Roberto Navigli (Babelscape): “Europa in ritardo nella corsa all’AI”

Intervista a Roberto Navigli docente, founder di Babelscape e creatore di Minerva, primo modello linguistico addestrato da zero in italiano.

“Le lingue sono gli occhiali con cui guardiamo il mondo”. Con queste parole Roberto Navigli descrive il principio che da anni guida il suo lavoro sulla linguistica computazionale e sull’intelligenza artificiale. Professore all’Università degli Studi di Roma ‘La Sapienza’, fondatore di Babelscape e creatore di Minerva, il primo grande modello linguistico addestrato da zero in italiano, Navigli è oggi una delle voci più autorevoli a livello internazionale sull’AI e lancia un avvertimento chiaro: l’Europa è in ritardo nella corsa all’intelligenza artificiale e il tempo per recuperare si sta riducendo.

Lei ha guidato Acl 2025, la più importante conferenza a livello globale sulla linguistica computazionale: che direzione sta prendendo oggi la ricerca sui Large Language Model (Llm)?

Nel 2026 sono diventati sistemi molto più complessi. Le piattaforme chiuse che utilizziamo online non sono più semplici modelli linguistici: integrano e orchestrano diversi modelli e molte altre componenti specializzate, che collaborano tra loro per gestire ragionamento, memoria, ricerca di informazioni e interazione con strumenti esterni.

Un esempio semplice è la matematica. Gli Llm non sono pensati per fare calcoli complessi che vengono eseguiti meglio da componenti esterne specializzate. Un altro esempio è il web. Gli Llm non ‘apprendono’ continuamente come facciamo noi esseri umani,quindi i sistemi AI si affidano sempre più a informazioni aggiornate provenienti dal web che recuperano per aiutare l’Llm nel fornire risposte appropriate a domande che richiedono conoscenze recenti o contestuali.

La ricerca oggi si sta quindi spostando verso sistemi sempre più articolati e verso il superamento dei limiti attuali degli Llm. Uno di questi, lo dico con un neologismo, è che sono estremamente ‘dativori’. Hanno dunque bisogno di quantità enormi di dati per funzionare bene. Parliamo di trilioni di parole. Un essere umano, al contrario, riesce ad apprendere concetti complessi a partire da un numero infinitamente più ridotto di esempi.

C’è poi un altro tema cruciale: il multiculturalismo. Quando interagiamo con un sistema di AI, dobbiamo chiederci quale visione culturale incorpori, quali valori trasmetta e in che modo questi possano influenzare le risposte fornite agli utenti di contesti diversi.

Con Minerva, infatti, avete sviluppato un modello linguistico addestrato da zero sull’italiano. Quanto conta la lingua di addestramento nella comprensione di cultura e contesto?

Moltissimo. Abbiamo osservato che un modello addestrato prevalentemente in italiano riesce a comprendere più a fondo il contesto culturale del nostro Paese. Nel nostro caso esiste infatti una forte corrispondenza tra lingua e cultura: l’italiano non viene utilizzato in modo dominante altrove e porta quindi con sé riferimenti, valori e sfumature tipicamente italiani.

Questo ha permesso a Minerva, pur essendo stato addestrato su quantità di dati inferiori rispetto ai grandi sistemi industriali, di interpretare meglio contesti e riferimenti culturali del nostro Paese.

I modelli oggi dominanti sono realmente multilingue o restano ancora fortemente centrati sull’inglese?

Sì, al momento restano fortemente centrati sull’inglese. Grazie al transfer learning e a quantità più limitate di dati in altre lingue riescono comunque a diventare produttivi in molti contesti linguistici, ma con diversi limiti e squilibri.

Il problema è che si tratta di sistemi chiusi: non sappiamo con precisione quali dati vengano utilizzati, in quali proporzioni o attraverso quali processi di addestramento. Ed è anche per questo che abbiamo creato Minerva. Oggi nessuno conosce davvero gli ‘ingredienti’ con cui vengono costruiti questi modelli e molte caratteristiche possiamo soltanto dedurle indirettamente.

A breve rilasceremo una versione multimodale chatbot di Minerva e, in prospettiva, anche a una versione multilingue che includerà tutte le lingue europee. Tuttavia il nostro focus resterà l’italiano. È un po’ come un poliglotta che parla molte lingue ma continua a pensare, leggere ed esprimersi soprattutto nella propria.

Per noi le lingue sono gli occhiali attraverso cui osserviamo il mondo. E un mondo descritto prevalentemente in inglese finisce inevitabilmente per riflettere, almeno in parte, la prospettiva culturale anglofona.

I modelli linguistici comprendono davvero il significato delle parole?

Dipende da cosa intendiamo per comprensione. Ridurre tutto a semplici correlazioni statistiche sarebbe fuorviante: gli Llm costruiscono rappresentazioni del linguaggio molto sofisticate. Tuttavia la loro comprensione rimane diversa da quella umana.

Nei nostri studi abbiamo osservato, ad esempio, che i modelli incontrano difficoltà quando una parola viene utilizzata con significati meno frequenti. Un essere umano, di fronte a un termine ambiguo inserito in contesti differenti, riesce generalmente a inferire il significato corretto.

Gli Llm, invece, tendono a perdere precisione nei casi più rari o meno rappresentati. Questo accade perché i significati meno frequenti compaiono molto poco nei dati di addestramento. Gli esseri umani, al contrario, riescono spesso ad apprendere nuovi significati anche a partire da pochissimi esempi.

L’Europa rischia di restare dipendente dai grandi player americani e cinesi?

L’Europa oggi è indietro, e il rischio che continui a restarlo è concreto. Dal punto di vista dei finanziamenti pubblici siamo competitivi, ma sul piano degli investimenti privati il divario con gli Stati Uniti resta enorme: parliamo di centinaia di miliardi di dollari. Costruire grandi modelli, però, non basta.

Servono dati di alta qualità, infrastrutture avanzate e competenze in grado di sviluppare sistemi sempre più complessi, che spesso non sono neppure completamente documentati o trasparenti. Ahimè manca ancora una piena consapevolezza della portata strategica di questa trasformazione.

Il rischio è quello di perdere progressivamente il controllo su tecnologie che stanno entrando in modo sempre più profondo nei gangli della società. E qui emerge anche una questione democratica fondamentale: se questi sistemi vengono progettati e controllati altrove, chi decide i valori, le priorità e le regole che finiranno per influenzare le nostre società?

Con la diffusione dell’AI generativa esiste un rischio di omologazione del pensiero?

Assolutamente sì. Esiste un rischio molto concreto di appiattimento culturale e, soprattutto, di indebolimento del senso critico. Le persone tendono ad affidarsi a testi ben scritti pensando che, proprio per questo, siano anche affidabili.

Invece vediamo ormai quotidianamente contenuti generati dall’intelligenza artificiale che risultano imprecisi o scorretti e, per via della scorrevolezza di questi testi, sono sempre meno gli utenti che li mettono in discussione. Il problema è che spesso si finisce per confondere ciò che è vero con ciò che semplicemente appare verosimile.

Inoltre questi modelli tendono a riflettere e rafforzare il pensiero dominante, cioè ciò che compare più frequentemente nei dati di addestramento. Il rischio è quello di marginalizzare culture minoritarie, prospettive meno diffuse e forme di pensiero non allineate alla maggioranza.

C’è poi un tema enorme che riguarda la scuola e l’università. Sempre più studenti utilizzano l’AI per produrre elaborati, testi e perfino codice di programmazione. Questo ci obbliga a ripensare cosa significhi davvero insegnare e apprendere oggi. Se usati in modo consapevole, gli Llm possono aumentare enormemente la produttività e ampliare l’accesso alla conoscenza. Ma esiste anche il rischio concreto che le persone smettano progressivamente di esercitare capacità critiche, argomentative e creative.