Come Arthur Samuel definì il machine learning
Arthur Lee Samuel (1901-1990), ingegnere e ricercatore statunitense che lavorava presso l'IBM, è universalmente considerato la persona che ha coniato l'espressione "machine learning" (apprendimento automatico) e che ne ha dato una delle prime definizioni operative. La formulazione più celebre a lui attribuita descrive il machine learning come il "campo di studio che dà ai computer la capacità di apprendere senza essere esplicitamente programmati". Questa frase, ripetuta in migliaia di articoli, libri di testo e corsi universitari, sintetizza l'intuizione fondamentale di Samuel: una macchina può migliorare le proprie prestazioni attraverso l'esperienza, invece di limitarsi a eseguire istruzioni scritte una per una da un programmatore.
Il contesto: il programma per la dama
Samuel sviluppò le sue idee a partire dai primi anni Cinquanta, quando, su un calcolatore IBM 701, scrisse uno dei primi programmi capaci di giocare a dama (checkers). Il programma non si limitava a seguire regole fisse: era in grado di valutare le posizioni sulla scacchiera, memorizzare partite precedenti e modificare i propri parametri di valutazione per giocare meglio nelle partite successive. In questo modo il software poteva, col tempo, battere persino il suo stesso autore. Samuel formalizzò questo lavoro nell'articolo scientifico "Some Studies in Machine Learning Using the Game of Checkers", pubblicato nel luglio 1959 sull'IBM Journal of Research and Development (vol. 3, pp. 210-229). È in questo testo che il termine "machine learning" entra stabilmente nel vocabolario scientifico.
Che cosa scrisse davvero Samuel
Un punto importante, spesso trascurato, riguarda la formulazione esatta. La frase "campo di studio che dà ai computer la capacità di apprendere senza essere esplicitamente programmati" è quella più citata, ma diversi studiosi hanno osservato che questa esatta formulazione non compare letteralmente nell'articolo del 1959 (né nella sua versione successiva del 1967). Si tratta con ogni probabilità di una parafrasi, di una sintesi efficace del pensiero di Samuel diventata canonica nel tempo, o di una frase pronunciata oralmente ma mai messa per iscritto in quella forma.
Quello che Samuel scrisse effettivamente nel paper sono affermazioni come: "Un computer può essere programmato in modo che impari a giocare a dama meglio di quanto sappia fare la persona che ha scritto il programma" e che "programmare i computer affinché imparino dall'esperienza dovrebbe, alla fine, eliminare gran parte di questo lavoro dettagliato di programmazione". Il significato è identico a quello della citazione famosa, ma è utile, in chiave enciclopedica, distinguere tra la definizione divulgativa e le parole originali dell'autore.
L'idea centrale della definizione
Il cuore della definizione di Samuel è il contrasto tra due modi di far funzionare una macchina:
- Programmazione esplicita: l'essere umano scrive ogni regola e ogni istruzione che il computer deve eseguire.
- Apprendimento automatico: la macchina ricava regole e strategie dai dati e dall'esperienza, migliorando le proprie prestazioni senza che ogni comportamento sia stato codificato a mano.
Per realizzare questa idea, Samuel introdusse tecniche tuttora considerate seminali: l'apprendimento per memorizzazione (rote learning), l'apprendimento per generalizzazione, le funzioni di valutazione modificabili, l'hill climbing e le cosiddette signature tables. Grazie a esse, il suo programma riusciva a giocare in modo ragionevole dopo sole 8-10 ore di calcolo, un risultato notevole per l'hardware dell'epoca.
Perché la definizione è ancora attuale nel 2026
A oltre sessant'anni di distanza, la definizione di Samuel resta il punto di partenza di praticamente ogni manuale e corso sul tema. Le tecnologie sono cambiate radicalmente — dalle reti neurali profonde ai grandi modelli linguistici che dominano il panorama dell'intelligenza artificiale nel 2026 — ma il principio fondante è rimasto lo stesso: un sistema che apprende da dati ed esperienza anziché da istruzioni codificate una per una. Una definizione tecnica più moderna e complementare è quella formulata da Tom Mitchell nel 1997, secondo cui un programma "apprende" se le sue prestazioni su un compito, misurate da un criterio, migliorano con l'esperienza. Si tratta tuttavia di una precisazione della stessa intuizione che Samuel aveva avuto decenni prima.
Domande frequenti
In che anno Arthur Samuel definì il machine learning?
Samuel coniò e rese celebre l'espressione "machine learning" nel 1959, nell'articolo "Some Studies in Machine Learning Using the Game of Checkers", pubblicato sull'IBM Journal of Research and Development. Aveva però iniziato a lavorare al suo programma per la dama già nei primi anni Cinquanta.
Qual è la definizione esatta di Arthur Samuel?
La definizione più diffusa è "il campo di studio che dà ai computer la capacità di apprendere senza essere esplicitamente programmati". Diversi studiosi notano però che questa formulazione precisa non compare letteralmente nel paper del 1959 ed è probabilmente una parafrasi fedele del pensiero di Samuel.
Perché Samuel usò il gioco della dama?
La dama era un dominio abbastanza semplice da gestire con l'hardware degli anni Cinquanta, ma abbastanza complesso da rendere impossibile programmare a mano ogni mossa ottimale. Era quindi un banco di prova ideale per dimostrare che una macchina poteva migliorare giocando.
Chi era Arthur Samuel?
Arthur Lee Samuel (1901-1990) era un ingegnere e ricercatore statunitense, pioniere dell'intelligenza artificiale e del calcolo applicato ai giochi. Lavorò principalmente all'IBM ed è ricordato come uno dei padri fondatori del machine learning.