Tipi di intelligenza artificiale: la mappa completa

I tre assi della mappa dell'IA

Non esiste un'unica lista ufficiale dei tipi di IA. Le etichette confuse – IA ristretta, IA generativa, apprendimento automatico, sistema esperto – non descrivono la stessa cosa: rispondono a tre domande indipendenti. Separando questi tre assi si classifica con chiarezza qualsiasi sistema invece di mescolare slogan.

• Capacità – Quanto è ampia l'intelligenza? Dalla specializzazione ristretta alla generalità ipotetica fino alla superintelligenza.
• Meccanismo – Da dove viene il comportamento? Da regole programmate a mano o da schemi appresi dai dati.
• Risultato – Cosa produce il sistema? Una previsione o classificazione (predittivo) o nuovi contenuti come testo, immagini, codice (generativo).

Capacità: ristretta, generale e superintelligenza

Questo asse riguarda la domanda posta da Alan Turing nel 1950: quanto è generale la macchina? Il punto pratico: ogni sistema oggi esistente è IA ristretta (debole). IA generale e superintelligenza sono termini di ricerca e dibattito, non prodotti acquistabili.

• IA ristretta/debole (ANI): specializzata su un compito – traduzione, riconoscimento facciale, scacchi. Anche ChatGPT rientra qui, per quanto versatile sembri.
• IA generale/forte (AGI): sistema ipotetico con intelligenza simile a quella umana, trasversale ai compiti. Non esiste; tempi e fattibilità restano aperti.
• Superintelligenza (ASI): sistema puramente speculativo che supererebbe l'intelligenza umana in quasi ogni ambito.
• Prospettiva alternativa (secondo Arend Hintze): macchine reattive (es. Deep Blue), sistemi a memoria limitata (gli attuali modelli ML), theory of mind e IA autocosciente – le ultime due restano ipotetiche.

Meccanismo: basato su regole contro apprendimento

Il secondo asse separa l'IA classica e simbolica da quella moderna che apprende. I sistemi basati su regole (detti anche GOFAI o sistemi esperti, influenti dagli anni '70) seguono regole se-allora scritte da persone. Sono trasparenti, deterministici e verificabili, ma rigidi: ciò che non è codificato come regola non sanno farlo.

I sistemi che apprendono (apprendimento automatico, ML) ricavano il comportamento dai dati invece di essere programmati esplicitamente. Arthur Samuel coniò il termine già nel 1959. Il deep learning con reti neurali è la variante oggi dominante. Questi modelli sono adattivi e forti sugli schemi, ma avidi di dati e spesso difficili da interpretare. Molti sistemi reali sono ibridi (neuro-simbolici) e uniscono i due mondi.

Risultato: IA predittiva contro generativa

Dall'ascesa di ChatGPT è l'asse più discusso. L'IA predittiva risponde a «cos'è questo?» o «cosa succede dopo?»: classifica, valuta o prevede. L'IA generativa risponde a «creami qualcosa di nuovo»: produce testo, immagini, codice, audio o video. Tecnicamente entrambe condividono spesso le stesse basi di ML; i modelli generativi imparano inoltre a modellare la distribuzione dei dati abbastanza bene da produrre nuovi esempi plausibili. L'architettura Transformer del 2017 ha reso possibili gli attuali grandi modelli linguistici.

• Predittivo: filtro antispam, credit scoring, previsione della domanda, triage medico, riconoscimento immagini, rilevamento frodi.
• Generativo: modelli linguistici (ChatGPT, Claude, Gemini), generatori di immagini (modelli di diffusione), assistenti di codice, sintesi vocale.

Metodi di apprendimento in dettaglio: supervisionato, non supervisionato, per rinforzo

All'interno dell'IA che apprende, la distinzione principale riguarda il tipo di addestramento. Spiega perché alcuni sistemi richiedono dati etichettati e altri imparano dall'esperienza.

• Apprendimento supervisionato: da esempi con risposte note (etichette), es. email come «spam»/«non spam». Base della maggior parte delle applicazioni predittive.
• Apprendimento non supervisionato: trova struttura senza etichette, come segmenti di clientela o anomalie (clustering).
• Apprendimento per rinforzo: impara tramite ricompensa per tentativi ed errori; ha reso possibili ad esempio AlphaGo (DeepMind, 2016) e il controllo di robot.
• Apprendimento auto-supervisionato: genera il segnale di addestramento dai dati stessi ed è la base su cui vengono pre-addestrati i grandi modelli linguistici.

Come si combinano i tipi – esempi concreti

I tre assi sono indipendenti, quindi ogni sistema si descrive come combinazione (capacità • meccanismo • risultato). Tutti gli esempi odierni sono IA ristretta:

• Filtro antispam: ristretto • apprende (supervisionato) • predittivo.
• Motore di regole fiscali o di compliance: ristretto • basato su regole • deterministico/predittivo.
• ChatGPT / Claude: ristretto • apprende (auto-supervisionato) • generativo.
• Raccomandazione prodotti in un negozio online: ristretto • apprende • predittivo.
• AlphaGo: ristretto • apprende (per rinforzo) • orientato alla decisione.
• Generatore di immagini (modello di diffusione): ristretto • apprende • generativo.

Prospettiva svizzera: scegliere e governare il tipo di IA giusto

Il tipo di IA deve seguire il compito, non l'entusiasmo. Per decisioni spiegabili e regolamentate (credito, assicurazioni, amministrazione pubblica), i modelli basati su regole o predittivi con chiara spiegabilità sono spesso la scelta migliore. L'IA generativa eccelle in bozze, riassunti e ideazione, ma comporta rischi propri: allucinazioni, fonti poco chiare e possibili fughe di dati.

In Svizzera la nuova legge sulla protezione dei dati (nLPD) si applica all'uso di qualsiasi tipo di IA; l'autorità di vigilanza è l'IFPDT. Chi immette dati personali in sistemi predittivi o generativi deve chiarire finalità, trasparenza e contratti di trattamento, soprattutto con modelli linguistici in cloud. Le aziende con legami con l'UE affrontano inoltre l'EU AI Act come quadro aggiuntivo basato sul rischio. La supervisione umana resta la garanzia per tutti i tipi.