Capita, a volte, di sentire che una comprensione si sta formando prima ancora di riuscire ad articolarla.
Non è un pensiero chiaro. È più simile a un filo — sottile, ancora nell’ombra — che si dipana da solo mentre lo segui. Non sai ancora dove porta. Ma senti, con una certezza difficile da spiegare, che il percorso è quello giusto. E continui a seguirlo.
Chi ha vissuto questa sensazione sa che non appartiene solo ai grandi scienziati o ai filosofi. Appartiene a chiunque abbia mai risolto un problema difficile, imparato qualcosa di nuovo, capito qualcosa di sé. È il modo in cui la mente avanza nel territorio inesplorato.
La scienza funziona esattamente così. Non parte da verità assolute — parte da intuizioni che vengono messe alla prova, corrette, delimitate. Le certezze non sono il punto di partenza, sono il risultato provvisorio di un processo che non si chiude mai.
Esiste un equivoco diffuso su questo. Chi non lavora con la scienza tende ad immaginarla come un edificio di verità solide e definitive — certezze conquistate una volta per tutte, immuni dalla revisione. Una collezione di risposte.
Non è così che funziona.
La scienza è un metodo. Non produce verità assolute — produce le migliori spiegazioni disponibili, valide fino a quando qualcosa le contraddice. Ogni teoria è vera fino a prova contraria. E trovare quella prova contraria non è un fallimento: è esattamente come il sapere avanza.
Questo richiede qualcosa a chi fa scienza. Richiede la disciplina di tenere sempre aperta la possibilità di avere torto — e l’onestà intellettuale di riconoscerlo quando arriva la prova. Non è un atteggiamento naturale. Ma il premio è preciso: chi accetta di poter essere falsificato continua a muoversi. Chi difende la propria teoria come una verità assoluta si chiude in un vicolo cieco — e prima o poi smette di fare scienza.
Questo principio ha un nome — lo ha formalizzato il filosofo Karl Popper nel Novecento — ma opera molto prima che qualcuno lo chiamasse falsificazione. Lo troviamo in ogni campo del sapere scientifico. E lo ritroviamo, in modo sorprendentemente fedele, nel percorso che ha portato all’intelligenza artificiale.
Due modi di avanzare
Prima di procedere vale la pena chiarire una cosa. Quando una teoria viene falsificata, non sempre accade la stessa cosa.
A volte la teoria viene abbandonata perché era strutturalmente sbagliata. Per secoli si è creduto che la Terra fosse al centro dell’universo. Quando le osservazioni hanno reso quella posizione insostenibile, il modello geocentrico non è stato ridimensionato — è stato sostituito. Non esiste un dominio in cui continua a valere. Lo stesso vale per la teoria del flogisto in chimica, o per l’etere come mezzo di propagazione della luce. Teorie che non sono state delimitate, ma abbandonate.
Altre volte invece la teoria non viene sostituita, ma contenuta. Si scopre che vale in un perimetro più stretto di quanto si pensasse — e che fuori da quel perimetro serve qualcosa di più ampio. Le leggi di Newton non sono state smentite dalla teoria della relatività: continuano a valere pienamente nei sistemi inerziali e a velocità molto inferiori a quella della luce, che è il dominio in cui vengono usate ogni giorno in ingegneria e fisica applicata. Einstein ne ha trovato i confini, non le ha rese inutili.
In entrambi i casi il motore è lo stesso: cercare i limiti invece di difendere le certezze. Ma le conseguenze sono diverse. Nel primo caso si cambia strada. Nel secondo si allarga la strada che si stava già percorrendo.
Il percorso che seguiremo in questo articolo — dalla matematica alla logica, fino all’intelligenza artificiale — appartiene prevalentemente al secondo tipo. Non perché il primo non esista, ma perché in questi domini il pattern ricorrente è quello della delimitazione: ogni teoria che trova il proprio confine diventa il punto di partenza della successiva.
I domini matematici: la delimitazione come metodo
Un buon punto di partenza è la matematica, perché il meccanismo è visibile e preciso.
I numeri che usiamo oggi non sono sempre esistiti come li conosciamo. Sono il risultato di espansioni successive, ognuna resa necessaria da qualcosa che il sistema precedente non riusciva a contenere.
I numeri interi bastano per contare. Ma non bastano per dividere — e nasce il bisogno dei razionali. I razionali sembrano sufficienti, finché si scopre che la radice di due non può essere espressa come rapporto tra numeri interi. Servono gli irrazionali. I numeri reali — che includono sia i razionali sia gli irrazionali, e che coprono tutti i punti di una retta continua — sembrano completi, finché certi problemi algebrici restano senza soluzione. Arrivano i numeri complessi.
Ogni estensione non nasce da un capriccio. Nasce da un’insufficienza del sistema precedente.
E quella insufficienza non distrugge ciò che c’era. Gli assiomi di Peano — che descrivono l’aritmetica dei numeri naturali — continuano a valere nel loro dominio. Non sono stati smentiti: sono stati delimitati. Il territorio che descrivono è più piccolo di quanto si pensasse, ma è ancora loro.
Questo è il pattern che si ripeterà. Non una verità che sostituisce un errore — una formalizzazione più ampia che contiene la precedente come caso particolare.
Hilbert e l’ambizione massima
Agli inizi del Novecento il matematico tedesco David Hilbert propose qualcosa di straordinariamente ambizioso: formalizzare tutta la matematica in un unico sistema completo, coerente e decidibile.
Completo: ogni verità matematica doveva poter essere dimostrata all’interno del sistema. Coerente: il sistema non doveva mai contraddirsi. Decidibile: doveva esistere un procedimento meccanico per stabilire se qualsiasi enunciato fosse vero o falso.
Era la versione più radicale dell’idea che il pensiero razionale potesse essere catturato interamente in regole formali. Una macchina del sapere senza eccezioni e senza confini.
Il programma di Hilbert non era velleitario — era il punto di arrivo naturale di una tradizione che cercava fondamenta solide e definitive per la matematica. Una verità assoluta, conquistata una volta per tutte.
Durerà meno di trent’anni.
Gödel: il limite dall’interno
Nel 1931 un matematico austriaco di venticinque anni, Kurt Gödel, pubblicò un risultato che demolì il programma di Hilbert — non dall’esterno, ma dall’interno.
Il teorema di incompletezza di Gödel dimostra che qualsiasi sistema formale sufficientemente ricco da descrivere l’aritmetica non può essere insieme completo e coerente. Esistono affermazioni vere che il sistema non è in grado di dimostrare usando le proprie regole. Se si forza il sistema ad essere completo, diventa incoerente. Se si mantiene coerente, rimane incompleto.
Non era un problema tecnico risolvibile con più lavoro. Era un limite strutturale, inscritto nella natura stessa dei sistemi formali.
Gödel non ha demolito la matematica — ne ha trovato il confine. Ha mostrato dove finiva il territorio conosciuto e dove iniziava qualcosa di inesplorato. Trovare quel confine era già conoscenza nuova. Il programma di Hilbert non fallì nel senso comune del termine: raggiunse il proprio limite, e quel limite era informativo.
Le teorie successive non hanno cercato di aggirare quel limite — lo hanno accettato e hanno spostato la domanda. Non più cosa è dimostrabile in assoluto, ma cosa è calcolabile in modo pratico. Non più certezza formale completa, ma prove sufficientemente affidabili per essere utili.
Turing e Church: due percorsi, la stessa frontiera
Il programma di Hilbert aveva posto anche un’altra domanda: esiste un procedimento meccanico per decidere la verità di qualsiasi enunciato matematico? Il problema è noto come Entscheidungsproblem — il problema della decidibilità.
Nel 1936 due ricercatori ci lavorarono indipendentemente, partendo da direzioni completamente diverse.
Alan Turing immaginò una macchina astratta — un dispositivo concettuale capace di leggere simboli su un nastro, elaborarli secondo regole precise e produrre un risultato. Non era un progetto ingegneristico. Era uno strumento teorico per rispondere a una domanda: cosa significa calcolare qualcosa?
Nello stesso anno Alonzo Church sviluppò il lambda calcolo — un sistema puramente formale, senza nastri né meccanismi, basato sulla trasformazione di funzioni attraverso regole di sostituzione simbolica. Un linguaggio astratto per descrivere la computazione senza fare riferimento ad alcuna macchina.
Due linguaggi completamente diversi. La stessa frontiera.
Entrambi dimostrarono che la risposta alla domanda di Hilbert era no — non esiste un procedimento meccanico universale per decidere la verità di qualsiasi enunciato. E la loro equivalenza — nota come tesi di Church-Turing — rafforzò il risultato: se ci arrivi da direzioni opposte e trovi lo stesso confine, quel confine è reale.
Entrambi i formalismi convergevano verso una stessa idea di fondo: descrivere con precisione cosa significa eseguire un procedimento in modo meccanico — senza intervento umano, passo dopo passo. Non era più la domanda di Hilbert su cosa è dimostrabile. Era una domanda nuova: cosa è calcolabile? E quella domanda non sarebbe rimasta sulla carta.
L’AI simbolica: la stessa ambizione, lo stesso limite
Se il pensiero è manipolazione di simboli secondo regole, un sistema sufficientemente completo di regole dovrebbe produrre intelligenza.
Questa era l’idea di partenza dell’intelligenza artificiale nella sua prima fase — quella che oggi chiamiamo AI simbolica o classica. Un’idea che affonda le radici direttamente nel formalismo di Turing e Church, ma che porta quella intuizione in una direzione nuova: non solo calcolare, ma ragionare.
Nacquero i sistemi esperti. Enormi basi di conoscenza, motori inferenziali, regole esplicite scritte da specialisti di dominio. Il sistema sapeva — e poteva spiegare perché. Ogni conclusione era tracciabile, ogni passaggio giustificabile. Era un pensiero automatico trasparente e controllabile.
Funzionava. In domini chiusi, ben definiti, con regole stabili, i risultati erano impressionanti.
Ma il mondo reale non si lascia descrivere completamente da regole scritte in anticipo. Riconoscere un volto in condizioni di luce diverse, capire il senso di una frase ambigua, guidare un’automobile nel traffico — sono attività che un essere umano compie senza sforzo, ma che resistono ostinatamente a qualsiasi tentativo di riduzione a regole esplicite. I sistemi esperti funzionavano bene dove il dominio era chiuso e le eccezioni erano gestibili. Fuori da quel perimetro il sistema non imparava — aspettava che qualcuno gli dicesse cosa fare.
Era lo stesso limite che Gödel aveva intravisto sul piano logico: nessun sistema formale sufficientemente ricco può essere completo. L’AI simbolica lo stava incontrando empiricamente, un problema alla volta.
Dal sapere all’imparare
A un certo punto la domanda cambiò.
Non più: come formalizziamo la conoscenza in regole esplicite? Ma: come un sistema può acquisire conoscenza dall’esperienza, senza che qualcuno gliela scriva una riga alla volta?
L’intuizione era già presente negli scritti di Turing. Nel 1950, nel paper Computing Machinery and Intelligence — quello in cui introduce il test che porta il suo nome — Turing propose qualcosa di inaspettato: invece di costruire una macchina che simulasse un cervello adulto già formato, costruire una macchina con la struttura di un bambino, e poi educarla. Non partire dalla conoscenza — partire dalla capacità di acquisirla.
Ci vorranno decenni prima che questa intuizione diventi praticabile.
Nel 1956 John McCarthy coniò il termine intelligenza artificiale, inaugurando ufficialmente il campo. Due anni dopo, nel 1958, Frank Rosenblatt sviluppò il percettrone — la prima rete neurale artificiale, ispirata direttamente all’architettura del cervello biologico: non regole esplicite, ma connessioni che si rafforzano o si indeboliscono attraverso l’esperienza. L’idea era promettente, ma i limiti tecnici dell’epoca la bloccarono presto. Marvin Minsky ne dimostrò i limiti formali nel 1969, e i fondi e l’interesse si spostarono altrove.
La svolta arrivò negli anni ’80 con Rumelhart e Hinton, che resero praticabile un meccanismo di apprendimento — la backpropagation — capace di addestrare reti con più strati di elaborazione.
Vale però la pena distinguere con precisione due cose che spesso vengono confuse.
Il machine learning è un campo più ampio: invece di scrivere regole, si mostrano esempi. Non si dice al sistema cosa è giusto — gli si mostra cosa è giusto, migliaia di volte, e lo si lascia ricavare da solo i pattern comuni. Nel machine learning classico, però, qualcuno decide ancora quali caratteristiche guardare — il colore, la forma, la dimensione. Il sistema impara a pesarle, ma le caratteristiche rilevanti le ha identificate un essere umano.
Il deep learning fa un passo ulteriore. Non solo impara a pesare le caratteristiche — impara da solo a identificarle. Gli si mostrano i dati grezzi, e lui si costruisce autonomamente, strato dopo strato, le rappresentazioni interne che gli servono. Ogni strato impara a riconoscere pattern nel risultato del livello precedente, aggiungendo un grado di astrazione. È come se fossero machine learning successivi che funzionano per composizione: dai segnali elementari si arriva, attraverso livelli intermedi, a concetti sempre più complessi. Nessuno ha progettato quelle rappresentazioni intermedie — il sistema se le è costruite da solo, perché erano utili al compito finale.
L’architettura delle reti neurali profonde esisteva già in forma embrionale dagli anni ’80. Ma rimase a lungo inapplicabile: servivano quantità enormi di dati per addestrare il sistema, molti strati sovrapposti per raggiungere livelli di astrazione sufficienti, e una potenza di calcolo che le macchine dell’epoca non avevano. Era come avere un motore valido ma senza carburante e senza strada. Quando nei primi anni 2010 Hinton, LeCun e Bengio — oggi considerati i padri del deep learning — dimostrarono che queste tre condizioni potevano finalmente essere soddisfatte insieme, lo stesso principio produsse capacità genuinamente nuove: riconoscimento di immagini, comprensione del linguaggio naturale, traduzione automatica.
L’AI simbolica non era sbagliata. Era delimitata — funzionava nel perimetro in cui le regole esplicite erano sufficienti. Fuori da quel perimetro, serviva un paradigma diverso. Stesso pattern di sempre: una formalizzazione trova il suo confine, nasce l’approccio successivo.
Anche il deep learning ha i suoi confini. Richiede quantità enormi di dati. Fatica dove i dati sono scarsi o il ragionamento deve essere spiegabile passo per passo. Non sa dire perché arriva a una conclusione. Quei confini li stiamo ancora mappando — e probabilmente è lì che nascerà il passo successivo.
Il filo che attraversa tutto
C’è un filo che attraversa tutto questo percorso — dalla matematica di Hilbert alle reti neurali di oggi — e non è il progresso tecnologico. È qualcosa di più sottile.
Ogni volta che una formalizzazione ha trovato il suo confine, quel confine non ha chiuso una porta. L’ha aperta. Gödel non ha demolito la matematica — ha mostrato dove finiva il territorio conosciuto e dove iniziava qualcosa di inesplorato. L’AI simbolica non è stata sconfitta — ha delimitato il perimetro dentro cui il pensiero per regole esplicite funziona davvero. E il deep learning, che oggi sembra il punto di arrivo, sta già mostrando i propri limiti — che qualcuno, da qualche parte, sta cercando di capire.
Questo è il metodo. Non una marcia verso una verità definitiva, ma una sequenza di delimitazioni successive, ognuna più precisa della precedente. Le teorie non muoiono — trovano il loro dominio reale, quello in cui continuano a valere. O vengono abbandonate, quando erano strutturalmente sbagliate. In entrambi i casi, il sapere avanza.
E richiede qualcosa a chi lo pratica. Richiede di resistere alla tentazione della risposta definitiva — quella che chiude la questione, che mette il punto, che non ha bisogno di essere messa alla prova. Perché chi smette di cercare i propri limiti smette, di fatto, di imparare.
La scienza non è una collezione di verità. È un metodo per costruire spiegazioni sempre più affidabili, sapendo già che prima o poi qualcosa le contraddirrà. E che quel momento — quando arriva — non è una sconfitta. È il passo successivo.