🟢⚪🔴 Nei laboratori, i giovani passano all’azione
Dal dicembre 2025, Youth AI Lab è entrato nella fase di attuazione con i giovani coinvolti in ciascun laboratorio. Sono state organizzate diciassette sessioni a La Rochelle, Napoli, Barcellona e Anversa.
I laboratori seguono calendari diversi a seconda del luogo e si adattano sia ai partecipanti sia ai formati scelti. Anche le attivitĂ variano: osservazione di sistemi di IA, giochi, programmazione di robot, test di strumenti e creazione di prototipi.
Nonostante queste differenze, i laboratori perseguono lo stesso obiettivo: aiutare i giovani a comprendere come funziona l’IA generativa attraverso attività concrete e seguendo un approccio rigoroso e scientifico.
A La Rochelle, comprendere i limiti dell’IA per creare chatbot affidabili
Il laboratorio Youth AI Lab “Le retour des Pacman’s”, promosso dal Centre social et culturel Vent des Îles e dal Laboratoire d’Aix-périmentation de bidouille, ha coinvolto dal dicembre 2025 diciotto giovani tra i dodici e i quindici anni in sette sessioni, tra cui una settimana intensiva, per un totale di 38,5 ore.
Il ciclo si è sviluppato attorno a una domanda semplice: possiamo fidarci delle risposte di un’IA? I primi giochi hanno mostrato che un modello poteva accettare un’informazione falsa e proseguire la risposta come se fosse corretta. I giovani hanno così compreso che una risposta ben formulata non corrisponde necessariamente a un’informazione verificata.
Per capire l’origine di questa discrepanza, il gruppo si è poi interessato all’apprendimento automatico. L’attività sull’apprendimento per rinforzo non mirava a riprodurre il funzionamento di un’IA generativa, ma illustrava un principio più generale: il comportamento di un sistema dipende dal modo in cui viene addestrato e dalle indicazioni che riceve. Cercando un percorso e poi programmando dei robot, i giovani hanno visto che una macchina non valuta autonomamente ciò che è vero o pertinente: agisce entro i limiti del quadro che le è stato assegnato.
La sequenza Stupid Invention ha permesso di tornare all’IA generativa con questo nuovo punto di riferimento. Questa volta, i giovani non dovevano limitarsi a individuare una risposta ingannevole. Il gruppo ha chiesto all’IA di rendere credibili prodotti volutamente assurdi. Il risultato ha mostrato che la credibilità dipende anche dalle istruzioni fornite al modello e dal modo in cui vengono presentati testi e immagini.
La settimana intensiva di luglio ha quindi ribaltato il problema. Dopo aver visto come un’IA potesse rendere credibile un’invenzione, il gruppo doveva costruire strumenti con risposte meglio controllate. Per Feurisson, dedicato alla prevenzione degli incendi, e Superbot, dedicato al bullismo scolastico, i giovani hanno definito i destinatari, selezionato le fonti, redatto risposte di riferimento e stabilito regole per le situazioni sensibili. L’affidabilità è così diventata una scelta progettuale concreta.
Il percorso segue quindi un unico filo conduttore. I giovani hanno dapprima imparato a dubitare di una risposta convincente, poi a collegare il comportamento di un sistema al suo addestramento e alle istruzioni ricevute. Il gruppo ha quindi utilizzato questa comprensione per produrre un contenuto ingannevole, prima di cercare il modo di controllare meglio le risposte di un chatbot.
Laboratori, prototipi e produzioni realizzati dal gruppo di La Rochelle.
A Napoli, comprendere i dati per far agire il robot Otto
Il laboratorio Youth AI Lab FARO, condotto da Perlatecnica in collaborazione con l’ITIS Alessandro Volta, ha accompagnato giovani tra i sedici e i diciassette anni in quattro laboratori da 2,5 ore tra febbraio e maggio 2026.
A Napoli, il lavoro è cominciato attraverso l’individuazione di sistemi di IA presenti nell’ambiente quotidiano e gli studenti li hanno distinti dai dispositivi basati su regole fisse. Questa osservazione ha offerto loro un punto di partenza concreto per riflettere su ciò che l’IA poteva apportare ai problemi locali.
Per comprendere il contributo e i limiti di questi sistemi, il gruppo ha poi studiato gli errori di ragionamento dei modelli linguistici. L’introduzione del robot Otto ha reso tali questioni più concrete. I giovani hanno confrontato l’esecuzione del modello sul robot e nel cloud, prendendo in considerazione la riservatezza, la velocità , la batteria e il costo. Hanno così constatato che un sistema di IA dipende anche da scelte tecniche che hanno conseguenze sul suo utilizzo.
Il lavoro sui bias di genere ha approfondito questa riflessione. Testando le risposte di un modello linguistico e poi una classificazione basata su altezza e peso, i giovani hanno constatato che le categorie scelte orientano i risultati e possono ridurre una realtà complessa. La questione è diventata centrale quando il gruppo ha applicato l’IA alla città sostenibile.
Otto è stato quindi dotato di sensori per misurare l’anidride carbonica, le polveri sottili e il rumore. I giovani hanno utilizzato un modello addestrato su dati simulati e ne hanno analizzato gli errori per comprendere, per esempio, perché un parco rumoroso potesse essere confuso con un cantiere. Il modello non veniva più presentato come una soluzione automatica, ma come uno strumento le cui decisioni dovevano essere verificate.
Nel corso delle sessioni, lo sguardo del gruppo è cambiato. Non si trattava più soltanto di individuare l’IA in città , ma di comprendere le scelte tecniche e le categorie che ne orientano i risultati, per poi applicarle a un problema locale con Otto.
Esperimenti condotti con il robot Otto nel laboratorio FARO di Napoli.
A Barcellona, comprendere gli errori di un modello per costruire un prototipo utile
Il laboratorio Youth AI Lab Gorgs IA Studio, promosso dall’Universitat Autònoma de Barcelona e ospitato presso la Facoltà di Ingegneria, ha organizzato quattro sessioni di tre ore nell’arco di una settimana. Tre mentor hanno accompagnato i giovani durante questo percorso intensivo.
A Barcellona, le quattro sessioni costituivano un percorso molto concentrato. I giovani hanno iniziato confrontando una programmazione basata su regole con un apprendimento basato su esempi. Addestrando un modello capace di riconoscere forme, hanno constatato che i risultati dipendevano direttamente dalle immagini utilizzate.
Il gruppo ha quindi cercato di provocare errori modificando l’illuminazione, l’angolazione e lo sfondo. Questo lavoro ha permesso di comprendere che un modello può funzionare correttamente nelle condizioni previste e fallire non appena la situazione cambia. I bias tecnici e sociali sono stati così affrontati a partire dai limiti osservati durante i test.
Queste osservazioni sono servite da punto di partenza per i progetti. Ogni gruppo ha scelto un problema collegato a un Obiettivo di sviluppo sostenibile, quindi ha precisato il bisogno con l’aiuto di una mappa dell’empatia. La soluzione doveva essere utile, realizzabile e compatibile con ciò che il modello poteva effettivamente apprendere. I giovani hanno poi abbinato il modello a un robot per costruire un primo prototipo.
L’ultima fase è consistita nel far testare il prototipo agli altri gruppi. Prima della presentazione finale sono stati registrati i casi attesi, i casi limite e le situazioni impreviste. Gli errori, quindi, non segnavano la fine del progetto, ma servivano a chiarire gli aspetti da migliorare.
In quattro giorni, i gruppi hanno collegato il funzionamento di un modello a un uso preciso. Hanno imparato a verificarne i limiti e a tenere conto dei risultati nella progettazione del prototipo.
Addestramento, test e miglioramento dei prototipi sviluppati a Barcellona.
Ad Anversa, passare dal riconoscimento a un oggetto scelto dal gruppo
Il laboratorio Youth AI Lab promosso da Digitale Wolven ha organizzato ad agosto due laboratori di prova distinti con cinque giovani, per un totale di quattro ore. In ciascuno è stato provato un materiale robotico diverso, per capire quale interessi di più il pubblico di riferimento prima dell’avvio del ciclo regolare in autunno.
I due laboratori si sono concentrati su uno stesso principio, il riconoscimento, con materiali diversi. Nel primo, i giovani hanno lavorato con immagini acquisite dalla videocamera di un Mbot. Nel secondo, hanno addestrato un micro:bit con CreateAI a riconoscere i propri movimenti.
Il confronto tra i due laboratori mostra ciò che rimane invariato: occorre fornire esempi, addestrare il sistema, verificare che cosa riconosce e riutilizzare il risultato in un programma. La scatola da gioco interattiva realizzata durante il secondo laboratorio ha rappresentato una prima applicazione di questa sequenza.
Questi due laboratori non costituiscono ancora un ciclo completo, ma hanno permesso di convalidare una base tecnica e un metodo di lavoro.
I percorsi raccontati per immagini
Per scoprire questi percorsi in una versione più visiva, sono online le prime cartoline dai nostri laboratori. Mostrano ciò che i giovani hanno realizzato durante il primo semestre di attuazione di Youth AI Lab e come ogni gruppo ha fatto evolvere il proprio progetto.
Sono giĂ disponibili quattro prime cartoline:
