendere nota (aggiornamento dei parametri della rete): I "pesi" sinaptici" vengono consolidati quando portano ad un risultato migliore.
Bene,
ora sostituisci quel "migliaia di volte" con questo numero:
38.000.000.000.000.000.000.000.000
e
"tutto il giorno" con 54 giorni.
(Il
training di Llama 3.1 405B ha richiesto circa 3,8 * 10^25 FLOP utilizzando 16.384 GPU H100 per 54 giorni)
p.s.
forse è meglio citare De Gregori:
Ma
Nino non aver paura
Di
sbagliare un calcio di rigore
Non
è mica da questi particolari
Che
si giudica un giocatore
Un
giocatore lo vedi dal coraggio
Dall'altruismo
e dalla fantasia
A.