Una guida da campo interattiva all'IA moderna — dal «cos'è davvero un LLM» fino a «come lo faccio girare sul mio PC», passando per parametri, MoE, vision / tool use / thinking e gli agenti di coding.
▶ Provalo online (quando pubblicato)
A differenza dei fratelli della collana EDU-* (simulatori a livelli), questo è un atlante divulgativo: 16 pagine da sfogliare con Avanti / Indietro (o le frecce della tastiera), ognuna con un mini-demo interattivo. L'interruttore BASE / PRO in alto regola la profondità: in BASE le spiegazioni sono per chi parte da zero, in PRO compaiono i riquadri viola con i dettagli tecnici. I termini del glossario sono sottolineati in tutto il testo: passandoci sopra appare la definizione a fumetto. Un ignorante e un esperto leggono le stesse pagine e ci trovano cose diverse.
| # | Sezione | Il demo |
|---|---|---|
| 01 | Cos'è un LLM | prevedi il prossimo token, con manopola della temperatura — e «dove guarda il modello»: l'attention da cliccare |
| 02 | I token | tokenizzatore live: scrivi e guarda il testo spezzarsi (perché «quante R in fragola» fallisce) |
| 03 | Parametri | cursore 0.3B → 2T: peso su disco, hardware necessario, cosa sa fare |
| 04 | Come nasce un modello | pre-training → SFT → RLHF: stessa domanda, tre risposte diverse |
| 05 | Mixture of Experts | router animato stile Mixtral: 2 esperti su 8, confronto col denso |
| 06 | Capacità | vision (foto → patch → token), tool use (chat con function call), thinking (risposta d'istinto vs ragionata), context window in scala log |
| 07 | Allucinazioni e limiti | quiz «vero o inventato?»: sei risposte sicure, quali sono vere? |
| 08 | Embedding & RAG | la mappa 2D dei significati (clicca una parola), il RAG in azione sul regolamento di una biblioteca, e «fine-tuning vs RAG» |
| 09 | Prompting | stessa richiesta, tre livelli di cura: vago → contesto e vincoli → few-shot |
| 10 | Agenti | il loop pensa → agisce → osserva animato: un agente di coding a caccia di un bug vero |
| 11 | Sicurezza & privacy | «dove va a finire quello che scrivi?» (chat gratuita vs API vs locale) e la prompt injection in azione, con e senza difese |
| 12 | Il panorama | le grandi famiglie di modelli, open vs closed, come leggere i benchmark (istantanea metà 2026) |
| 13 | AI in locale | calcolatore VRAM: modello × quantizzazione × la tua GPU, più «la quantizzazione da vicino»: lo stesso peso in FP32/FP16/Q8/Q4 con l'errore che cresce |
| 14 | Quanto costa | calcolatore di spesa API: classe di modello × uso × richieste/giorno, confronto col locale |
| 15 | Cassetta degli attrezzi | Ollama, LM Studio, Open WebUI, Claude Code, Codex, Gemini CLI, Aider — con i comandi di installazione e un percorso consigliato |
| 16 | Glossario | ~35 termini ricercabili, ognuno con la riga PRO |
Sito statico puro, zero dipendenze, zero build. Servi la cartella con un
qualunque static server (i moduli ES non girano via file://):
npm run serve # python3 -m http.server 8000
# poi apri http://localhost:8000Bilingue IT/EN (?lang=it / ?lang=en nell'URL, scelta ricordata).
Rispetta prefers-reduced-motion.
I numeri sui modelli (dimensioni, contesti, esempi) sono un'istantanea indicativa di metà 2026: i nomi cambiano in fretta, i concetti no — ed è sui concetti che punta il lab.
Fa parte della collana di laboratori didattici EDU-*: EDU-NN · EDU-SQL · EDU-NET · EDU-16 · EDU-REGEX e altri.
MIT · © Andrea Manzi (manzolo)