Ogni rete neurale moderna, dal modello che riconosce un volto in una foto a quello che scrive un testo, è costruita mettendo insieme migliaia, milioni o miliardi di copie dello stesso mattoncino: il neurone artificiale.
È l’unità più piccola e più semplice dell’intero edificio.
Capire come funziona questo singolo pezzo è il modo più diretto per capire cosa succede davvero dentro un sistema di intelligenza artificiale, senza magia e senza scorciatoie.
Partiamo dal neurone biologico, passiamo per il primo modello matematico del 1943, arriviamo al percettrone di Rosenblatt e chiudiamo con il neurone che troviamo oggi dentro i Transformer.
Di cosa parleremo..
Il punto di partenza: il neurone biologico
Nel cervello umano ci sono circa 86 miliardi di neuroni. Ognuno riceve segnali attraverso le dendriti, li elabora nel corpo cellulare e, se la stimolazione supera una certa soglia, fa partire un impulso lungo l’assone.
Quell’impulso arriva alle sinapsi, i punti di contatto con altri neuroni.
Lì il segnale viene trasmesso oppure bloccato.
Il dettaglio che conta è questo: non tutti i segnali in arrivo hanno lo stesso peso. Alcune connessioni contano molto, altre quasi niente. Il neurone somma tutto e pesa tutto, poi decide se accendersi.
Questa idea semplicissima, somma pesata più soglia, è il cuore del neurone artificiale.
1943: il neurone di McCulloch e Pitts
Il primo modello matematico arriva molto prima dei computer moderni. Nel 1943, il neurofisiologo Warren McCulloch e il logico Walter Pitts pubblicano un articolo che descrive un neurone artificiale come una piccola macchina logica.
Il funzionamento è essenziale. Il neurone riceve una serie di ingressi, ognuno con un peso. Li somma. Se il totale supera una soglia, l’uscita vale 1, cioè è attiva. Se non la supera, l’uscita vale 0, cioè è spenta.
Il modello viene chiamato MCP, dalle iniziali dei due autori. Con neuroni del genere si possono costruire le porte logiche di base, come AND, OR e NOT. È un risultato enorme, perché per la prima volta si dimostra che una rete di elementi semplici può calcolare qualcosa di logico.
Il limite però è chiaro: i pesi e la soglia sono fissati a mano. Qualcuno deve deciderli prima, uno per uno.
Il neurone non impara, esegue soltanto quello che gli è stato detto di fare.
💡 Tip: la soglia è il valore che la somma degli ingressi deve superare perché il neurone si accenda. Alzandola, il neurone diventa più difficile da attivare. Abbassandola, si accende quasi sempre. Soglia e pesi sono le due manopole che regolano il comportamento di ogni neurone artificiale.
1958: il percettrone di Frank Rosenblatt
Quindici anni dopo, lo psicologo Frank Rosenblatt fa il salto. Nel 1958 propone il percettrone, un neurone artificiale che non ha bisogno che qualcuno gli dica i pesi giusti, perché li trova da solo.
La struttura di base è simile a quella di McCulloch e Pitts: gli ingressi si moltiplicano per i pesi, i risultati si sommano, si aggiunge un termine chiamato bias. Il totale passa poi attraverso una funzione che decide l’uscita.
La vera novità non è la forma, è la regola di apprendimento.
Come impara un percettrone
Immaginiamo di voler insegnare al percettrone a distinguere due gruppi, per esempio mele e arance descritte da due numeri: diametro e peso. All’inizio i pesi sono casuali, quindi le risposte saranno quasi tutte sbagliate.
Il meccanismo di apprendimento procede così, un esempio alla volta:
- Il percettrone vede un esempio e produce una risposta.
- Si confronta la risposta con quella corretta.
- Se è giusta, non si cambia niente.
- Se è sbagliata, i pesi vengono corretti di poco, nella direzione che rende l’errore più piccolo.
Ripetendo questo ciclo su molti esempi, i pesi si spostano piano piano verso valori che funzionano. Se i due gruppi sono separabili da una linea retta, il percettrone prima o poi trova quella linea. Il teorema che lo garantisce si chiama teorema di convergenza del percettrone.
Il Mark I Perceptron: quando il neurone diventa hardware
Rosenblatt non si ferma alla matematica. Costruisce una macchina vera, il Mark I Perceptron, finanziata dalla Marina statunitense e presentata nel 1958. Era composta da circa 400 fotocellule collegate a 512 motori elettrici che fungevano da pesi regolabili. La macchina riusciva a riconoscere semplici immagini presentate su una griglia.
La stampa dell’epoca si entusiasmò moltissimo. Un articolo del New York Times del 1958 scrisse che quella macchina era l’embrione di un computer che in futuro avrebbe potuto camminare, parlare, vedere e riprodursi. Era una previsione esagerata, ma rende bene l’idea dell’ottimismo di quegli anni.
1969: Minsky, Papert e il problema XOR
Poi arriva la frenata. Nel 1969, Marvin Minsky e Seymour Papert pubblicano il libro Perceptrons, in cui dimostrano con precisione i limiti del percettrone a singolo strato.
Il risultato più famoso riguarda una funzione logica chiamata XOR, ovvero l’or esclusivo. Con due ingressi, l’uscita vale 1 solo quando i due ingressi sono diversi tra loro, cioè nella coppia 0 e 1 oppure 1 e 0. Se disegniamo i quattro casi possibili su un piano, i punti da separare non stanno comodamente da una parte e dall’altra di una linea retta.
Il percettrone semplice sa tracciare solo una linea. Quindi XOR è fuori dalla sua portata. Questa scoperta, insieme al modo in cui venne raccontata, contribuì a raffreddare per anni l’interesse e i finanziamenti sulla ricerca delle reti neurali.
La soluzione, in realtà, esisteva già in teoria: mettere più neuroni in strati sovrapposti. Una rete con uno strato nascosto nel mezzo risolve XOR senza problemi.
Il guaio era che nessuno sapeva come addestrare quegli strati intermedi, almeno finché la retropropagazione dell’errore non tornò alla ribalta negli anni Ottanta.
Da un neurone a una rete: cosa cambia e cosa no
Se prendiamo il neurone artificiale di oggi, la formula di base è identica a quella del 1958: moltiplica gli ingressi per i pesi, somma, aggiunge il bias, passa il risultato in una funzione di attivazione. Quello che è cambiato è tutto il resto.
- Il numero di parametri passa da poche decine a centinaia di miliardi.
- La profondità non è più un singolo strato, ma decine o centinaia impilati uno sull’altro.
- Le funzioni di attivazione sono passate dalla scaletta rigida di allora alle curve smussate come ReLU e GELU, che rendono possibile l’addestramento profondo.
- La potenza di calcolo è esplosa: le vecchie macchine facevano fatica con migliaia di operazioni, oggi una sola GPU ne fa miliardi al secondo.
Il singolo neurone, insomma, è rimasto lo stesso mattone. È l’edificio intorno a essere diventato un grattacielo.
Un esempio numerico, per fissare le idee
Facciamo un conto veloce con tre ingressi.
Immaginiamo un neurone che deve decidere se consigliare un film a una persona.
I tre ingressi sono: gradimento del genere, voto medio ricevuto e durata accettabile.
Diciamo che i valori siano 0,8, 0,6 e 0,4.
Ogni ingresso ha un peso.
Supponiamo che il peso del genere sia 0,5, quello del voto 0,3 e quello della durata 0,2.
Il neurone calcola: 0,8 per 0,5 fa 0,4; 0,6 per 0,3 fa 0,18; 0,4 per 0,2 fa 0,08.
Sommando i tre risultati si ottiene 0,66.
A questo punto entra in gioco il bias, mettiamo -0,5.
Il totale diventa 0,66 meno 0,5, cioè 0,16.
Passiamo il valore in una funzione di attivazione che trasforma i numeri in un intervallo tra 0 e 1: il risultato è circa 0,54.
Sopra la soglia di 0,5, quindi il neurone si accende e dice di sì, quel film vale la pena.
Tutto il lavoro di una rete neurale, per quanto grande, è fatto di operazioni come questa. Cambiano i numeri, cambiano i pesi, cambia il numero di neuroni, ma il calcolo di base resta sempre una somma pesata con una decisione in fondo.
Neurone artificiale e neurone biologico: parenti alla lontana
Vale la pena chiarire una cosa, per non farsi ingannare dal nome. Il neurone artificiale prende in prestito l’idea del neurone biologico, non il suo funzionamento reale.
Un neurone vero lavora con impulsi elettrici distribuiti nel tempo, neurotrasmettitori, concentrazioni chimiche e meccanismi di plasticità che ancora oggi non sono del tutto compresi. Il neurone artificiale è una semplificazione matematica di tutto questo: una moltiplicazione, una somma e una funzione. Chiamarlo neurone è una metafora comoda, non una descrizione biologica.
Questa distanza non è un difetto. È proprio grazie a quella semplificazione che oggi possiamo impilare miliardi di questi mattoni e farli lavorare insieme.
Domande frequenti
Cosa fa esattamente un neurone artificiale?
Prende un gruppo di numeri in ingresso, li moltiplica per altrettanti pesi, somma i risultati e aggiunge un valore chiamato bias. Il totale passa poi per una funzione di attivazione, che decide l’uscita. È una somma pesata seguita da una decisione.
Qual è la differenza tra percettrone e neurone artificiale?
Il percettrone è uno dei primi neuroni artificiali, proposto da Frank Rosenblatt nel 1958, con una sua precisa regola di apprendimento. Oggi l’espressione neurone artificiale indica l’unità di calcolo generica, mentre percettrone resta il nome storico del modello originale e del suo algoritmo.
Perché il percettrone non riesce a risolvere il problema XOR?
Perché con un solo strato può tracciare una sola linea di separazione. In XOR i casi da distinguere non sono separabili con una singola retta, quindi serve almeno uno strato nascosto in più che ricombini i risultati.
Un neurone artificiale impara come un essere umano?
No. Impara nel senso matematico del termine, cioè aggiusta i pesi per ridurre l’errore sui dati di addestramento. Non capisce il significato di quello che fa, non ha obiettivi propri e non ricorda esperienze. È un regolatore automatico di numeri, molto efficace ma senza intenzioni.
Il neurone artificiale di oggi è diverso da quello del 1943?
Nella formula di fondo è sorprendentemente simile: somma pesata più una funzione di attivazione. Cambiano la funzione di attivazione usata, la precisione dei calcoli, il numero di copie messe in rete e la potenza di calcolo disponibile per addestrarle.
