Si ripete spesso che, sul fronte dell’intelligenza artificiale, l’Europa, e in particolare l’Italia, sono in ritardo difficilmente recuperabile rispetto a Stati Uniti e Cina, forti di investimenti e capacità industriali enormi. La domanda sembra dunque una sola: chi costruirà il modello più potente?
Credo che questa rappresentazione sia ingenua: siamo probabilmente ancora all’inizio. I Large Language Models sono strumenti straordinari, ma non esauriscono le forme attraverso cui l’IA potrà svilupparsi. Occorre capire come nascono scoperta, invenzione ed innovazione anche analizzando la storia della disciplina chiamata Intelligenza Artificiale.
La mia tesi è che nel caso particolare dell’IA le applicazioni non siano soltanto il punto d’arrivo della ricerca: sono anche una delle sue sorgenti fondamentali. L’IA studia l’intelligenza costruendo sistemi intelligenti, che prendono forma confrontandosi con problemi reali.
Indice degli argomenti
L’intelligenza e l’importanza del contesto
L’intelligenza non esiste in astratto: si manifesta in relazione a problemi, ambienti, obiettivi e conoscenze. Vale per l’individuo e per le collettività: medici, ingegneri, artigiani, ricercatori, organizzazioni, imprese e comunità professionali. Un esempio, studiato a lungo negli anni dell’Intelligenza Artificiale prevalentemente simbolica, era quello della differenza fra conoscenza (sapere) e competenza (sapere utilizzare): chi sa non necessariamente sa come utilizzare la conoscenza di cui dispone.
Il medico interpreta informazioni incomplete e formula ipotesi diagnostiche; l’ingegnere comprende e controlla sistemi complessi; l’insegnante riconosce difficoltà e condizioni di apprendimento umano. Ogni contesto ha conoscenze, competenze, obiettivi, vincoli e criteri di successo propri.
I modelli linguistici producono risposte sofisticate, ma non possiedono automaticamente conoscenze, giudizi e responsabilità richiesti in ogni situazione. La generalità dello strumento non cancella la specificità dei problemi; infatti dalle applicazioni emergono spesso nuove questioni scientifiche e tecniche.
La funzione più “intelligente” sviluppata dal genere umano, a differenza dalle specie animali, è il linguaggio. Nella produzione e comprensione del linguaggio naturale il contesto è determinante. Lo vediamo ora in modo evidente nei dialoghi con i sistemi di AI generativa: ci stupiscono per la loro “intelligenza” ma allo stesso tempo ci inquietano e spesso ci deludono quando le loro affermazioni non sono ben fondate. Per questi casi diamo la colpa dei loro errori (i “bias”) ai dati con cui sono stati nutriti, cioè al contesto a cui hanno avuto accesso. I contesti applicativi sono essenziali per costruire un’IA orientata alle nostre esigenze, a condizione di riconoscere questo e sforzarsi di adottare i processi corrispondenti.
Dalle applicazioni a nuovi strumenti
L’innovazione che deriva dall’IA non segue soltanto la tradizionale sequenza ricerca-strumenti-applicazioni: può essere circolare.
Si parte dall’intelligenza umana, individuale e collettiva, alle prese con un problema. L’IA aiuta ad affrontarlo; l’applicazione produce esperienza, dati, errori e procedure, facendo emergere problemi nuovi. Attraverso l’astrazione, dall’esperienza particolare ricaviamo strutture e metodi, trasformabili in strumenti trasferibili: è la generalizzazione. Questa trasposizione dalla ricerca biologica a quella medica, ad esempio, ha ricevuto un nome preciso: translational research: come astrarre e generalizzare risultati scientifici in biologia per utilizzarli in medicina.
Il ciclo è dunque: contesto → applicazione → esperienza → astrazione → nuovo strumento → generalizzazione → nuovi contesti.
I sistemi basati su conoscenza avevano già mostrato il ruolo fondamentale del sapere esperto e del ragionamento. Diagnosi medica, analisi degli errori di uno studente e indagine investigativa del poliziotto richiedono ragionamenti abduttivi: risalire dai fatti che si osservano e si misurano alle possibili cause. La natura del ragionamento può essere comune, ma le conoscenze sono diverse, situate e spesso implicite.
Non basta quindi aumentare modelli e dati: possono servire nuove rappresentazioni della conoscenza, architetture e forme di ragionamento e cooperazione. Quest’ultimo aspetto è fondamentale: l’intelligenza è quasi sempre collettiva.
Le applicazioni non si limitano ad usare l’IA: possono generarne di nuova. L’integrazione fra i modelli generativi basati sulla statistica e strutture basate su conoscenza e ragionamento contestualizzati, come le ontologie, sono al momento l’unica possibilità di fornire una spiegazione per i risultati.
Il patrimonio italiano e la sovranità della conoscenza
L’Italia dispone di una ricca intelligenza applicativa: manifattura, meccanica, robotica, medicina, agroalimentare, energia, design, beni culturali, servizi, università e pubblica amministrazione. Qui si sono accumulate conoscenze attraverso ricerca e lavoro: saperi distribuiti fra persone e organizzazioni, spesso difficili da formalizzare o ancora taciti. Tutto il mondo ci invidia questa “dote” che viene dalla nostra storia, dalla nostra creatività, dalla nostra tenacia e dedizione al lavoro.
Questa ricchezza non si misura soltanto in brevetti, capitali o dimensioni aziendali: offre contesti in cui l’IA può affrontare problemi originali e costruire nuovi strumenti. Non partiamo da zero né dobbiamo imitare la Silicon Valley: possiamo sperimentare modi nuovi di trasformare l’esperienza in conoscenza trasferibile.
Servono però investimenti, infrastrutture, formazione, trasferimento tecnologico e collaborazione fra ricerca, imprese, istituzioni e comunità professionali, soprattutto e prima di tutto fiducia e condivisione.
Alla sovranità tecnologica va affiancata una sovranità della conoscenza: capacità di definire i problemi, rappresentare i saperi, valutare le soluzioni e orientare gli strumenti. Non significa chiudersi alla cooperazione, al contrario: evitare che comprendere e decidere siano delegati ad altri “agenti” (umani o informatici) rispetto a chi conosce a fondo i problemi.
Una leadership costruita dal particolare
L’Europa deve investire in ricerca, infrastrutture, modelli e competenze: capitali e potenza di calcolo sono indispensabili, ma non bastano. Il capitale può acquistare macchine, non la capacità di capire quale problema valga la pena risolvere e come risolverlo. Il capitale può acquistare persone che lavorano, ma nello sviluppo di tecnologie della conoscenza non necessariamente cento persone valgono molto più di dieci. Il prodotto “conoscenza”, cioè la materia prima delle società del futuro, non ha le stesse caratteristiche delle altre materie prime: ad esempio una volta acquisita con fatica, è utilizzabile infinite volte a costo zero.
L’Europa può costruire un ecosistema in cui ricerca e applicazioni, laboratori e imprese, informatica e scienze umane dialoghino. Le applicazioni diventerebbero luoghi di ricerca e produzione di idee e nuovi prodotti e servizi, non semplici mercati per tecnologie altrui.
Il controllo indipendente delle applicazioni stesse rispetto alle “regole” – come l’AI act e simili regole nazionali – diventa una nuova classe di applicazioni degne di analisi e sperimentazione. Questo viene chiaramente suggerito dalle “sandbox” per le applicazioni AI, adottando la metafora delle sperimentazioni cliniche controllate (i trial) a cui enti terzi sottopongono i farmaci prima della loro commercializzazione e durante il loro uso. Come per i farmaci, anche per i sistemi di IA – che sono una sorta di protesi cognitive – quello che può essere utile, inutile o dannoso non dipende tanto da come sono fatti o da quale sia l’obiettivo per cui sono stati costruiti, quanto dal loro effetto reale sulle persone.
Si può immaginare una context-inspired generic AI: strumenti generali nati dall’osservazione e dall’astrazione di intelligenze applicate in contesti diversi. È un’ipotesi, non una teoria compiuta: l’IA potrebbe svilupparsi anche dal particolare verso il generale.
La risorsa decisiva non è solo generare risposte, ma formulare domande, comprendere problemi, combinare conoscenze, sperimentare, astrarre e generalizzare. Le persone non sono semplici utilizzatrici: partecipano all’evoluzione dell’IA. Una delle differenze più evidenti fra uno scambio con uno strumento di IA ed una query tradizionale a google o ad una base di dati è che il sistema di IA ha … memoria : dunque si ricorda anche di ciò che gli comunichiamo, impara anche dal dialogo con noi.
La corsa potrebbe essere appena cominciata. Non vincerà necessariamente chi possiede più data center o investe più miliardi, ma chi saprà mobilitare l’intelligenza di persone, organizzazioni e imprese. È una concreta possibilità di crescita per l’Italia e l’Europa, non lasciamocela sfuggire dedicandole la priorità culturale, economica e politica che merita.
Partecipa alla community