96 lavori rappresentativi dal 1936 a oggi, raggruppati per ruolo editoriale e stato di pubblicazione
Gli articoli sono lo scheletro della storia dell’IA. Questo catalogo raccoglie 96 lavori fondanti, ciascuno collegato alla fonte primaria.
La selezione si basa sulla rilevanza storica, sull’influenza tecnica e sul giudizio editoriale. Può includere articoli sottoposti a revisione paritaria, rapporti tecnici, preprint, position paper e schede di sistema, con il relativo stato di pubblicazione. Correzioni e proposte possono essere inviate dalla pagina Politica editoriale e correzioni.
Visualizzati 96 di 96 articoli
Dimostra che ogni sistema formale coerente in grado di esprimere l’aritmetica contiene enunciati veri che non può dimostrare, fissando il limite entro cui si discuterà poi ciò che il calcolo e il ragionamento meccanico possono decidere.
Introduce la macchina di Turing universale e dimostra l’indecidibilità dell’Entscheidungsproblem, fondando le basi teoriche dell’informatica.
Definisce la calcolabilità effettiva mediante il λ-calcolo ed esibisce un problema che nessuna procedura del genere può decidere, raggiungendo i limiti del calcolo indipendentemente da Turing.
Modella l’attività neurale come logica proposizionale, fornendo la prima teoria matematica delle reti neurali artificiali.
Definisce l’entropia informativa e la capacità di canale, fondando la teoria dell’informazione e offrendo i fondamenti probabilistici poi impiegati in tutta l’IA.
Propone il gioco dell’imitazione (test di Turing) come definizione operativa dell’intelligenza delle macchine, inquadrando la questione dell’IA per i successivi settant’anni.
Conia il termine «artificial intelligence» e delinea l’agenda di ricerca che fonda l’IA come disciplina accademica.
Realizza il primo programma di ragionamento euristico, dimostrando che le macchine possono emulare le strategie umane di problem solving e introducendo il concetto di «sistema complesso di elaborazione dell’informazione».
Descrive la risoluzione umana dei problemi come ricerca euristica in uno spazio di stati simbolici, l’analisi alla base del General Problem Solver e della concezione della mente come elaborazione di informazione.
Introduce il primo neurone a soglia lineare addestrabile, dando origine alla tradizione connessionista che conduce al moderno deep learning.
Propone l’«advice taker», un programma capace di trarre conclusioni da un deposito formale di conoscenza di senso comune, gettando le basi concettuali per la rappresentazione della conoscenza e il ragionamento.
Realizza un programma di dama che migliora tramite auto-gioco, avviando lo studio del machine learning e dell’auto-miglioramento in stile alpha-beta.
Gelernter affronta il modo in cui una macchina può manipolare in modo efficiente sistemi formali i cui predicati presentano un’elevata simmetria, e formula come soluzione un teorema e una regola di simmetria sintattica. Il lavoro accompagna la macchina per la dimostrazione di teoremi geometrici che stava costruendo all’IBM, la quale all’inizio della primavera del 1959 dimostrò il suo primo teorema di geometria piana euclidea.
Introduce la regola LMS (Adaline), la prima regola di apprendimento basata sulla discesa del gradiente ampiamente diffusa per reti lineari adattive.
Introduce le espressioni simboliche, le funzioni ricorsive su di esse e l’eval che consente a un linguaggio di interpretare sé stesso, un progetto divenuto Lisp e linguaggio di lavoro dell’IA simbolica.
Raccoglie il lavoro sul perceptron in una teoria completa delle reti probabilistiche a strati, enunciando sia ciò che tali macchine possono apprendere sia dove si ferma la forma a strato singolo.
Costruisce un programma apparentemente conversazionale con confronto di schemi e regole di riscrittura, e l’autore osserva subito quanta comprensione i lettori gli attribuiscano senza che la possieda.
Introduce la rete di memoria associativa di Hopfield, collegando la computazione neurale ai paesaggi energetici della fisica statistica e riaccendendo l’interesse per le reti neurali agli albori dell’inverno dell’IA.
Documenta un sistema a regole di produzione che configurava ogni giorno gli ordini di calcolatori DEC, uno dei pochi sistemi esperti sopravvissuti all’uso corrente e quantificabile economicamente.
Sistematizza le operazioni di fusione, propagazione e strutturazione nelle reti di credenza, fornendo le fondamenta algoritmiche per l’inferenza nelle reti bayesiane.
Diffonde l’algoritmo di back-propagation per l’addestramento di reti neurali multistrato, rendendo possibile il deep learning applicato.
Sistematizza l’apprendimento per differenze temporali (TD), che diventa uno degli algoritmi fondamentali alla base del moderno reinforcement learning.
Introduce la rete ricorrente semplice di Elman, mostrando che le reti neurali possono apprendere la struttura temporale e preparando il terreno ai successivi modelli sequenziali.
Introduce la support vector machine a margine morbido, il classico classificatore a massimo margine che ha definito larga parte del machine learning degli anni novanta.
Introduce il LSTM originale con celle di memoria e gate di ingresso e uscita; il gate di dimenticanza oggi standard fu aggiunto in seguito da Gers, Schmidhuber e Cummins.
Introduce LeNet-5, la rete neurale convoluzionale canonica che raggiunge una qualità di riconoscimento delle cifre manoscritte di livello produttivo, stabilendo il modello di riferimento per le CNN.
Introduce un deep autoencoder che ricostruisce dati ad alta dimensionalità in modo molto più fedele della PCA, accendendo la prima scintilla della rinascita del deep learning.
Introduce le deep belief network addestrate con un algoritmo greedy strato per strato, dimostrando per la prima volta che modelli profondi possono essere addestrati in modo efficace.
Sposta l’addestramento di modelli profondi non supervisionati sui processori grafici con guadagni di un ordine di grandezza, rendendo consueta la via hardware lungo la quale il deep learning crescerà nel decennio successivo.
Combina il Q-learning con una rete convoluzionale per giocare ai videogiochi Atari direttamente dai pixel raggiungendo prestazioni di livello umano, fondando il deep reinforcement learning.
Introduce le architetture skip-gram e CBOW che producono word embedding densi, dando avvio all’era delle rappresentazioni vettoriali pre-addestrate delle parole.
Introduce il variational autoencoder, coniugando l’inferenza variazionale con la modellazione generativa profonda e fornendo il primo modello profondo a variabili latenti ampiamente adottato.
Introduce l’attenzione additiva (Bahdanau) nella traduzione automatica neurale, dimostrando che un soft alignment permette al decoder di concentrarsi sui token sorgente rilevanti e ispirando direttamente il Transformer.
Inquadra la modellazione generativa come gioco minimax a due giocatori tra un generatore e un discriminatore, dando vita a una nuova famiglia di modelli generativi impliciti.
Introduce il dropout, una semplice tecnica stocastica di regolarizzazione che diventa uno standard nelle pipeline di addestramento del deep learning.
Introduce la batch normalization, normalizzando gli ingressi di ciascun layer su un mini-batch per stabilizzare e accelerare drasticamente l’addestramento delle reti profonde.
Formula la modellazione generativa come inversione di un processo di rumore graduale, la formulazione su cui poggiano i successivi modelli di diffusione.
Introduce le connessioni residue, consentendo l’addestramento efficace di reti con centinaia di layer e vincendo ImageNet 2015 con un ampio margine.
Divide le parole in unità di sottoparola derivate dalle frequenze, così che un vocabolario fisso possa comporre qualunque forma, schema di segmentazione ereditato dalla maggior parte dei modelli linguistici successivi.
Riunisce potatura, quantizzazione appresa e codifica di Huffman in un’unica catena che riduce una rete di un ordine di grandezza quasi senza perdita di accuratezza, affermando presto che la precisione numerica è una variabile progettuale.
Introduce un modello autoregressivo basato su convoluzioni causali dilatate che genera forme d’onda audio grezze, migliorando drasticamente la naturalezza della sintesi vocale da testo.
Introduce PPO, un metodo di policy gradient al primo ordine semplice e stabile che diventa l’algoritmo di ottimizzazione della politica di riferimento nel moderno reinforcement learning.
Instrada ogni token verso pochi esperti fra molti, lasciando che il numero di parametri di una rete cresca ben oltre il calcolo speso per un singolo ingresso.
Introduce il Transformer, un’architettura basata unicamente sui meccanismi di attenzione che abbandona ricorrenze e convoluzioni e supera la qualità dei precedenti modelli di transduction sequenziale addestrandosi in una frazione del tempo.
Addestra un segmentatore in sottoparole direttamente dal testo grezzo, senza pre-segmentazione specifica di una lingua, così che la stessa catena serva anche le lingue che non separano le parole con spazi.
Introduce un Transformer bidirezionale pre-addestrato con masked language modeling e previsione della frase successiva, stabilendo un nuovo stato dell’arte nei benchmark di NLP.
Riformula ogni compito di NLP come text-to-text, effettuando un’ablazione sistematica delle scelte di transfer learning e definendo una ricetta di riferimento per i modelli pre-addestrati su larga scala.
Riformula la diffusione come obiettivo variazionale di denoising, riportando la qualità della generazione di immagini allo stato dell’arte e dando il via all’era dei modelli di diffusione.
Compone parallelismo di tensori, di pipeline e di dati in un unico schedule e misura la produttività dell’addestramento di un modello linguistico su migliaia di GPU.
Congela i pesi preaddestrati e addestra invece una coppia di matrici a rango ridotto, riducendo il costo di adattare un grande modello a una frazione del fine-tuning completo.
Dimostra che un Transformer autoregressivo da 12 miliardi di parametri può generare immagini diversificate e ad alta fedeltà direttamente da didascalie testuali, accendendo la ricerca sul text-to-image.
Addestra encoder di immagini su coppie immagine-testo raccolte dal web per ottenere una forte classificazione zero-shot delle immagini, fornendo la torre visiva per molti sistemi multimodali successivi.
Presenta un modello GPT affinato sul codice insieme a un banco di prova valutato sulla correttezza funzionale, trasformando la programmazione da genere di generazione testuale in capacità misurabile, e ne discute gli effetti su sicurezza e lavoro.
Sposta la diffusione in uno spazio latente percettivo, consentendo la generazione di immagini ad alta risoluzione da testo su GPU consumer e democratizzando la sintesi di immagini.
Mostra che spingere un modello linguistico a generare passi di ragionamento intermedi migliora nettamente le prestazioni su benchmark di ragionamento aritmetico, di buon senso e simbolico.
Applica su larga scala il reinforcement learning from human feedback per allineare gli output di GPT-3 alle intenzioni umane, affermando l’RLHF come ricetta canonica di allineamento.
Introduce il RLAIF, in cui un modello critica e rivede i propri output alla luce di una costituzione scritta, riducendo la dipendenza da etichette umane di danno per l’allineamento.
Rilascia la famiglia LLaMA di modelli fondativi open, mostrando che modelli relativamente piccoli e ben addestrati possono rivaleggiare con modelli closed molto più grandi, accelerando il movimento degli open weights.
Ordina lavori sparsi sugli agenti secondo costruzione, valutazione e applicazione, segnando il momento in cui il termine passa da un insieme di pratiche a un campo di ricerca.
Retropropaga attraverso un modello di base quantizzato a 4 bit verso adattatori a rango ridotto, portando il fine-tuning di un grande modello alla portata di una sola GPU.
Quantizza i pesi di un grande modello linguistico dopo l’addestramento, strato per strato e in un solo passaggio, così da poterlo servire a precisione minore senza riaddestrarlo.
Fa proporre più token da un piccolo modello di bozza che il modello obiettivo verifica in parallelo, riducendo la latenza senza alterare la distribuzione di uscita.
Gestisce la cache di attenzione in pagine di dimensione fissa come un sistema operativo gestisce la memoria, così che un server regga molte più richieste concorrenti senza riservare il caso peggiore per ciascuna.
Propone Mamba, un’architettura a spazio di stato selettivo che eguaglia o supera l’attenzione Transformer su linguaggio e altre modalità con complessità lineare — una delle architetture post-Transformer più influenti del 2023.
Vince ImageNet 2012 con ampio margino grazie a una CNN addestrata su GPU, segnando il punto di svolta in cui il deep learning supera la visione artificiale classica.
Pubblica la versione su Nature del DQN, dimostrando prestazioni di livello umano su un’ampia gamma di giochi Atari e portando il deep RL all’attenzione generale.
Combina reti profonde di policy e value con la ricerca ad albero Monte Carlo per sconfiggere un campione mondiale umano di Go, un momento spartiacque per il reinforcement learning.
Dimostra che un Transformer generativo pre-addestrato su testo non annotato può essere fine-tunato per ottenere prestazioni elevate su diversi compiti di NLP, fondando la linea di ricerca GPT.
Mostra che un modello linguistico Transformer da 1,5 miliardi di parametri esibisce un comportamento multi-task zero-shot, alimentando il dibattito sull’LM come learner multi-task.
Dimostra che un Transformer da 175 miliardi di parametri raggiunge forti prestazioni few-shot attraverso il solo in-context learning, rendendo il prompt engineering un paradigma diffuso.
Documenta GPT-4, un modello multimodale su larga scala che eguaglia o supera le prestazioni umane su un’ampia gamma di benchmark professionali e accademici.
Introduce la famiglia Gemini di modelli nativamente multimodali, stabilendo un nuovo stato dell’arte nei benchmark di ragionamento, coding e multimodali.
OpenAI pubblica la system card della serie di modelli o1, addestrati con apprendimento per rinforzo su larga scala per ragionare con catena di pensiero. o1 raggiunge lo stato dell’arte in compiti scientifici e di coding e dimostra aderenza alle policy basata sul ragionamento.
L’ARC Prize introduce ARC-AGI-3, un benchmark interattivo per studiare l’intelligenza agentica attraverso ambienti astratti a turni in cui gli agenti devono esplorare, inferire obiettivi, costruire modelli interni della dinamica dell’ambiente e pianificare sequenze d’azione efficaci senza istruzioni esplicite. A marzo 2026, gli esseri umani risolvono il 100% degli ambienti mentre i sistemi IA di frontiera ottengono meno dell’1%.
Applica sparse autoencoder a un LLM di frontiera, estraendo milioni di feature monosemantiche e dimostrando che l’interpretabilità meccanicistica può scalare a modelli di dimensione produttiva.
Rilascia DeepSeek-V3, un modello MoE open da 671 miliardi di parametri che si avvicina ai modelli closed di frontiera sui principali benchmark con una frazione del costo di addestramento.
Presenta la famiglia Gemini 1.5, modelli multimodali a elevata efficienza computazionale con finestre di contesto da un milione di token — capaci di ragionamento fine su più documenti lunghi e ore di video e audio.
Meta presenta la famiglia Llama 3 di modelli fondazione a pesi aperti con supporto nativo per multilinguismo, programmazione, ragionamento e uso di strumenti. Il modello di punta 405B dense Transformer era uno dei più grandi modelli a pesi aperti al momento del rilascio.
Meta presenta SAM 2, un modello fondazione per la segmentazione visiva promptable in immagini e video, insieme al più grande dataset di segmentazione video mai realizzato.
Google DeepMind introduce Gemma 2, una famiglia di modelli aperti leggeri (2B-27B parametri) che applica diverse modifiche tecniche note al Transformer — inclusa l’attenzione a finestra scorrevole — per avvicinarsi alle prestazioni di modelli molto più grandi.
DeepSeek rilascia R1, il primo modello a pesi aperti che dimostra capacità di ragionamento di livello frontiera guidata principalmente da apprendimento per rinforzo su larga scala. R1 eguaglia i modelli closed di classe o1 di OpenAI sui benchmark di matematica e coding ed è pubblicato sotto licenza MIT.
Gli autori affinano Qwen2.5-32B su 1.000 domande di ragionamento selezionate e aggiungono il forzamento del budget, che limita o prolunga quanto a lungo il modello ragiona in inferenza. Il risultato supera o1-preview nella matematica da competizione e sale dal 50% al 57% su AIME24 al crescere del calcolo al momento del test. È un contrappeso diretto all’idea che la capacità derivi solo da addestramenti più grandi.
Qwen3 è una famiglia unificata da 0,6 a 235 miliardi di parametri, in varianti dense e a miscela di esperti, con commutazione fra modalità di ragionamento e non, così che la profondità del ragionamento diventa una scelta a livello di richiesta. Il supporto multilingue passa da 29 a 119 lingue e i pesi sono rilasciati con licenza Apache 2.0.
AlphaEvolve è un agente di programmazione evolutivo che orchestra una pipeline autonoma di modelli linguistici, modifica direttamente il codice di un algoritmo e lo migliora sulla base del riscontro di uno o più valutatori. In Google ha prodotto un algoritmo di scheduling per data center più efficiente, una semplificazione funzionalmente equivalente nella progettazione dei circuiti degli acceleratori e un’accelerazione dell’addestramento del modello che lo sostiene. In matematica e informatica ha trovato algoritmi dimostrabilmente corretti migliori dello stato dell’arte, fra cui una procedura che moltiplica due matrici complesse 4×4 con 48 moltiplicazioni scalari: in quel contesto, il primo miglioramento dell’algoritmo di Strassen in 56 anni.
Ai2 pubblica OLMo 2 da 7B, 13B e 32B con tutti gli artefatti — pesi, dati di addestramento completi, codice e ricette, log e migliaia di checkpoint intermedi. Il rapporto descrive le modifiche per la stabilità e l’efficienza per token, una miscela di dati di fase avanzata chiamata Dolmino Mix 1124 e una fase finale di apprendimento per rinforzo con ricompense verificabili. I modelli base si collocano sulla frontiera di Pareto tra prestazioni e calcolo di addestramento, eguagliando spesso famiglie a soli pesi aperti pur dichiarando su cosa sono stati addestrati.
Olmo 3 estende la famiglia completamente aperta a 7B e 32B, costruita per il ragionamento a contesto lungo, la chiamata di funzioni, la programmazione, il rispetto delle istruzioni, la conversazione e il richiamo di conoscenze. Ciò che viene pubblicato è l’intero flusso del modello — ogni fase, checkpoint, dato e dipendenza usati per costruirlo — e non i soli pesi. Ai2 descrive il modello di punta Olmo 3 Think 32B come il più forte modello di ragionamento completamente aperto pubblicato fino a quel momento: un confronto interno alla categoria completamente aperta, non una classifica rispetto ai sistemi di frontiera in generale.
Questo position paper sostiene che l’integrazione della memoria esplicita è la pietra angolare per far progredire gli LLM verso l’AGI. Mentre il meccanismo di apprendimento sottostante degli LLM è altamente analogo alla memoria implicita umana, le funzioni cognitive di ordine superiore richieste per l’AGI — come la pianificazione strategica a lungo termine e la metacognizione — dipendono dalla memoria esplicita.
Rapporto tecnico di Z.ai su GLM-5. Partendo dalle capacità agentiche, di ragionamento e di programmazione della generazione precedente, il modello adotta DSA per ridurre i costi di addestramento e inferenza mantenendo la fedeltà su contesti lunghi; il post-addestramento aggiunge un’infrastruttura di apprendimento per rinforzo asincrono che disaccoppia generazione e addestramento, oltre ad algoritmi di RL agentico asincrono per interazioni di lungo periodo. Il rapporto rivendica risultati di vertice su benchmark aperti e su compiti di ingegneria del software end-to-end: sono valutazioni degli autori, con codice e modelli pubblicati su GitHub per la verifica.
I migliori limiti noti sull’esponente ω della moltiplicazione di matrici derivano dall’analisi della perdita per combinazione, un raffinamento del metodo laser. Gli autori riformulano il problema di ottimizzazione che ne è il nucleo per risolverlo su scala maggiore, progettano un nuovo algoritmo di ottimizzazione sfruttando recenti avanzamenti dell’apprendimento automatico e poi lo affinano con AlphaEvolve. Nel complesso il limite superiore passa da 2,371339 a 2,371177. È una nota in preprint e AlphaEvolve è un ingrediente, non l’intero metodo; il guadagno è piccolo, ma riguarda un problema teorico studiato da decenni.
Google presenta Co-Scientist, un sistema multi-agente costruito su Gemini i cui agenti generano, criticano e affinano ipotesi di ricerca, con un processo a torneo che le migliora di turno in turno. L’articolo riferisce che la qualità delle ipotesi continua a crescere all’aumentare del calcolo in fase di inferenza. La validazione è biomedica e non generale — riposizionamento di farmaci, scoperta di nuovi bersagli e meccanismi di resistenza antimicrobica — con candidati per la leucemia mieloide acuta confermati in vitro.
Passa in rassegna 1.250 articoli arXiv dal 2024 al 2026 e distingue due cose che il termine copre: il perfezionamento limitato, che migliora un sistema rispetto a un valutatore esterno fisso ed è convergente e valutabile, e l’auto-miglioramento ricorsivo aperto, che modifica anche i criteri o il meccanismo del miglioramento stesso, non ha un ancoraggio esterno fisso ed è divergente in linea di principio. La conclusione della rassegna è che quasi tutti gli articoli raccolti studiano il primo. Gli autori dichiarano i propri limiti: il corpus è un campione e non un censimento, e il 74% è stato pubblicato nel 2026, il che a loro avviso rende prematura ogni misura d’impatto.
Argomenta che gli attuali LLM si basano principalmente sulla corrispondenza di pattern statistici e mancano di primitive essenziali di «percezione situazionale» — permanenza dell’oggetto, causalità, altre menti, persistenza del mondo fisico. Queste primitive, che i neonati umani sviluppano precocemente, sono identificate come gli ingredienti mancanti per la superintelligenza artificiale.
Argomenta che l’autoconservazione è la radice strutturale del disallineamento dell’IA — alla base dell’allineamento ingannevole, della protezione dei contenuti degli obiettivi e della resistenza allo spegnimento. L’obiettivo corretto non è un agente autoconservativo soppresso da vincoli esterni, ma un sistema costituzionalmente indifferente alla propria continuazione: Indifferenza Esistenziale (EI).
Ricercatori di Google DeepMind e collaboratori argomentano che la sfida centrale dell’IA si sta spostando dalla capacità alla coesistenza. Una superintelligenza derivata da un design solipsista che tratta il mondo come una fonte di feedback stazionaria esogena è improbabile che sia cooperativa — il dispiegamento induce non-stazionarietà endogena, producendo deriva di distribuzione tra addestramento, test e dispiegamento.
Tabella di marcia di trentaquattro autori che espone le fasi dell’auto-miglioramento ricorsivo, dall’autonomia nell’eseguire i miglioramenti fino alla meta-miglioria ricorsiva, con requisiti e ostacoli di ciascuna rilevati in ambiti quali la scoperta scientifica e l’ingegneria del software. Argomenta a partire da una lettura del campo e da indizi preliminari anziché da nuovi esperimenti, e non recava alcuna sede di pubblicazione quando questa scheda è stata scritta.
Rapporto di Google DeepMind che indaga come l’IA possa continuare a svilupparsi lungo il continuum dell’intelligenza meccanica dopo l’AGI. Dopo aver formalmente definito l’IA universale, il rapporto si concentra sulla transizione dall’AGI umana alla superintelligenza artificiale generale, caratterizza l’ASI e discute quattro vie: scalare l’AGI, cambi di paradigma IA, auto-miglioramento ricorsivo, e collettivi multi-agente.