Presso l’antichissimo santuario di Zeus a Dodona cresceva una monumentale quercia sacra. Si diceva che il dio vaticinasse attraverso il fruscio delle foglie, interpretato da sacerdoti specializzati nel tradurre il sussurro divino in linguaggio umano, i Selloi. Le evidenze archeologiche fanno risalire la fondazione del santuario all’epoca pre-ellenica, nel secondo millennio a.C. e forse anche prima. Originariamente dedicato alla sola Dea Madre, il sito fu poi consacrato a Zeus e a Dione, la forma femminile di Zeus. Dodona rappresenta un caso unico perché l’interrogazione dell’oracolo avveniva in forma scritta. I fedeli che desideravano un responso scrivevano la richiesta su una sottile lamella di piombo. Questo ci ha permesso di recuperare migliaia di lamelle con i quesiti più svariati, per la maggior parte riguardanti questioni pratiche e quotidiane come matrimoni, viaggi commerciali, acquisto di terre, generazione di figli. I quesiti seguivano modelli standardizzati con preferenza per domande chiare e binarie: “Heraklidas domanda a Zeus Naios e a Dione se sia meglio e più vantaggioso per lui…” seguito dall’oggetto specifico della consultazione, oppure semplicemente “è meglio fare X o non fare X?“.
Analogie tra oracoli antichi e prompt engineering
La consultazione degli oracoli nell’antichità e il prompt o context engineering contemporaneo presentano sorpendenti analogie: in entrambi i casi, un essere umano cerca di ottenere informazioni, consigli o predizioni da un’entità considerata superiore in conoscenza o capacità, attraverso un’interfaccia mediata che richiede competenza specifica nella formulazione delle richieste. L’arte di interrogare i moderni oracoli di intelligenza artificiale si basa sul presupposto che la specificità della domanda influenzi in modo sostanziale la qualità della risposta. Questo fatto era ben noto agli antichi, i quali sapevano che porre correttamente il quesito significava aumentare le possibilità di ricevere una risposta utile. Il livello di sofisticazione poteva essere notevole. Erodoto narra che Creso, re di Lidia, avesse messo alla prova sette oracoli simultaneamente, ponendo una domanda estremamente specifica su cosa stesse facendo in un certo istante temporale. Solo Delfi rispose correttamente. Questo, per inciso, non portò bene a Creso, il quale poi si fidò ciecamente del responso dato dall’oracolo di Delfi sulla questione che più gli stava a cuore: avrebbe dovuto muovere guerra all’impero persiano? La risposta dell’oracolo fu apparentemente chiara: se lo farai, distruggerai un grande impero. Creso interpretò senz’altro la risposta come una predizione favorevole di vittoria, senza riesaminarne criticamente la formulazione. Il “grande impero” che fu distrutto non era altri che il suo, come i fatti si incaricarono di dimostrare. Le fonti antiche sono di solito concordi nell’attribuire la responsabilità dell’errore all’essere umano, che era tenuto non solo a porre la domanda nel formato corretto e seguendo tutte le procedure previste, ma anche a esaminare criticamente la risposta e interpretarla adeguatamente. Un altro parallelo interessante con le moderne buone pratiche di utilizzo dei modelli di IA generativa. La struttura comunicativa è infatti sorprendentemente affine: in entrambi i casi, la domanda non è un semplice input, ma un atto che definisce il campo della risposta.
Funzionamento interno dei modelli di IA
E tuttavia, le analogie si fermano all’esperienza comunicativa dell’utente inesperto. Gli antichi non potevano evidentemente guardare oltre l’interfaccia per mettere a nudo i divini meccanismi che azionavano gli oracoli, ma noi possiamo aprire il cofano ed esaminare il funzionamento interno dei modelli di IA generativa che oggi come oggi si basa su un sofisticatissimo gioco di probabilità condizionate. La risposta del modello viene generata su base statistica, ed è condizionata da miliardi di parametri (i “pesi” interni del modello appresi in fase di addestramento, ma non solo). La formulazione della nostra richiesta, insieme al contesto informativo allegato, è un modo per tentare di influenzare questo gioco di probabilità al fine di produrre una risposta utile, o meglio, probabilmente utile. Il livello di sofisticazione che le moderne tecniche di prompt engineering possono mettere in campo a questo scopo è davvero notevole. Si va ben oltre le semplici buone pratiche che suggeriscono come strutturare un prompt. Oggi è possibile utilizzare l’IA stessa per chiedere come interrogare l’IA, in un ciclo di retroazione vertiginoso. Il collega Enrico Frumento, esperto di cybersecurity, ha messo a punto un “Prompt Architect” molto sofisticato, che utilizza anche schemi di Deep causal prompting (per indurre l’IA a ricostruire la catena logica di causa-effetto che sottende a un problema) e Rational chain of thought (per forzare il modello a fare autocritica e aggiungere una giustificazione razionale a ogni singolo passaggio). Usando questo strumento è possibile generare in pochi secondi una richiesta dettagliata a partire da una formulazione banale, ingenua o affrettata. In questo modo, si riduce la probabilità di ottenere risposte non pertinenti o non accurate.
Limiti dei modelli e il caso platonico
Si riduce ma non si elimina. Su questo bisogna essere chiari. Il limite è dato dalla struttura stessa dei modelli linguistici attuali. Vi porto un semplice esempio che mi è capitato recentemente. Per interesse personale, uso spesso l’IA per analisi linguistiche complesse, in particolare applicate ai testi dell’antichità classica. Leggendo la Repubblica di Platone, mi sono imbattuto in questa bella osservazione di Glaucone:
E allora? — disse Trasimaco — credi forse che costoro siano arrivati qui ora per lavorare l’oro, e non invece per ascoltare discorsi?
Sì, ma con misura – risposi.
