L'IA moderna si basa su reti neurali artificiali (NN). Chi le ha inventate? Le reti neurali biologiche sono state scoperte negli anni 1880 [CAJ88-06]. Il termine "neurone" è stato coniato nel 1891 [CAJ06]. Molti pensano che le NN siano state sviluppate DOPO. Ma non è così: le prime NN "moderne" con 2 strati di unità sono state inventate oltre 2 secoli fa (1795-1805) da Legendre (1805) e Gauss (1795, non pubblicato) [STI81], quando il calcolo costava molte trilioni di volte di più rispetto al 2025. È vero, la terminologia delle reti neurali artificiali è stata introdotta solo molto più tardi negli anni 1900. Ad esempio, alcune NN non apprendenti sono state discusse nel 1943 [MC43]. Pensieri informali su una semplice regola di apprendimento delle NN sono stati pubblicati nel 1948 [HEB48]. Il calcolo evolutivo per le NN è stato menzionato in un rapporto non pubblicato del 1948 [TUR1]. Diverse NN concrete di apprendimento sono state pubblicate nel 1958 [R58], 1961 [R61][ST61-95] e 1962 [WID62]. Tuttavia, mentre questi articoli sulle NN della metà del 1900 sono di interesse storico, HANNO IN REALTÀ MENO A CHE FARE CON L'IA MODERNA RISPETTO ALLA MOLTO PIÙ VECCHIA NN ADATTIVA di Gauss e Legendre, ancora ampiamente utilizzata oggi, la vera base di tutte le NN, comprese le recenti NN più profonde [DL25]. La NN di Gauss-Legendre di oltre 2 secoli fa [NN25] ha uno strato di input con diversi unità di input e uno strato di output. Per semplicità, supponiamo che quest'ultimo consista di un'unica unità di output. Ogni unità di input può contenere un numero a valore reale ed è collegata all'unità di output tramite una connessione con un peso a valore reale. L'output della NN è la somma dei prodotti degli input e dei loro pesi. Dato un insieme di addestramento di vettori di input e valori target desiderati per ciascuno di essi, i pesi della NN vengono regolati in modo che la somma degli errori quadratici tra gli output della NN e i corrispondenti target sia minimizzata [DLH]. Ora la NN può essere utilizzata per elaborare dati di test precedentemente non visti. Certo, all'epoca non si chiamava NN, perché le persone non sapevano nemmeno dei neuroni biologici - la prima immagine microscopica di una cellula nervosa è stata creata decenni dopo da Valentin nel 1836, e il termine "neurone" è stato coniato da Waldeyer nel 1891 [CAJ06]. Invece, la tecnica era chiamata Metodo dei Minimi Quadrati, noto anche in statistica come Regressione Lineare. Ma è MATEMATICAMENTE IDENTICO alle odierne NN lineari a 2 strati: STESSO algoritmo di base, STESSA funzione di errore, STESSI parametri/pesi adattivi. Tali NN semplici eseguono "apprendimento superficiale", a differenza dell'"apprendimento profondo" con molti strati non lineari [DL25]. Infatti, molti corsi moderni di NN iniziano introducendo questo metodo, per poi passare a NN più complesse e profonde [DLH]. Anche le applicazioni dei primi anni 1800 erano simili a quelle di oggi: imparare a prevedere il prossimo elemento di una sequenza, dati gli elementi precedenti. QUELLO È CIÒ CHE FA CHATGPT! Il primo famoso esempio di riconoscimento di pattern attraverso una NN risale a oltre 200 anni fa: la riscoperta del pianeta nano Cerere nel 1801 attraverso Gauss, che raccolse punti dati rumorosi da osservazioni astronomiche precedenti, per poi usarli per regolare i parametri di un predittore, che essenzialmente imparò a generalizzare dai dati di addestramento per prevedere correttamente la nuova posizione di Cerere. È ciò che rese famoso il giovane Gauss [DLH]. Le vecchie NN di Gauss-Legendre sono ancora utilizzate oggi in innumerevoli applicazioni. Qual è la principale differenza rispetto alle NN utilizzate in alcune delle impressionanti applicazioni di IA dagli anni 2010? Queste ultime sono tipicamente molto più profonde e hanno molti strati intermedi di unità di apprendimento "nascoste". Chi ha inventato questo? Risposta breve: Ivakhnenko e Lapa (1965) [DEEP1-2]. Altri hanno affinato questo [DLH]. Vedi anche: chi ha inventato l'apprendimento profondo [DL25]? Alcune persone credono ancora che le NN moderne siano state in qualche modo ispirate dal cervello biologico. Ma non è affatto vero: decenni prima che le cellule nervose biologiche fossero scoperte, la semplice ingegneria e la risoluzione di problemi matematici avevano già portato a ciò che ora è chiamato NN. Infatti, negli ultimi 2 secoli, non è cambiato molto nella ricerca sull'IA: a partire dal 2025, i progressi delle NN sono ancora per lo più guidati dall'ingegneria, non da intuizioni neurofisiologiche. (Alcune eccezioni risalenti a molti decenni [CN25] confermano la regola.) Nota 1. Nel 1958, semplici NN nello stile di Gauss e Legendre sono state combinate con una funzione di soglia di output per ottenere classificatori di pattern chiamati Perceptron [R58][R61][DLH]. Sorprendentemente, gli autori [R58][R61] sembravano ignari della NN molto più antica (1795-1805) famosa nel campo della statistica come "metodo dei minimi quadrati" o "regressione lineare." Remarkably, le NN a 2 strati più frequentemente utilizzate oggi sono quelle di Gauss e Legendre, non quelle degli anni '40 [MC43] e '50 [R58] (che non erano nemmeno differenziabili)! RIFERIMENTI SELEZIONATI (molti riferimenti aggiuntivi in [NN25] - vedi link sopra): [CAJ88] S. R. Cajal. Estructura de los centros nerviosos de las aves. Rev. Trim. Histol. Norm. Patol., 1 (1888), pp. 1-10. [CAJ88b] S. R. Cajal. Sobre las fibras nerviosas de la capa molecular del cerebelo. Rev. Trim. Histol. Norm. Patol., 1 (1888), pp. 33-49. [CAJ89] Conexión general de los elementos nerviosos. Med. Práct., 2 (1889), pp. 341-346. [CAJ06] F. López-Muñoz, J. Boya b, C. Alamo (2006). Neuron theory, the cornerstone of neuroscience, on the centenary of the Nobel Prize award to Santiago Ramón y Cajal. Brain Research Bulletin, Volume 70, Issues 4–6, 16 October 2006, Pages 391-405. ...