Recensione del libro: Large Language Models di Stephan Raaijmakers

Come persona che possiede più di quindici volumi della serie MIT Press Essential Knowledge series, mi avvicino a ogni nuova uscita con interesse e cautela: la serie spesso fornisce panorami pensati e accessibili — ma non sempre nello stile o nella profondità che mi aspetto.

Nel caso di Large Language Models di Stephan Raaijmakers, tuttavia, l’autore realizza qualcosa di raro: un libro chiaro, riccamente informato e criticamente equilibrato che si guadagna un posto tra i miei libri di AI più consigliati.

Linguaggio riconcepito: dall’arte umana al calcolo

Una delle caratteristiche più sorprendenti di Large Language Models è come ridefinisce il “linguaggio”. Piuttosto che soffermarsi esclusivamente su prospettive filosofiche o letterarie, il libro tratta il linguaggio come un fenomeno computazionale — un sistema di struttura, modelli statistici e potenziale generativo che le moderne architetture neurali possono sfruttare. Questa ridefinizione non è gratuita: Raaijmakers guida i lettori attraverso il modo in cui, sotto il cofano, le grandi reti neurali codificano, analizzano e generano testi in base a regolarità statistiche in enormi set di dati testuali — un cambiamento sottile ma potente nel modo in cui i lettori comprendono questi sistemi. Il libro rende facile capire che il linguaggio, quando visto attraverso questa lente computazionale, diventa qualcosa che una macchina può modellare piuttosto che qualcosa di mistico o opaco.

Questa cornice demistifica ciò che gli LLM stanno facendo. Piuttosto che ritrarli come misteriosi “comprenditori” del significato, Raaijmakers mostra come approssimano il linguaggio: prevedendo i prossimi token, modellando la sintassi e la semantica statisticamente e ricreando output linguistici plausibili in base a distribuzioni apprese. In altre parole — non “pensano” in termini umani; calcolano, statisticamente. Per molti lettori — specialmente quelli senza una profonda conoscenza matematica o di scienza cognitiva — questo è un punto di vista chiarificatore e salutare. Il libro trasforma così l’ampia mistica intorno agli LLM in qualcosa di più fondato, più comprensibile.

Dai dati al comportamento: come gli LLM imparano — e come sono allineati

Dopo aver stabilito cosa sia il linguaggio (computazionalmente), il libro si sposta su come i modelli imparano. Raaijmakers spiega in termini accessibili come gli LLM contemporanei siano costruiti (reti neurali profonde, meccanismi di attenzione, architetture di tipo transformer) e come evolvono da semplici macchine di riconoscimento di modelli in strumenti più allineati e utilizzabili.

Una parte critica di questa evoluzione è l’uso del feedback umano tramite apprendimento per rinforzo da feedback umano (RLHF) — una tecnica con cui gli output degli LLM vengono valutati o classificati da esseri umani, e il modello viene ritoccato per preferire output considerati più utili, più sicuri o allineati con i valori umani. Il libro traccia una distinzione (implicita ed esplicita) tra la fase di base — pre-addestramento su enormi volumi di testo per apprendere regolarità statistiche — e la fase di allineamento, in cui i giudizi umani plasmano il comportamento del modello. Questa distinzione è enormemente importante: il pre-addestramento dà all’LLM la sua fluidità e conoscenza generale; l’RLHF (o il ritocco basato sul feedback) lo guida verso comportamenti desiderabili.

Facendo ciò, Raaijmakers non glissa sulla complessità o il rischio. Riconosce che il feedback umano e l’allineamento basato su ricompensa sono imperfetti: pregiudizi nel feedback, giudizi umani disomogenei, sovrapprendimento al modello di ricompensa, e comportamenti imprevedibili in contesti nuovi — tutte limitazioni legittime. Rifiutando di idealizzare l’RLHF, il libro mantiene la credibilità.

Cosa possono e non possono fare gli LLM

Raaijmakers eccelle nel delineare sia le forze che le limitazioni degli LLM. Sul lato positivo: gli LLM moderni sono sorprendentemente versatili. Possono tradurre lingue, riassumere testi, generare codice, produrre scrittura creativa, stendere saggi, rispondere a domande e assistere in molti domini — essenzialmente qualsiasi compito che possa essere ridotto a “input testuale → output testuale”. Date sufficiente scala e dati, la loro fluidità generativa è spesso impressionante, a volte inquietante.

Allo stesso tempo, il libro non esita a trattare le loro fondamentali limitazioni. Gli LLM rimangono riconoscitori di modelli statistici, non veri pensatori: possono allucinare, produrre con fiducia informazioni false ma plausibili, replicare pregiudizi e stereotipi presenti nei loro dati di addestramento, e fallire in contesti che richiedono comprensione del mondo reale, ragionamento del senso comune o coerenza a lungo termine. Il trattamento di Raaijmakers di questi fallimenti è sobrio — non allarmistico, ma realistico — rafforzando che mentre gli LLM sono potenti, non sono magia.

Questo approccio equilibrato è prezioso — evita le due trappole dell’eccessiva promozione e del pessimismo. I lettori se ne vanno con una chiara comprensione di cosa gli LLM siano in grado di fare e cosa non possano essere considerati degni di fiducia.

Opportunità e responsabilità: promessa e pericolo sociali

Dove molte guide tecniche si fermano all’architettura o ai casi d’uso, Large Language Models va oltre — nelle ramificazioni sociali, politiche ed etiche di questa tecnologia. In capitoli come “Opportunità pratiche” e “Rischi e preoccupazioni sociali”, Raaijmakers invita i lettori a considerare come gli LLM potrebbero ridisegnare la creatività, la produttività, la comunicazione umana, i media e le istituzioni.

Sul lato delle opportunità: il potenziale è enorme. Gli LLM potrebbero democratizzare l’accesso alla scrittura, alla traduzione, alla programmazione. Potrebbero accelerare la ricerca, l’istruzione e l’espressione creativa. Potrebbero assistere coloro che lottano con il linguaggio o la scrittura. Potrebbero cambiare il modo in cui i media vengono prodotti e consumati. In un mondo che affronta un notevole sovraccarico di informazioni, gli LLM potrebbero aiutare a colmare le lacune — se utilizzati con pensiero.

Ma Raaijmakers non evita il lato oscuro. Solleva avvertimenti: su disinformazione e “verità allucinate”, su pregiudizi radicati, sull’erosione del giudizio umano, sull’eccessiva dipendenza da modelli difettosi — tutti rischi già documentati nel più ampio discorso etico sull’AI.

Crucialmente, questa lente sociale rende il libro prezioso non solo per ingegneri e ricercatori, ma anche per responsabili politici, educatori e qualsiasi cittadino pensante. Radica gli LLM in contesti del mondo reale, non in iperbole astratta.

Cosa viene dopo — e un appello alla vigilanza

L’ultimo capitolo, “Cosa viene dopo?”, non pretende che gli LLM attuali siano l’ultima parola. Invece, Raaijmakers incoraggia una prospettiva rivolta al futuro: come potrebbero evolversi gli LLM? Come possiamo migliorare l’allineamento, la trasparenza, l’equità? Quali principi di governance, regolamentazione e design proteggeranno la società mentre questi modelli si diffondono?

Per me — come qualcuno profondamente coinvolto nel catalogo Essential Knowledge, consapevole di come alcuni volumi deludano — questo libro merita di essere classificato tra i migliori. La sua chiarezza, equilibrio, fondamento tecnico e consapevolezza sociale lo rendono un punto di riferimento. Trova un raro equilibrio tra spiegazione accessibile e critica seria.

Pertanto, esorto tutti coloro che costruiscono, distribuiscono o interagiscono con gli LLM — sviluppatori, organizzazioni, responsabili politici e utenti quotidiani — a mantenere un occhio vigile, critico e informato. Chiedete la trasparenza. Spingete per dati di addestramento diversi e rappresentativi. Insistete su una valutazione rigorosa. Mettete in discussione gli output. Non trattate gli LLM come oracoli, ma come potenti strumenti — strumenti il cui potere deve essere bilanciato da cura, responsabilità e giudizio umano.

Verdetto finale

Large Language Models non è solo un’altra guida tecnica — è una guida tempestiva, acuta e profondamente considerata a una delle tecnologie più conseguenziali della nostra epoca. Combina spiegazione accessibile con riflessione sobria; dettagli tecnici chiari con ampia consapevolezza sociale; ammirazione del potenziale con realismo cauto sui rischi.

Per chiunque — ingegnere, ricercatore, studente, responsabile politico, curioso cittadino — cerchi di capire cosa siano gli LLM, cosa possano e non possano fare, e cosa potrebbero significare per il nostro futuro — il libro Large Language Models di Stephan Raaijmakers è una lettura essenziale.