“Grokking AI Algorithms, Second Edition: How AI Solves Complex Problems”, Rishal Hurbans, (Manning Publications, 2026).

Pubblicato nel 2026 da Manning Publications, Grokking AI Algorithms, Second Edition di Rishal Hurbans affronta l’intelligenza artificiale partendo da una domanda più concreta di quella suggerita dalle discussioni sulla possibilità che le macchine possano “pensare”: in che modo un problema difficile può essere trasformato in una struttura che un algoritmo sia effettivamente in grado di affrontare? L’autore considera l’IA soprattutto come un insieme di metodi per cercare soluzioni, riconoscere regolarità, ottimizzare decisioni e apprendere dall’esperienza. Questa impostazione permette di osservare sotto una luce comune tecniche apparentemente molto diverse, dagli algoritmi di ricerca alle reti neurali, dall’intelligenza di sciame ai grandi modelli linguistici. Hurbans colloca inoltre l’attuale sviluppo dell’IA all’interno di una storia più ampia dell’automazione: gli esseri umani hanno continuamente costruito strumenti capaci di ridurre il lavoro necessario per raggiungere determinati obiettivi, mentre la disponibilità contemporanea di enormi quantità di dati e di capacità di calcolo ha reso praticabili procedure algoritmiche che in passato sarebbero state troppo costose. Il problema decisivo diventa quindi comprendere che cosa accade dietro l’apparente semplicità delle applicazioni contemporanee. Un sistema intelligente deve rappresentare il problema, distinguere gli stati possibili, valutare alternative, utilizzare informazioni disponibili e stabilire quale risultato debba essere considerato migliore. Non esiste, in questa prospettiva, un algoritmo universalmente intelligente: esistono invece famiglie di strumenti adatte a differenti strutture di problema. Comprendere l’IA significa perciò comprendere la relazione tra problema, dati, rappresentazione, algoritmo e obiettivo. È precisamente questa conoscenza che, secondo Hurbans, consente di superare l’uso dell’intelligenza artificiale come semplice “scatola nera”: quando algoritmi di questo tipo diventano componenti normali dei sistemi software, non è più sufficiente consumarne i risultati attraverso servizi già pronti, ma occorre capire almeno intuitivamente i meccanismi che producono quei risultati.