Lo scorso anno Google aveva reso disponibile, ad un numero ristretto di utenti,  NotebookLM, uno strumento di intelligenza artificiale che nasceva per aiutare a prendere appunti e studiarli meglio.

A  giugno 2024 è stata estesa la fruizione in oltre 200 paesi di tutto il mondo.

Oggi, NotebookLM, offre funzionalità avanzate come la generazione automatica di riepiloghi, una guida allo studio, suggerimenti di domande frequenti sui contenuti dei documenti caricati e la possibilità di generare un podcast colloquiale. NotebookLM consente di creare “block notes”, delle vere e proprie aree di lavoro, all’interno delle quali è possibile caricare fino a 50 documenti su cui far lavorare l’IA ed interagire con essa. A differenza di chatbot generici, opera esclusivamente sui documenti inseriti, creando un’esperienza personalizzata.

Questa applicazione utilizza il modello di linguaggio avanzato Gemini Pro, che migliora la comprensione e il ragionamento sui documenti caricati.

Gli utenti possono trasformare le loro note in progetti strutturati, come documenti propedeutici a briefing o bozze di piani di marketing. NotebookLM può suggerire azioni in base al contesto, ad esempio riassumendo una parte selezionata di un testo o affinando la prosa dell’utente durante la stesura di una nota.

Integra un chatbot al quale è possibile formulare istanze in forma di prompt (alcune di queste vengono automaticamente proposte all’utente) e le risposte di cui si intende mantenere evidenza possono essere salvate come “Note” nell’area di lavoro (il “block note”).

Ma il vero punto di svolta è la recente introduzione della funzionalità Audio Overview.

Questa funzione trasforma i documenti caricati in dialoghi simili a podcast, con due voci generate dall’ Intelligenza artificiale, una femminile una maschile, che discutono in modo realistico e raccontano e spiegano in modo informale il testo contenuto nel documento originale.

È sorprendente come le due voci non solo sembrino naturali, ma interagiscano con fluidità: si alternano al momento giusto, sottolineano con enfasi le informazioni l’una dell’altra e aggiungono piccole considerazioni che, anche se generate da un’IA, arricchiscono il testo e rendono più facile capire anche argomenti complessi o noiosi. Tuttavia, nonostante i documenti caricati siano in lingua italiana, l’audio generato è disponibile, per il momento, solo in lingua inglese.

Con Notebook LM l’impegno di Google nell’ambito educativo viene ulteriormente potenziato dall’utilizzo dell’intelligenza artificiale, proseguendo l’impegno nel facilitare e guidare l’apprendimento già da tempo avviato, ad esempio attraverso la sezione “Google for Education”, in cui è possibile visualizzare i diversi strumenti messi a disposizione per la didattica, come Google Classroom, che è molto usato in Italia.

Impegno che è ulteriormente emerso durante lo stesso evento Google I/O della scorsa primavera in cui si presentava NotebookLM quando, Ben Gomes, Senior Vice President di Education & Learning di Google, ha presentato anche Illuminate, uno strumento sperimentale sempre basato sull’IA che, come Audio Overview genera una conversazione a due voci che discutono i punti principali di articoli accademici e di ricerca.

Come funziona NotebookLM?

Per iniziare ad utilizzare questo innovativo strumento, bisogna visitare il sito notebooklm.google e selezionare l’opzione “Prova NotebookLM”. Dopo aver effettuato l’accesso, apparirà l’interfaccia di NotebookLM e, come primo passo, bisogna creare un nuovo notebook che,come abbiamo detto, rappresenta un’area di lavoro dedicata.

Successivamente è necessario caricare, all’interno di quest’area di lavoro, le fonti desiderate, che possono essere in formato Google Docs, PDF, URL o anche testo copiato.

Dopo l’upload delle fonti, NotebookLM genera rapidamente una guida al notebook, uno strumento utile per comprendere ed esplorare le fonticaricate.

Questa guida include:

Riepilogo: l’IA analizza le fonti e genera un breve riepilogo del contenuto, offrendo una breve panoramica delle informazioni principali

Domande suggerite: Alcune domande per iniziare ad esplorare il materiale.

Guide preformattate: guide più dettagliate in vari formati.

I formati proposti sono:

• Domande Frequenti (FAQ): L’IA analizza il materiale caricato e suggerisce automaticamente domande pertinenti, aiutando l’utente a esplorare meglio il contenuto.
• Guida allo Studio: Fornisce suggerimenti per approfondire e comprendere meglio il materiale caricato, creando un percorso di apprendimento personalizzato.
• Sommari: L’IA crea un riepilogo dei punti principali del documento, consentendo una rapida panoramica delle informazioni essenziali.
• Sequenza Temporale: Organizza gli eventi o le informazioni presenti nei documenti in ordine cronologico, l’analisi del contenuto in forma temporale.
• Documenti di Briefing: Sintetizza i dati in un formato strutturato, ideale per presentazioni o analisi rapide, rendendo più semplice la preparazione di riunioni o discussioni​

In basso a sinistra è possibile visionare il riepilogo, mentre in alto a destra si trova la sezione dedicata ad Audio Overview. Per ottenere il nostro podcast basterà cliccare su “Generate” e, in pochi minuti, viene creato un podcast interattivo che riassume e discute il contenuto caricato, lingua inglese.  È naturalmente possibile scaricare il file audio e ascoltarlo in un secondo momento proprio come accade con un podcast.

L’Audio Overview di quest’articolo con NotebookLM (inglese) e trascrizione

Speaker 1: Ever feel like the way we learn is like, right on the verge of something totally new?

Speaker 2: You sent over this article about Notebook LM, this AI from Google, and I gotta say, it’s got me thinking maybe AI is the big change, especially since it’s not just some exclusive thing anymore, right? It just launched in over 200 countries. What’s got you so curious about Notebook LM?

Speaker 1: Well, I think the thing about Notebook LM is, you know, it’s not just another app, you know, like for taking notes. It’s not just a chatbot either, spitting out the same old stuff. Imagine, like, this superpower digital notebook that’s actually trying to understand what you’re working on. So I upload my research papers, meeting notes, even those random thoughts I jot down—exactly, even those—and the AI actually digs in and makes sense of it all. It’s like having, like, an AI study buddy who can actually pull out the key takeaways from, like, a dense research paper, or even take my jumbled notes and, like, turn them into a study guide. That’s always been the dream.

Speaker 2: And it gets even more interesting. See, the engine behind Notebook LM, the thing that makes it tick, is Google’s Gemini Pro. That’s a super advanced language model. But the big difference, and this is key, is that it’s all about deep understanding. It’s designed to really get what you’re feeding it.

Speaker 1: Okay, now you’ve got my attention. Deep understanding is a whole other level. So how does this actually work? Like, if I gave Notebook LM a document, what would I actually see happen?

Speaker 2: So say you’re working on this big project, right? You’ve got a ton of research. You feed a document to Notebook LM, and boom, it gives you this concise summary. Right away, no more spending hours trying to find the important stuff.

Speaker 1: It’s like having that one friend, right? The one who reads everything and can tell you exactly what matters. We all need a friend like that.

Speaker 2: But it sounds like it does a lot more than just summarize.

Speaker 1: You got it, Notebook LM can also look at that document and come up with questions about it.

Speaker 2: Now, that’s smart. So instead of just reading and trying to remember, Notebook LM is pushing you to actually think critically about what you’re learning.

Speaker 1: Exactly. It’s like having a built-in study group right there in the software. So it’s not about making information easier to digest, it’s about making it easier to actually learn and use.

Speaker 2: 100%, and that’s where it gets really exciting, because it’s not about speed. It’s about changing how we use information to learn. It’s not about making things faster, it’s about making them better.

Speaker 1: But let’s get into some specifics. The article mentioned it can create all kinds of different guides. What were those?

Speaker 2: This is where things get really interesting for me. Like, imagine you need to learn about something new super fast. The article mentioned that Notebook LM can actually create different types of guides.

Speaker 1: What kind of guides are we talking about?

Speaker 2: So let’s say you’re going through this really complex research paper, and you want to be ready for any questions. Notebook LM can take that paper and make a list of FAQs, you know, like frequently asked questions. It’s a lifesaver if you have a presentation or something.

Speaker 1: Oh, that’s brilliant. So it’s not just summarizing. It’s like it knows what you might need to know next.

Speaker 2: Exactly, and when you’re trying to wrap your head around something historical, something with a lot of context? Right?

Speaker 1: Context is key for stuff like that. Notebook LM can create timelines—so helpful for any kind of historical event, scientific discovery, or even just seeing how an idea changes over time.

Speaker 2: I love that. It’s like they’re thinking about different ways people learn. Some people are visual learners, yeah, right? So timelines would be huge for them.

Speaker 1: What about the people who need things super organized, you know, like they’re getting ready for a big meeting? They need everything just so.

Speaker 2: Exactly. So for those folks, Notebook LM can even make what they called a briefing document, so it takes all the key points from your documents and puts them in this really clear, concise way.

Speaker 1: Okay, so that’s seriously impressive. It’s like having a personal assistant who’s also a research whiz.

Speaker 2: But the thing that really blew my mind, and you even circled this in the article, was this audio overview. How does it turn documents into like a podcast conversation?

Speaker 1: It’s wild, right? You basically upload your document and Notebook LM goes and creates this whole audio discussion, and get this—it’s between these two different AI voices, one male, one female, and they’re not just reading the document, they’re going back and forth, just like we are.

Speaker 2: That’s amazing. I get AI summarizing text, but a whole conversation—that feels next level. Did it sound natural?

Speaker 1: It’s actually pretty cool how they interact. Like, they’ll highlight each other’s points, offer a different perspective, even throw in little insights here and there, and it’s all in this conversational tone. It’s not perfect, you know, but it’s definitely engaging.

Speaker 2: And that’s what the article called a game-changer, right? It’s not just about making information shorter anymore. It’s about making it accessible and engaging for everyone, no matter how they learn best.

Speaker 1: Exactly. Some people are all about that audio learning, you know? And others, they might have a hard time with really dense text, so Notebook LM is trying to meet those different needs.

Speaker 2: It’s like, are we moving from lectures to this personalized conversation? It’s pretty cool to think about.

Speaker 1: Okay, so Notebook LM sounds awesome in theory, but let’s talk bigger picture for a second. The article mentioned this isn’t just some random tool, it’s part of how Google sees AI changing education. What else did you notice about that?

Speaker 2: Yeah, it’s like a whole strategy. Remember how they talked about Google for Education, like that’s already used in schools all over? And they even called out Google Classroom, which seems like it’s everywhere now.

Speaker 1: Exactly. So it seems like they’ve been kind of building towards this for a while. It makes you wonder, if they’re already in so many classrooms, could Notebook LM be the next step? Imagine if every student could use this to learn in the way that works best for them.

Speaker 2: The potential is huge. And, get this, it’s not just Notebook LM. Remember how the article talked about Illuminate, too?

Speaker 1: Oh, right, the other AI from Google. And that one’s all about making those same kind of cool conversations, but from textbooks and academic stuff.

Speaker 2: So it seems like Google’s really serious about using AI to change how we learn—not just make things easier, but actually change how we learn.

Speaker 1: It’s a totally different way of thinking about it. And, you know, it all goes back to what we were saying about how Notebook LM can create that personalized experience. Imagine a world where AI tutors are just like a normal thing.

Speaker 2: Whoa, that’s like a whole new era of education. But it wouldn’t just be for schools, would it? Like, I could use this for work or even just to learn about something new for fun?

Speaker 1: Exactly. Think about it. You could use Notebook LM to get ready for a big presentation at work or dive into a new hobby. It could really make everyone a lifelong learner.

Speaker 2: So, as we wrap things up here, I gotta ask, what do you think? Is this the future of learning?

Speaker 1: It’s definitely exciting. I really think Notebook LM is just the beginning. Like, as AI gets more advanced, who knows what kind of amazing tools we’ll have? It’s gonna be wild to see what happens.

Speaker 2: I’m with you on that one. Yeah. Well, that’s it for today’s deep dive. Thanks for exploring Notebook LM with us, and be sure to join us next time when we’ll be taking a closer look at the ethical considerations surrounding this brand-new technology.

Il Premio Nobel per la Fisica di quest’anno è stato assegnato a due ricercatori che hanno rivoluzionato la capacità delle macchine di analizzare e riconoscere modelli all’interno dei dati, John Hopfield e Geoffrey Hinton.

Grazie ai loro contributi fondamentali, le tecnologie di intelligenza artificiale (IA), come il machine learning e le reti neurali artificiali, sono diventate pilastri della moderna ricerca scientifica e del mondo tecnologico. Questi strumenti avanzati permettono ora ai computer di eseguire attività complesse, come la traduzione automatica, l’interpretazione delle immagini e la gestione di conversazioni simulate, ampliando notevolmente le capacità umane.

Le reti neurali artificiali, ispirate alla struttura del cervello umano, utilizzano intere reti di microprocessori dedicati che formano nodi e connessioni per processare informazioni, simulando funzioni cognitive come la memoria e l’apprendimento. Questo approccio ha portato a un’evoluzione significativa rispetto ai metodi tradizionali di programmazione, dove le istruzioni devono essere fornite passo-passo, come in una ricetta. Al contrario, l’apprendimento automatico permette ai computer di imparare attraverso esempi, affrontando così problemi troppo complessi per essere risolti con istruzioni precise.

Il fisico John Hopfield ha introdotto il concetto di memoria associativa, in cui una rete neurale può identificare schemi parziali e riportarli al modello originale. Questo processo è simile alla capacità umana di ricordare parole o immagini incomplete. Il suo lavoro, basato su principi della fisica, si focalizza sulla collaborazione tra neuroni per produrre caratteristiche nuove e potenti che vanno oltre la somma delle singole componenti. L’approccio di Hopfield ha gettato le basi per tecnologie che possono riconoscere immagini anche con disturbi o informazioni mancanti.

Geoffrey Hinton, ha applicato concetti della fisica statistica per creare la macchina di Boltzmann, una rete neurale che apprende attraverso l’esperienza, senza bisogno di istruzioni esplicite.

La macchina di Boltzmann è una rete neurale ricorrente di tipo stocastico, che svolge un ruolo cruciale nell’ambito del deep learning. Deve il suo nome al fisico austriaco Ludwig Boltzmann, in quanto si basa sui principi della meccanica statistica. Grazie al suo approccio probabilistico, questa rete è in grado di apprendere e rappresentare modelli complessi, risultando così uno strumento distintivo dell’intelligenza artificiale per analizzare e generare dati. (Il termine “stocastico” indica che le decisioni sui valori o stati dei nodi vengono prese in base a distribuzioni probabilistiche, anziché essere determinate con certezza. Questo approccio consente alle reti stocastiche di esplorare e modellare meglio fenomeni complessi e di apprendere rappresentazioni più versatili dai dati. ndr)

Questa macchina è stata utilizzata per creare modelli generativi, in grado di riconoscere e generare nuovi schemi sulla base degli esempi forniti durante la fase di addestramento. Hinton ha continuato a sviluppare questi concetti negli anni, contribuendo alla creazione di reti profonde che oggi sono alla base di numerosi avanzamenti nell’IA, inclusi i sistemi di raccomandazione utilizzati in piattaforme di streaming.

Grazie al lavoro di Hopfield e Hinton, la rivoluzione del machine learning ha raggiunto un picco, sostenuta dalla disponibilità di enormi quantità di dati e dalla crescente potenza di calcolo. Le reti neurali profonde, che possono contare fino a un trilione di parametri, permettono oggi di gestire dati su una scala che negli anni ’80 era inimmaginabile. Tuttavia, il progresso tecnologico solleva anche importanti questioni etiche, legate all’uso e allo sviluppo dell’IA, con impatti che vanno dall’automazione delle scoperte scientifiche alla privacy e al controllo dell’informazione.o l’ecosistema informativo emergente e i modi in cui l’IA potrebbe rimodellarlo.

Le preoccupazioni di Hinton dopo la cerimonia dei Nobel (audio intervista)

“…le grandi aziende dovrebbero destinare molte più risorse alla ricerca sulla sicurezza, in modo che, ad esempio, società come OpenAI non possano semplicemente mettere da parte la sicurezza. C’è un parallelo con la rivoluzione biotecnologica, quando i biotecnologi si riunirono alla conferenza di Asilomar e dissero: ‘C’è un potenziale pericolo qui e dobbiamo occuparcene da soli’. Sì, penso che ci siano delle somiglianze e credo che ciò che hanno fatto sia stato molto positivo. Purtroppo, ci sono molte più applicazioni pratiche dell’IA rispetto a cose come la clonazione, che i biologi cercavano di tenere sotto controllo. Quindi, penso che sarà molto più difficile, ma l’esempio dei biologi è un buon modello a cui guardare. È impressionante che siano riusciti a raggiungere un accordo e che gli scienziati lo abbiano fatto.

Per quanto riguarda i modelli di linguaggio di grandi dimensioni, che credo contribuiscano alla mia preoccupazione, penso che questi modelli siano molto più vicini alla comprensione di quanto molti sostengano.

[…] C’è un’intera scuola di linguistica, ispirata a Chomsky, che ritiene sia completamente assurdo dire che questi sistemi capiscano. Secondo loro, non processano il linguaggio allo stesso modo in cui lo facciamo noi. Io penso che quella scuola si sbagli, ed è ormai chiaro che le reti neurali sono molto più efficienti nel processare il linguaggio rispetto a qualsiasi cosa mai prodotta dalla scuola chomskyana di linguistica. Ma c’è ancora molto dibattito su questo, specialmente tra i linguisti.

Open Society Foundations è una rete di gruppi, associazioni ed ONG, fondata nel 2010 (ma le sue origini risalgono al 1984) dal noto magnate e uomo d’affari George Soros. L’organizzazione si pone come scopo di sostenere finanziariamente gruppi della società civile in tutto il mondo, con l’obiettivo dichiarato di promuovere la giustizia, l’istruzione, la salute pubblica e i media indipendenti.

Tra i progetti più recenti vi è “AI in Journalism Futures (AIJF)”, avviato a febbraio 2024 e di cui lo scorso agosto è stato pubblicato il primo report.

“AI in Journalism Futures” vuole rappresentare un tentativo sistematico di esplorare come l’IA potrebbe rimodellare radicalmente l’ecosistema informativo nel medio-lungo termine, con un orizzonte di cinque-quindici anni. L’iniziativa ha visto la partecipazione di circa 1.000 individui tra giornalisti, tecnologi, accademici e attivisti civici.

Obiettivo del progetto è stimolare discussioni sul potenziale impatto dell’IA sul giornalismo e sull’informazione civica, utilizzando una metodologia basata su scenari per visualizzare futuri plausibili e costruire strategie di adattamento.

L’approccio dell’AIJF è stato di coinvolgere i partecipanti in un processo di pianificazione degli scenari per immaginare come l’IA potrebbe trasformare il giornalismo e il flusso informativo a livello globale. La conclusione è stata che l’IA non solo rappresenta una minaccia per il giornalismo tradizionale, ma offre anche opportunità significative per espandere l’accesso all’informazione, se gestita con una visione consapevole e strategica.

Secondo la ricerca, dall’introduzione di ChatGPT nel novembre 2022, l’IA ha dimostrato il potenziale di trasformare profondamente il modo in cui l’informazione viene generata, distribuita e consumata. Le tecnologie emergenti come gli agenti virtuali e i motori di ricerca generativi stanno già iniziando a cambiare il panorama, ma l’AIJF prevede un cambiamento ancora più profondo. Il processo si divide in tre fasi:

Fase di Efficienza Temporanea: durante questa fase, l’IA ottimizza i processi esistenti, migliorando l’efficienza e riducendo i costi.

Fase di Transizione: Nuove strutture e prodotti mediatici emergono, trasformando gradualmente l’ecosistema informativo.

Nuovo Ecosistema Informativo: In questa fase finale, l’IA non si limita a migliorare il presente ma rivoluziona completamente il modo in cui le informazioni vengono create e consumate.

Tra le prospettive principali emergono:

• La personalizzazione estrema dell’informazione, che potrebbe portare a bolle informative e alla frammentazione del pubblico.
• Il rischio di disinformazione, reso possibile dalla capacità dell’IA di generare contenuti in grandi volumi e a basso costo.
• La crescente sfiducia nei media tradizionali e la loro difficoltà ad adattarsi a un ambiente mediato dall’IA.

Molti partecipanti hanno condiviso dubbi sull’efficacia delle istituzioni giornalistiche tradizionali nell’adattarsi a questi cambiamenti, mentre altri hanno immaginato un ecosistema mediato dall’IA in cui nuovi attori, come le piattaforme tecnologiche, acquisiscono un’influenza significativa nel determinare cosa viene diffuso e come.

Gli scenari immaginati

Il progetto ha elaborato cinque scenari fondamentali:

1. Macchine nel Mezzo: L’IA guida la raccolta e la produzione delle notizie, riducendo notevolmente il ruolo umano. In questo scenario, le macchine sono capaci di raccogliere e interpretare informazioni da varie fonti digitali, producendo esperienze informative personalizzate.
2. Il Potere a Chi Conosce i Bisogni del Pubblico: La conoscenza dei bisogni degli utenti diventa il centro del potere nell’ecosistema mediato dall’IA. Qui, chi riesce a comprendere meglio le esigenze informative del singolo utente controlla l’accesso e l’influenza.
3. Onniscienza per Me, Rumore per Te: Questo scenario immagina una società divisa, dove alcuni individui sono potenziati dall’accesso a informazioni mirate, mentre altri sono sopraffatti da un flusso continuo di dati poco utili o di bassa qualità.
4. IA con Propria Agenda e Potere: Le IA operano con una propria agenda, operando autonomamente senza supervisione umana diretta e plasmando il flusso di informazioni secondo obiettivi programmati.
5. IA al Guinzaglio: Società e regolamentazioni limitano il potere dell’IA, mantenendo la tecnologia sotto controllo per evitare trasformazioni radicali e potenzialmente destabilizzanti.

Durante il progetto AIJF, è emersa una forte convinzione che l’IA modificherà in modo sostanziale l’ecosistema dell’informazione. Nel rapporto si evidenzia che il potere e l’influenza si sposteranno verso attori con la capacità di manipolare e distribuire l’informazione su larga scala, riducendo il ruolo dei media tradizionali. Molti partecipanti hanno espresso preoccupazione sulla capacità dei media tradizionali di adattarsi e di esercitare un’influenza significativa in questo nuovo contesto.

Il progetto prevede inoltre di estendere le proprie analisi con documenti accademici e rapporti aggiuntivi, volti a esplorare in modo più approfondito l’ecosistema informativo emergente e i modi in cui l’IA potrebbe rimodellarlo.