Il glossario di AI che ti servirà per tutto l’anno

L’intelligenza artificiale sta riscrivendo il mondo e, nel farlo, sta creando anche un lessico tutto nuovo. Basta assistere a una riunione prodotto, a un pitch o a un panel per sentire snocciolare sigle e termini come LLM, RAG, RLHF e molti altri che possono mettere in difficoltà anche chi lavora nel tech. Questo glossario nasce per chiarire le idee: definizioni in italiano semplice dei concetti di AI che è più probabile incontrare davvero, che tu stia costruendo con queste tecnologie, investendo nel settore o semplicemente cercando di restare aggiornato leggendo le notizie o ascoltando podcast. Lo aggiorniamo regolarmente man mano che il campo evolve: consideralo un documento vivo, proprio come i sistemi che descrive.

AGI

AGI, o intelligenza artificiale generale, è un termine sfuggente. In linea di massima indica sistemi di AI capaci di superare una persona media in molte — se non nella maggior parte — delle attività. Alcuni la descrivono come “un collega medio che potresti assumere”, altri come sistemi “altamente autonomi che superano gli esseri umani nella gran parte del lavoro economicamente rilevante”. C’è anche chi la definisce come AI “almeno pari agli umani nella maggior parte dei compiti cognitivi”. Se ti sembra vago, non sei solo: anche tra i massimi esperti non c’è un accordo univoco.

Agente AI

Un agente AI è uno strumento che usa tecniche di intelligenza artificiale per svolgere, in autonomia, sequenze di azioni al tuo posto — oltre le capacità di una semplice chatbot. Può, ad esempio, compilare note spese, prenotare biglietti o un tavolo al ristorante, e persino scrivere e mantenere codice. Il settore è in rapido movimento e “agente AI” può voler dire cose diverse a seconda del contesto: l’infrastruttura necessaria è ancora in costruzione, ma il concetto chiave è un sistema che coordina più modelli o servizi AI per portare a termine compiti multi-step.

API endpoints

Pensa agli endpoint API come a “pulsanti nascosti” sul retro di un software: altri programmi possono “schiacciarli” per fargli fare qualcosa. Gli sviluppatori usano queste interfacce per creare integrazioni — ad esempio consentire a un’app di leggere dati da un’altra, o permettere a un agente AI di controllare servizi terzi senza intervento manuale. Quasi tutti i dispositivi smart e le piattaforme connesse espongono endpoint, anche se l’utente finale non li vede. Con agenti sempre più abili, cresce la capacità di scoprire e usare autonomamente questi endpoint, aprendo a forme potenti — e talvolta inattese — di automazione.

Chain of thought

Spesso risolviamo mentalmente domande semplici (“è più alto una giraffa o un gatto?”), ma per problemi con passaggi intermedi tiriamo fuori carta e penna. Nei modelli linguistici, la chain-of-thought è proprio questo: scomporre un problema in step più piccoli per aumentare accuratezza e coerenza della risposta. Richiede più tempo, ma può migliorare molto logica e codice. I modelli “reasoning” derivano da LLM tradizionali e sono ottimizzati a ragionare a passi grazie al reinforcement learning.

Vedi anche: Large Language Model (LLM)

Coding agents

Sono una categoria specifica di agenti AI pensati per lo sviluppo software. Non si limitano a suggerire snippet: scrivono, testano e fanno debug in autonomia, occupandosi del lavoro iterativo e di tentativi tipico di una giornata da dev. Possono operare sull’intero codebase, individuare bug, eseguire test e proporre fix con supervisione minima. È un po’ come avere un tirocinante velocissimo e instancabile: efficace, ma con necessità di revisione umana.

Compute

Con “compute” si indica, in generale, la potenza di calcolo che rende possibili addestramento e inferenza dei modelli di AI. È lo “carburante” dell’AI moderna e fa spesso riferimento all’hardware che la fornisce: GPU, CPU, TPU e altri acceleratori e infrastrutture che costituiscono la base del settore.

Deep learning

È un sottoinsieme del machine learning che usa reti neurali artificiali multistrato (ANN). Rispetto a modelli più semplici (lineari, alberi decisionali), queste reti colgono correlazioni più complesse. Si ispirano alla struttura interconnessa dei neuroni nel cervello umano.

I modelli di deep learning individuano da soli le caratteristiche rilevanti nei dati, senza che gli ingegneri debbano definirle tutte a mano. Grazie a feedback e iterazioni, migliorano progressivamente le uscite. Servono però molti dati (milioni o più) e tempi di addestramento lunghi, con costi maggiori.

Vedi anche: Rete neurale

Diffusione

La “diffusion” è la tecnologia alla base di molti modelli generativi di immagini, audio e testo. Ispirata alla fisica, la tecnica aggiunge progressivamente rumore ai dati (foto, brani, ecc.) fino a “distruggerne” la struttura. In natura la diffusione è irreversibile (lo zucchero sciolto nel caffè non torna cubetto), ma i modelli di AI imparano il processo inverso: ricostruire i dati a partire dal rumore. Da qui la capacità di generare contenuti realistici.

Distillazione

La distillazione trasferisce conoscenza da un modello grande “insegnante” a un modello più piccolo “studente”. Si interrogano il teacher e si registrano le risposte, talvolta confrontandole con dataset di riferimento. Queste uscite guidano l’addestramento dello student, che impara ad approssimare il comportamento del teacher.

Risultato: un modello più leggero ed efficiente con minima perdita di qualità. È una tecnica comune per creare versioni “turbo” di modelli più grandi. Tutte le aziende AI usano la distillazione internamente; distillare dalle API di un concorrente, però, in genere viola i termini d’uso.

Fine-tuning

È l’addestramento aggiuntivo di un modello su dati specifici per ottimizzarlo in un dominio o compito mirato. Molte startup partono da LLM generalisti e li raffinano con dati proprietari di settore per creare prodotti verticali più utili.

Vedi anche: Large Language Model (LLM)

GAN

Le Generative Adversarial Network sono un’architettura di machine learning fondamentale per generare dati realistici (inclusi i famigerati deepfake). Due reti neurali si “sfidano”: il generatore produce campioni, il discriminatore prova a smascherarli. Questo gioco a somma zero spinge il generatore a migliorare senza supervisione umana costante. Le GAN brillano in compiti ristretti (foto o video realistici), meno come AI generaliste.

Allucinazione

Per “hallucination” si intende quando un modello inventa informazioni sbagliate. È un problema serio di qualità. Le allucinazioni possono fuorviare e, in certi contesti (es. salute), risultare pericolose. Una causa tipica sono lacune nei dati di addestramento. Per ridurle, cresce l’interesse verso modelli verticali e specializzati, con minori buchi di conoscenza e rischi di disinformazione più contenuti.

Inferenza

È l’esecuzione del modello per fare previsioni o trarre conclusioni dai pattern appresi in addestramento. Senza training, niente inferenza. L’inferenza può girare su smartphone, GPU o acceleratori dedicati, ma i modelli molto grandi richiedono hardware potente per rispondere in tempi accettabili.

Vedi anche: Training

Large Language Model (LLM)

Gli LLM sono i modelli dietro i più noti assistenti AI (ChatGPT, Claude, Gemini, Llama di Meta, Copilot di Microsoft, Le Chat di Mistral). Quando scrivi a un assistente, stai interagendo con un LLM che può usare anche strumenti esterni come browser o interpreti di codice.

Un LLM è una rete neurale profonda con miliardi di parametri (o “pesi”). Impara relazioni tra parole e frasi creando una rappresentazione statistica del linguaggio, una sorta di mappa multidimensionale. È addestrato su grandi corpora di libri, articoli e trascrizioni. Quando lo “prompti”, genera la sequenza più probabile coerente con la richiesta.

Vedi anche: Rete neurale

Memory cache

La cache è una tecnica per accelerare l’inferenza riducendo i calcoli ripetuti. Ogni operazione costa tempo ed energia: salvare risultati intermedi consente di riusarli. Nei transformer è diffusa la cache KV (key–value), che memorizza rappresentazioni utili durante la generazione e velocizza le risposte riducendo il lavoro per token.

Vedi anche: Inferenza

Model Context Protocol (MCP)

MCP è uno standard aperto che consente ai modelli di AI di collegarsi a strumenti e dati esterni — file, database, app come Slack o Google Drive — senza dover costruire un connettore ad hoc per ogni integrazione. È come una porta USB‑C per l’AI. Introdotto da Anthropic nel 2024 e poi trasferito alla Linux Foundation, è stato adottato rapidamente da OpenAI, Google e Microsoft.

Mixture of Experts (MoE)

MoE è un’architettura che scompone una rete neurale in tanti “esperti” specializzati e attiva solo quelli più adatti al compito corrente. Un router interno seleziona chi lavora su ogni input. Così si possono costruire modelli enormi mantenendo velocità ed efficienza, perché solo una frazione della rete è attiva per volta. Mixtral di Mistral è un esempio noto; si ritiene che anche alcuni modelli recenti di OpenAI usino approcci simili.

Vedi anche: Rete neurale, Deep learning

Rete neurale

La rete neurale è la struttura multilivello alla base del deep learning e, più in generale, dell’attuale boom del generativo. L’idea risale agli anni ’40, ma l’arrivo delle GPU — spinte dal gaming — ha sbloccato addestramenti con molti più strati e performance nettamente superiori in campi come riconoscimento vocale, navigazione autonoma e scoperta di farmaci.

Vedi anche: Large Language Model (LLM)

Open source

Open source significa che il codice — o, nel caso dei modelli AI, i pesi e gli artefatti necessari — è pubblico, riusabile e modificabile da chiunque. Nel mondo AI, la famiglia Llama di Meta è un esempio rilevante; nel software, Linux è il parallelo storico. L’open source accelera il progresso e abilita audit indipendenti sulla sicurezza. Al contrario, il closed source tiene il codice riservato: puoi usare il prodotto ma non vedi come funziona (come avviene con i modelli GPT di OpenAI). Il dibattito tra approcci aperti e chiusi è uno dei temi caldi del settore.

Parallelizzazione

È l’arte di fare molte operazioni in contemporanea invece che in sequenza. Nel machine learning è cruciale per training e inferenza: le GPU sono nate per eseguire migliaia di calcoli in parallelo, motivo per cui sono diventate lo standard di fatto. Con modelli sempre più grandi, distribuire il lavoro su più chip e macchine è decisivo per ridurre tempi e costi. Non a caso, le strategie di parallelizzazione sono un’area di ricerca a sé.

RAMageddon

“RAMageddon” è il nomignolo — ironico ma realistico — per l’attuale carenza globale di memoria RAM. Col boom dell’AI, big tech e laboratori stanno comprando quantità enormi di RAM per i data center, lasciandone poca al resto del mercato e facendo salire i prezzi. Ne soffrono il gaming (console più care), l’elettronica di consumo (rischio cali nelle spedizioni di smartphone) e il cloud enterprise (meno RAM disponibile per i data center aziendali). La pressione sui prezzi potrebbe calare solo a carenza finita, ma per ora non si vedono segnali chiari di inversione.

Miglioramento ricorsivo (Recursive self-improvement)

Come l’AGI, anche il miglioramento ricorsivo definisce una soglia di autonomia: modelli che sanno auto‑migliorarsi senza intervento umano, accelerando rapidamente capacità e indipendenza. Nella versione più estrema, coincide con la “singolarità”, momento oltre il quale l’AI sfugge al controllo. In pratica, oggi l’obiettivo ingegneristico è più concreto: può un modello progettare il suo successore? Diverse startup stanno esplorando RSI come nuova frontiera di ricerca, senza abbracciare scenari apocalittici.

Reinforcement learning

È un metodo di addestramento in cui il modello impara per tentativi, ricevendo “ricompense” quando fa bene — come addestrare un animale domestico, ma con segnali matematici. Diverso dal supervised learning (basato su esempi etichettati), il reinforcement learning lascia al modello libertà di esplorazione e aggiornamento continuo. È efficace in giochi, robotica e, più di recente, nel migliorare il ragionamento dei LLM. Tecniche come RLHF (reinforcement learning from human feedback) sono diventate standard per rendere i modelli più utili, accurati e sicuri.

Token

I token sono le unità minime con cui i modelli linguistici “vedono” il testo. La tokenizzazione spezza frasi in piccoli segmenti — spesso parti di parola — che il modello può elaborare, un po’ come un compilatore traduce il codice sorgente in istruzioni macchina. Nel mondo enterprise i token determinano anche i costi: quasi tutti i provider tariffano l’uso degli LLM “a token”.

Token throughput

Il throughput è quanto lavoro passa in un certo intervallo di tempo. Il token throughput misura quanta “testualità” un sistema può processare simultaneamente. È cruciale per capire quante richieste un modello può servire in parallelo e quanto rapidamente risponde. Massimizzare il throughput è diventata una vera fissazione per le squadre infrastrutturali: tenere “occupati” i modelli e l’hardware sottostante è sinonimo di efficienza e risparmio.

Training

L’addestramento è il processo con cui un modello impara dai dati, trovando pattern e avvicinando le uscite all’obiettivo desiderato (riconoscere gatti in foto, scrivere un haiku, ecc.). È costoso perché richiede molti input e risorse computazionali. Per gestire costi e tempi si ricorre spesso ad approcci ibridi, come partire da un modello preaddestrato e fare fine‑tuning mirato.

Vedi anche: Inferenza

Transfer learning

Consiste nel riutilizzare un modello già addestrato come base per un nuovo compito correlato. Così si risparmia tempo e dati, soprattutto quando il dataset specifico è limitato. Ha però dei limiti: per ottenere buone prestazioni nel nuovo dominio, spesso serve ulteriore training e dati addizionali.

Vedi anche: Fine-tuning

Validation loss

È la metrica che indica quanto bene il modello sta imparando durante l’addestramento su dati di validazione non visti: più è bassa, meglio è. Guida decisioni come quando fermare il training, come regolare gli iperparametri o quando indagare su problemi. Aiuta anche a rilevare l’overfitting: un modello che “memorizza” il training invece di generalizzare avrà una validation loss che smette di migliorare o peggiora.

Pesi (Weights)

I pesi sono i parametri numerici che indicano quanta importanza assegnare alle diverse caratteristiche in input, determinando l’uscita del modello. Si iniziano di solito a valori casuali e vengono aggiornati iterativamente per minimizzare l’errore.

Esempio: un modello che stima i prezzi delle case potrà dare un certo peso a numero di camere e bagni, tipologia (indipendente o meno), presenza di parcheggio o garage, ecc. I valori finali riflettono quanto ciascuna caratteristica incide sul prezzo secondo i dati di addestramento.

Questo glossario viene aggiornato regolarmente con nuove voci e definizioni.