Nel contributo al volume Coltivare, Educare, Umanizzare, Andrea Barucci – Primo Ricercatore presso l’Istituto di Fisica Applicata “Nello Carrara” del CNR – ci guida in un viaggio sorprendente alle frontiere dell’Intelligenza Artificiale applicata alla cultura.
Dalla trascrizione automatica dei geroglifici egizi allo studio paleoradiologico di una mummia di gatto, fino all’analisi delle uova di dinosauro cinesi tramite micro-TC, il saggio mostra la potenza della tecnologia nel dialogo tra scienze dure e saperi umanistici.

Un racconto che non si limita all’innovazione scientifica, ma si apre a una riflessione critica sul senso del tempo, della conoscenza e della responsabilità umana nell’era dell’algoritmo.

********

L’Intelligenza Artificiale come Macchina del Tempo: dalla decifrazione dei testi egizi ai denti di squalo fossili

di Andrea Barucci

Primo Ricercatore, Istituto di Fisica Applicata “Nello Carrara” del Consiglio Nazionale delle Ricerche, Via Madonna del Piano 10, Sesto Fiorentino (FI)

Direttore della Scuola di Biofotonica e Intelligenza Artificiale (BPAI)

Professore a contratto dell’Univ. Degli studi di Firenze

Introduzione

Questo capitolo si propone di guidare il lettore attraverso un affascinante percorso nel cuore dell’Intelligenza Artificiale (IA), esplorando alcune delle sue applicazioni più innovative sviluppate da un team multidisciplinare coordinato dal Dott. Andrea Barucci presso l’Istituto di Fisica Applicata “Nello Carrara” (IFAC) del Consiglio Nazionale delle Ricerche (CNR). Inizieremo introducendo i concetti fondamentali che sottostanno all’IA, al Machine Learning e al Deep Learning, fornendo le basi necessarie per comprendere il ruolo di questa tecnologia dirompente.

La narrazione si focalizzerà poi su casi studio emblematici che dimostrano l’impatto trasformativo dell’IA nell’ambito dei beni culturali. Vedremo, ad esempio, come l’intelligenza artificiale possa facilitare il riconoscimento di simboli nell’antica scrittura egizia o svelare segreti celati nei denti fossili pliocenici di squalo toscani, offrendo nuove prospettive su milioni di anni di storia.

Parallelamente, il capitolo presenterà l’applicazione dell’imaging tomografico (TC) ai beni culturali. Nata inizialmente come attività collaterale all’analisi dei dati tramite IA, questa metodologia è rapidamente diventata un’area di ricerca fiorente per il team. Esamineremo i risultati di analisi TC su reperti unici, come un’antica mummia egizia di gatto conservata presso il Museo Etnografico Missionario di Fiesole (Firenze), sui già menzionati denti fossili di squalo pliocenici, fino alle nostre più recenti indagini su uova di dinosauro del Cretaceo cinese, illustrando il potenziale non invasivo di queste tecnologie.

Concluderemo il nostro percorso offrendo una profonda riflessione sul ruolo dell’Intelligenza Artificiale nella nostra società, sulle dinamiche emergenti tra l’uomo e questa tecnologia trasformativa e, in ultima analisi, sul significato stesso di Intelligenza. Auspichiamo che questo breve viaggio metta in luce l’inscindibile connessione tra scienza, tecnologia, arte, storia e le altre discipline, come parte integrante di un unico, armonioso continuum del sapere umano, fornendo al contempo una panoramica sulla visione e le applicazioni del CNR in questo strategico settore.

Fondamenti di Intelligenza Artificiale, Machine Learning e Deep Learning

L’Intelligenza Artificiale è un concetto che affonda le sue radici in tempi lontani: da sempre l’essere umano ha immaginato di poter creare macchine capaci di replicare alcune delle sue abilità mentali, come il ragionamento, l’apprendimento, la capacità di prendere decisioni e persino la creatività. Oggi, grazie ai progressi della scienza e della tecnologia, questa visione è diventata più concreta che mai.

In termini generali, con Intelligenza Artificiale si intende la capacità di un sistema informatico di eseguire compiti che, fino a poco tempo fa, si pensava potessero essere svolti solo da esseri umani: riconoscere volti, comprendere testi e conversazioni, tradurre lingue, guidare veicoli, diagnosticare malattie, generare immagini o musica, e molto altro.

L’IA è un campo di ricerca estremamente ampio e multidisciplinare, dove convergono saperi molto diversi tra loro: informatica, matematica, statistica, neuroscienze, psicologia cognitiva, filosofia, fisica, biologia, linguistica, etica, giurisprudenza e molte altre discipline. Questo intreccio di conoscenze è uno degli aspetti più affascinanti della ricerca sull’IA, poiché permette di affrontare tematiche complesse da prospettive diverse e complementari.

Nonostante il termine “intelligenza” nel nome, non vi è ancora alcuna prova concreta che i modelli di IA attuali siano davvero intelligenti nel senso umano del termine. Il dibattito è ampio e acceso: se da un lato queste tecnologie riescono a svolgere compiti specifici con estrema efficienza, dall’altro non possiedono consapevolezza, intenzionalità né comprensione reale. Anzi, proprio l’ambiguità del concetto di “intelligenza” — su cui da tempo riflettono filosofi, psicologi, neuroscienziati e informatici — rende questo campo tanto affascinante quanto complesso. Discutere di Intelligenza Artificiale significa muoversi in uno spazio in cui si intrecciano matematica, biologia, filosofia ed etica, ponendoci domande profonde su cosa significhi davvero pensare, conoscere e comprendere.

L’evoluzione dell’IA: simbolica, sub-simbolica, Machine Learning

Nel corso della sua storia, l’IA ha attraversato varie fasi. Inizialmente si sviluppò il paradigma dell’IA simbolica, basato su regole logiche esplicite e la manipolazione di simboli. Questo approccio cercava di replicare il ragionamento umano tramite sistemi esperti e motori inferenziali. Nonostante alcuni successi iniziali, l’IA simbolica si rivelò incapace di affrontare l’incertezza, l’ambiguità e la vastità del mondo reale. Questo portò a momenti di crisi nel settore, noti come “inverni dell’IA”, caratterizzati da un calo di entusiasmo e di finanziamenti.

Una nuova fase si aprì con l’affermarsi dell’IA sub-simbolica, che abbandona le regole predefinite e si basa su algoritmi che apprendono dai dati. In questo contesto emerge il Machine Learning (Apprendimento Automatico), branca dell’IA che consente ai sistemi di migliorare le proprie prestazioni in un compito attraverso l’esperienza, senza essere esplicitamente programmati per ogni possibile situazione.

All’interno del Machine Learning, un ruolo centrale è assunto dal Deep Learning (Apprendimento Profondo), che utilizza reti neurali artificiali profonde (composte da molti strati) per elaborare dati complessi. Grazie alla disponibilità di grandi quantità di dati e potenza di calcolo, il Deep Learning ha portato a risultati straordinari in campi come il riconoscimento di immagini, il processamento del linguaggio naturale (NLP), il riconoscimento vocale, la robotica, e più recentemente la generazione automatica di contenuti, come avviene con i modelli generativi (ad esempio, i transformer come ChatGPT).

Machine Learning e Deep Learning

L’IA, nel suo percorso evolutivo, ha visto il sorgere di paradigmi sempre più sofisticati, e tra questi, il Machine Learning ha rappresentato una svolta fondamentale. Può essere immaginato come un sottoinsieme dell’IA che fornisce ai sistemi la capacità di imparare dai dati senza essere esplicitamente programmati per ogni singola operazione, superando così le limitazioni dell’approccio simbolico basato su regole predefinite che ha caratterizzato le prime fasi dell’IA. Invece di seguire istruzioni rigide e manuali, gli algoritmi di Machine Learning analizzano grandi quantità di dati, identificano autonomamente pattern e correlazioni complesse, e utilizzano queste conoscenze implicite per fare previsioni o prendere decisioni.

Pensate, ad esempio, a un sistema che impara a distinguere un cane da un gatto dopo aver visionato migliaia di immagini di entrambi: non è stato “programmato” con una lista di regole (come “se ha il naso nero e baffi, è un gatto”), ma ha imparato autonomamente a cogliere le caratteristiche visive distintive che separano le due specie. Questo apprendimento “dal basso” è il cuore dell’IA sub-simbolica.

All’interno del Machine Learning, il Deep Learning si distingue come una sottocategoria particolarmente potente e, ad oggi, una delle frontiere più promettenti dell’Intelligenza Artificiale, alla base di gran parte delle applicazioni più avanzate che permeano la nostra quotidianità. La sua straordinaria efficacia deriva dalla sua ispirazione diretta alla struttura e al funzionamento delle reti neurali biologiche presenti nel cervello animale. Il neurone artificiale, unità base di elaborazione, rappresenta il “mattone” fondamentale di questi sistemi: è una rappresentazione matematico-informatica semplificata del neurone biologico, capace di ricevere input, elaborarli attraverso una somma pesata e una funzione di attivazione, e produrre un output.

Nel Deep Learning, questi neuroni artificiali sono organizzati in reti neurali artificiali “profonde”, un termine che si riferisce alla presenza di molti strati (o “livelli”) interconnessi tra lo strato di input e quello di output. Ogni strato svolge un ruolo specifico nell’elaborazione delle informazioni, estraendo caratteristiche dai dati in modo gerarchico. Questo significa che i primi strati potrebbero imparare a riconoscere pattern semplici e locali (come bordi o angoli in un’immagine, o fonemi in un suono), mentre gli strati successivi combinano queste caratteristiche di basso livello per identificare concetti sempre più complessi e astratti (come forme, oggetti completi, o parole e frasi).

Ad esempio, mentre un algoritmo di Machine Learning “tradizionale” potrebbe richiedere a un ingegnere di “dire” al sistema di cercare i “bordi” nelle immagini per riconoscere un oggetto, un algoritmo di Deep Learning è in grado di “imparare da solo” a rilevare questi bordi, poi a combinarli per formare parti di oggetti (come un occhio o un’ala), e infine a riconoscere l’oggetto completo (un volto o un uccello), semplicemente osservando un numero enorme di esempi. Questa capacità di apprendere rappresentazioni complesse direttamente dai dati ha portato a progressi rivoluzionari in ambiti come il riconoscimento vocale (permettendoci di interagire fluidamente con gli assistenti virtuali), la traduzione automatica (come quella che usiamo quotidianamente online), l’analisi di immagini mediche complesse per la diagnosi e persino la guida autonoma, settori che in passato sembravano irraggiungibili per le macchine. La potenza del Deep Learning risiede quindi nella sua abilità di adattarsi a dati molto complessi, rivelando pattern intricati e nascosti in dataset vastissimi, apprendendo regole complesse che superano a volte le prestazioni umane in compiti specifici, anche se a scapito di una continua e significativa richiesta di risorse computazionali e grandi quantità di dati per l’addestramento.

In estrema sintesi, l’Intelligenza Artificiale è l’ampio campo di ricerca che mira a far “pensare” le macchine; il Machine Learning ne rappresenta il motore principale, permettendo ai sistemi di apprendere dai dati; mentre il Deep Learning è la frontiera più avanzata, in grado di affrontare problemi complessi sfruttando la potenza delle reti neurali profonde, con risultati spesso sorprendenti. Queste tecnologie stanno trasformando profondamente settori tra loro molto diversi, dalla medicina ai beni culturali, dalla mobilità alla comunicazione, aprendo scenari che fino a pochi anni fa sembravano appartenere alla fantascienza.

Attorno all’IA si è acceso un intenso dibattito su cosa queste tecnologie possano fare oggi, cosa saranno in grado di fare domani e come influenzeranno le nostre vite. Le questioni in gioco sono molteplici: tecniche, etiche, giuridiche, sociali. Ma una cosa è certa: il potenziale di questi modelli è enorme, e il futuro — come sempre — porterà con sé grandi cambiamenti.

Dal nostro punto di vista, è fondamentale mantenere un atteggiamento critico ma costruttivo: continuare a studiare e sviluppare queste tecnologie, ma sempre con grande attenzione al loro impatto e alle implicazioni del loro utilizzo. La scienza e la tecnologia nascono per comprendere e migliorare la vita di tutti gli esseri viventi, ma la storia ci insegna che questo non è un esito garantito: dipende dalle scelte che facciamo, individuali e collettive. L’Intelligenza Artificiale non è soltanto una tecnologia. È anche una sfida culturale e filosofica, che ci spinge a interrogarci su cosa sia davvero l’intelligenza e su cosa ci rende profondamente umani.

Siamo solo all’inizio di un percorso lungo e affascinante — ed è proprio questo che rende il momento così straordinariamente stimolante.

Dall’Intelligenza Artificiale alla scoperta del passato: tra medicina, egittologia e paleontologia

In questa sezione affronteremo alcune delle nostre ultime ricerche nel campo delle applicazioni dell’Intelligenza Artificiale ai beni culturali, ma prima qualche parola su chi sono e sul mio percorso. Sono Primo Ricercatore (l’equivalente di Professore Associato all’Università, per chi se lo stesse chiedendo) presso l’Istituto di Fisica Applicata “Nello Carrara” del Consiglio Nazionale delle Ricerche (CNR-IFAC), dove da anni mi occupo di analisi dati ed Intelligenza Artificiale, con un approccio interdisciplinare. Sono laureato in fisica, ho un dottorato di ricerca iningegneria dei sistemi elettronici e sono specialista in fisica medica. Mi sono occupato di molti temi, fra i quali modelli meteorologici, radar per applicazioni ambientali, ottica, fotonica, nanotecnologie, imaging clinico, fino ad arrivare all’Intelligenza Artificiale. E’ stata proprio la medicina, in particolare l’analisi delle immagini mediche come TC e Risonanza Magnetica, che mi ha condotto all’applicazione degli algoritmi di Machine Learning con progetti mirati a migliorare la diagnosi e l’interpretazione di immagini cliniche, in particolare attraverso la radiomica.

Sono poi riuscito a trasportare le competenze sviluppate in questo ambito verso territori apparentemente lontani, come quelli dei beni culturali, prima archeologia, poi in antropologia e alla fine anche paleontologia. In tutti questi ambiti, il Machine Learning  si è rivelato uno strumento potente, consentendo analisi di fossili di squali preistorici e l’interpretazione automatizzata di testi e reperti antichi, con particolare attenzione all’egittologia, dove si sono aperti scenari del tutto nuovi per la lettura e la decifrazione di iscrizioni in geroglifico e ieratico.

Queste ricerche rappresentano una dimostrazione concreta di come l’IA possa agire da ponte tra scienze dure e scienze umane, offrendo nuove chiavi di lettura e di interpretazione del patrimonio scientifico e culturale, e aprendo la strada a collaborazioni nel segno della contaminazione tra saperi.

Alle ricerche sull’Intelligenza Artificiale si sono progressivamente affiancate quelle dedicate all’imaging applicato a reperti archeologici e paleontologici. Queste esperienze mi hanno aperto le porte a mondi affascinanti, permettendomi di scoprire aspetti sorprendenti della storia, dell’archeologia e della paleontologia, e alimentando in modo ancora più profondo la mia passione per la conoscenza.

Nel proseguo di questo capitolo racconterò brevemente alcune di queste esperienze.

Ci tengo però a sottolineare che nulla di tutto questo sarebbe stato possibile senza il contributo di un gruppo di colleghe e colleghi eccezionali, il cui impegno, competenza e spirito di collaborazione hanno reso possibile ogni risultato. I loro nomi sono riportati con gratitudine nei ringraziamenti alla fine del capitolo.

L’Intelligenza Artificiale per leggere l’antico Egitto: dalla radiologia ai geroglifici

Uno dei campi in cui l’Intelligenza Artificiale ha mostrato un impatto concreto e duraturo è senz’altro quello dell’analisi delle immagini e, più recentemente, anche dei testi scritti. Nel 2018 mi occupavo proprio di questo: applicare tecniche di Machine Learning a immagini mediche come TC e risonanza magnetica per sviluppare modelli diagnostici dedicati a specifiche patologie, tra cui alcuni tumori, come quello alla prostata.

È curioso come, per caso, un giorno parlando con un caro amico egittologo, Massimiliano Franci, ci siamo ritrovati a fantasticare su come unire i nostri ambiti di ricerca. Entrambi eravamo profondamente incuriositi dal lavoro dell’altro. Da lì, quasi per gioco, nacque un’idea: provare a utilizzare l’Intelligenza Artificiale per leggere i geroglifici egizi. Unire l’occhio delle reti neurali artificiali alla scrittura millenaria dell’antico Egitto.  

GlyphNet: il primo passo nell’IA per l’egittologia

Dall’idea iniziale alla sua concreta realizzazione il percorso non fu immediato: furono necessari numerosi tentativi, confronti, test tecnici e riflessioni condivise. La sfida era tanto affascinante quanto complessa: si trattava di capire se fosse possibile applicare modelli di intelligenza artificiale, e in particolare reti neurali convolutive (CNN – Convolutional Neural Networks), al riconoscimento automatico dei singoli geroglifici egizi.

Vale la pena ricordare che le CNN sono una classe di modelli di deep learning progettati per l’elaborazione di immagini: sono in grado di analizzare le strutture visive attraverso livelli successivi che riconoscono pattern sempre più complessi, partendo dai pixel fino ad arrivare a forme e simboli significativi.

Nel 2021, dopo mesi di lavoro intenso, il nostro team multidisciplinare — composto da fisici, ingegneri e archeologi — riuscì a raggiungere un primo importante traguardo. Pubblicammo il nostro primo articolo [Barucci 2021] scientifico in cui dimostravamo, per la prima volta, la fattibilità della traslitterazione automatica dei geroglifici grazie a modelli di deep learning. In questo contesto, desidero sottolineare in particolare il contributo essenziale del Prof. Fabrizio Argenti del Dipartimento di Ingegneria dell’Informazione dell’Università di Firenze, il cui supporto teorico e tecnico si rivelò decisivo per l’impostazione del sistema di riconoscimento. Questo risultato, frutto di un’autentica collaborazione tra scienze dure e scienze umane, aprì la strada a nuovi sviluppi e ad applicazioni ancora più ambiziose nel campo dell’egittologia digitale.

La nostra rete fu chiamata Glyphnet e il suo compito era tanto semplice quanto ambizioso: classificare singoli simboli geroglifici in immagini (in toni di grigio) contenenti un solo segno per volta. Un primo passo fondamentale. Le prestazioni di Glyphnet risultarono molto buone, raggiungendo circa il 97% di accuratezza sul nostro dataset di immagini.

Dal singolo geroglifico egizio al testo completo

Quasi in parallelo con Glyphnet, iniziammo a lavorare al passo successivo: analizzare immagini complesse contenenti più geroglifici, cioè vere e proprie frasi o porzioni di testi monumentali. Il passo iniziale naturalmente era quello di recuperare i dati per addestrare le reti neurali, cosa che fu fatta grazie alla preziosa collaborazione con il Museo Archeologico di Firenze, il Museo Egizio di Torino e il Metropolitan Museum of Art di New York, raccogliendo numerose immagini di alta qualità da contesti archeologici diversi.

Dopo vari test, nel 2023 pubblicammo quindi un secondo lavoro [Guidi 2023] in cui, utilizzando l’architettura nota come Detectron2 (sviluppata da Meta AI), riuscimmo a segmentare e classificare automaticamente tutti i simboli presenti in un’iscrizione. In pratica, il sistema riconosceva la forma geometrica di ciascun simbolo e lo localizzava nell’immagine, un processo noto come “instance segmentation”.

Tale sistema apriva di fatto alla possibilità di confrontare quantitativamente lo stesso simbolo in documenti diversi, aprendo così la strada a studi sull’attribuzione della “mano” dello scriba – un aspetto cruciale per la filologia egizia e l’analisi paleografica.

Dalla scienza ai media (e ritorno)

Questi primi risultati ricevettero grande attenzione mediatica, apparendo su riviste come National Geographic, Le Scienze, Focus, e su numerosi quotidiani, radio e programmi televisivi, tra cui Quinta Dimensione condotto da Barbara Gallavotti. Molti dei risultati scientifici sono raccolti nel libro “The Ancient Egyptian Hieroglyphs with Deep Learning” [Barucci 2023], che ho avuto il piacere e l’onore di presentare nel luglio 2023 al Metropolitan Museum di New York.

Un ringraziamento sentito va alla Dott.ssa Sandra Fiore dell’Ufficio Stampa del CNR, il cui prezioso supporto e sensibilità comunicativa hanno avuto un ruolo fondamentale nel valorizzare e far conoscere al grande pubblico questi risultati.

Verso lo ieratico: la nuova sfida

Durante la presentazione del mio libro al MET, il confronto con Janice Kamrin, una delle curatrici del museo, e successivamente con Susanne Töpfer del Museo Egizio di Torino, portò alla luce una nuova e stimolante direzione di ricerca: estendere le tecnologie sviluppate per il riconoscimento dei geroglifici monumentali all’analisi della scrittura ieratica. Un passaggio tanto naturale quanto ambizioso, che apriva prospettive inedite nello studio dei testi egizi in forma corsiva.

In breve, lo ieratico egizio è una forma corsiva dei geroglifici, sviluppata per esigenze pratiche e di rapidità. Era tracciato con pennello e inchiostro su papiro, ceramica (ostraca) o legno, e veniva usato per documenti amministrativi, testi religiosi e opere letterarie. Con il tempo si evolse nel demotico, una versione ancora più stilizzata e diffusa nella tarda antichità. A differenza dei geroglifici scolpiti nella pietra, lo ieratico è molto più variabile e fluido: i simboli possono deformarsi, connettersi tra loro, cambiare forma a seconda del contesto, della regione, dell’epoca e — soprattutto — della mano dello scriba. Questo rende lo ieratico un caso di studio estremamente stimolante dal punto di vista dell’analisi automatica e dell’Intelligenza Artificiale.

È proprio su questo terreno che si sta concentrando oggi la nostra ricerca: affrontare la complessità delle scritture corsive antiche sfruttando modelli sempre più sofisticati di visione artificiale, con l’obiettivo di contribuire alla trasmissione e comprensione della conoscenza del mondo antico. Mi fa piacere ricordare come i primi risultati sullo ieratico siano stati presentati nel dicembre 2024 alle celebrazioni per I 200 anni del Museo Egizio di Torino.

Figura 1: L’immagine illustra le principali tappe dell’applicazione dell’Intelligenza Artificiale allo studio dell’antica scrittura egizia. Si parte dal modello GlyphNet, sviluppato per il riconoscimento dei singoli geroglifici, per poi passare all’uso del modello Detectron2, riaddestrato tramite transfer learning sulle nostre immagini, fino ad arrivare alle prime analisi della scrittura ieratica. A destra dei due modelli più recenti sono mostrati esempi di elaborazione visiva. In alto a destra, sono riportati alcuni risultati di segmentazione applicati a un reperto della collezione del MET di New York (Cat. numbers DP253181, EG548). Per il papiro egizio si ringrazia il Museo Egizio di Torino (cat. 1993)

Deep Learning per lo studio dei denti fossili di squali pliocenici

Nel cuore della campagna toscana, dove oggi si alternano colline e vigneti, tra circa 5 e 2,5 milioni di anni fa – nel periodo noto come Pliocene – si estendeva un caldo mare tropicale, abitato da squali, balene e dugonghi. Di quel mondo sommerso restano tracce affascinanti: migliaia di denti fossili, oggi custoditi nei sedimenti e negli archivi del Museo GAMPS di Scandicci, a cui va il mio sincero ringraziamento, in particolare al Presidente Simone Casati, per la competenza e la lungimiranza che hanno reso possibile questa avventura scientifica.

È proprio su questi fossili che, alla fine del 2023, abbiamo deciso di applicare tecniche di Intelligenza Artificiale, in particolare le reti neurali convolutive (CNN), per cercare di automatizzare il riconoscimento dei denti fossili di squalo. Il progetto è nato da una collaborazione multidisciplinare tra paleontologi, fisici, informatici e istituzioni come il CNR, l’Università di Pisa e l’Università di Cambridge.

Come in ogni progetto di Deep Learning, tutto parte dai dati. In questo caso, si trattava di creare un dataset abbastanza ampio e bilanciato da permettere un apprendimento efficace. Grazie al contributo di studentesse e studenti del progetto PCTO con l’Istituto di Istruzione Superiore “B. Russell – I. Newton”, riuscimmo a raccogliere migliaia di immagini standardizzate di denti fossili conservati presso il GAMPS, appartenenti a dieci generi e/o specie di squali rappresentativi del Pliocene. Questo dataset, successivamente ampliato con contributi da banche dati internazionali, ha consentito di allenare due modelli di CNN: uno progettato ad hoc, che abbiamo chiamato SharkNet-X, e una rete preaddestrata molto nota, la VGG16, riadattata tramite transfer learning.

Vale la pena dedicare qualche parola al transfer learning, una strategia particolarmente interessante nell’addestramento delle reti neurali artificiali, in quanto richiama, in parte, il modo in cui apprendono i cervelli animali. Il transfer learning consiste nel riutilizzare una rete neurale preaddestrata su un grande dataset – come il celebre ImageNet, che contiene circa 14 milioni di immagini annotate suddivise in oltre 20.000 categorie – adattandola a un nuovo compito specifico, spesso con un numero limitato di dati. Nelle reti convolutive ad esempio, i primi strati, che catturano caratteristiche visive generali come bordi, forme e tessitura, vengono mantenuti, mentre solo gli strati finali vengono riaddestrati sul nuovo insieme di dati. Questo approccio consente di accelerare l’apprendimento e ottenere prestazioni migliori anche in contesti dove le immagini disponibili sono poche.

Nel nostro caso ottenemmo risultati più che promettenti: VGG16 raggiunse una precisione fino al 97% nella classificazione dei generi, dimostrando l’efficacia dell’approccio anche in un ambito complesso come quello della paleontologia.

Ma il vero punto interessante del lavoro è stato nel provare a rispondere alla domanda su come la rete convolutiva stesse “guardando” i denti fossili. Per rispondere, abbiamo utilizzato una tecnica di visualizzazione chiamata t-SNE (t-distributed Stochastic Neighbor Embedding), che consente di proiettare in due dimensioni lo spazio delle rappresentazioni interne apprese dalla rete. Il risultato è una sorta di “mappa mentale” della macchina, dove denti simili tendono a raggrupparsi in cluster.

Per capire meglio le logiche interne del modello, utilizzammo infine anche SHAP (SHapley Additive exPlanations), un metodo che genera “mappe di calore” evidenziando le aree delle immagini su cui la rete si concentra per formulare le sue classificazioni. Questa analisi permise di valutare l’affidabilità del modello, ma anche di interpretarne le scelte, in alcuni casi confermando l’intuizione umana, in altri rivelando dettagli inattesi, potenzialmente trascurati dagli esperti.

Lo studio [Barucci 2024], pubblicato nel Bollettino della Società Paleontologica Italiana, ha dimostrato come l’Intelligenza Artificiale possa diventare un potente strumento al servizio della ricerca, capace non solo di accelerare i tempi dell’identificazione, ma anche potenzialmente di studiare l’evoluzione degli ecosistemi del passato.

Figura 2: In alto a sinistra, la mappa illustra la Toscana durante il Pliocene, un’era geologica in cui era sommersa da un mare popolato anche da squali. In basso a sinistra, il grafico mostra i risultati dell’algoritmo t-SNE: ogni gruppo di punti dello stesso colore rappresenta immagini di denti appartenenti alla stessa specie o genere di squalo, evidenziando la loro clusterizzazione. Sulla destra dell’immagine, i risultati dell’algoritmo SHAP rivelano le “zone di attenzione” della rete neurale: le mappe di calore sovrapposte alle immagini dei denti fossili indicano chiaramente le aree su cui il modello si è focalizzato per fare le sue previsioni di classificazione.

Antropologia forense e Intelligenza Artificiale: l’identità scritta nelle ossa

L’Intelligenza Artificiale, come abbiamo già visto con la decifrazione degli antichi testi egizi, è una tecnologia sorprendente capace di aprire orizzonti inimmaginabili, rivelandosi uno strumento potente per esplorare ambiti apparentemente distanti. Questa sua straordinaria versatilità trova un’ulteriore, affascinante conferma nel campo dell’antropologia forense. Questa disciplina si dedica a un’indagine profonda e delicata: la ricostruzione dell’identità biologica di individui a partire dai loro resti scheletrici, cercando di svelare dettagli cruciali come il sesso, l’età e l’origine ancestrale. Tuttavia, la ricchezza e la complessità della variabilità umana – un mosaico forgiato da millenni di evoluzione, influenzato da innumerevoli fattori ambientali, genetici, culturali e storici – rendono l’interpretazione dei dati scheletrici una sfida ardua e spesso soggetta a limiti di oggettività. Ed è proprio qui che il Machine Learning si rivela uno strumento di valore inestimabile, capace di scovare e interpretare i pattern più intricati celati tra le ossa.

Grazie a una proficua collaborazione con gli antropologi dell’Università di Firenze e al prezioso contributo della tesi di laurea della Dott.ssa Michela Amendola, abbiamo esplorato il potenziale dei modelli di Machine Learning nell’analisi quantitativa di strutture ossee complesse, come le orbite oculari, utilizzate per la stima del sesso biologico. Ci siamo concentrati in particolare sullo sviluppo di strumenti software basati sull’apprendimento automatico, capaci di migliorare significativamente l’accuratezza delle analisi condotte su popolazioni antiche, come nel caso dello studio dei crani di popolazioni africane, dove emergono tratti distintivi legati all’ascendenza geografica [Mori 2024].

Quest’esperienza dimostra come l’Intelligenza Artificiale, ben oltre il suo impatto ormai consolidato in medicina o archeologia, stia rivoluzionando anche l’antropologia. Ampliando le capacità interpretative di questa scienza, l’IA contribuisce in modo tangibile non solo alla conoscenza della vasta biodiversità umana passata, ma anche alla ricostruzione dettagliata delle identità che hanno plasmato la nostra storia collettiva, fornendo strumenti di analisi robusti e oggettivi.

Oltre i confini del proprio giardino: dall’Intelligenza Artificiale alle immagini tomografiche

La ricerca scientifica non si sviluppa entro confini rigidi, ma è piuttosto un flusso continuo di conoscenze che attraversa ambiti diversi, contaminandoli e arricchendoli a vicenda. In quest’ottica si inseriscono alcune attività nate come naturale evoluzione del lavoro sull’elaborazione delle immagini e sull’uso delle reti neurali, che mi hanno portato a collaborare con archeologi e paleontologi nell’analisi di reperti di eccezionale valore storico e scientifico.

Grazie a queste sinergie interdisciplinari, ho avuto l’opportunità di applicare tecniche di indagine radiodiagnostica avanzate a oggetti unici, spaziando dall’analisi di una mummia egizia di gatto, ai denti fossili di squalo del Pliocene toscano, fino alle uova di dinosauro risalenti al Cretacico cinese. Ogni reperto conserva al suo interno una storia invisibile, e l’impiego della Tomografia Assiale Computerizzata (TAC o TC) si è rivelato uno strumento prezioso per svelarne i segreti in modo non invasivo.

Ricordiamo che la TC è una tecnica di imaging che utilizza raggi X e sofisticati algoritmi di ricostruzione per ottenere immagini dettagliate del corpo o dell’oggetto analizzato. A differenza della radiografia tradizionale, permette di visualizzare in modo estremamente accurato strutture interne complesse, come organi, ossa, vasi e tessuti molli. Sebbene nata per scopi medici, la sua versatilità la rende oggi impiegata in numerosi ambiti, compreso quello archeologico e paleontologico.

Nel nostro caso, ci siamo avvalsi sia dia una TC che di una micro-TC, una versione ad altissima risoluzione della tomografia tradizionale, progettata per l’analisi di oggetti di piccole dimensioni con dettagli fino al micrometro. Questa tecnologia, largamente utilizzata in biomedicina, archeologia, paleontologia e scienza dei materiali, consente di visualizzare la struttura interna tridimensionale dei reperti senza danneggiarli, permettendo uno studio approfondito e rispettoso dell’integrità dell’oggetto.

Attraverso l’integrazione tra tecnologie avanzate e approccio multidisciplinare, possiamo così aprire nuove finestre sul passato, osservandolo con strumenti e occhi del presente.

Una mummia di gatto egizia sotto la TC: il racconto silenzioso di un reperto straordinario

Durante alcune sessioni [Cucci 2024] di imaging iperspettrale — una tecnica che acquisisce immagini in centinaia di bande spettrali differenti, consentendo di indagare con estrema precisione la composizione chimico-fisica dei materiali — condotte insieme alla collega Costanza Cucci su iscrizioni presenti su un sarcofago egizio conservato presso il Museo di Fiesole, la mia attenzione fu attirata da un oggetto particolarissimo: una mummia egizia di gatto, parte di un corredo funerario che includeva sarcofago e altri manufatti rituali.

Il reperto, oggi custodito presso il Museo Etnologico Missionario di San Francesco a Fiesole (FI), proviene da un dono del celebre egittologo Ernesto Schiaparelli ai frati francescani del convento, suoi amici sia in Egitto che in Italia. La curiosità scientifica fu immediata: chiesi informazioni al curatore della collezione, Valter Fattorini, e mi attivai per ottenere le autorizzazioni necessarie a eseguire una TC della mummia. Grazie alla collaborazione con la Prof.ssa Donatella Lippi (Università di Firenze), il Dott. Roberto Carpi (radiologo, AUSL Toscana Centro) e la Fondazione Santa Maria Nuova ETS, fu possibile sottoporre il reperto a un’indagine paleoradiologica.

Le immagini ottenute furono straordinarie: la TC ha permesso di esplorare l’interno della mummia senza alterarne l’involucro, ricostruendo in 3D l’intero scheletro del piccolo felino e fornendo dettagli cruciali sul suo stato di conservazione, sull’età alla morte, sulle tecniche di mummificazione e sulle cause del decesso. Lo studio [Amendola 2024], ha evidenziato come all’interno del tessuto imbalsamato si trovi lo scheletro completo di un giovane gatto domestico, la cui dentatura e ossificazione indicano un’età inferiore ai cinque mesi. L’indagine ha rivelato inoltre la presenza di numerose fratture compatibili con una morte violenta, in particolare nella zona cervicale: un segno tipico dei sacrifici rituali praticati nell’antico Egitto in onore della dea Bastet. Accanto a queste lesioni sono state identificate microfratture craniche e rotture post-mortem, probabilmente dovute a pressioni successive, avvenute durante il trasporto o l’inumazione.

Attraverso avanzati strumenti di analisi, come la segmentazione volumetrica e la modellazione tridimensionale, il nostro team riuscì inoltre a produrre modelli 3D ad alta risoluzione dell’involucro e dello scheletro, permettendo non solo una conservazione digitale del reperto, ma anche una lettura più approfondita delle modalità di imbalsamazione, del trattamento dei tessuti molli e della simbologia rituale associata all’animale sacro.

Questo lavoro rappresenta a mio parere un ulteriore esempio virtuoso di collaborazione interdisciplinare tra fisici, ingegneri, archeologi, egittologi, bioantropologi e radiologi del CNR, dell’Università di Firenze, della AUSL Toscana Centro e del sistema museale toscano. Dimostra l’enorme potenziale dell’imaging diagnostico applicato ai beni culturali, offrendo uno sguardo inedito non solo sulle pratiche funerarie animali, ma anche sulla spiritualità e il simbolismo dell’antico Egitto. I risultati ottenuti arricchiscono la conoscenza del passato e testimoniano come le tecnologie possano diventare strumenti fondamentali per la valorizzazione, la tutela e la narrazione scientifica del patrimonio storico e culturale.

In Figura 3 un collage di immagini documenta le dettagliate analisi condotte sulla mummia egizia di gatto, preziosamente conservata presso il Museo Etnografico Missionario di Fiesole (Firenze).

  • In alto a sinistra, si intravede la suggestiva sala del Museo che ospita la collezione, inclusi un imponente sarcofago con una mummia umana, contestualizzando il reperto felino nel suo ambiente espositivo.
  • Al centro-sinistra, la mummia di gatto è ripresa sul lettino dello scanner durante l’acquisizione tomografica, momento cruciale dell’indagine non invasiva. L’immagine immediatamente sotto, una sezione assiale ottenuta dalla scansione, rivela con straordinaria chiarezza le strutture interne dell’animale, altrimenti inaccessibili.
  • I riquadri sulla destra illustrano i risultati tangibili di questa approfondita indagine:
    • In alto a destra, evidenziati da frecce rosse, si possono osservare i denti ancora saldamente inseriti nella mandibola della mummia, un dettaglio cruciale per lo studio dell’età e della dieta dell’animale.
    • Subito sotto, un dettagliato modello 3D del cranio e delle strutture ossee interne, frutto dell’elaborazione dei dati tomografici, che permette una visualizzazione tridimensionale senza precedenti.
    • In basso a destra, un ingrandimento ravvicinato di una frattura post-mortem a livello delle zampe offre uno spaccato sulle condizioni di conservazione del reperto attraverso i millenni.
  • A dominare la scena, al centro del collage, spicca una magnifica e dettagliata ricostruzione tridimensionale dell’intero scheletro del gatto. Questa visualizzazione unisce la precisione scientifica alla potenza visiva, permettendo di “ricostruire” virtualmente  l’animale nella sua interezza anatomica e di svelare la storia invisibile custodita al suo interno.

Figura 3: Collage di immagini che documenta le dettagliate analisi condotte sulla mummia egizia di gatto, conservata presso il Museo Etnografico Missionario di Fiesole (Firenze).

Denti fossili e squali dal collare: un viaggio nel tempo attraverso la micro-TC

Proprio come l’Intelligenza Artificiale applicata ai geroglifici egizi ha portato all’inaspettato studio di una mummia di gatto, anche le prime ricerche di AI in paleontologia hanno aperto la strada a nuove applicazioni della tomografia computerizzata su reperti straordinari e unici. È così che, negli ultimi anni, abbiamo avuto l’opportunità di indagare denti fossili di squalo del Pliocene toscano, l’orecchio di un delfinide estinto come Etruridelphis giulii (di cui esistono pochissimi esemplari noti al mondo), coproliti di iena, icnofossili di 130 milioni di anni fa dalla Val Nure, denti di Zygophyseter varolai del Miocene e persino uova di dinosauro del Cretacico cinese.

Ma tra tutti questi affascinanti reperti, uno in particolare ci ha colpiti per il suo potere evocativo: i denti fossili di Chlamidoselachus lawleyi, conosciuto anche come “squalo dal collare”.

Figura 4: L’immagine illustra le indagini condotte su un dente fossile di Chlamidoselachus lawleyi. In alto a sinistra, si possono apprezzare le dimensioni del dente, tenuto in mano da Simone Casati, Presidente del GAMPS. A destra, sono visibili alcune delle immagini interne del dente, ottenute grazie alla micro-TC presente presso il CNR-IFAC (cortesia di Juri Agresti). In basso, alcune delle fasi di acquisizione delle immagini, con il campione posizionato all’interno dello scanner micro-TC.

Durante il Pliocene, quella che oggi è la campagna tra Siena e la Val d’Orcia era sommersa da un mare caldo e rigoglioso, un ecosistema ricco di vita marina: balene, dugonghi, cetacei, e grandi squali. È in questo scenario che nuotava Chlamidoselachus lawleyi, una creatura dalle forme arcaiche, con un corpo allungato, serpentiforme e denti aguzzi e ricurvi, della dimensione di solo alcuni millimetri. Appartenente a un gruppo considerato “fossile vivente” – i frilled sharks – questa specie è strettamente imparentata con squali che ancora oggi vivono nelle profondità oceaniche, raramente osservati dall’uomo.

I suoi denti, raccolti e conservati con cura presso il Museo GAMPS di Scandicci, sono piccoli capolavori della natura: tricuspidati, curvati all’indietro come uncini, sono costruiti per agguantare e trattenere prede scivolose. Sono anche l’unica parte dello scheletro dello squalo che si fossilizza facilmente, poiché il resto, composto di cartilagine, si degrada con facilità. Ricordo che alcune specie di squalo possono perdere fino a decine di migliaia di denti nel corso della loro vita, rendendoli reperti comuni ma di straordinario valore evolutivo.

Figura 5: In alto a sinistra una paleoricostruzione dell’artista Samuele Gabbanini (GAMPS, Scandicci) che rappresenta un Chlamidoselachus lawleyi nell’atto di predazione. Gli altri riquadri mostrano immagini TC e ricostruzioni tridimensionali del campione, colorate in base alla densità. Sono evidenti le strutture interne al dente, quali ad esempio I canali.

Per esplorarli nel dettaglio, abbiamo utilizzato la micro-TC, che come in uno scanner del tempo ci ha mostrato la disposizione delle strutture interne, i resti dei canali vascolari e persino tracce di interazioni biologiche. Alcuni denti di squalo della collezione GAMPS, in particolare quelli appartenenti al genere Carcharhinus mostrano infatti segni riconducibili al passaggio di Osedax, il cosiddetto “verme zombie” che si nutre delle ossa di animali morti negli abissi, un’ulteriore testimonianza delle intricate catene ecologiche di quell’antico mare toscano.

Questo tipo di studi sono importanti anche per il loro valore filogenetico, permettendo di studiare i tratti intermedi tra squali antichi e moderni, aprendoci una finestra privilegiata sull’evoluzione degli elasmobranchi, il gruppo che comprende squali e razze. I risultati delle analisi sono attualmente oggetto di pubblicazione e aprono nuove strade per lo studio comparato delle specie estinte.

Ma c’è di più: questa ricerca non è solo scienza. È emozione, meraviglia, connessione con un tempo antico. La paleontologia, come l’astronomia, ci mette di fronte a una scala temporale che sfugge alla nostra esperienza quotidiana, quello che io definisco “un tempo fuori dal tempo”. E grazie alle tecnologie moderne, oggi possiamo esplorare ecosistemi perduti, vedere attraverso la pietra, “restituire vita” a creature dimenticate.

Ogni dente fossile, ogni uovo di dinosauro, ogni frammento è una minuscola macchina del tempo. E ogni viaggio che ci permette di attivarla ci ricorda quanto il passato sia ancora vivo, e quanto ancora abbiamo da scoprire.

Figura 6: In alto a sinistra, il cranio fossilizzato del raro delfinide Etruridelphis giulii, scoperto da Simone Casati e oggi custodito presso il Museo GAMPS di Scandicci. Al centro in alto, lo stesso Casati è ritratto durante le delicate operazioni di restauro del reperto. Sulla destra, un’immagine del modello 3D della bulla timpanica e del periotico, ottenuto grazie a una scansione ad alta risoluzione eseguita con micro-TC presso il CNR-IFAC.In basso a sinistra, un dettaglio interno affascinante della bulla, visualizzato grazie alla microtomografia, che ne rivela la complessa struttura spiraliforme. Al centro in basso, il reperto reale in esposizione: bulla timpanica e periotico perfettamente conservati. Infine, in basso a destra, Juri Agresti e Andrea Barucci sono impegnati nell’analisi delle immagini tridimensionali, durante una sessione di acquisizione e ricostruzione digitale dei dati.

Alla scoperta delle uova dei dinosauri

Quando si parla di dinosauri, l’immaginazione corre subito a scheletri maestosi o a impronte fossilizzate che raccontano antichi cammini. Ma tra i reperti più emozionanti e carichi di significato vi sono senza dubbio le uova fossili: simboli di vita, frammenti intatti di uno dei momenti più delicati nell’esistenza di ogni essere vivente. È proprio su due di questi straordinari reperti, provenienti dal Cretacico Superiore cinese (70–85 milioni di anni fa), che si è concentrato uno dei nostri studi più recenti, ancora una volta grazie alla collaborazione con paleontologi, radiologi, fisici e divulgatori scientifici.

Le uova analizzate, conservate grazie a Progetto Theia di Paolo Conte e Antonella Senese, e utilizzate per attività educative nelle scuole, presentano caratteristiche morfologiche molto differenti: una allungata, riferibile alla famiglia degli Elongatoolithidae, probabilmente deposta da dinosauri oviraptosauridi (come Oviraptor), poiché sono stati ritrovati esemplari adulti in atteggiamento di cova su nidi di quel tipo. Allo stesso modo, l’altra più tondeggiante, attribuita alla famiglia Dendroolithidae, legata a dinosauri come i Therizinosauridi o forse agli Adrosauri. Entrambe sono rimaste parzialmente inglobate nella matrice sedimentaria originale, come intrappolate nel tempo da una colata fangosa che ne ha interrotto lo sviluppo appena iniziato. Proprio questo dettaglio — l’assenza di embrioni al loro interno — ha raccontato una storia drammatica e affascinante: il fango ha forse sigillato i nidi pochi giorni dopo la deposizione, prima che la vita potesse germogliare? Non lo sapremo mai con certezza, ma questo stimola ancora più la nostra fantasia e la voglia di indagare e scoprire.

In Figura 7 alcune paleoricostruzioni dell’artista Samuele Gabbanini del GAMPS, che raffigurano una coppia di dinosauri oviraptosauridi intenta a covare le proprie uova appartenenti al tipo elongatoolithide. Questi dinosauri, vissuti nel tardo Cretacico, erano ricoperti da un fitto piumaggio e da lunghe penne, tratti che indicano chiaramente un’evoluzione in direzione degli uccelli che popoleranno il successivo Terziario. È probabile che si muovessero compiendo anche lunghi balzi, aiutandosi con gli arti anteriori simili ad ali. Il becco, oltre a ricordare quello degli uccelli moderni, suggerisce una dieta prevalentemente erbivora, anche se in alcuni casi sono stati ritrovati resti animali, segno di una possibile alimentazione onnivora. Nella stessa immagine (basso-destra) un genitore therizinosauride osserva la schiusa del primo uovo della sua covata, appartenente al tipo dendroolithide. Le uova, di forma quasi circolare e di grandi dimensioni, danno origine a dinosauri con una morfologia decisamente insolita, ancora oggetto di discussione tra i paleontologi. Si ritiene che questi animali camminassero sulle zampe posteriori, con andatura plantigrada, cioè, poggiando completamente il piede al suolo. Gli arti anteriori erano dotati di artigli lunghi e robusti, che anche il neonato, nell’immagine, sembra già esibire con orgoglio. La presenza del becco suggerisce un’alimentazione prevalentemente erbivora, anche se non si esclude una dieta onnivora.

Figura 7:  alcune paleoricostruzioni dell’artista Samuele Gabbanini del GAMPS, che raffigurano una coppia di dinosauri oviraptosauridi a sinistra, ed un un genitore therizinosauride in basso a destra. In alto una foto delle 2 uova oggetto dello studio (cortesia Paolo Conte e Antonella Senese, Progetto Theia).

Per analizzare queste uova senza intaccarne l’integrità, è stata impiegata ancora una volta la micro-TC disponibile presso CNR-IFAC grazie a Juri Agresti. Le immagini tomografiche ad altissima risoluzione hanno rivelato dettagli incredibili: gusci collassati, fratture millimetriche, infiltrazioni antiche, e persino cristalli forse formatisi dal contenuto interno disidratato. La ricostruzione 3D in particolare ha permesso di esplorare l’anatomia interna delle uova come se fossero ancora trasparenti, regalando una visione dei processi di fossilizzazione.

In parallelo, le analisi condotte con una tomografia computerizzata clinica, realizzate in collaborazione con l’AUSL Toscana Centro sotto il coordinamento del Dott. Roberto Carpi, nell’ambito di un progetto di paleoradiologia basato su strumentazioni ospedaliere ad alta tecnologia, hanno permesso di esplorare nella loro interezza anche le porzioni delle uova ancora inglobate nella matrice rocciosa. In uno dei reperti, l’indagine ha messo in evidenza la presenza di frammenti compatibili con altre uova, suggerendo un possibile nido multiplo e confermando il comportamento di deposizione collettiva tipico di diverse specie di dinosauri. A completare l’analisi, le misure spettroscopiche condotte sempre presso CNR-IFAC hanno fornito preziose informazioni sulla composizione chimica superficiale e sull’eventuale presenza di pigmenti residui, ampliando ulteriormente la comprensione del contesto paleobiologico.

Figura 8: Un collage di immagini TC e ricostruzioni 3D dell’uovo di oviraptosauridi, realizzate grazie alla strumentazione presente presso CNR-IFAC e AUSL Toscana Centro.

Purtroppo non abbiamo trovato l’embrione di dinosauro, ma abbiamo comunque aperto una finestra su un istante prezioso della storia naturale. Ed è proprio questo l’aspetto più affascinante: ogni reperto, se osservato con gli strumenti giusti e una mente curiosa, diventa un testimone silenzioso di un mondo scomparso, che grazie alla scienza può tornare a parlare.

Figura 9: Un collage di immagini TC e ricostruzioni 3D dell’uovo di Therizinosauridi, realizzate grazie alla strumentazione presente presso CNR-IFAC e AUSL Toscana Centro.

Una riflessione finale critica: Scienza, IA e tempo

“Ciò che rende l’intelligenza artificiale insidiosa è la sua abilità nel risolvere le piccole questioni che noi trascuriamo per mancanza di tempo – e così ci abituiamo a delegare anche il pensiero” – Andrea Barucci

L’autentica minaccia dell’intelligenza artificiale non risiede nella sua potenza, ma nell’uso che ne facciamo: stiamo usando l’IA per scrivere e-mail, generare abstract, produrre report. Perché? Per risparmiare tempo. Ma quel tempo lo usiamo davvero per studiare meglio, riflettere di più, vivere in maniera più consapevole? O lo riempiamo con altre attività ugualmente superficiali?

Come scienziati, dovremmo interrogarci su questo meccanismo. La nostra missione è comprendere.

L’IA ci dà potere certo, ma dobbiamo usarlo per riconquistare il tempo: per fallire, per approfondire, per creare conoscenza vera. Il rischio è di perdere non solo il senso della scienza, ma anche noi stessi.

L’intelligenza artificiale non è solo una tecnologia: è una lente attraverso cui guardiamo il mondo e noi stessi. Può essere uno strumento straordinario di conoscenza e cura, ma solo se usato con consapevolezza, senso critico e responsabilità. La sfida del nostro tempo non è solo costruire algoritmi migliori, ma diventare umani migliori grazie agli strumenti che costruiamo.

Ringraziamenti

Il lavoro raccontato fin qui non sarebbe mai stato possibile senza l’aiuto di amiche, amici, colleghe e colleghi con cui ho l’onore di collaborare: Anna Maria Addabbo, Michela Amendola, Juri Agresti, Tiago Azevedo, Fabrizio Argenti, Riccardo Bani, Daniele Baracchi, Carlo Bartoli, Andrea Baucon, Giovanni Bianucci, Giulia Bosio, Michele Bueno, Chiara Canfailla, Roberto Carpi, Simone Casati, Giulia Ciacci, Angelo Cimarosti, Daniele Ciofini, Alberto Collareta, Anna Consonni, Paolo Conte, Costanza Cucci, Vittoria Del Vecchio, Andrea Di Cencio, Paolo Dieni, Andrea Donati, Valter Fattorini, Sandra Fiore, Massimiliano Franci, Samuele Gabbanini, Franco Gasparri, Christian Greco, Tommaso Guidi, Salima Ikram, Janice Kamrin, Christina Kotsa, Pietro Liò, Donatella Lippi, Girolamo Lo Russo, Marco Lo Schiavo, Giada Magni, Daniele Federico Maras, Andrea Mencaglia, Marco Merella, Maria Messineo, Ottavia Mezzasalma, Jacopo Moggi-Cecchi, Tommaso Mori, Fabio Nesi, Francesco Nobile, Valentina Parrini, Sarah Pauletta, Marcello Picollo, Frate Maria Michele Pini, Nazzario Pizzicoli, Lorenzo Python, Alessandro Riga, Lorenzo Seidenari, Antonella Senese, Salvatore Siano, Lorenzo Stefani, Adriana Taddeucci, Samantha Taruffi, Susanne Töpfer, Marco Zanaga, Chiara Zini.

Bibliografia

  1. [Barucci 2021] Andrea Barucci, Costanza Cucci, Massimiliano Franci, Marco Loschiavo and Fabrizio Argenti, “A Deep Learning approach to Ancient Egyptian Hieroglyphs Classification,” in IEEE Access, doi: 10.1109/ACCESS.2021.3110082.
  2. [Guidi 2023] Guidi, Tommaso, Lorenzo Python, Matteo Forasassi, Costanza Cucci, Massimiliano Franci, Fabrizio Argenti, and Andrea Barucci. 2023. “Egyptian Hieroglyphs Segmentation with Convolutional Neural Networks” Algorithms 16, no. 2: 79. https://doi.org/10.3390/a16020079
  3. [Barucci 2023] Andrea Barucci, Michela Amendola, Fabrizio Argenti, Chiara Canfailla, Costanza Cucci, Tommaso Guidi, Lorenzo Python, Massimiliano Franci, Discovering The Ancient Egyptian Hieroglyphs With Deep Learning, 2023 Consiglio Nazionale delle Ricerche (CNR), Roma, Italia. ISBN: 978-88-947081-1-0
  4. [Cucci 2024] Cucci, C., Guidi, T., Picollo, M., Stefani, L., Python, L., Argenti, F., and Barucci, A., Hyperspectral imaging and convolutional neural networks for augmented documentation of ancient Egyptian artefacts. Herit Sci 12, 75 (2024). https://doi.org/10.1186/s40494-024-01182-9
  5. [Mori 2024] Mori, Tommaso, Alessandro Riga, Jacopo Moggi-Cecchi, Chiara Canfailla, and Andrea Barucci. “Exploring the complexity of African populations variability with Machine Learning.” In 2022 IEEE Workshop on Complexity in Engineering (COMPENG), pp. 1-5. IEEE, 2022.
  6. [Amendola 2024] Amendola, Michela, Salima Ikram, Donatella Lippi, Fabrizio Argenti, Francesco Boschin, Roberto Carpi, Costanza Cucci, Valter Fattorini, Carlos Prates, Chiara Zini, Andrea Baucon and Andrea Barucci, 2024. “The Story of an Egyptian Cat Mummy Through CT Examination” Applied Sciences 14, no. 21: 9882. https://doi.org/10.3390/app14219882
  7. [Barucci 2024] Andrea Barucci, Giulia Ciacci, Pietro Liò, Tiago Azevedo, Andrea Di Cencio, Marco Merella, Giovanni Bianucci, Giulia Bosio, Simone Casati And Alberto Collareta, An Explainable Convolutional Neural Network Approach To Fossil Shark Tooth Identification, Bollettino Società Paleontologica Italiana, pp.  215-227, (2024) – OPEN ACCESS, doi: 10.4435/BSPI.2024.15