Sembra un’era fa che i Large Language Model, come ChatGPT o Gemini, entravano nelle nostre vite, con la promessa di cambiarle. In realtà sono poco più di tre anni. Tuttavia è da decenni che le intelligenze artificiali vengono utilizzate nella ricerca, quando occorre analizzare grandi moli di dati. Un esempio è quello di tenere traccia degli asteroidi: un passo fondamentale per difenderci dalle catastrofi che vengono dallo spazio.
Era il febbraio del 2013 quando un piccolo asteroide grande quanto un palazzo di quattro piani esplose in cielo sulla città russa di Chelyabinsk. Non ci furono impatti diretti né morti a causa di quell’incidente, ma l’onda d’urto dell’esplosione ruppe un numero sconfinato di finestre, causando oltre 1500 feriti.
Si tratta dell’incidente da asteroide più recente, che ci ha ricordato una cosa fondamentale: il pericolo posto dagli asteroidi non è solo materiale per i colossal hollywoodiani, ma è reale, concreto, e può far male.L’evento di Chelyabinsk ha dato un impulso a tutte le agenzie spaziali sulla necessità di lavorare sulla difesa planetaria, le tecniche per difenderci dagli asteroidi. Non è un caso se, nel settembre 2022, la NASA ha colpito l’asteroide Dimorphos con la sonda DART. Si trattava di quello che viene chiamato impattatore cinetico, una sonda che come un proiettile si è schiantata sull’asteroide per verificare se saremmo in grado di deviarlo dalla sua traiettoria, qualora ne scoprissimo uno in rotta di collisione con la Terra. Il risultato del test fu positivo, e ora abbiamo una possibile arma per difenderci dagli asteroidi.
Un elemento chiave della difesa planetaria è però il monitoraggio: se non conosciamo quali asteroidi esistono, dove si trovano e le loro traiettorie future, come possiamo sapere se e quando abbiamo bisogno di difenderci? Il problema è la mole di dati: conosciamo oggi quasi due milioni di asteroidi, e ogni giorno ne scopriamo di nuovi. Solo una piccola porzione di questi sono classificati come near-Earth Asteroids (o NEAs) e solo una loro frazione, meno di 3000 oggetti, sono quelli potenzialmente pericolosi (o PHAs, da Potentially Hazardous Asteroids). Tenere traccia di tutti questi oggetti e delle loro caratteristiche è un’impresa titanica.
Proprio mentre DART stava per impattare su Dimorphos, l’azienda statunitense OpenAI stava per lanciare sul mercato il suo Large Language Model, ChatGPT, che sarebbe uscito un paio di mesi dopo. Per molti, l’AI è nata in quel momento, ma in realtà in quel momento è nato solo il suo utilizzo più pop.
Alan Turing ne pose le basi nel 1950, con un articolo dal titolo Computing Machinery and Intelligence in cui propose il famoso test di Turing per determinare l’intelligenza di una macchina. Pochi anni dopo, nel 1959, nacque il concetto di machine learning, apprendimento automatico, del quale gli LLM sono solo un caso molto specifico.
In senso ampio, gli algoritmi di Machine Learning sono quelli che vengono addestrati su alcuni campioni di dati, per elaborare strategie per agire anche quando gli vengono date in pasto informazioni differenti. Cioè, detto semplicemente, imparano. Nel caso degli LLM, questi algoritmi vengono addestrati su grandi moli di testi, così da poter poi ,elaborare i prompt che gli vengono forniti e generare dei testi di senso compiuto in risposta.
Nella ricerca sugli asteroidi, il Machine Learning è utilizzato da tempo per diversi scopi. Per esempio per classificare gli asteroidi, mettendo in relazione le orbite per capire quali sono legate tra loro. Oppure per trovare nuovi asteroidi all’interno delle fotografie. Quest’ultimo campo è divenuto una necessità fin da quando, all’inizio degli anni Duemila, la ricerca di asteroidi è diventata un affare da robot.
Un tempo a “scoprire” un asteroide era soprattutto l’occhio umano, osservando le fotografie dello stesso campo di cielo in due momenti diversi; quando invece gli asteroidi noti sono divenuti centinaia di migliaia e poi milioni, fare questo lavoro di osservazione è divenuto impossibile. A quel punto sono stati elaborati algoritmi in grado di automatizzare il processo, segnalando possibili punti di luce in movimento in database di milioni di fotografie. Un esempio su tutti: LINEAR, Lincoln Near-Earth Asteroid Research, a inizio millennio ha scoperto oltre 140mila nuovi oggetti.
Questi algoritmi sono divenuti via via più sofisticati e specializzati (oggi assumono il nome di Deep Learning) e sono un elemento cardine dell’attuale difesa planetaria e ricerca sugli asteroidi.
Solo con algoritmi simili sarà possibile analizzare per esempio le immense quantità di dati prodotte dall’osservatorio Vera Rubin, attivo da fine 2025, che per i prossimi dieci anni produrrà fino a 20 Terabyte di immagini e dati del cielo ogni singolo giorno, mappando gran parte del cielo innumerevoli volte. Si stima che grazie ai suoi dati verranno trovati sei nuovi milioni di asteroidi in tutto il Sistema Solare. Gestirli e analizzarli sarà, per forza di cose, un lavoro da robot.
Luca Nardi