Come L’IA Imparò A Riconoscere I Gatti: L’esperimento Google Brain

Nel 2012 Google descrisse una rete neurale che, dopo l’addestramento su immagini di YouTube senza etichette, aveva appreso una caratteristica capace di rispondere intensamente ai musi dei gatti. Nessuno aveva fornito l’etichetta «gatto» durante quell’addestramento. Naturalmente internet lo interpretò come prova che persino un computer enorme potesse distrarsi con i gatti.

La battuta era buona. La domanda di ricerca era migliore: potevano emergere caratteristiche visive utili da grandi quantità di dati senza che qualcuno etichettasse prima ogni esempio?

Perché il gatto diventò la notizia

I gatti avevano già un posto comodo nella cultura di internet. La nostra storia di Longcat (in inglese) segue uno dei molti modi in cui un’immagine felina poteva diventare una battuta condivisa online. Un risultato scientifico con un altro gatto arrivava con un comitato di benvenuto già pronto.

L’annuncio di Google del 26 giugno 2012, firmato da Jeff Dean e Andrew Ng, spiegava che un’unità artificiale era diventata sensibile ai gatti attraverso l’esposizione a fotogrammi senza etichette. La descrizione accessibile al pubblico era apprendimento autodidatta.

È memorabile perché possiamo immaginare il risultato. «Un sistema ha appreso una rappresentazione utile» richiede una spiegazione. «Un computer ha trovato i gatti» ha già un titolo, una miniatura e una sezione commenti.

Cosa fece l’esperimento

Building High-level Features Using Large Scale Unsupervised Learning, lo studio di Quoc Le e colleghi, fu presentato a ICML 2012. L’esperimento utilizzava dieci milioni di immagini da 200 per 200 pixel, campionate una per video di YouTube per ridurre le duplicazioni.

Il modello aveva circa un miliardo di connessioni e fu addestrato per tre giorni su 1.000 macchine con 16.000 core CPU complessivi. Sono 16.000 core, non 16.000 computer separati.

In quella fase imparava caratteristiche visive senza etichette di categoria. Gli esperimenti successivi di valutazione e classificazione usarono invece dati etichettati.

«Non supervisionato» non significa quindi che i ricercatori non avessero un ruolo. Scelsero architettura, obiettivo di addestramento, dati e valutazione. Significa che nella fase di apprendimento delle caratteristiche mancava un particolare segnale didattico: le etichette con i nomi degli oggetti nelle immagini.

Pensa alla differenza fra ricevere una scatola di fotografie con divisori etichettati e dover trovare strutture visive ricorrenti in un mucchio non ordinato. È soltanto un’analogia, ma si avvicina di più alla realtà che immaginare un piccolo ricercatore cosciente dentro un server.

Cosa significa un neurone del gatto

Il gruppo trovò unità sensibili a volti umani, corpi e musi felini. Un neurone artificiale è una componente numerica di un modello; la sua attivazione si può misurare con input diversi.

Una forte risposta ai musi dei gatti è una caratteristica appresa interessante. Non dimostra conoscenza dei gatti come esseri viventi, del loro comportamento o del fatto che la costosa cuccia comprata resterà inutilizzata.

La visualizzazione sfocata del gatto era un input ottimizzato per attivare intensamente un’unità, non una fotografia recuperata o un’immagine letterale delle convinzioni della macchina.

Queste visualizzazioni possono facilitare lo studio del comportamento di un modello. Richiedono comunque interpretazione e altre prove. Un’immagine che a noi sembra significativa non spiega completamente tutto ciò che una rete fa. La nostra guida all’IA spiegabile (in inglese) esplora questo problema più ampio.

Leggere i risultati senza perdere il punto

Lo studio riporta circa il 75% di accuratezza per un’unità sensibile ai gatti e l’81,7% per la sua unità più forte sui volti umani. Nel test dei volti, prevedere sempre «non è un volto» otteneva il 64,8%; un riferimento basato su filtri lineari campionati arrivava al 74%.

Sono risultati su specifici dataset e procedure di valutazione, non tassi universali di accuratezza per riconoscere ogni gatto di internet. Il riferimento conta perché un test con categorie di dimensioni disuguali può premiare una strategia molto poco utile.

L’esperimento più ampio di classificazione delle immagini raggiungeva il 15,8% di accuratezza su circa 22.000 categorie dopo un affinamento supervisionato, rispetto al 9,3% di un risultato precedente citato.

La distinzione importante è fra apprendere una rappresentazione e usarla per un compito di classificazione con etichette. L’esperimento fece entrambe le cose, in fasi diverse. Descrivere l’intero risultato come una macchina che impara tutto senza etichette fornite da umani cancella questa distinzione.

Il legame con la visione biologica

Nella storia c’è un’attraente simmetria felina. David Hubel e Torsten Wiesel studiarono i neuroni nella corteccia visiva dei gatti, contribuendo a stabilire come le cellule rispondano selettivamente a caratteristiche visive quali bordi con un certo orientamento.

La lezione Nobel di Hubel del 1981 ripercorre lo sviluppo di quel lavoro. Le scoperte sul sistema visivo valsero loro metà del premio per la medicina di quell’anno; Roger Sperry ricevette l’altra metà per un lavoro diverso sugli emisferi cerebrali.

Le idee sull’elaborazione visiva a strati contribuirono a ispirare la ricerca sulla visione artificiale. Ispirazione non significa identità: un rilevatore artificiale di caratteristiche non dimostra che il cervello biologico usi lo stesso meccanismo, e un’unità software selettiva non risolve le discussioni su come il cervello rappresenti i concetti.

Il gatto compare su entrambi i lati della storia: animale di cui si studiava la vista e immagine che una macchina imparava a distinguere. Il collegamento è già interessante senza sostenere che ogni modello visivo discenda lungo un unico albero genealogico lineare.

AlexNet e TensorFlow erano parti diverse della storia

Un altro risultato importante del 2012 fu AlexNet, di Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton. La sua rete convoluzionale supervisionata e l’implementazione su GPU divennero una dimostrazione importante del deep learning nella classificazione delle immagini.

È allettante presentarlo come la vittoria delle GPU sull’enorme cluster CPU dell’esperimento felino. Ma compiti, architetture e regimi di addestramento erano diversi. Un confronto diretto dell’hardware richiederebbe una comparazione controllata, non due numeri impressionanti presi da progetti separati.

La notorietà di AlexNet non significa nemmeno che l’apprendimento da dati senza etichette sia semplicemente scomparso. I due approcci affrontavano opportunità differenti e le fasi supervisionate e non supervisionate potevano già essere combinate.

Anche l’infrastruttura di Google ebbe una vita oltre il titolo sul gatto. Nell’annuncio di TensorFlow del 2015, Google descriveva DistBelief come il precedente sistema interno usato per questa ricerca e per altre applicazioni, fra cui riconoscimento vocale e delle immagini.

TensorFlow veniva presentato come un sistema di seconda generazione più flessibile, rilasciato come open source. È una descrizione più precisa che dire che il modello felino stesso diventò TensorFlow: il modello appreso e l’infrastruttura software usata per costruire modelli sono cose diverse.

Cosa ci insegna ancora l’esperimento

L’idea duratura è che dai dati si possano apprendere strutture utili senza che qualcuno nomini esplicitamente ogni caratteristica che troveremo utile in seguito. Questo collega la storia all’apprendimento moderno delle rappresentazioni, ma non rende ogni tecnica di IA la stessa ricetta.

Per esempio, i modelli linguistici imparano attraverso compiti di previsione (in inglese), con dati e obiettivi differenti. La somiglianza è generale: l’addestramento può produrre rappresentazioni interne utili oltre il singolo esempio. Non dimostra che riconoscimento visivo, generazione linguistica e ragionamento siano intercambiabili.

Contano anche i dati stessi. I video caricati sono una selezione di ciò che le persone registrano e condividono, non un inventario equilibrato della realtà. Trovare uno schema riconoscibile in quella raccolta non dice quanto sia comune ovunque altrove.

Questa è la lezione sotto la battuta: chiedersi cosa abbia visto il sistema, per cosa sia stato addestrato e come sia stato verificato il risultato. Poi, certamente, godersi il fatto che un progetto di ricerca molto costoso abbia regalato a internet un altro gatto.

Domande frequenti

La rete di Google capiva i gatti?

Apprese una caratteristica visiva che rispondeva ai musi felini. Questo non dimostra la conoscenza più ampia o l’esperienza vissuta che associamo alla comprensione di un animale.

Le furono date immagini etichettate «gatto»?

Non durante l’apprendimento non supervisionato delle caratteristiche. Le etichette furono usate nella valutazione successiva e nel lavoro di classificazione supervisionata.

Il gatto sfocato era una fotografia?

No. Visualizzava un input che attivava intensamente un’unità appresa.

È così che funziona ogni sistema di IA moderno?

No. Illustra un’idea più ampia di apprendimento delle rappresentazioni, mentre i sistemi moderni possono differire molto per architettura, dati, obiettivi e addestramento successivo.

Traduzione italiana dell’articolo originale in inglese del 2026-08-12. Tradotto il 30 ottobre 2026 con assistenza IA; i riferimenti temporali restano quelli dell’originale.