1950: Alan Turing pubblica Computing Machinery and Intelligence, introducendo il famoso Test di Turing. In questo articolo, Turing propone il criterio per determinare se una macchina possa essere considerata intelligente. Il test, basato sulla capacità di una macchina di sostenere una conversazione indistinguibile da quella umana, ha influenzato profondamente lo sviluppo dell’AI. Tuttavia, ha ricevuto critiche nel tempo, con alcuni studiosi che sostengono che l’intelligenza non possa essere misurata solo attraverso il linguaggio. Ad esempio, John Searle con il suo Chinese Room Argument (1980) ha contestato l’idea che il semplice manipolare simboli in modo coerente equivalga a comprendere. Oggi, il Test di Turing è ancora usato come riferimento, ma con nuove varianti come il Winograd Schema Challenge, che punta a valutare meglio la comprensione semantica. Fonte: Alan Turing, Computing Machinery and Intelligence, 1950; John Searle, Minds, Brains, and Programs, 1980.
1956: La conferenza di Dartmouth segna la nascita ufficiale della disciplina. Organizzata da John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, questa conferenza ha riunito i primi pionieri dell’AI. L’obiettivo era sviluppare programmi capaci di simulare l’intelligenza umana. Tra le idee principali discusse vi erano l’elaborazione simbolica e il tentativo di costruire macchine capaci di risolvere problemi e apprendere. Da qui nacque la prima fase dell’AI simbolica, che ha influenzato i decenni successivi. Fonte: John McCarthy et al., Dartmouth Summer Research Project on Artificial Intelligence, 1956.
Anni ‘70-‘80: Il primo inverno dell’AI, a causa della limitata potenza computazionale. Durante questo periodo, l’AI subì una brusca frenata a causa delle difficoltà tecniche e della riduzione dei finanziamenti. I modelli simbolici si rivelarono inefficaci per compiti complessi, mentre i limiti hardware dell’epoca impedivano progressi significativi. Il DARPA e altre istituzioni ridussero drasticamente i finanziamenti alla ricerca, causando un periodo di stagnazione noto come “AI Winter”. Un esempio di fallimento fu il progetto britannico Lighthill Report (1973), che concluse che l’AI non stava producendo risultati concreti, portando al taglio dei finanziamenti. Fonte: Nick Bostrom, The History of Artificial Intelligence, 2006; Lighthill Report, 1973.
Anni ‘90-2000: L’AI rinasce grazie al machine learning e all’aumento della potenza di calcolo. L’adozione di nuovi modelli di apprendimento automatico, come le reti neurali e l’apprendimento supervisionato, ha segnato una svolta nella ricerca AI. L’aumento della capacità computazionale, grazie all’evoluzione dell’hardware e delle GPU, ha permesso l’addestramento di modelli più complessi. Tecnologie come i Support Vector Machines (SVM) e gli algoritmi di clustering hanno iniziato a mostrare risultati promettenti. Un caso emblematico è la vittoria del sistema IBM Deep Blue contro il campione di scacchi Garry Kasparov nel 1997, che dimostrò come il calcolo avanzato potesse superare l’intelligenza umana in compiti specifici. Fonte: Yann LeCun et al., Gradient-Based Learning Applied to Document Recognition, 1998; IBM Deep Blue vs. Garry Kasparov, 1997.
Anni 2010-2020: L’avvento delle reti neurali profonde (Deep Learning) e dell’AI generativa. Durante questo decennio, le tecniche di apprendimento profondo hanno rivoluzionato il campo dell’intelligenza artificiale, rendendo possibili progressi senza precedenti in molteplici ambiti. Algoritmi come le reti neurali convoluzionali (CNN) hanno migliorato il riconoscimento delle immagini, mentre le reti ricorrenti (RNN) e i trasformatori hanno portato a significativi avanzamenti nella generazione del linguaggio naturale, culminando nello sviluppo di modelli come BERT e GPT-3. Parallelamente, l’AI generativa ha visto la nascita di strumenti capaci di creare immagini e musica con un realismo crescente, come le GAN (Generative Adversarial Networks) e i modelli di diffusione. Questi progressi hanno avuto un impatto profondo su settori come la medicina, l’automazione industriale e l’intrattenimento, aprendo nuove sfide etiche e regolatorie. Fonte: Goodfellow et al., Deep Learning, 2016; Vaswani et al., Attention Is All You Need, 2017.
