Home » Magazine » Intelligenza artificiale e linguaggio: cosa si nasconde dietro le risposte dei Large Language Models?
Intelligenza artificiale e linguaggio: cosa si nasconde dietro le risposte dei Large Language Models?
I grandi modelli linguistici stanno cambiando il nostro modo di interagire con la tecnologia. In pochi anni sono passati dall’essere una curiosità della ricerca a strumenti utilizzati ogni giorno per scrivere testi, rispondere a domande, tradurre lingue e sintetizzare informazioni.
La naturalezza con cui dialogano ha aperto nuove opportunità, ma anche interrogativi sempre più profondi sul funzionamento dell’intelligenza artificiale e sui limiti delle sue capacità.
A esplorare questi temi sono Luca Rinaldi e Vittoria Dentella, ricercatori dell’Università di Pavia, che studiano i Large Language Models (LLM) da una prospettiva che intreccia scienze cognitive, linguistica e intelligenza artificiale. Le loro ricerche si concentrano su una domanda fondamentale: quando un modello produce una risposta convincente, sta davvero “ragionando” oppure sta semplicemente riconoscendo schemi statistici appresi da enormi quantità di dati?
Comprendere cosa si nasconde dietro la sorprendente plausibilità delle risposte generate dall’IA significa andare oltre l’effetto stupore e analizzare come questi sistemi elaborino il linguaggio, quali siano i loro punti di forza e, soprattutto, quali limiti presentino quando vengono utilizzati per informare, assistere o supportare decisioni.
In questa intervista, Luca Rinaldi e Vittoria Dentella ci guidano alla scoperta del funzionamento dei Large Language Models, aiutandoci a distinguere tra l’impressione di comprendere e la reale capacità di elaborare conoscenza.
I grandi modelli linguistici pensano davvero? Cosa si nasconde dietro le risposte “plausibili” dell’IA?
I grandi modelli linguistici, i cosiddetti Large Language Models (LLM), sono diventati in pochi anni interlocutori abituali: scrivono testi, rispondono a domande, riassumono documenti, traducono lingue.
A colpire non è solo la fluidità del linguaggio, ma soprattutto la plausibilità delle loro risposte, spesso indistinguibili da quelle di un essere umano. Ma che cosa significa davvero “plausibile”? E fino a che punto ci si può fidare di ciò che l’IA ci restituisce?
Con “plausibilità”, in questo contesto, si intende un output che risulta credibile tanto quanto lo sarebbe la risposta di una persona. Studi recenti mostrano però che questa credibilità è, in parte, solo apparente: i modelli sono molto efficaci nel riprodurre pattern statistici del linguaggio, ma non sempre rispettano vincoli logici o fattuali in modo affidabile. Questo vale sia per gli aspetti grammaticali e semantici, sia per il tipo di informazioni che accumulano e riorganizzano.
I LLM vengono addestrati su enormi quantità di dati testuali, spesso raccolti dal web: romanzi, articoli, pagine web, conversazioni.
Pur essendo in larga misura spesso “solo linguistici” (se si pensa alle prime versioni di ChatGPT) — cioè privi di accesso diretto a immagini, suoni o sensazioni corporee questi modelli riescono comunque a riprodurre con buona fedeltà rappresentazioni di contenuti visivi, esperienziali e sensoriali.
Questo risultato suggerisce, di contro, che il linguaggio umano veicola molto più di semplici parole: dentro i pattern statistici dei testi si nascondono anche tracce delle nostre esperienze, dei nostri schemi di ragionamento, delle associazioni che facciamo quando percepiamo il mondo.
Quando anche l’IA eredita i nostri bias
In questo quadro entrano in gioco i bias cognitivi. Con questa espressione si indicano schemi ricorrenti di percezione e ragionamento che caratterizzano il nostro modo di rispondere alle domande e prendere decisioni, spesso in modo non pienamente razionale. Un esempio semplice: se si chiede quanto è “lungo” un film rispetto a quanto è “corto” lo stesso film, la nostra risposta tenderà a cambiare a seconda della formulazione della domanda, perché parte della risposta è già suggerita dalle parole usate nel quesito.
Poiché i LLM apprendono dalle tracce linguistiche lasciate dagli esseri umani, finiscono per assorbire non solo informazioni e stereotipi sociali, ma anche questi schemi cognitivi ricorrenti. L’aspetto più interessante, però, è che i bias cognitivi non sono soltanto “errori” da eliminare: nella vita quotidiana questi bias possono avere una funzione adattiva, aiutando a semplificare problemi complessi o a prendere decisioni rapide quando il tempo è limitato e l’informazione è incompleta.
Da qui nasce una domanda cruciale: rendere l’IA più “razionale” costituisce davvero un possibile miglioramento? Da un lato, soprattutto in contesti sensibili come quelli medici o finanziari, ci si aspetta che un sistema artificiale fornisca risposte il più possibile oggettive, coerenti e logicamente fondate, riducendo al minimo scorciatoie e distorsioni. Dall’altro lato, in ambiti più vicini alla conversazione, alla creatività o al supporto decisionale, può essere utile che l’IA rifletta almeno in parte il nostro modo di ragionare, con le sue euristiche e i suoi compromessi tra precisione e rapidità.
Conclusione
Il dibattito scientifico ed etico è, dunque, acceso e aperto: intervenire per “correggere” i bias nei LLM significa anche scegliere quali forme di ragionamento privilegiare e quali considerare indesiderabili. La letteratura scientifica recente, infatti sottolinea che la rimozione dei bias cognitivi non implica automaticamente decisioni migliori.
In definitiva, il futuro dell’intelligenza artificiale non dipende solo da nuovi algoritmi, ma dalle scelte (etiche) di chi la progetta e la studia. Capire quali aspetti del nostro modo di pensare devono essere imitati e quali invece evitati è una delle sfide chiave per lo sviluppo dei sistemi artificiali del domani.
