The Brief
Come funziona l'IA 4 min di lettura

Le radici antiche della matematica che alimenta la moderna IA

NAVION

Condividi

La matematica non è arrivata all’intelligenza artificiale per caso. Gli strumenti che rendono possibile il machine learning, dalle operazioni matriciali alle catene di probabilità, sono stati sviluppati nel corso dei secoli da persone che risolvevano problemi completamente diversi. Un nuovo libro dei matematici Steven Strogatz e Alex Townsend, Big Math (Little, Brown and Company, 2026), ripercorre questa genealogia con inusuale chiarezza. Il risultato è il ritratto di come il pensiero matematico astratto, spesso vecchio di secoli, sia silenziosamente diventato il motore della tecnologia più rilevante dell’era attuale.

I bastoncini di bambù che predicevano le reti neurali

Uno degli argomenti più sorprendenti in Big Math è che la matematica centrale per l’IA non è nuova. Strogatz e Townsend descrivono come gli antichi matematici cinesi risolvessero problemi di contabilità, stimando in particolare la resa di riso commestibile da fasci di riso non lavorato, manipolando bastoncini di bambù. La struttura sottostante di quei calcoli, espressa in termini moderni, coinvolge sistemi di equazioni lineari, matrici e vettori.

Questa non è una curiosità storica. Le stesse strutture matematiche si trovano al centro del funzionamento odierno delle reti neurali. La manipolazione di enormi matrici, contenenti centinaia di miliardi e persino trilioni di numeri, viene descritta nel libro come il cuore della generative IA. I “computisti” cinesi che lavoravano con il bambù non avevano idea di stisciare il progetto per una tecnologia che sarebbe arrivata circa due millenni dopo.

Il libro recupera anche una significativa osservazione del matematico del diciannovesimo secolo James Joseph Sylvester, che coniò la parola “matrice” e la descrisse come una “madre, un generatore, un’entità che ha dato alla luce altri oggetti matematici”. Strogatz e Townsend notano che questa formulazione appare stranamente preveggente alla luce di ciò che le matrici producono ora.

Dalle reti sociali ai motori di ricerca: il lungo arco dei metodi matriciali

Il libro non si ferma alla storia antica. Ripercorre come i metodi matriciali si siano evoluti nel ventesimo secolo per diventare strumenti di comprensione delle relazioni umane. L’idea del 1949 di Leon Festinger secondo cui ripetute moltiplicazioni matrice-vettore potevano scoprire strutture nascoste nelle reti sociali ha dato vita a metodi per misurare l’influenza, rilevare cluster e classificare gli individui in base al loro grado di connessione.

Quella genealogia porta direttamente a una delle applicazioni più familiari nella storia della tecnologia. Strogatz e Townsend spiegano come il gioco da tavolo di serpenti e scale possa essere utilizzato per comprendere una catena di Markov, una formulazione matematica in cui la probabilità dello stato successivo dipende solo dallo stato attuale, e non da alcuno precedente. Questa struttura è stata fondamentale per i primi algoritmi di ricerca di Google.

Il libro racconta anche la storia di George Dantzig, che come studente laureato presso l’Università della California, a Berkeley, nel 1939 arrivò in ritardo a una lezione di statistica e copiò due equazioni dalla lavagna, presumendo che fossero compiti a casa. Le risolse giorni dopo e si scusò per il ritardo. Erano problemi aperti e irrisolti. La storia è poi diventata la base per una scena nel film del 1997 Good Will Hunting.

Questi aneddoti non sono decorazioni. Illustrano uno schema: gli strumenti matematici sviluppati in un contesto, spesso senza alcuno scopo applicato in mente, si rivelano ripetutamente esattamente ciò di cui una tecnologia futura ha bisogno.

Perché la storia della matematica è anche la storia dell’IA

Ecco cosa manca alla maggior parte della copertura sull’IA. La conversazione pubblica sull’intelligenza artificiale tende a concentrarsi sui recenti progressi, su ciò che un modello può fare oggi rispetto a ciò che poteva fare l’anno scorso. Big Math ridefinisce la questione. Le capacità che sembrano improvvise sono costruite su fondamenta matematiche che sono tutt’altro.

La storia di Regina Barzilay, che apre il libro, rende tutto ciò concreto. Una scienziata informatica che ha avuto un tumore al seno, Barzilay ha deciso dopo aver completato il trattamento nel 2014 di affrontare la mancanza di strumenti per la diagnosi precoce. La tecnologia di cui aveva bisogno esisteva già sotto forma di machine learning, ma veniva utilizzata principalmente per consigliare film e guidare il comportamento di acquisto online. Collaborando con radiologi e scienziati informatici, ha sviluppato un modello di machine learning capace di prevedere il rischio di una persona di sviluppare un tumore al seno nei successivi cinque anni a partire da una singola mammografia.

La matematica dietro quel modello non è stata inventata per la medicina. È stata adattata da strutture che si erano accumulate per secoli. Questo è il punto più profondo che Strogatz e Townsend stanno sollevando: la “grande matematica”, come la chiamano loro, è il substrato condiviso sotto le tecnologie che stanno rimodellando il modo in cui le persone lavorano, imparano, fanno acquisti, viaggiano, comunicano e guariscono.

Comprendere quel substrato non richiede di diventare matematici. Ma richiede di riconoscere che l’IA non è una rottura con il passato. È il culmine di uno.

In breve

La matematica che alimenta l’IA, tra cui matrici, vettori, equazioni lineari e catene di Markov, è stata sviluppata nel corso dei secoli per risolvere problemi che non avevano nulla a che fare con il calcolo. Big Math di Steven Strogatz e Alex Townsend ripercorre quella storia dalla contabilità dell’antica Cina agli algoritmi di ricerca di Google, mostrando che quella che sembra una rivoluzione tecnologica è anche l’ultimo capitolo di una lunghissima storia matematica.

Basato su un articolo di Nature.

Scritto da

NAVION