Luca Dan Șerbănați all'esame di maturità, 1961
Luca Dan Șerbănați nei primi anni Settanta
Luca Dan Șerbănați all'ultima lezione del quinto anno, aprile 1989

Luca Dan Șerbănați

Professore emerito alla Politehnica di Bucarest

Ricerca, insegnamento, industria e memorie

RO | EN | IT
Luca Dan Șerbănați a Venezia, 1990
Luca Dan Șerbănați a New York, 2005
Luca Dan Șerbănați

Cronologia dell’intelligenza artificiale, 1943–2025

Dal modello del neurone artificiale e dall’IA simbolica al deep learning, ai modelli fondamentali, all’IA generativa e alle prime regolamentazioni globali.

Questa pagina è una cronologia sintetica, non una storia esaustiva dell’intelligenza artificiale. Il suo ruolo è offrire un quadro di orientamento per i miei testi sull’IA: il libro del 1985, le ricerche successive su ontologie, agenti, ecosistemi digitali e digital twins, e le riflessioni recenti sui modelli conversazionali.

Ho scelto il 1943 come punto di partenza perché il modello formale del neurone artificiale proposto da McCulloch e Pitts anticipa una delle linee profonde dell’IA: il tentativo di collegare il funzionamento del pensiero a strutture logiche o computazionali. Il 1956 resta tuttavia il momento fondativo istituzionale, con la Conferenza di Dartmouth, dove il termine “intelligenza artificiale” entra nella circolazione scientifica.

Un filo personale: R2V2R, avatar e digital twins

Prima della cronologia propriamente detta, è utile recuperare un filo concettuale specifico delle mie ricerche: il passaggio da R2V2R – Real to Virtual to Real – agli avatar e ai digital twins nel campo della salute. Questa direzione non appartiene alla cronologia generale dell’IA, ma mostra come alcune idee dell’intelligenza artificiale, dei sistemi multi-agente e della modellazione digitale siano entrate nel mio percorso di ricerca.

Nella sua forma più semplice, R2V2R descrive un circuito: la realtà medica viene catturata e proiettata in uno spazio virtuale, e quello spazio virtuale, una volta strutturato, interpretato e attivato da servizi intelligenti, ritorna sulla realtà sostenendo decisione e azione. In questo filo rientrano i concetti di Virtual Healthcare Record, Digital Healthcare Ecosystem, LuMiR, agentificazione dei sistemi EHR e, infine, Health Digital State e Smart EHR.

Retrospettivamente, l’avatar della salute proposto attraverso Smart EHR può essere letto come una forma precoce di digital twin: non una semplice copia passiva del paziente, ma una rappresentazione digitale attiva, alimentata da dati clinici, capace di interagire con il medico, organizzare l’informazione e partecipare ai processi diagnostici e terapeutici.

Articoli collegati a questo filo

1943–1956 – La preistoria dell’intelligenza artificiale

Prima del nome ufficiale

Prima che il campo ricevesse il nome di “intelligenza artificiale”, diverse linee convergenti prepararono il terreno: logica matematica, cibernetica, teoria dell’informazione, calcolatori elettronici programmabili e primi modelli formali del neurone.

  • 1943 – Warren McCulloch e Walter Pitts propongono un modello formale del neurone artificiale, basato sulla logica booleana.
  • 1946–1949 – Compaiono i primi calcolatori elettronici programmabili e l’architettura a programma memorizzato.
  • 1948 – Norbert Wiener pubblica Cybernetics, opera che influenza il pensiero su feedback, controllo e autoregolazione.
  • 1950 – Alan Turing pubblica Computing Machinery and Intelligence e propone il test che porterà il suo nome.
  • 1951 – Dietrich Prinz implementa un programma semplificato di scacchi sul Ferranti Mark I.
  • 1955–1956 – Allen Newell e Herbert Simon sviluppano Logic Theorist, capace di dimostrare teoremi logici.

1956–1966 – L’entusiasmo fondativo

La nascita dell’IA simbolica

La Conferenza di Dartmouth del 1956 segna la costituzione dell’IA come campo di ricerca. Nel primo decennio domina l’ottimismo: l’intelligenza sembra modellabile tramite simboli, regole, ricerca in spazi di stati e programmi capaci di risolvere problemi.

  • 1956 – La Conferenza di Dartmouth consacra il termine “Artificial Intelligence”.
  • 1958 – John McCarthy sviluppa Lisp, linguaggio che diventa essenziale per la ricerca in IA.
  • 1957–1958 – Frank Rosenblatt propone il perceptron, prima forma semplice di rete neurale.
  • 1959 – Newell e Simon sviluppano General Problem Solver, simbolo dell’approccio basato sulla risoluzione generale dei problemi.
  • 1961 – Unimate diventa il primo robot industriale installato in fabbrica.
  • 1965–1966 – ELIZA, il programma di Joseph Weizenbaum, mostra la forza psicologica dell’interazione testuale uomo–macchina.

1966–1976 – I primi limiti e il primo inverno

Dall’ottimismo alla prudenza

Dopo l’entusiasmo fondativo, la ricerca in IA incontra difficoltà teoriche e pratiche: i calcolatori sono ancora limitati, il mondo reale si rivela difficile da formalizzare e le promesse iniziali non si realizzano al ritmo atteso.

  • 1968–1970 – SHRDLU, il sistema di Terry Winograd, combina linguaggio naturale, ragionamento e un mondo simbolico di blocchi.
  • 1969 – Minsky e Papert pubblicano Perceptrons, contribuendo al declino dell’interesse per le reti neurali semplici.
  • 1971 – STRIPS introduce un formalismo influente per la pianificazione automatica.
  • 1972 – Prolog nasce in Francia e diventa uno dei linguaggi chiave della programmazione logica.
  • anni Settanta – DENDRAL e MYCIN dimostrano il potenziale dei sistemi esperti in domini specializzati.
  • 1973 – Il Rapporto Lighthill critica i risultati dell’IA e contribuisce alla riduzione dei finanziamenti nel Regno Unito.
  • 1976 – Joseph Weizenbaum pubblica Computer Power and Human Reason, portando nel dibattito i limiti etici e filosofici dell’intelligenza simulata.

1977–1987 – Sistemi esperti e rinascita dell’IA simbolica

L’epoca della rappresentazione esplicita della conoscenza

L’IA riacquista visibilità attraverso sistemi esperti, linguaggi simbolici e progetti ambiziosi. Prolog, Lisp, regole di produzione, motori di inferenza e knowledge engineering diventano riferimenti centrali.

  • fine anni Settanta – MYCIN diventa l’esempio classico di sistema esperto medico.
  • 1978–1980 – XCON/R1 viene implementato alla Digital Equipment Corporation per la configurazione dei sistemi di calcolo.
  • 1979 – OPS5 diventa uno strumento importante per i sistemi basati su regole.
  • 1980–1981 – Nascono aziende specializzate in IA, come IntelliCorp e Teknowledge.
  • 1982 – Il Giappone lancia il progetto Fifth Generation Computer Systems, basato su programmazione logica e architetture parallele.
  • 1986 – La backpropagation viene resa popolare da Rumelhart, Hinton e Williams, riaccendendo l’interesse per le reti neurali multistrato.
  • anni Ottanta – Emergono le prime direzioni mature di intelligenza artificiale distribuita e sistemi multi-agente.

Questo periodo è importante anche per il mio percorso personale: nel 1985 pubblicai, insieme a Cristian Giumale, il libro Inteligența artificială, scritto all’interno del paradigma simbolico dell’epoca.

1987–1997 – Il secondo inverno e i metodi probabilistici

Declino dei sistemi esperti e cambio di direzione

I costi elevati, la difficoltà di mantenere le basi di conoscenza e il crollo del mercato delle macchine Lisp portano a un nuovo periodo di scetticismo. Allo stesso tempo si consolidano metodi probabilistici e statistici, che preparano i cambiamenti successivi.

  • fine anni Ottanta – Il mercato delle macchine Lisp crolla e i sistemi esperti perdono parte della credibilità commerciale.
  • 1988 – Judea Pearl pubblica lavori fondamentali sulle reti bayesiane e sul ragionamento probabilistico.
  • 1989 – ALVINN, progetto della Carnegie Mellon, dimostra la guida autonoma assistita da reti neurali.
  • anni Novanta – Gli Hidden Markov Models diventano dominanti nel riconoscimento vocale.
  • 1993 – L’algoritmo C4.5 di Quinlan consolida gli alberi decisionali come strumento di machine learning.
  • 1995 – ALICE anticipa una linea di sviluppo dei chatbot.
  • 1997 – Deep Blue sconfigge Garry Kasparov, momento simbolico nel rapporto tra calcolo massivo e intelligenza umana.

1997–2007 – Machine learning, internet e dati

L’IA entra nell’infrastruttura web

La crescita di internet cambia la scala dei problemi. Motori di ricerca, commercio elettronico, raccomandazioni, traduzione automatica e veicoli autonomi dipendono sempre più da metodi statistici e di apprendimento automatico.

  • 1997 – La vittoria di Deep Blue ha un grande impatto pubblico e riporta l’IA all’attenzione dei media.
  • 1998 – Google Search utilizza PageRank, algoritmo che riorganizza l’accesso all’informazione web.
  • anni Duemila – SVM, Random Forests, Boosting e altri metodi statistici diventano strumenti standard di classificazione e predizione.
  • 2004–2005 – La DARPA Grand Challenge stimola decisivamente la ricerca sui veicoli autonomi.
  • 2006 – Amazon Web Services facilita l’accesso a infrastrutture scalabili di archiviazione e calcolo.
  • 2006–2007 – Le ricerche di Hinton, Bengio, LeCun e altri preparano il ritorno delle reti neurali profonde.

2007–2016 – La rivoluzione del deep learning

Dati, GPU e reti profonde

La disponibilità di grandi volumi di dati, la potenza di calcolo delle GPU e i progressi algoritmici trasformano le reti neurali profonde in una tecnologia dominante. L’IA entra massicciamente in prodotti commerciali, servizi digitali, riconoscimento visivo, riconoscimento vocale e traduzione automatica.

  • 2009 – ImageNet crea un riferimento essenziale per la ricerca in visione artificiale.
  • 2012 – AlexNet vince la competizione ImageNet e segna l’inizio visibile della rivoluzione deep learning.
  • 2014 – Ian Goodfellow propone le GAN, aprendo una strada importante per l’IA generativa.
  • 2014–2016 – Assistenti come Siri, Alexa e Google Assistant entrano nell’uso quotidiano dell’IA.
  • 2015–2016 – TensorFlow, Keras e PyTorch contribuiscono alla democratizzazione dello sviluppo dei modelli di IA.
  • 2016 – AlphaGo sconfigge il campione Lee Sedol a Go, momento paragonabile, per impatto simbolico, a Deep Blue nel 1997.
  • 2016 – La traduzione automatica neurale diventa un importante riferimento industriale.

2017–2025 – IA generativa e modelli fondamentali

Dai modelli specializzati alle infrastrutture cognitive

L’architettura Transformer cambia decisivamente l’elaborazione del linguaggio naturale. I grandi modelli linguistici, i modelli multimodali e l’IA generativa segnano il passaggio da applicazioni specializzate a sistemi capaci di scrivere, riassumere, programmare, generare immagini ed entrare in dialogo con l’utente.

  • 2017 – Attention Is All You Need introduce il Transformer, architettura che dominerà i grandi modelli linguistici.
  • 2018 – BERT consacra i modelli Transformer bidirezionali per la comprensione del linguaggio.
  • 2019–2020 – GPT-2 e GPT-3 amplificano l’interesse per i modelli linguistici generativi su larga scala.
  • 2020 – AlphaFold dimostra la forza dell’IA nella predizione della struttura delle proteine.
  • 2021 – GitHub Copilot porta la generazione di codice assistita dall’IA nella pratica dei programmatori.
  • 2022 – DALL·E, Midjourney e Stable Diffusion diffondono la generazione di immagini; ChatGPT trasforma pubblicamente l’interazione conversazionale con l’IA.
  • 2023 – GPT-4, LLaMA, Claude e altri modelli confermano il passaggio a una competizione globale dei modelli fondamentali.
  • 2024–2025 – IA multimodale, agenti autonomi, applicazioni enterprise e regolamentazioni, incluso l’AI Act dell’Unione Europea, diventano temi centrali.

È la fase in cui l’IA cessa di essere percepita soltanto come tecnologia di sfondo e diventa interlocutore, coautore, strumento di decisione, infrastruttura della conoscenza e problema politico, giuridico e morale.

Sintesi per fasi

Periodo Caratterizzazione Riferimenti
1943–1956 Preistoria dell’IA Neurone artificiale, cibernetica, Test di Turing, calcolatori programmabili, Logic Theorist.
1956–1966 Entusiasmo fondativo Dartmouth, Lisp, perceptron, General Problem Solver, ELIZA.
1966–1976 Primi limiti SHRDLU, Prolog, STRIPS, DENDRAL, MYCIN, Rapporto Lighthill.
1977–1987 Rinascita attraverso i sistemi esperti XCON, OPS5, Prolog, macchine Lisp, FGCS, backpropagation.
1987–1997 Secondo inverno e probabilismo Declino dei sistemi esperti, reti bayesiane, HMM, ALVINN, Deep Blue.
1997–2007 Machine learning e internet PageRank, SVM, Random Forests, DARPA Grand Challenge, AWS, prime applicazioni web su larga scala.
2007–2016 Deep learning ImageNet, AlexNet, GAN, TensorFlow, PyTorch, AlphaGo, traduzione neurale.
2017–2025 IA generativa e modelli fondamentali Transformer, BERT, GPT, ChatGPT, DALL·E, AlphaFold, LLaMA, AI Act.

Collegamenti interni

Torna a Intelligenza artificiale • Torna a Ricerca