Italiano, 33 anni e ingegnere di Machine Learining nella Silicon Valley
“I più grandi progressi nell’AI moderna sono nati in Europa, e nello specifico a Londra con DeepMind: prima dell’avvento dei Large Language Models commerciali, è stata DeepMind a dimostrare al mondo il vero potenziale del Deep Reinforcement Learning creando AlphaGo, il primo software capace di battere il campione mondiale del gioco del Go. Il Go è un gioco millenario di una complessità disarmante: a ogni turno le mosse possibili sono un numero superiore a quello degli atomi presenti nell’universo osservabile. Risolverlo richiedeva intuizione, non solo ragionamento puro. A raccontarlo, in questa intervista, è Mattia Gaggi, 33 anni, ingegnere di Machine Learning con un solido track record internazionale che spazia dal deep-tech applicato alla medicina alla computer vision su vasta scala. Gaggi ha fatto parte del team tecnico che ha sviluppato in Optellum il primo software AI al mondo per la diagnostica del cancro ai polmoni (che ha ottenuto l’approvazione formale della FDA). Poi si è dedicato allo sviluppo alcuni dei modelli proprietari di Tractable, colosso della computer vision oggi valutato come “unicorno” (un miliardo di dollari di valore).Dopo una lunga carriera transatlantica, Mattia opera oggi in Silicon Valley sulle tecnologie AI di ultima generazione”.
Gaggi, cosa l’ha spinta a dedicarsi al Machine Learning?
“Dopo la mia laurea in Fisica all’Imperial College, ho ho visto istantaneamente il potenziale rivoluzionario di questa disciplina: più che la teoria astratta, a colpirmi è stata la natura trasversale dell’IA, la possibilità di applicare gli stessi identici principi matematici e algoritmici a un’infinità di campi diversi. È lo stesso approccio metodologico che mi ha permesso, pochi anni dopo, di passare con successo dalla progettazione di reti neurali per la diagnostica oncologica in ambito medico all’ottimizzazione di algoritmi predittivi per l’industria”.
Lei hai lavorato in un’azienda di gaming: c’è una connessione tra AI e gaming?
“I giochi complessi rappresentano il perfetto sandbox per testare l’intelligenza computazionale, dove l’AI deve imparare a decodificare e anticipare scenari dinamici. Una volta padroneggiato quel livello di astrazione logica, la stessa identica impostazione scientifica si applica ai problemi reali dell’industria. L’obiettivo è sempre lo stesso: insegnare a una macchina a decodificare la realtà e a prendere decisioni complesse con precisione superiore a quella umana”.
Ma perché i grandi prodotti commerciali di massa esplodono più facilmente negli Stati Uniti con realtà come OpenAI?
“La differenza macroscopica risiede esclusivamente nella struttura del Venture Capital e nella propensione al rischio aziendale. Un’entità come OpenAI non avrebbe mai potuto scalare in Europa. DeepMind è potuta crescere a Londra perché è nata come uno spin-off universitario, protetta dall’alveo accademico. OpenAI, al contrario, dopo un primo periodo in cui era non-profit, è stata impostata con una mentalità estremamente aziendale. Gli investitori americani possiedono una tolleranza al rischio che in Europa non ha eguali: hanno finanziato OpenAI per anni con miliardi di dollari prima ancora che l’azienda avesse una singola linea di ricavi (revenue), un business model chiaro o un customer segment definito. In Europa questo scenario è pura utopia: anche per piccoli investimenti in fase iniziale, i VC europei adottano un approccio iper-analitico, pretendendo metriche finanziarie immediate, proiezioni di fatturato e mercati già validati”.
Nella storia dell’evoluzione industriale molte delle più grandi rivoluzioni nascono quasi per caso…
“Pensiamo a un esempio iconico nel software come Slack: non è nata come una piattaforma di comunicazione aziendale. Il team stava sviluppando un videogioco di ruolo online chiamato Glitch. Il gioco fallì commercialmente, ma per coordinarsi internamente gli sviluppatori avevano creato un piccolo tool di messaggistica interna. Capirono che il vero valore era in quel collaterale casuale: fecero un pivot totale e nacque un colosso da miliardi di dollari. Se gli investitori americani avessero staccato la spina al fallimento del gioco, Slack non sarebbe mai esistita”.
Un altro esempio?
“Un esempio pratico nell’AI è il fenomeno del grokking: è stato scoperto che le reti neurali possono non imparare nulla dai dati per molto tempo, per poi apprendere improvvisamente nel modo corretto. Questo è stato scoperto da un ricercatore di OpenAI che aveva lasciato un modello a elaborare per sbaglio prima di andare in vacanza. E gli stessi algoritmi di Computer Vision che ho implementato in Tractable e Optellum all’inizio sono intuizioni, tentativi empirici, codice ‘rotto’ che richiede tempo e capitali a fondo perduto per essere rifinito e trovare una vera utilità commerciale”.
Mi par di capire che l’’AI è nata in Europa perché qui c’era il talento scientifico, ma è cresciuta in America perché l’ecosistema statunitense premia l’audacia tecnologica e non stigmatizza il fallimento, giusto?
“Qui a Silicon Valley stiamo vedendo un fenomeno secondo me mai visto nella storia del tech: l’AI evolve a una velocità talmente frenetica che l’esperienza decennale nel software classico perde parzialmente di valore. Servono professionisti capaci di un aggiornamento settimanale costante per rimanere sincronizzati con lo stato dell’arte. L’approccio tradizionale, pianificazione rigida e cicli di rilascio lunghi, non funziona nell’era dell’AI. Nello sviluppo dei modelli, la sperimentazione empirica immediata e l’iterazione continua sui dati valgono più della teoria. E qui emerge il contrasto netto tra Europa e America. In Europa predomina l’approccio analitico e prudente. In America l’approccio è speculativo ed empirico: si sperimenta in continuazione sul campo perché si sa che la velocità di esecuzione batte qualsiasi pianificazione teorica”.
Una domanda scontata e forse banale: L’AI continuerà ad avanzare?
“Negli ultimi anni molti analisti prevedevano che gli LLM avrebbero raggiunto un plateau di performance a causa dell’esaurimento dei dati per il training. Questo plateau non è arrivato, ed è difficile prevedere quando arriverà. Attualmente molti ricercatori credono che la prossima innovazione sarà guidata da modelli che creano una mappa del mondo e hanno capacità di pianificare a lungo termine, cosa che gli LLM non possono fare”.
Dal tuo osservatorio californiano, come vedi l’adozione dell’AI nelle PMI europee rispetto a quello che vivi ogni giorno?
“Il progresso dell’Intelligenza Artificiale oggi si muove a un ritmo talmente frenetico che per una piccola-media impresa è quasi impossibile assorbire e implementare questi cambiamenti con la stessa rapidità con cui vengono rilasciati. Il risultato è che circa il 95% delle imprese tradizionali è drammaticamente indietro nell’automazione dei propri processi. In Silicon Valley la realtà è completamente diversa. Qui l’AI fa parte della nostra quotidianità: c’è una cultura diffusa della sperimentazione immediata. Se esce un nuovo modello o una nuova libreria, la mattina dopo la stiamo già testando e, soprattutto, ci si scambia continuamente informazioni, feedback e intuizioni tecniche davanti a un caffè o durante un meetup. Questo flusso continuo di dati crea un’accelerazione pazzesca”.
Ma questa egemonia della Silicon Valley è destinata a rimanere intatta nel lungo periodo?
“Gli Stati Uniti continueranno a guidare la prima linea per via della concentrazione di capitali, ma l’AI è per sua natura una tecnologia democratica. Oggi le barriere all’ingresso si stanno azzerando: un ingegnere che si connette da una stanza a Roma o a Singapore ha accesso agli stessi identici modelli e alla stessa potenza algoritmica di un ingegnere a San Francisco. La vera domanda non è più dove si creino i modelli, ma chi sarà in grado di applicarli per risolvere i problemi reali della società. L’innovazione oggi può nascere ovunque ci sia un computer e una mente affamata. Resta da capire se l’Europa saprà accogliere questa sfida con la stessa elasticità e lo stesso pragmatismo che vediamo qui in California, o se continuerà a guardare la rivoluzione da spettatrice. La tecnologia è pronta. Il resto dipende solo da quanto siamo disposti a rischiare per ridefinire le regole del gioco”.
Tag:
