Skip to main content

Che cos'è un large language model (LLM)

Nota: Questo documento è una traduzione automatica della versione originale in inglese.

Che cos'è un large language model (LLM)

Un large language model (LLM) è un tipo di rete neurale addestrata su enormi quantità di testo affinché possa comprendere e generare il linguaggio umano. Immagina un assistente estremamente colto che ha assorbito miliardi di pagine di libri, articoli, codice e conversazioni. Non «sa» le cose come le sa una persona; ha invece appreso pattern statistici — quali parole e idee tendono a seguire quali — abbastanza bene da scrivere paragrafi coerenti, rispondere a domande, tradurre tra lingue, riassumere documenti e persino ragionare su problemi a più passaggi.

La proprietà distintiva (e il limite) di un LLM è che funziona per predizione. Dato l'inizio di una frase, il modello calcola la parola successiva più probabile, poi la successiva, e così via, un token alla volta. Un token è approssimativamente una parola o una sub-word. Concatenando migliaia di queste minuscole predizioni, un LLM può produrre saggi, codice, poesie o analisi tecniche — tutto senza essere programmato esplicitamente per ciascun compito. Gli LLM noti includono GPT, Claude, Gemini e Mistral. La maggior parte dei progetti crypto AI che menzionano «AI» nel loro marketing sta usando un LLM internamente, dichiara di usarne uno, o incapsula un LLM di terze parti dietro la propria interfaccia. Capire cosa sia davvero un LLM — e cosa non sia — è essenziale per valutare queste dichiarazioni.

In sintesi: un LLM è il motore dietro la maggior parte dell'AI testuale moderna. Nel crypto AI, la domanda critica non è se un progetto «usa un LLM», ma come ne usa uno e quale valore proprietario aggiunge sopra di esso.

Come funziona

Costruire e usare un LLM comporta diverse fasi distinte. Ogni fase richiede risorse, competenze e dati diversi — e ciascuna rappresenta un diverso livello di profondità AI nella valutazione di un progetto crypto AI.

Fase 1: pre-training

Il pre-training è dove il modello apprende i fondamenti del linguaggio. Durante questa fase, l'LLM legge miliardi di token — parole e sub-word tratte da libri, siti web, repository di codice, articoli scientifici e altre fonti testuali. Il modello regola i propri parametri interni (i pesi) per diventare sempre più accurato nel predire il token successivo in una sequenza.

Questa fase è costosa. Addestrare un LLM di frontiera da zero può richiedere migliaia di GPU specializzate in funzione per settimane o mesi, e il modello risultante può avere decine o centinaia di miliardi di parametri. Solo una manciata di organizzazioni — laboratori AI ben finanziati — pre-addestra abitualmente LLM da zero.

Fase 2: fine-tuning

Un modello pre-addestrato è potente ma generico. Il fine-tuning restringe il comportamento del modello addestrandolo ulteriormente su un dataset curato e più piccolo, rilevante per un task o dominio specifico. Ad esempio, un LLM medico potrebbe essere fine-tuned su note cliniche; un modello orientato alla DeFi potrebbe essere fine-tuned su documentazione di smart contract e dati on-chain.

Il fine-tuning richiede molto meno calcolo del pre-training ma esige comunque competenza nella selezione dei dati, nelle metriche di valutazione e nell'evitare il catastrophic forgetting (in cui il modello perde le capacità generali mentre si specializza).

Fase 3: allineamento e RLHF

Gli LLM moderni di solito attraversano una fase di allineamento dopo il fine-tuning. Il reinforcement learning from human feedback (RLHF) è l'approccio più comune: valutatori umani classificano gli output del modello, e il modello viene addestrato a preferire le risposte che gli umani valutano più in alto. L'allineamento è ciò che fa sì che un modello segua le istruzioni, rifiuti richieste dannose e produca risposte genuinamente utili anziché sciocchezze dal suono plausibile.

Fase 4: inferenza

L'inferenza è la fase di produzione — quando un LLM addestrato riceve un prompt e genera un output. Ogni volta che un utente invia un messaggio a un chatbot, l'LLM sottostante esegue l'inferenza: legge il prompt, lo elabora attraverso i suoi layer di parametri e produce una risposta token per token.

L'inferenza costa calcolo (tempo GPU) ma molto meno per query rispetto al training. La maggior parte dei progetti che «usano un LLM» esegue solo inferenza — spesso chiamando l'API di un fornitore esterno anziché far girare il proprio hardware.

La pipeline in sintesi

Fase Cosa succede Chi la fa tipicamente Costo di calcolo
Pre-training Apprendere il linguaggio da miliardi di token Grandi laboratori AI Molto alto
Fine-tuning Adattare il modello a un dominio o task Laboratori AI, startup ben finanziate Medio
Allineamento (RLHF) Rendere il modello sicuro e capace di seguire istruzioni Laboratori AI Medio
Inferenza Generare risposte ai prompt degli utenti Chiunque con una chiave API o una GPU Basso per query

Caratteristiche chiave di un LLM

Diverse proprietà definiscono quanto un particolare LLM sia capace:

  • Numero di parametri — il numero di pesi addestrabili nel modello. Modelli più grandi catturano generalmente più sfumature ma costano di più da addestrare ed eseguire. I conteggi dei parametri vanno da pochi miliardi (piccoli modelli open-source) a oltre un trilione (modelli di frontiera).
  • Context window — il numero massimo di token che il modello può elaborare in una singola interazione. Una context window corta significa che il modello «dimentica» l'inizio di una conversazione lunga. Gli LLM moderni offrono context window che vanno da poche migliaia di token a oltre centomila.
  • Architettura — la maggior parte degli LLM moderni è costruita sull'architettura Transformer, introdotta nel 2017. I transformer usano un meccanismo chiamato self-attention per pesare le relazioni tra tutti i token nell'input, il che consente loro di gestire le dipendenze a lungo raggio nel testo.
  • Dati di training — la qualità, la diversità e la recenza dei dati usati durante il pre-training modellano ciò che il modello sa. Un modello addestrato solo su testo inglese renderà male nelle altre lingue; un modello con un knowledge cutoff in un dato anno non conoscerà gli eventi successivi.

Esempi reali dell'industria

Diversi LLM noti illustrano la gamma di approcci nel settore:

  • GPT (OpenAI) — un LLM closed-source e multimodale disponibile tramite API. Molti progetti crypto AI chiamano l'API di GPT per aggiungere funzionalità conversazionali o analitiche ai loro prodotti.
  • Claude (Anthropic) — un LLM closed-source con una forte enfasi su sicurezza e allineamento. Come GPT, è tipicamente accessibile via API.
  • DeepSeek-R1 (DeepSeek) — un LLM open-weight rilasciato sotto licenza MIT. Le sue forti capacità di ragionamento e la disponibilità aperta lo rendono un modello base popolare per il fine-tuning e per i progetti crypto AI che vogliono eseguire modelli localmente o rivendicare un'integrazione AI più profonda.
  • Mistral (Mistral AI) — una famiglia di modelli open-weight nota per prestazioni forti a conteggi di parametri più piccoli, il che li rende pratici per progetti con budget GPU limitati.

Questi nomi compaiono frequentemente nelle descrizioni dei progetti crypto AI. Quando un progetto dice di «usare GPT», quasi sempre significa che chiama l'API di OpenAI. Quando dice di aver «fine-tuned DeepSeek», implica un impegno tecnico più profondo — anche se la dichiarazione richiede comunque evidenze verificabili.

LLM open-source vs closed-source

Aspetto Open-source / open-weight Closed-source
Pesi del modello Pubblicamente disponibili per il download Nascosti dietro un'API
Ispezione Chiunque può studiare, verificare o fare fine-tuning Nessun audit esterno degli interni possibile
Personalizzazione Fine-tuning su dati propri, esecuzione locale Limitata ai parametri dell'API (temperature, system prompt)
Struttura dei costi Richiede hardware GPU proprio o hosting Tariffazione API pay-per-token
Esempi DeepSeek, Qwen, Mistral GPT, Claude, Gemini

Per i progetti crypto AI, la distinzione conta: un progetto che ha fine-tuned un modello open-weight e pubblicato i dettagli del training dimostra più profondità AI di uno che chiama un'API chiusa senza modifiche.

Perché gli LLM contano nel crypto AI

Molti progetti crypto AI fanno riferimento agli LLM nei loro whitepaper, pitch deck o descrizioni di prodotto. Le dichiarazioni variano ampiamente:

  • «Abbiamo costruito il nostro LLM» — implica pre-training o fine-tuning significativo, che richiede calcolo e competenza sostanziali. È il livello di impegno più profondo.
  • «Abbiamo fine-tuned un LLM per la DeFi» — implica un adattamento specifico di dominio di un modello base esistente. Più credibile di una pura chiamata API, ma i dettagli contano.
  • «Usiamo un LLM» — spesso significa chiamare un'API esterna (come l'API di OpenAI o Anthropic) con prompt specifici del progetto. È il livello più superficiale di integrazione AI.

Questi tre scenari rappresentano livelli fondamentalmente diversi di profondità AI, e DecAIHub li valuta di conseguenza tramite la sua metodologia basata sulle evidenze.

Usare un'API vs costruire il proprio

Approccio Cosa significa Profondità AI
Chiamata API Il progetto invia prompt a un LLM di terze parti (ad es. l'API di OpenAI) e restituisce la risposta Bassa — l'AI appartiene al fornitore
Prompt engineering Il progetto progetta prompt, catene o pipeline di retrieval specializzati sopra un LLM di terze parti Bassa-media — esiste logica proprietaria ma il modello è esterno
Fine-tuning Il progetto adatta un modello base open-source (DeepSeek, Mistral, Qwen) sul proprio dataset Media-alta — il progetto possiede un modello modificato
Pre-training Il progetto addestra un modello da zero con i propri dati e calcolo Alta — piena proprietà del modello

Un API wrapper che passa i prompt degli utenti a un LLM commerciale e restituisce la risposta non è la stessa cosa di un progetto che ha fine-tuned DeepSeek su dati di transazioni on-chain. DecAIHub distingue tra questi casi nel campo AI component della scheda progetto.

Dove compare nelle schede progetto di DecAIHub

Quando esamini una scheda progetto su DecAIHub, diversi campi si riferiscono direttamente all'uso degli LLM:

  • AI component può menzionare «LLM», «fine-tuned model», «prompt engineering» o un nome di modello specifico. Questo campo descrive quale tipo di AI il progetto possiede davvero, come verificato dai revisori di DecAIHub.
  • AI use case descrive a cosa serve l'LLM: generazione, classificazione, riassunto, ragionamento degli agenti e così via. Un progetto può usare un LLM per un task ristretto (ad es. il parsing degli intenti) o come motore centrale di un intero prodotto.
  • ai_score (parte di DecAI Fit) riflette quanto bene l'uso dell'LLM sia documentato con evidenze Tier-1, Tier-2 o Tier-3. Un progetto che dichiara l'uso di un LLM ma non fornisce artefatti verificabili otterrà un punteggio basso su questa dimensione.
  • I flag AI reality (da AI_0 ad AI_4) indicano la profondità complessiva dell'AI verificabile, che in molti progetti è ancorata alla loro integrazione LLM.

L'obiettivo non è mai penalizzare un progetto per l'uso di un LLM di terze parti — molti prodotti validi fanno esattamente questo. L'obiettivo è distinguere tra i progetti che chiamano un'API in modo trasparente e quelli che spacciano l'uso di un'API per ricerca AI proprietaria.

Cosa un LLM da solo non dimostra

  • Avere una chiave API di un LLM non significa che il progetto «abbia l'AI». Significa che il progetto può chiamare l'AI di qualcun altro.
  • Menzionare «GPT» o «Claude» nel marketing non dimostra lavoro AI proprietario. Migliaia di applicazioni usano la stessa API.
  • Anche un modello fine-tuned ha bisogno di artefatti verificabili: una descrizione dei dati di training, metriche di valutazione, un identificatore di versione del modello ed evidenze di deployment.
  • Un grande numero di parametri non garantisce un modello migliore. La qualità del training, la cura dei dati e l'allineamento contano almeno quanto la dimensione grezza.

Da non confondere con

  • Inferenza — eseguire un LLM addestrato per produrre output. L'inferenza è un passaggio nell'uso di un LLM, non un sinonimo di LLM in sé.
  • Training — il processo di costruzione o adattamento di un LLM. Il training produce il modello; l'inferenza lo usa.
  • Agente AI — un sistema autonomo che può usare un LLM come nucleo di ragionamento, ma aggiunge percezione, memoria, uso di strumenti e azione. Un LLM da solo non è un agente.
  • Natural Language Processing (NLP) — un campo più ampio dell'informatica. Gli LLM sono un approccio (di grande successo) all'NLP, ma l'NLP include anche tecniche più vecchie come l'estrazione di parole chiave, il parsing basato su regole e i classificatori statistici.
  • Foundation model — un termine più generale che include gli LLM ma copre anche grandi modelli addestrati su immagini, audio, video o dati multimodali. Ogni LLM è un foundation model, ma non ogni foundation model è un LLM.

Domande frequenti

Qual è la differenza tra un LLM e un chatbot?

Un LLM è un modello — un insieme di parametri addestrati che può elaborare e generare testo. Un chatbot è un prodotto costruito sopra un modello. L'LLM è il motore; il chatbot è l'auto. Un singolo LLM può alimentare migliaia di chatbot diversi, ognuno con i propri prompt, interfaccia e personalità. Viceversa, un chatbot non usa necessariamente un LLM — i chatbot più vecchi si basavano su regole scriptate o semplice pattern matching.

Tutti i progetti AI usano gli LLM?

No. Molti progetti crypto AI usano altri tipi di machine learning: modelli di computer vision per la generazione di NFT, reinforcement learning per strategie di trading, graph neural network per l'analisi della blockchain o ML tradizionale per il rilevamento di anomalie. L'LLM è dominante nelle applicazioni testuali, ma non è l'unico tipo di AI.

Cosa significa fare fine-tuning di un LLM?

Il fine-tuning prende un LLM pre-addestrato e ne continua il training su un dataset più piccolo e curato, rilevante per un task specifico. L'obiettivo è specializzare il modello — ad esempio, insegnargli a capire la terminologia DeFi, a fare il parsing di smart contract o a generare risposte in uno stile particolare. Il fine-tuning è più conveniente del pre-training da zero, ma richiede comunque competenza tecnica, dati appropriati e risorse di calcolo.

Come si capisce se un progetto crypto ha costruito il proprio LLM o usa un'API?

Cerca evidenze concrete: pesi del modello pubblicati o una model card, dati di training documentati, benchmark di valutazione e una descrizione del processo di fine-tuning. Se il progetto fa riferimento solo al nome di un modello noto (GPT, Claude) senza descrivere alcuna modifica, probabilmente usa un'API. DecAIHub cattura questa distinzione nel campo AI component e nel tier delle evidenze.

Cosa sono gli LLM open-source?

Gli LLM open-source (o open-weight) sono modelli i cui parametri addestrati sono pubblicamente disponibili per il download, lo studio e la modifica. Gli esempi includono DeepSeek, Qwen e Mistral. Permettono a chiunque di fare fine-tuning, deployment e ispezione del modello, il che aumenta la trasparenza e consente la verifica indipendente — entrambe qualità preziose nello spazio crypto AI.

Perché la dimensione dell'LLM (i parametri) conta?

Più parametri consentono generalmente a un modello di catturare pattern più complessi nel linguaggio, il che può migliorare le prestazioni su task difficili. Tuttavia, la dimensione da sola non è decisiva. Un modello più piccolo ben addestrato può superare uno più grande addestrato male. Ciò che conta di più è la combinazione di numero di parametri, qualità dei dati, metodologia di training e messa a punto dell'allineamento.

Vedi anche

Riferimenti esterni

No comments to display

Back to top