[0:00]Tutti ne parlano, tutti lo usano, ma nessuno ci capisce veramente qualcosa. Chat GPT, o chi per lui, Gemini, Cloud, Perplexity, Grock AI, siamo circondati. Dei bot iper avanzati all'interno dei quali con una semplice istruzione possiamo ricevere risposte a qualsiasi domanda. Ma quanto sono realmente affidabili? A quale punto possiamo affidarci a questi strumenti? E dov'è invece la linea oltre la quale dovremmo imparare a esercitare il nostro spirito critico? Utilizzare Cha GPT o chi per lui può salvarci la vita e il lavoro oppure crearci dei seri problemi. Per questo motivo oggi andremo a vedere insieme come funziona esattamente Chat GPT e i Large Language Models in generale. Perché avere consapevolezza di come funziona uno strumento è la chiave per poterne sfruttare le potenzialità al meglio. Quindi mettiti comodo o comoda perché c'è parecchio di cui parlare.
[1:04]Ciao a tutti ragazzi, bentornati in questo nuovo video. Io sono Victor, sono il vostro ingegnere aerospaziale e divulgatore scientifico. E oggi vi do il benvenuto in un nuovo episodio del nostro format sull'intelligenza artificiale, dove andiamo a sviscerare nel dettaglio come funziona questo mondo. Sul canale trovate già infatti due video, uno generalista introduttivo del mondo delle e un altro invece un pochino più tecnico dove abbiamo visto insieme come funziona una rete neurale. Sotto questi video mi avete chiesto in tantissimi di parlarvi di Charge GPT e di come funziona realmente, cosa c'è dietro alla macchina che sembra un oracolo. E oggi andiamo a vederlo insieme. E quello che scopriremo potrebbe sorprenderci, spaventarci a tratti, indignarci. Quindi ancora una volta mettiti comodo o comoda. Prima di continuare però, proprio perché l'intelligenza artificiale può essere veramente un problema, e in questo video lo vedremo, Ho creato recentemente una guida pensata per tutte quelle persone che si trovano a dover scrivere utilizzando Cha GPT, ma non sanno da dove partire, oppure hanno paura di essere sgamati e che il loro output finale non sia della qualità che si aspettano. Che tu sia uno studente che sta scrivendo una tesi all'università, oppure un progetto scolastico al liceo, o una tesina, o in generale abbia bisogno di supporto di Cha GPT o di chi per lui per la scrittura, questa guida può fare al caso tuo. Tra l'altro, recentemente aggiornata alle nuove funzioni del 2026, e la aggiorniamo periodicamente. In maniera tale che siate anche voi sempre sul pezzo. All'interno di questa guida vedremo i principi generali di funzionamento. Vedremo degli esempi di prompt da dare in pasto al nostro Cha GPT per riuscire ad avere un testo finale che sia fatto su misura per noi, con il nostro tono di voce, e che non abbia tutti quei difetti tipici dei testi scritti con l'intelligenza artificiale. Perché il segreto è riuscire a utilizzarla bene. Quindi, se ti interessa, ti lascio il link per scaricare la guida con tutte anche le informazioni aggiuntive, così puoi sapere proprio tutto quello di cui si parla al suo interno, nella prima riga della descrizione, quindi darci un'occhiata. Bene, ora però torniamo a noi, andiamo subito nella ciccia, perché appunto, questo sarà sicuramente un video lungo. Che cos'è Cha GPT e come funziona? Allora, ci tengo a precisare anche che all'interno di questo video parlerò di Cha GPT, ma in generale i principi di funzionamento sono molto simili per tutti i Large Language Models. Che cos'è un Large Language Model? Beh, un LLM, così come Gemini, Cloud, chi per loro, appunto, è un'intelligenza artificiale generativa in grado di produrre testi una volta ricevuto un prompt, un'istruzione in ingresso. Poi può produrre anche immagini e altre cose, ma ci arriviamo. Al cuore di Cha GPT e degli LLM c'è una rete neurale di tipo Transformer.
[3:59]Vi rimando al video precedente per capire di cosa si tratta. In sostanza, a differenza dei vecchi modelli sequenziali che leggevano il testo parola per parola, i Transformer sfruttano un meccanismo di auto-attenzione. Praticamente il modello valuta ogni parola in relazione a tutte le altre del contesto, riuscendo a cogliere le dipendenze sul lungo periodo in un solo colpo. Questo metodo ha permesso di allenare gli LLM su grandissime quantità di dati e quindi gestire anche frasi molto lunghe con maggiore accuratezza. In particolare, Open AI, azienda creatrice di Cha GPT, utilizza un Transformer Decoder-only. In breve, si tratta di modelli che predicono la parola successiva in base a quelle precedenti. Facciamo un esempio: se io dico bagno, quali parole è più probabile che si trovi all'interno della frase o del contesto, fra canestro, lavandino e cinghia di distribuzione? Avete già capito. In pratica, una statistica del linguaggio. I modelli come GPT utilizzano quindi dei parametri, miliardi di parametri. Pensate che GPT-3 utilizzava già 175 miliardi di questi parametri. Ma cosa sono i parametri? Sono dei coefficienti numerici che la rete aggiusta durante l'addestramento. Immaginateveli proprio come delle manopole che regolano il comportamento del modello. Aggiustandole, il sistema impara a formare frasi sempre più plausibili in maniera graduale. Se avete visto il video precedente sulle reti neurali, questo concetto sicuramente suona familiare. E ovviamente l'addestramento avviene leggendo quantità colossali di testo fra libri, articoli, pagine web. Praticamente un compendio dell'internet. Sempre GPT-3, per prendere l'esempio, solo perché ad oggi ne abbiamo i dati certi e confermati, è stato addestrato su 300 miliardi di Token. Che cos'è un Token? Beh, immaginatevelo come l'unità di base di un testo o un dato. Sono parte di parole, caratteri o intere parole anche se sono abbastanza piccole, che gli LLM processano per capire la famosa statistica del linguaggio. Vi faccio un esempio, prendiamo la parola inglese Darkness, oscurità. Potremmo dividerla in due Token. Il Token Dark e il Token Ness, ciascuno con il suo codice numerico. Prendiamo ora il suo opposto, la parola Brightness, luminosità. Anche qui potremmo dividerla in due Token: il Token Bright e il Token Ness, che è uguale al Ness precedente e anche lo stesso codice, visto che sono esattamente la stessa cosa. Ecco, in questo esempio, il valore condiviso del Token Ness può aiutare il modello a capire che quelle parole, composte entrambe da due Token, possono avere qualcosa in comune. In questo caso, qual è la cosa in comune? Beh, che l'una è il contrario dell'altra. Insomma, comunque c'è una correlazione, c'è una connessione. Ora, immaginatevi un sistema in grado di leggere, tra virgolette, tutto quello che è presente sull'internet o larga parte di esso, apprendendo gli schemi del nostro linguaggio. In questo modo, può produrre degli output in base alla statistica del linguaggio stesso. Immaginatelo come l'auto-completamento dell'iPhone, però sotto steroidi, tipo, come si suol dire. Quindi un modello GPT può essere molto bravo a continuare un testo in free writing, quindi scrittura libera, ma di per sé non sa distinguere istruzioni corrette da richieste insensate o addirittura potenzialmente dannose. Quindi Open AI ha applicato un'ulteriore fase di fine tuning. La tecnica è il Reinforcement Learning from Human Feedback (RLHF). Ovvero l'apprendimento per rinforzo con feedback umano. Ne abbiamo parlato sempre nel video introduttivo questa volta. In pratica, degli esseri umani forniscono esempi di conversazioni reali, il modello viene addestrato a imitare queste risposte in termini di struttura,
[7:50]e i trainer umani poi confrontano le diverse risposte che il modello genera per gli stessi prompt e le classificano dalla migliore alla peggiore secondo vari criteri, fondamentalmente di utilità, accuratezza e adesione alle istruzioni. Questi giudizi poi vengono usati per addestrare un modello di ricompensa, ossia una rete neurale che impara a valutare la qualità di una risposta, in modo tale che, quindi, riesca o provi a imitare le preferenze umane. Questo processo si reitera fino a che il modello non è il più possibile vicino ad essere utile e conforme alle aspettative che noi umani abbiamo del modello stesso. Ed è con questo metodo che Open AI ha scoperto che un GPT con 1,3 miliardi di parametri addestrata con RLHF supera GPT-3 con 175 miliardi di parametri non allineato. Naturalmente anche questo modello ha le sue lacune, alla fine ce li hanno tutti, diciamoci la verità e ne parleremo fra poco, ma è comunque molto interessante. Ora usciamo un attimo dalla tecnica dura e pura. Quello che dobbiamo chiederci è cosa succede davvero quando usiamo Cha GPT? Cioè, cosa accade dietro la tenda quando premiamo invio?
[9:05]Ogni nostra domanda, ogni nostro prompt, insomma, viene prima trasformato nei famosi Token. Il modello processa il prompt internamente al suo gigantesco cervello statistico e produce, come output, una probabilità per il Token successivo. Ad esempio, dopo una frase come: c'era una volta una principessa in un... il modello assegnerà probabilità alle possibili continuazioni: castello, foresta, città. Scelto il Token successivo, di solito quello con probabilità maggiore con un pizzico di casualità controllata per variare le risposte, la procedura si ripete per generare il Token seguente e così via finché non si completa la risposta. E tutto questo accade in un lasso di tempo che va dai pochissimi secondi fino ad al massimo qualche minuto. E anche qui sottolineo ancora una volta: il modello non capisce veramente il significato, come un umano delle parole, ma solo conoscendo schemi statistici. Questo è molto importante da tenere a mente, soprattutto perché già oggi sembra di dialogare veramente con un essere umano. Tuttavia, come qualcuno ha sottolineato, è un vero e proprio pappagallo statistico che ripete cose che gli abbiamo insegnato noi, seguendo uno schema che non comprende davvero. E questo ci spiega perché ogni tanto dice cose senza senso, e come si dice in gergo, va in allucinazione. E qui entriamo dal punto di vista tecnico nei difetti o meglio nei limiti di Cha GPT. Innanzitutto, la memoria contestuale è limitata. Gli LLM possono tenere in considerazione solo un certo numero di Token per volta. Ciò significa che se una conversazione diventa molto lunga, il modello può dimenticare i dettagli iniziali. Inoltre, l'addestramento ha un taglio temporale. La versione originaria di Cha GPT, basata su GPT 3.5, era addestrata su dati fermi al 2021, circa. Quindi questo modello era ignaro degli eventi successivi. Questo è un problema noto. Senza l'aggiornamento continuo, l'IA rimane, tra virgolette, bloccata alle conoscenze della data limite. Open AI e tutti gli altri modelli hanno affrontato la cosa aggiungendo la possibilità di usare plugin, di navigare il web, per esempio, per chi ha accesso a Cha GPT Plus o Pro, così da recuperare info aggiornate, ma in realtà si tratta di una pezza, un po' come quel meme dove un uomo cerca di fermare una perdita d'acqua da una cisterna con lo scotch. Funziona bene? Sì, è, diciamo, la strada preferibile per il lungo periodo per qualcuno che vuole parlare di AI? Assolutamente no, ma magari ci arriveremo. Infine, la natura statistica di questi modelli li rende vulnerabili, come dicevamo, alle cosiddette allucinazioni. Quindi in sostanza, l'AI può generare affermazioni inventate ma verosimili.
[11:46]E qui bisogna stare molto attenti, perché purtroppo, come vedremo fra poco, quando parleremo di etica, questa tendenza a fornire risposte apparentemente plausibili, ma false, può causare seri problemi nell'uso quotidiano, soprattutto quando è smodato e completamente acritico. Per questo, ragazzi, abbiamo creato la famosa guida di cui vi parlavo all'inizio, per darvi gli strumenti per usare l'AI in maniera consapevole e, soprattutto, non incappare in problemi. In particolare, se la utilizzate per tesi, tesine o comunque per scopi lavorativi o scolastici. Quindi mi raccomando, fate attenzione. Ad oggi, Cha GPT è utilizzato da chiunque, letteralmente. Ha raggiunto 100 milioni di utenti attivi mensili, parliamo di gennaio 2023, tra l'altro, appena due mesi dopo il debutto pubblico. Diventando l'app consumer a crescita più rapida di sempre. Per dare un'idea, TikTok ci ha messo 9 mesi ad arrivare a quella cifra e Instagram oltre due anni. A metà 2025, con l'uscita di Cha GPT, versione numero 5, Open AI ha dichiarato che Cha GPT serviva ben 700 milioni di utenti in tutto il mondo quotidianamente. Ormai poi, i chatbot sono integrati un po' ovunque nei nostri prodotti quotidiani. Microsoft lo ha inserito nel motore di ricerca Bing e nella suite Office, attraverso la funzione Co-pilot, che permette di generare documenti, riassunti, email, presentazioni, a partire da un semplice prompt, da una semplice istruzione, in linguaggio umano, tra l'altro, linguaggio naturale. Allo stesso modo, GitHub Copilot, anch'esso basato su GPT, aiuta ogni giorno milioni di programmatori, scrivendo codice automaticamente o suggerendo correzioni, quindi fare debugging, aumentando la produttività fra 20-50%, secondo alcuni studi. E gli altri non rimangono sicuramente a guardare. Dopo lo shock iniziale di Cha GPT, varie aziende e laboratori hanno svelato i propri LLM per non restare indietro. Per esempio, Cloud di Antropic, Gemini di Google, Lama di Meta, e poi modelli open source indipendenti come Bloom e Falcon, sviluppato, tra l'altro, negli Emirati Arabi. Sul fronte cinese, invece, il pubblico non ha accesso a Cha GPT per motivi di censura e di controllo, ovviamente, della popolazione. E quindi si sono sviluppati Deepseek, usando il modello di Cha GPT, tra l'altro, ma questa è un'altra storia per un'altra volta. Ma quali sono i vantaggi e gli svantaggi di questi modelli e del loro utilizzo? Prima di dirtelo, se questo video ti sta piacendo, per me è davvero molto importante che tu me lo faccia capire con un bel like. Ci vuole un secondo e per me è super importante. E naturalmente se ancora non sei iscritto o iscritta al canale, non dimenticare di farlo. Prima di tuffarci nei problemi di Cha GPT, che sono forse la cosa più interessante di cui si deve discutere, è giusto evidenziare che questi strumenti siano anche molto utili per fare varie cose. Con gli LLM abbiamo accesso all'informazione immediata. Un'enciclopedia personale sempre disponibile in pochi secondi. Indubbiamente una vittoria per la democratizzazione dell'accesso alle informazioni, ma che comunque deve sempre essere affrontata con occhio critico. E questo, ripeto, vedremo fra un attimo come può essere un problema. Grazie agli LLM possiamo fare di più e molto più in fretta, soprattutto quando ci troviamo davanti a task ripetitive, banali, noiose e estremamente time consuming, quindi che ci richiedono un sacco di tempo. Per esempio, è stato fatto un esperimento in un call center da più di 5000 operatori, dove è stato inserito un assistente basato su GPT. Questa aggiunta ha aumentato la produttività media, intesa come problematiche risolte per unità di tempo, del 14%. E per i meno esperti l'effetto ha superato addirittura il 34%. E tutto questo senza andare a intaccare la qualità del servizio o i tassi di risoluzione. La customer satisfaction è rimasta uguale. Un altro studio dedicato ai consulenti ha rivelato poi che l'utilizzo degli LLM ha portato a un incremento del 12% delle attività completate quotidiane, un aumento del 25% della velocità di esecuzione delle Task, e un aumento della qualità di circa il 40%. Citiamone un altro ancora. Uno studio effettuato su un esperimento di scrittura, di cui appunto parliamo poi anche nella guida, ha confermato che l'utilizzo degli LLM produce degli output di qualità superiore più del 18%, ma utilizzando il 40% del tempo in meno. Quindi, se la sappiamo usare, possiamo scrivere meglio e in meno tempo. E chi programma lo fa il 55% circa più velocemente se utilizza il supporto di LLM, secondo un altro studio. Attenzione, però, perché ci sono anche altri dati, diciamo, interessanti. Ciò che emerge da questi studi, ve ne ho citati solo alcuni dei tantissimi che esistono, ci dice anche una cosa fondamentale. Chi utilizza LLM come supporto, ma è già estremamente competente nel campo di utilizzo, ne beneficia di meno rispetto a chi è alle prime armi. Questo è interessante perché potrebbe aiutarci a capire come l'AI può essere utilizzata per appiattire le differenze di produttività, la cosiddetta work inequality, migliorando le performance di un gruppo o di un'azienda in generale. Tuttavia, un messaggio chiave che emerge anche da questi studi, è che l'AI generativa ha un confine di utilità. Aiuta, infatti, tantissimo in alcuni compiti, le bozze, sintesi, customer service, coding standard, strutture dei documenti, cose di questo genere, ma può peggiorare la performance o portare a errori gravi quando il compito richiede giudizio profondo, quando i dati non sono presenti in maniera chiara o quando l'utente si fida troppo della risposta, quindi si fida ciecamente del modello. Questo spiega perché in alcune aziende l'impatto è enorme e in altre, beh, così così. Non basta mettere Cha GPT. Servono integrazione, formazione dei dipendenti e verifiche umane sempre. Non possiamo usare Cha GPT o chi per lui come un oracolo. Cha GPT è tanta roba per chi è competente, ma è una trappola per chi non lo è. Perché se è vero che io, da competente, posso beneficiare meno di quell'oggetto, è anche perché non ne ho bisogno. Dall'altra parte, chi ne beneficia di più, rischia di sbagliare molto più frequentemente. Anche perché ricordiamoci che appunto, finché si tratta di redigere una bozza di qualcosa, scrivere una mail o fare delle Task, appunto, ripetitive, banali e noiose, sicuramente è molto interessante questo aiuto, soprattutto per le figure junior, ma poi quando si passa alla concretezza di un lavoro, soprattutto se questo lavoro è ad alta specializzazione, lì rischia di cascare l'asino. Quindi, appunto, attenzione. Prima di passare, però, ai lati negativi, c'è un'ultima cosa che va detta. L'AI potrebbe, non è ancora chiaro a livello di numeri, ma potrebbe migliorare decisamente la nostra economia e ci aspettiamo che lo farà. McKinsey, nel 2023, stimava un potenziale annuale che varia fra i 2,6 e i 4,4 trilioni di dollari. Di valore aggiunto, se l'AI generativa viene integrata su larga scala. Quando parliamo di trilioni di dollari, intendo 1000 miliardi. Goldman Sachs, sempre 2023, stima un possibile più 7% del PIL globale in 10 anni, quindi circa 7 trilioni di dollari, e un aumento della crescita della produttività di più 1,5 punti percentuali all'anno dal periodo di adozione. Come dicevo, non è ancora chiaro l'effetto sul PIL globale effettivo per ragioni di contabilizzazione e timing, ma tutti gli analisti ormai concordano sul fatto che sarà sicuramente presente. Tutto questo però non è a prezzo zero. Infatti, questi strumenti hanno tante problematiche. Anzi, qualcuno potrebbe addirittura sostenere che queste problematiche superano i pregi. Noi non siamo fra questi, ma comunque, la prima cosa da citare è il fatto che produrre risposte scorrette o inventate con assoluta disinvoltura contribuisce a diffondere disinformazione. E questo lo vediamo ormai ovunque. L'utente che non conosce lo strumento tende a fidarsi ciecamente del tono sicuro dell'AI. E ci sono stati casi concreti e clamorosi. E attenzione, ragazzi, non sto parlando della gente complottista che viene sotto i miei video e risponde copiando e incollando le risposte di Cha GPT, perché, sinceramente, spero che ad oggi una persona con una cultura digitale medio-bassa, perché basta quella, le risposte pre-confezionate di Cha GPT le sappia riconoscere. No, no, no, io sto parlando di cose veramente gravi e che sollevano non poche domande sull'utilizzo di questi strumenti e sulla loro regolamentazione. Per esempio, un avvocato a New York ha usato Cha GPT per aiutarlo a cercare precedenti legali per una causa, finendo per presentare in tribunale un documento con riferimenti a cause totalmente inesistenti, generate dall'AI. Il giudice non ha gradito e i due legali coinvolti sono stati sanzionati con $5000 di multa per aver agito in modo poco diligente e aver incluso citazioni fittizie. Una cosa del genere in Italia potrebbe tranquillamente comportare la radiazione dall'albo degli avvocati, quindi farei forse attenzione. Altro esempio, recentemente l'amico Ruggero Rollini, che saluto e vi consiglio di seguire, ha fatto un video raccontando di un articolo scientifico che è stato ritirato dalla pubblicazione, dopo che qualcuno si è accorto che fra le fonti citate c'erano articoli scientifici, pensate che roba, inesistenti, inventati. Non vi metto il link dell'articolo, ma vi consiglio di guardare il video di Ruggero. E poi, ovviamente, spopolano video falsi, ragazzi, su internet, ne troviamo ogni 2 secondi, legati anche ad argomenti delicati come le guerre, la pandemia da Covid e altro ancora. Cose che contribuiscono a diffondere informazioni false, creando un vero e proprio mondo, quello di oggi, dove la realtà è distorta, il confine fra la realtà stessa e la finzione è più che mai fumoso. Quando siamo completamente passivi, in balia dell'algoritmo, senza esercitare il nostro pensiero critico, le nostre competenze, il nostro pensiero laterale, siamo finiti, ragazzi, perché oggi non si può veramente stare tranquilli un secondo. E questo, ragazzi, lo vedo ovunque, anche fra i miei amici più stretti, che cadono in video falsi, informazioni fuorvianti, spesso contribuendo anche a diffonderle. E magari è successo anche a noi, anche a me, senza saperlo. Questo perché siamo immersi in questa dinamica, nella dinamica dei social che ci vuole scrollanti, passivi e disattenti, nella condizione perfetta per poterci bere qualsiasi intruglio AI indigeribile sotto forma di video, caption, articolo o post. E ormai sono sempre di più anche i prodotti long form ad essere compromessi. Internet è invaso di sponsor che promettono di fare soldi con il self publishing, l'auto-pubblicazione di contenuti. Scrivi anche tu il tuo libro sull'argomento che vuoi, di cui non sai nulla. Usa Cha GPT e in un pomeriggio è già in vendita su Amazon. Risultato, Amazon ormai è invasa da prodotti spazzatura, fatti interamente con l'AI, senza la minima revisione. Fra un po' inventeranno addirittura anche la gente AI che ti auto-pubblica il libro, così non dovrai neanche fare la fatica di andare su Amazon. Tutto questa filippica ve la dico non per andare in discorsi fuori dalla tematica del video, ma perché vorrei sollevare una domanda. Ma se l'AI impara grazie al materiale presente online, agli articoli, ai blog, alle immagini prodotte originariamente da giornalisti, scrittori e artisti, cosa succederà quando la stragrande maggioranza di contenuti online sarà prodotta dall'AI stessa? L'AI inizierà a imparare da se stessa. Beh, potremmo dire: sì, ottimo! Peccato che la maggior parte di questi contenuti siano contenuti acritici, completamente inventati, magari, pieni di errori, senza revisioni. E a quel punto cosa ne sarà degli LLM? Diventeranno un rimescolatore di spazzatura, di cui ci si potrà fidare sempre di meno, ma dei quali ormai saremo diventati completamente dipendenti? Scrivetemi la vostra su questo nei commenti, perché è sicuramente interessante. Per oggi mi fermo qui con questo discorso, che appunto, come vedete, è un po' metafisico quasi. Se vi interessa approfondire gli effetti dell'AI a livello sociale, sul nostro cervello, sulle nostre capacità di ragionamento, sicuramente ne parleremo. Fatemelo sapere nei commenti e non dimenticate di iscrivervi al canale. Andiamo ora a un altro problemino dell'AI: i bias e la discriminazione. No, non sto per fare un discorso buonista gratuito, questo è un vero problema molto grave. Perché? Il motivo è che i modelli linguistici, come abbiamo detto, apprendono dai dati. E i nostri dati sono pieni di pregiudizi e stereotipi di ogni tipo, di genere, di etnia, di orientamento. E questi bias vengono replicati dall'IA. Un esempio citato spesso è il case study dell'assistente virtuale. Se un utente dice: sei una donna intelligente, il chatbot potrebbe rispondere in modi influenzati da stereotipi. C'è stato il caso di un modello che rispose con civetteria, avvallando un po' un cliché sessista o altre cose di questo tipo. Altro esempio più generale, quando Amazon ha utilizzato dei modelli AI per scremare i curriculum dei candidati per l'azienda. Si è scoperto che questi modelli scartavano molto più facilmente i candidati donna a favore degli uomini. Anche quando le donne erano più adatte al ruolo in questione. Per quale motivo? Beh, perché il modello era allenato sui dati aziendali precedenti e sugli screening delle risorse umane degli anni passati. E siccome ad Amazon lavorano molti più uomini che donne, l'AI ha imparato un bias autonomamente, si potrebbe dire. Siccome c'erano meno donne in azienda rispetto agli uomini, molte meno, in realtà, allora le donne non sono candidate ideali. Tipico caso in cui il bias non è esplicito nei dati, infatti non è che Amazon ha detto all'algoritmo di scartare le donne. Ma il bias era nascosto nei dati e l'IA l'ha identificato il pattern, sfruttandolo per le selezioni. Infatti, dobbiamo stare attenti, ragazzi, perché i bias non sono sempre evidenti. Sono, il più delle volte, subdoli. E l'abilità dell'AI di trovare correlazioni, molto più brava a farlo rispetto a noi, effettivamente, può essere dannosa se non viene opportunamente affrontata e regolata e supervisionata. Ora, aziende come Open AI hanno messo in campo diversi team di etica per affrontare queste problematiche, ma comunque il rischio di output discriminatorio non è mai nullo, anzi. Altro problema: l'utilizzo dell'AI per scopi malevoli. Cha GPT è stato addestrato a rifiutare richieste inappropriate, tipo incitamento all'odio, istruzioni per attività illegali, contenuti sessuali estremi, auto-lesionismo, bla bla bla.
[27:23]Eppure gli utenti smaliziati hanno spesso trovato degli escamotage, prompt elaborati, abuso di lingue alternative, role play finti, per aggirare questi filtri e ottenere risposte non consentite. Ad esempio, nei primi mesi qualcuno riusciva a farsi spiegare come costruire ordigni o rubare auto, semplicemente formulando la domanda in maniera ipotetica. Recentemente il modello di intelligenza artificiale di Antropic, Claude, sarebbe stato utilizzato dall'esercito statunitense nella serie di attacchi verso il Medio Oriente. Poiché la tecnologia accorcia la catena di attacco, ovvero il processo che va dall'identificazione del bersaglio fino all'approvazione legale e al lancio dell'attacco stesso. Stati Uniti e Israele, che in precedenza hanno utilizzato l'intelligenza artificiale per identificare obiettivi a Gaza, hanno lanciato quasi 900 attacchi contro obiettivi iraniani nelle prime 12 ore, durante le quali i missili israeliani hanno ucciso la guida suprema dell'Iran, l'Ayatollah Ali Khamenei. Questa cosa non è piaciuta ad Antropic, che sebbene abbia siglato degli accordi con il Pentagono per il proprio utilizzo nel dipartimento della difesa, non vuole che i suoi modelli vengano utilizzati direttamente per operazioni militari che prevedano l'utilizzo di armi. E qui c'è questo dualismo: io ti dico di sì, però non per tutto. E dov'è il finisce questo limite etico? Altro caso. Microsoft ha dovuto limitare il suo Bing AI dopo che in conversazioni lunghe, iniziava a rispondere con tono aggressivo o disturbante. Celebre il caso in cui il chatbot dichiarò amore a un giornalista e poi si arrabbiò, insultandolo. Questi incidenti rivelano che i modelli non hanno un vero freno morale, simulano emozioni e comportamenti che hanno appreso, ma se messi in condizioni limite possono sbandare completamente. Le aziende a questo punto hanno implementato delle politiche d'uso molto più rigide e filtri automatici.
[29:58]Ma questo apre un altro problema etico. Chi decide cosa l'AI può dire? C'è, infatti, chi accusa Open AI di censurare troppo il modello, ad esempio, eliminando certi punti di vista politici o risposte controverse. E qualcuno, quindi, solleva il tema della libertà di parola algoritmica, potremmo dire così. Altri, invece, criticano il fatto che i filtri siano ancora insufficienti e che i chatbot, specialmente quelli open source, possano generare discorsi d'odio, propaganda estremista, abusi e via dicendo. Ora, una soluzione non c'è e io sicuramente non ce l'ho qui oggi, ma è evidente che un sistema del genere, lasciato totalmente libero, potrebbe fare grossi danni. E che allo stesso tempo è vero che uno troppo limitato, beh, diventa inutile, oppure piegato a una visione ideologica di parte. E qui tornano i discorsi dei bias che coinvolgono anche le aziende e i loro proprietari che hanno evidenti interessi politici ed economici di sorta. Vi faccio poi una domanda: quanti di voi usano Cha GPT o simili? Immagino tutti. Quanti di voi però sanno cosa viene fatto con i dati e le conversazioni che date in pasto a questi strumenti? Beh, forse meno. Nelle impostazioni di Cha GPT, nella privacy, c'è un piccolo box dove date l'autorizzazione a utilizzare ciò che scrivete, i documenti che caricate e tutto ciò che succede nelle conversazioni per allenare il modello.
[31:57]Ora sappiamo che Open AI usa le chat degli utenti per training solo se gli utenti non lo disabilitano. Ma inizialmente non era chiaro e di default è comunque settato su autorizza, quindi dateci un'occhiata. Insomma, sul piano privacy si discute di diritto all'oblio applicato agli LLM. Se chiedo a Cha GPT informazioni su una persona, dovrebbe poter rispondere solo con ciò che è lecito ed è legato a dati non privati. Garantire questo è tutt'altro che banale, dato che il modello mescola le fonti. Un altro timore diffuso, di cui abbiamo già parlato nel video introduttivo, è quello che viene spesso raccontato, secondo il quale l'AI ci ruberà il lavoro nei prossimi anni. E qui la questione etica si abbraccia con quella economica. Come abbiamo detto, gli LLM possono essere utili per svolgere alcune funzioni base ripetitive, che di solito sono quelle che vengono svolte nelle aziende da figure junior, che sono in formazione e che devono ancora trovare la loro strada nell'azienda. Secondo Goldman Sachs, l'AI generativa potrebbe influenzare in vari modi fino a 300 milioni di posti di lavoro in tutto il mondo, già dai prossimi anni. Ora, è vero che la storia ci dice che le rivoluzioni tecnologiche creano più posti di lavoro sul lungo periodo di quelli che vanno a togliere, quindi l'occupazione totale aumenta. Ma facciamo attenzione, perché le rivoluzioni tecnologiche sul breve periodo hanno anche sempre portato a una transizione dolorosa per chi la subisce. E quindi oggi, che siamo, si spera, più accorti, dovremmo entrare in questa transizione in maniera più dolce e garantire, per quanto si può, dei sussidi o degli aiuti alle persone che verranno sicuramente, maggiormente, influenzate dai cambiamenti che l'AI porta con sé. C'è, infatti, il rischio enorme di polarizzazione. L'AI potrebbero ampliare le disuguaglianze, avvantaggiando chi ha competenze per usarle e penalizzando chi svolgeva lavori di routine, facilmente automatizzabili. Anche a livello di paesi, nazioni tecnologicamente avanzate produrranno i modelli e ne trarranno i profitti, mentre altre potrebbero restare indietro. Questo è un dilemma globale, su cui governi e istituzioni dovranno sicuramente intervenire a un certo punto. Ad esempio, con politiche per riqualificare la forza lavoro, introdurre nuovi sistemi di welfare e via dicendo. Persino la natura stessa del lavoro creativo è in discussione. Se un AI può scrivere un romanzo o comporre musica, quale sarà il ruolo degli artisti umani nel futuro? Al momento l'IA è più un assistente che un creatore indipendente, ma in futuro la cosa potrebbe veramente cambiare. E voglio poi sottolineare ancora che affidarsi troppo agli LLM potrebbe veramente atrofizzare le nostre capacità. Su questo non esistono studi concludenti, anche perché si tratta di un fenomeno relativamente nuovo. Ma io starei molto cauto perché secondo me stiamo veramente giocando con il fuoco. Amici e amiche, capiamoci, dobbiamo, ancora una volta lo dico, fare attenzione. Usare sempre Cha GPT per tutto ci abitua a non sforzarci, a non leggere, a non esercitare il nostro pensiero critico, e questo non può essere positivo. Direi che la cosa è evidente e sicuramente gli studi ce lo confermeranno, ma non che servano per capirlo. Finché l'invenzione della calcolatrice riduce le abilità di fare calcoli a mano e a mente, passi. Ma qui stiamo veramente rischiando di compromettere le nostre capacità e competenze, delegandole a uno strumento, il cui futuro è incerto in termini di qualità e affidabilità, anche, come abbiamo detto prima. Quindi, mi raccomando, la parola d'ordine è integrazione, non sostituzione. Integriamo l'AI con il nostro lavoro e saremo più forti, affidiamoci ciecamente e saremo dipendenti. E questo era quello che volevo raccontarvi oggi. Spero di aver detto delle cose che hanno senso e di avervi aiutato a fare chiarezza e a darvi spunti di riflessione. Se volete imparare a sfruttare Cha GPT al meglio per le vostre imprese di scrittura, vi rimando ancora una volta alla nostra guida, che trovate nella prima riga della descrizione o nel commento pinnato in alto, nella sezione commenti. Ci sarebbe tantissimo di cui parlare, perché c'è l'impatto ambientale, l'enorme quantità di energia che l'AI potrebbe richiedere nei prossimi anni. Veramente gli argomenti e i temi sono infiniti, ma per oggi ci fermiamo qui. Naturalmente, non dimenticare di lasciare un bel like a questo video, e di iscriverti al canale se ancora non l'hai fatto. Naturalmente, fammi sapere cosa ne pensi, dimmi la tua nei commenti. Detto questo, ragazzi, per oggi è tutto. Qua è Viktor, passo e chiudo e noi ci vediamo la prossima volta con un altro video. Ciao!
