Dalle Ruote Dentate di Pascal ai Circuiti Binari di Leibniz: Un Viaggio nel Tempo dell’Informatica

Benvenuti, esploratori della storia tecnologica! Oggi ci immergeremo in un viaggio affascinante, che parte dalle calcolatrici meccaniche del XVII secolo e arriva fino ai super-computer dei giorni nostri. Siete pronti a scoprire come un po’ di ingegno e qualche ruota dentata hanno dato vita ai moderni sistemi di intelligenza artificiale? Allacciate le cinture, perché stiamo per partire!

I Primi Passi: Blaise Pascal e la Magia delle Calcolatrici Meccaniche

Immaginate di trovarvi nel 1642, in Francia. L’aria è pervasa da un senso di scoperta scientifica, e nel laboratorio di Blaise Pascal, un uomo dall’accento francese marcato e una mente brillante, sta nascendo una rivoluzione. Pascal, non contento di essere solo un matematico e filosofo, decide di mettersi a costruire una calcolatrice meccanica. Sì, avete capito bene, una calcolatrice meccanica, che oggi suona come qualcosa di uscito da un romanzo steampunk!

La sua invenzione, la Pascalina, era un affare piuttosto futuristico per l’epoca. Pensate a una macchina con ruote dentate che girano e fanno avanzare altre ruote – una sorta di “game of gears” per matematici! La Pascalina era capace di fare addizioni e sottrazioni con numeri fino a otto cifre.¹ ² Certo, non avrebbe vinto nessun premio per l’innovazione commerciale, ma è stata un passo fondamentale verso le calcolatrici moderne.

Le Avventure di Pascal nel Calcolo delle Probabilità

Ma Pascal non si fermò alla Pascalina. Oh no! Questo genio della matematica si avventurò anche nel campo delle probabilità, insieme al collega Pierre de Fermat. I due iniziarono a fare calcoli per i giochi d’azzardo, e chi lo avrebbe detto? Quella ricerca che sembrava dedicata ai casinò è diventata la base per molti algoritmi di machine learning che usiamo oggi. Una vera e propria fortuna matematica!

Gottfried Wilhelm Leibniz e la Magia del Calcolo Binario

Passiamo ora al XVII secolo inoltrato, dove troviamo Gottfried Wilhelm Leibniz, un altro pioniere della matematica. Leibniz, come Pascal, amava progettare macchine, e la sua Stepped Reckoner era un tentativo ambizioso di calcolare addizioni, sottrazioni, moltiplicazioni e divisioni. Certo, la macchina non funzionava sempre come sperato, ma Leibniz aveva un’altra idea geniale che avrebbe cambiato il mondo: il calcolo binario.

Nel 1703, Leibniz pubblicò un trattato sul calcolo binario, un sistema che usa solo due simboli, 0 e 1.⁴ Immaginate la semplicità di questo sistema, che alla fine si è rivelata geniale. Oggi, tutto il nostro mondo digitale si basa su questi due piccoli numeri. Sì, ogni volta che accendete il computer, state in effetti celebrando il lavoro di Leibniz!

Charles Babbage e Ada Lovelace: I Visionari del XIX Secolo

Nel XIX secolo, il mondo della tecnologia inizia a prendere forma con due figure straordinarie: Charles Babbage e Ada Lovelace. Questi due pionieri sono stati come il Batman e Robin del calcolo e della programmazione, gettando le fondamenta per i computer moderni.

Charles Babbage: Il “Padre del Computer”

Charles Babbage è stato il matematico e ingegnere britannico che ci ha regalato l’idea della Macchina Analitica, un dispositivo che potrebbe essere considerato il “nonno” dei computer. Anche se non è riuscito a costruirla completamente (dobbiamo perdonarlo, i suoi attrezzi erano più simili a quelli di un fabbro medievale che a quelli di un ingegnere moderno), la sua idea era da fantascienza per l’epoca.

La Macchina Analitica di Babbage era progettata per eseguire calcoli complessi usando istruzioni programmate, proprio come i computer di oggi. E se pensate che le schede perforate usate per inserire dati e istruzioni siano un’idea antiquata, sappiate che hanno fatto il loro dovere per molto tempo, fino all’era dei floppy disk e oltre!

Ada Lovelace: La Prima Programmatrice della Storia

E ora, preparatevi a conoscere la prima programmatrice della storia: Ada Lovelace! Figlia del poeta Lord Byron e una matematica straordinaria, Ada ha lavorato con Babbage e ha scritto note fondamentali sulla Macchina Analitica. Ma non è tutto! Ada ha creato il primo algoritmo destinato a essere eseguito da una macchina. Immaginate una donna del XIX secolo che sognava le macchine come strumenti per creare musica o arte – oggi, questo sembra un concetto moderno, ma Ada aveva già avuto l’intuizione! ⁵ ⁶

Ada ha anche previsto che le macchine non avrebbero mai potuto pensare come gli esseri umani. In altre parole, anche se potevano eseguire compiti programmati, non avrebbero mai avuto un’anima o creatività. Una riflessione che ancora oggi alimenta il dibattito sull’intelligenza artificiale.

Il Legame tra Pascal, Leibniz, Babbage e l’AI

Mettiamo insieme i pezzi del puzzle. Le invenzioni e le idee di Pascal, Leibniz, Babbage e Lovelace non sono state solo meraviglie tecnologiche del loro tempo, ma hanno gettato le basi per quello che oggi chiamiamo intelligenza artificiale. Pascal ha spianato la strada con il calcolo delle probabilità, Leibniz ha definito le regole del calcolo binario, e Babbage e Lovelace hanno immaginato il futuro dei computer e della programmazione. Senza di loro, la nostra era tecnologica sarebbe probabilmente molto diversa, se non inesistente!

XX Secolo: L’Alba dell’Informatica e dell’AI

Il XX secolo ha visto esplodere l’informatica e l’intelligenza artificiale come mai prima d’ora. Dai primi calcolatori elettronici alle teorie rivoluzionarie di Alan Turing, questa era ha gettato le basi per l’era digitale moderna.

1936: Alan Turing e la Macchina di Turing

Nel 1936, Alan Turing, un matematico britannico con un cervello da supercomputer, propose una macchina teorica che avrebbe fatto girare la testa a chiunque l’avesse ascoltata. La macchina di Turing è un concetto che descrive un calcolatore universale capace di eseguire qualsiasi calcolo che potremmo immaginare, dato abbastanza tempo e risorse. Immaginate un nastro infinito, una testina che legge e scrive, e una serie di comandi – è un po’ come il “cervello” del computer che possiamo trovare sotto il cofano. ⁷

1939-1945: La Seconda Guerra Mondiale e i Calcolatori

Durante la Seconda Guerra Mondiale, i calcolatori hanno fatto un balzo in avanti, nonostante l’atmosfera non fosse proprio quella di una fiera tecnologica. Un grande esempio è il Colossus, la prima macchina elettronica digitale programmabile, sviluppata da Tommy Flowers e il suo team. Il Colossus, con i suoi oltre 2.000 tubi a vuoto, era l’eroe nascosto della guerra, aiutando a decifrare i codici nemici.

Poi c’è stato il famoso Architettura di von Neumann, proposta da John von Neumann nel 1945. Questo modello, che separa la memoria e l’unità di elaborazione, è alla base della maggior parte dei computer moderni. È come aver creato un manuale di istruzioni per tutti i computer che avremmo conosciuto in seguito.

1945-1950: I Primi Computer Elettronici e i Progressi nel Calcolo

Il 1945 ha visto l’arrivo dell’ENIAC (Electronic Numerical Integrator and Computer), il primo computer elettronico general-purpose. Progettato da John Presper Eckert e John William Mauchly, l’ENIAC era capace di eseguire calcoli complessi e ha mostrato al mondo le potenzialità dei computer elettronici. Se pensate che il vostro computer portatile sia potente, pensate all’ENIAC come al dinosauro di tutti i computer! ⁸

Nel 1947, i transistor sono stati inventati da John Bardeen, William Shockley e Walter Brattain. I transistor hanno sostituito i tubi a vuoto, rendendo i computer più piccoli e affidabili. Questa invenzione ha dato il via a una nuova era di potenza di calcolo.

Nel 1950, Alan Turing, ha pubblicato il suo influente lavoro “Computing Machinery and Intelligence” dove ha introdotto il Test di Turing, un metodo per determinare se una macchina può comportarsi in modo intelligente quanto un essere umano. La prova è semplice: se un umano non può distinguere tra una macchina e un altro umano durante una conversazione, allora la macchina è considerata “intelligente”. Insomma, è come il test di realtà di Matrix, ma senza le pillole colorate! Questo ha gettato le basi per la valutazione dell’intelligenza delle macchine e ha continuato a essere un argomento caldo nel dibattito sull’AI.

1956: La Nascita dell’Intelligenza Artificiale

Nel luglio del 1956, il campo dell’intelligenza artificiale è stato ufficialmente lanciato con la Conferenza di Dartmouth. Immaginate una sorta di raduno geek dell’epoca, organizzato da giganti della tecnologia come John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. ⁹ Questa conferenza ha segnato l’inizio di un’era nuova, con McCarthy che ha coniato il termine “intelligenza artificiale” e ha sognato macchine che potessero emulare funzioni cognitive umane.

Durante la conferenza, si è discusso di come creare programmi in grado di manipolare simboli e risolvere problemi con regole formali. I primi tentativi di AI degli anni ’50 e ‘60 erano, però, un po’ come giocattoli elettronici, limitati da regole rigide e incapaci di gestire la complessità del mondo reale. Era come se avessimo appena aperto la porta di una stanza buia e avessimo iniziato a scoprire il potenziale nascosto dietro di essa.

Anni ’60-’80: Logica Fuzzy e Intelligenza Artificiale

La Logica Binaria e i Suoi Limiti

Negli anni ’60, la maggior parte dei computer utilizzava la logica binaria, un sistema che funziona con due valori: vero (1) e falso (0). Questo approccio era perfetto per i circuiti digitali, ma quando si trattava di gestire informazioni parziali o ambigue, come il riconoscimento di pattern complessi, la logica binaria si dimostrava un po’ limitata. Era come cercare di risolvere un puzzle con solo due pezzi: non è che non funzionasse, ma era decisamente poco flessibile.

La Logica Fuzzy: Introduzione di Zadeh (1965)

Nel 1965, Lotfi A. Zadeh ha lanciato una vera e propria rivoluzione con la logica fuzzy. Immaginate una logica che non si limita a “sì” o “no”, ma permette una gamma di risposte più sfumate, come “piuttosto caldo” o “leggermente alto”. La logica fuzzy è come un paio di occhiali che ci permette di vedere il mondo in scala di grigi invece che in bianco e nero. Questa flessibilità ha trovato applicazioni in vari campi:

• Controllo Industriale: Migliorando processi complessi, come la regolazione della temperatura e la gestione della qualità.

• Sistemi Esperti: Aiutando nella diagnosi medica e nelle decisioni con conoscenze incomplete.

• Riconoscimento di Pattern e Visione Artificiale: Trattando dati rumorosi e ambigui.

• Automobili: Ottimizzando i sistemi di controllo per una guida più sicura e confortevole.

La logica fuzzy ha portato alla creazione di sistemi intelligenti più adattivi, capaci di affrontare l’incertezza e risolvere problemi complessi con una nuova dose di creatività.

Anni ’80-’90: Reti Neurali e Machine Learning

La Rinascita delle Reti Neurali

Negli anni ’80, le reti neurali artificiali hanno vissuto una rinascita grazie a nuove scoperte. L’algoritmo di retropropagazione (backpropagation), sviluppato da Geoffrey Hinton, Yoshua Bengio e Yann LeCun tra il 1986 e il 1989, ha reso possibile addestrare reti neurali a più strati. Questo ha migliorato notevolmente il riconoscimento di pattern e la classificazione. Pensate a questo come all’invenzione di un nuovo metodo per allenare un atleta, permettendo di affinare le sue prestazioni e di superare nuovi record. ¹⁰ ¹¹

Nel 1989, Bengio e LeCun hanno introdotto le Reti Neurali Convoluzionali (CNN), ispirate dalla percezione visiva nei mammiferi. Le CNN hanno rivoluzionato il riconoscimento delle immagini, come se avessimo dato agli algoritmi degli occhiali da sole speciali per distinguere meglio i dettagli.

Integrazione della Logica Fuzzy con il Machine Learning

Negli anni ‘80 e ‘90, c’è stata anche una fusione tra logica fuzzy e machine learning. I ricercatori hanno combinato la logica fuzzy con le reti neurali per gestire meglio l’incertezza nei dati. Questa combinazione ha migliorato la classificazione e il controllo, sfruttando le reti neurali per apprendere dai dati e la logica fuzzy per gestire l’incertezza. Era come un matrimonio tra due approcci che, insieme, hanno creato una forza potente nel campo dell’AI.

XXI Secolo: Il Trionfo del Deep Learning e delle Reti Neurali

2010-2024: L’Ascesa del Deep Learning e dei Modelli Linguistici

Nel XXI secolo, abbiamo assistito a una vera e propria esplosione nel campo del deep learning. Le reti neurali profonde, che possono avere decine o centinaia di strati, hanno cambiato radicalmente il panorama tecnologico. Immagina un supereroe dell’intelligenza artificiale, capace di estrarre e comprendere informazioni complesse da enormi quantità di dati. Questo supereroe ha portato a scoperte rivoluzionarie in vari settori.

AlexNet e la Rivoluzione del Riconoscimento delle Immagini

Nel 2012, Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton hanno presentato AlexNet, un modello che ha partecipato al concorso ImageNet e ha ottenuto risultati straordinari nel riconoscimento delle immagini. AlexNet ha segnato l’inizio di un’era in cui le reti neurali convoluzionali (CNN) sono diventate strumenti essenziali nel computer vision. Era come se avessimo dato a un robot una vista super-potente, capace di distinguere dettagli invisibili agli occhi umani.

BERT e la Comprensione del Linguaggio Naturale

Nel 2018, Google AI ha introdotto BERT (Bidirectional Encoder Representations from Transformers), che ha rivoluzionato la comprensione del linguaggio naturale. BERT utilizza l’architettura Transformer per comprendere il contesto in entrambe le direzioni, migliorando notevolmente la comprensione di testi complessi, rispondere a domande e tradurre lingue. Immagina BERT come un traduttore universale che può afferrare il significato nascosto e le sfumature di qualsiasi testo.

GPT-3 e la Generazione di Testi Avanzata

Nel 2020, OpenAI ha lanciato GPT-3 (Generative Pre-trained Transformer 3), un modello di linguaggio con 175 miliardi di parametri. GPT-3 ha dimostrato capacità avanzate nella generazione di testi, nella comprensione del contesto e nella risposta a domande complesse. Questo modello ha raggiunto nuovi livelli di qualità nella produzione di linguaggio naturale, come se avessimo creato un autore robotico capace di scrivere articoli, storie e persino poesie.

L’Impatto delle Capacità Computazionali: NVIDIA e l’Evoluzione del Calcolo

Il progresso del deep learning è stato fortemente supportato dalle capacità computazionali, con NVIDIA che ha giocato un ruolo centrale. Fondata nel 1993, NVIDIA inizialmente si occupava di chip grafici, ma dal 2006 ha rivoluzionato il calcolo parallelo con le sue GPU CUDA. Le GPU NVIDIA sono particolarmente adatte per il deep learning grazie alla loro capacità di eseguire operazioni parallele su larga scala. Immagina un’orchestra di chip che lavora all’unisono per addestrare i modelli di AI più avanzati.

Le GPU NVIDIA e il Calcolo Ad Alte Prestazioni

Le GPU NVIDIA come il Tesla V100 e l’A100, lanciate rispettivamente nel 2017 e nel 2020, hanno potenziato notevolmente le capacità di calcolo. Questi chip sono come i motori delle auto da corsa del calcolo, permettendo ai ricercatori di spingere i limiti dell’AI. Nel 2021, l’architettura Ampere con le GPU A100 ha migliorato ulteriormente le prestazioni, e le GPU H100, lanciate nel 2022, hanno ulteriormente potenziato le capacità di calcolo. Questo progresso ha permesso di sviluppare modelli di AI sempre più complessi e sofisticati.

Costo e Consumo Energetico dello Sviluppo dell’AI

L’espansione del deep learning ha portato a un aumento dei requisiti di calcolo, dei costi e del consumo energetico. Addestrare modelli di grande dimensione, come GPT-3, richiede enormi risorse computazionali. L’addestramento di GPT-3, ad esempio, ha coinvolto migliaia di GPU per settimane, con costi stimati di milioni di dollari. È come se ogni grande modello di AI fosse un elefante che mangia montagne di energia e richiede spazi enormi per allenarsi.

Le Sfide della Sostenibilità

Il consumo energetico è una preoccupazione crescente. Un documento del 2019 ha stimato che l’addestramento di modelli di deep learning di grandi dimensioni possa consumare energia comparabile a quella di una piccola città per un anno. Questo solleva preoccupazioni riguardo alla sostenibilità e ai costi a lungo termine dell’AI. La ricerca è quindi concentrata non solo sull’innovazione, ma anche su come rendere queste tecnologie più sostenibili ed economicamente accessibili.

Evoluzione dell’AI nell’Industria e Nella Società

L’intelligenza artificiale ha trovato applicazioni in molti settori, trasformando la nostra vita quotidiana. Il riconoscimento facciale è utilizzato in sicurezza e sui social media, mentre i sistemi di raccomandazione, come quelli di Netflix e Amazon, personalizzano l’esperienza degli utenti. È come avere un assistente virtuale che sa esattamente cosa vuoi, ancor prima che tu lo sappia.

AI in Medicina e Guida Autonoma

In medicina, l’AI è impiegata per diagnosi precoci e trattamenti personalizzati. IBM Watson Health analizza dati clinici per suggerire diagnosi e terapie, mentre DeepMind di Google ha fatto progressi nella previsione delle strutture proteiche, un’area cruciale in biologia e medicina. Nella guida autonoma, aziende come Waymo e Tesla utilizzano reti neurali e machine learning per sviluppare veicoli autonomi capaci di navigare e prendere decisioni in ambienti complessi.

Prospettive Future: Intelligenza Artificiale e Calcolo Quantistico

Il futuro dell’AI potrebbe essere rivoluzionato dall’integrazione del calcolo quantistico. I computer quantistici, che sfruttano i principi della meccanica quantistica, hanno il potenziale per risolvere problemi complessi a velocità inimmaginabili rispetto ai computer tradizionali. È come passare da una bicicletta a una navetta spaziale nel mondo del calcolo.

La Supremazia Quantistica

IBM, Google e Microsoft sono tra le aziende leader nel calcolo quantistico. Nel 2019, Google ha annunciato il raggiungimento della supremazia quantistica con il computer quantistico Sycamore, dimostrando che può eseguire calcoli che superano le capacità dei supercomputer classici. Questo sviluppo potrebbe non solo migliorare l’efficienza degli algoritmi di machine learning e deep learning, ma anche portare a soluzioni innovative per problemi complessi in vari settori.

Conclusione: Il Futuro dell’Intelligenza Artificiale e dell’Informatica

L’evoluzione dell’intelligenza artificiale e dell’informatica è stata un viaggio straordinario, pieno di innovazioni, scoperte e sfide. Dalla prima calcolatrice meccanica di Blaise Pascal fino ai modelli linguistici avanzati come GPT-3 e alle promettenti frontiere del calcolo quantistico, abbiamo assistito a una crescita esponenziale che ha trasformato il nostro modo di vivere, lavorare e pensare.

Un Viaggio Tra Innovazioni e Scoperte

Abbiamo visto come figure storiche come Pascal e Leibniz hanno gettato le basi per il calcolo e l’informatica moderna con le loro invenzioni e teorie. Le loro idee pionieristiche hanno aperto la strada a innovazioni come la logica fuzzy e le reti neurali, che hanno permesso di affrontare problemi complessi e gestire l’incertezza in modi nuovi e potenti.

Nel corso del XX secolo, le guerre e le scoperte scientifiche hanno accelerato il progresso tecnologico. La Seconda Guerra Mondiale ha visto la nascita dei primi calcolatori elettronici, e la rivoluzione dei transistor ha permesso lo sviluppo di computer più piccoli e potenti. L’avvento dei modelli di deep learning e delle reti neurali nel XXI secolo ha ulteriormente amplificato le capacità dell’AI, portando a progressi incredibili nella comprensione del linguaggio naturale e nella visione artificiale.

Il Ruolo Cruciale delle Capacità Computazionali

Il progresso del deep learning è stato fortemente supportato dalle capacità computazionali, con NVIDIA che ha giocato un ruolo centrale nel fornire le GPU necessarie per l’addestramento dei modelli complessi. Tuttavia, con l’aumento delle capacità computazionali sono emerse sfide legate ai costi e al consumo energetico, sollevando interrogativi sulla sostenibilità a lungo termine delle tecnologie avanzate.

Il Futuro: Oltre l’AI, Verso il Calcolo Quantistico

Guardando al futuro, il calcolo quantistico rappresenta una nuova frontiera che potrebbe rivoluzionare l’AI e altri settori. I computer quantistici promettono di risolvere problemi complessi con una velocità senza precedenti, aprendo la strada a scoperte e innovazioni che oggi possiamo solo immaginare. L’integrazione del calcolo quantistico con l’AI potrebbe portare a una nuova era di avanzamenti tecnologici, cambiando radicalmente il nostro approccio alla risoluzione dei problemi e alla comprensione del mondo.

Conclusione: Un Viaggio Senza Fine

In definitiva, l’evoluzione dell’AI e dell’informatica è un viaggio in continua evoluzione, alimentato dalla curiosità umana, dall’ingegno e dalla determinazione di risolvere i problemi più complessi. Ogni innovazione costruisce su quella precedente, creando una rete di scoperte che continua ad espandersi. Siamo solo all’inizio di questo emozionante viaggio, e le prossime scoperte potrebbero portare a cambiamenti che oggi non possiamo nemmeno immaginare.

Concludiamo con una riflessione: mentre ci avventuriamo in questa era di intelligenza artificiale e calcolo quantistico, non dobbiamo perdere di vista il valore delle idee fondamentali e delle persone che hanno tracciato la strada. Il futuro è luminoso, e il viaggio continua!

Questo conclude il nostro articolo. Spero che ti sia piaciuto e che ti abbia fornito una panoramica interessante e coinvolgente sull’evoluzione dell’intelligenza artificiale e dell’informatica!
‍

‍

Note:

1. Campbell-Kelly, M., & Aspray, W. (1996). Computer: A History of the Information Machine. Basic Books.

2. Pascal, B. (1995). Pensées and Other Writings. Penguin Classics.

3. Williams, M. R. (1997). A History of Computing Technology. IEEE Computer Society Press.

4. Leibniz, G. W. (1989). Philosophical Essays. Hackett Publishing.

5. Swade, D. (2000). The Cogwheel Brain: Charles Babbage and the Quest to Build the First Computer. Little, Brown.

6. Menabrea, L. F. (1842). Sketch of the Analytical Engine Invented by Charles Babbage, Esq. Scientific Memoirs.

7. Turing, A. M. (1937). On Computable Numbers, with an Application to the Entscheidungsproblem. Proceedings of the London Mathematical Society.

8. Flowers, T. (1983). The Design of Colossus. Annals of the History of Computing.

9. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1956). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.

10. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

11. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems.

‍

‍Bibliografia:

• Campbell-Kelly, M., & Aspray, W. (1996). Computer: A History of the Information Machine. Basic Books.

• Flowers, T. (1983). The Design of Colossus. Annals of the History of Computing, 5(3), 239-252.

• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems (pp. 1097-1105).

• Leibniz, G. W. (1989). Philosophical Essays. Hackett Publishing.

• McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1956). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Dartmouth Conference on Artificial Intelligence.

• Menabrea, L. F. (1842). Sketch of the Analytical Engine Invented by Charles Babbage, Esq. Scientific Memoirs, Selected from the Transactions of Foreign Academies of Science, Vol. 3, 666–731.

• Pascal, B. (1995). Pensées and Other Writings. Penguin Classics.

• Swade, D. (2000). The Cogwheel Brain: Charles Babbage and the Quest to Build the First Computer. Little, Brown.

• Turing, A. M. (1937). On Computable Numbers, with an Application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 2(42), 230-265.

• Williams, M. R. (1997). A History of Computing Technology. IEEE Computer Society Press.

• Yates, F. A. (1966). The Art of Memory. University of Chicago Press.

‍

Approfondimenti:

• Ceruzzi, P. E. (2003). A History of Modern Computing (2nd ed.). MIT Press.

• von Neumann, J. (1945). First Draft of a Report on the EDVAC.

• Grier, D. A. (2005). When Computers Were Human. Princeton University Press.

• Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

• Schmidhuber, J. (2015). Deep Learning in Neural Networks: An Overview. Neural Networks, 61, 85-117.

• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436–444.

• Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433-460.

• Nielsen, M. A., & Chuang, I. L. (2010). Quantum Computation and Quantum Information (10th Anniversary Ed.). Cambridge University Press.

• Arute, F., Arya, K., Babbush, R., et al. (2019). Quantum Supremacy Using a Programmable Superconducting Processor. Nature, 574, 505–510.

‍ • Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics.