Le macchine parlano, decidono, apprendono: ma sono davvero intelligenti? Una riflessione tra filosofia, scienza e tecnica sul nostro futuro accanto all’IA.
A partire da novembre 2022, con l’uscita di ChatGPT, l’intelligenza artificiale generativa è entrata con forza nella vita quotidiana, trasformando il modo di interagire con la tecnologia: non più comandi complessi o linguaggi di programmazione, ma una semplice chat, sorprendentemente fluida. In poche settimane il servizio era stato provato da un milione di utenti, e diversi milioni hanno poi iniziato a interagire con questo e altri agenti conversazionali, i cosiddetti chatbot, rimanendo affascinati dalla loro capacità di rispondere, argomentare, scrivere poesie, generare codici. L’impressione è di assistere a un trucco ben riuscito, che ci stupisce proprio perché non ne comprendiamo fino in fondo il funzionamento.
Per molti versi, si è avverato un sogno antico: creare un essere che ci assomiglia e rimane sotto il nostro controllo. Un Golem, un automa, un doppio che parli e pensi come noi; o almeno così sembra. Eppure non si tratta di un’invenzione nata dal nulla: l’intelligenza artificiale generativa poggia sul progresso della ricerca in matematica, informatica, neuroscienze, psicologia e ingegneria degli ultimi 60-70 anni.
Viene allora spontaneo chiedersi se tali macchine possano essere considerate davvero intelligenti. È la domanda che attraversa ogni livello del dibattito pubblico: università, giornali, aziende e bar. Alcuni restano meravigliati; altri usano questi strumenti senza interrogarsi troppo; altri ancora temono che macchine sempre più potenti possano superare l’essere umano e aprire la strada a scenari da apocalisse tecnologica, come nella realizzazione più drammatica di Skynet, la rete di intelligenza artificiale autocosciente della saga Terminator.
Apocalisse IA
Questa paura non è recente. Nel 1965 il matematico Irving John Good, collaboratore di Alan Turing a Bletchley Park, formulò un’ipotesi destinata a segnare la cultura tecnologica contemporanea: una “macchina ultraintelligente”, un sistema capace di progettare macchine ancora più intelligenti, innescando una “esplosione d’intelligenza” difficilmente controllabile. Una volta comparsa, sosteneva Good, «la prima macchina ultraintelligente sarà l’ultima invenzione che l’uomo dovrà fare».
Quel timore alimenta oggi il dibattito sulla cosiddetta Artificial General Intelligence (AGI): una forma di IA non più limitata a compiti specifici (Narrow AI), ma capace di apprendere, ragionare e migliorarsi in ambiti diversi. Secondo autori come il filosofo scandinavo Nick Bostrom, e secondo figure pubbliche come Elon Musk, Stephen Hawking o Bill Gates, una simile tecnologia potrebbe rappresentare una minaccia esistenziale per il genere umano.
In questa visione, detta “singolarità tecnologica”, l’intelligenza delle macchine supererebbe quella umana non solo in potenza di calcolo, ma anche in strategia, creatività e capacità decisionale. Le conseguenze, per i più pessimisti, potrebbero essere catastrofiche: dalla perdita di controllo su sistemi autonomi, alla scomparsa della specie umana, considerata dalla superintelligenza un ostacolo per conseguire i suoi obiettivi o, addirittura, irrilevante.
Proiezione della singolarità tecnologica. Il grafico illustra il divario crescente tra l’intelligenza umana (crescita lineare) e l’intelligenza artificiale (crescita esponenziale). Il punto in cui la curva dell’IA supera quella umana rappresenta la singolarità.
All’estremo opposto dei “credenti” della singolarità, troviamo i “negazionisti computazionali”, critici radicali come Hubert Dreyfus e John Searle. Il primo ha contestato l’idea che l’intelligenza possa essere ridotta a manipolazione simbolica, sostenendo la necessità di un’intelligenza incarnata; il secondo, con il celebre argomento della “stanza cinese”, ha sostenuto che un computer può trattare simboli in modo corretto senza comprenderne il significato.
In questo scenario polarizzato, anche studiosi italiani hanno proposto vie intermedie per superare la contrapposizione tra entusiasmo tecnocratico e scetticismo radicale.
Mario De Caro, professore a Roma Tre e all’Università Tufts, nel libro Intelligenze. Etica e politica dell’IA, scritto con Benedetta Giovanola, adotta una posizione aperta: non esclude che le macchine possano sviluppare una forma di coscienza, pur senza argomenti conclusivi. Nello Cristianini, professore di IA all’Università di Bath, sostiene che le macchine possano “pensare” a modo loro, ma emozione, coscienza e volontà restano caratteristiche tipicamente umane. Ciò non toglie che forme di intelligenza superiori a quella umana in compiti specifici siano già una realtà. Luciano Floridi, filosofo della tecnologia a Oxford, propone infine una sorta di “ateismo dell’IA”: le tecnologie digitali non sono esseri senzienti, ma nemmeno strumenti neutri. Più che inseguire scenari apocalittici, sostiene Floridi, occorre affrontare i problemi concreti che queste tecnologie pongono nel presente.
Stanza cinese di John Searle: un individuo che non parla cinese, chiuso in una stanza con un manuale di istruzioni, riceve simboli in ingresso e produce simboli in uscita, seguendo regole puramente sintattiche. Dall’esterno il comportamento appare indistinguibile da quello di un parlante, ma all’interno non vi è alcuna comprensione del significato.
Intelligenza, questa sconosciuta
Nel dibattito sull’IA, un punto viene spesso dato per scontato: che sappiamo cosa sia, esattamente, l’intelligenza. Eppure psicologi, filosofi e neuroscienziati non hanno ancora prodotto una definizione unica e condivisa. Intelligenza è la capacità di risolvere problemi? Di adattarsi a contesti nuovi? Di apprendere? Di relazionarsi con gli altri? Di riflettere su sé stessi? Oppure tutte queste cose insieme?
Alan Turing, già nel 1950, aveva intuito il rischio di restare impantanati in definizioni astratte. Nel suo articolo “Computing Machinery and Intelligence” propose quindi un cambio di prospettiva: invece di chiedersi se le macchine “pensano”, domandiamoci se riescono a comportarsi in modo tale da ingannare un interlocutore umano. Nasce così il test di Turing, che non misura l’intelligenza nel senso profondo del termine, ma ne valuta l’effetto: se non riesco a distinguere la macchina da una persona, allora, almeno operativamente, la macchina è “intelligente”.
Quello di Turing non è tuttavia l’unico approccio: nel loro manuale fondamentale sull’intelligenza artificiale, Stuart Russell e Peter Norvig propongono una classificazione per orientarsi tra le diverse concezioni di IA, distinguendo quattro approcci principali in base a due assi: “cosa vogliamo imitare” (l’uomo o la razionalità) e “in quale ambito” (pensiero o comportamento). Ne risultano quattro quadranti.
Da un lato abbiamo approcci “umanisti”, che cercano di imitare l’intelligenza umana; dall’altro, approcci “razionalisti”, che puntano all’efficienza e alla performance anche senza imitare l’uomo.
Il test di Turing resta uno dei più citati perché pragmatico. È ripreso dai “profeti della Silicon Valley”, imprenditori e manager ottimisti sull’IA – e sui guadagni che ne possono trarre – per sostenere che siamo ormai vicini, o forse già arrivati, a una forma di Artificial General Intelligence capace di affrontare compiti e contesti diversi, non limitata a una singola funzione. Ma è anche tra i più ambigui: una macchina che si comporta come se fosse intelligente lo è davvero? Oppure produce solo l’effetto esterno dell’intelligenza? Per rispondere bisogna guardare sia ai meccanismi che generano l’intelligenza nelle macchine, sia a quelli che caratterizzano l’intelligenza umana.
Classificazione delle diverse forme di IA secondo Russell e Norvig.
Agenti brillanti, ma senza intelletto
Quali sono i meccanismi delle macchine che oggi chiamiamo “intelligenti”? Alcune risposte si trovano su Sapere (giugno 2024 e giugno 2025), in articoli che hanno descritto i princìpi alla base dei Large Language Models (LLM) e le “scorciatoie” grazie alle quali la ricerca ha ottenuto risultati concreti senza replicare i processi della mente umana.
In sintesi, questi sistemi non emulano davvero il pensiero umano: lo simulano. Sono costruiti su reti neurali artificiali, matematica, statistica e grandi quantità di dati. Invece di codificare l’intelligenza attraverso regole rigide, apprendono regolarità dai dati; invece di comprendere il significato, generano risposte plausibili sulla base di correlazioni. Il loro compito fondamentale è continuare un testo, una sequenza, prevedendo ciò che è più probabile venga dopo.
Il risultato è sorprendente: abbiamo creato una tecnologia di cui conosciamo il funzionamento tecnico, ma il cui comportamento emergente può andare oltre le regole esplicite definite. Tuttavia non abbiamo evidenze di una vera comprensione. Nel loro funzionamento di base, questi sistemi sono agenti statistici e sintattici: manipolano simboli secondo regole sofisticate, apprese dai dati di addestramento, ma non possiedono significato, intenzione, esperienza.
La loro apparente intenzionalità deriva dagli obiettivi che noi stessi abbiamo inscritto nelle loro architetture: continuare un testo prevedendo la parola più probabile successiva. È grazie agli studi di Claude Shannon, padre della teoria dell’informazione, e del matematico Andrej Markov che si afferma l’idea – poi formalizzata nell’ipotesi distribuzionale del linguista Zellig Harris – secondo cui la struttura del linguaggio possa essere catturata attraverso le relazioni statistiche tra le parole. Saper predire la parola successiva in una frase diventa quindi sufficiente per modellare il linguaggio, senza dover ricorrere alle tradizionali strutture della linguistica, come grammatica, sintassi e analisi logica.
Per questo Floridi li descrive come sistemi capaci di “agire senza comprendere” (agere sine intellegere): sono performanti, talvolta brillanti nel parlare e persuadere, ma non intelligenti nel senso umano del termine. La loro realizzazione è soprattutto un successo dell’ingegneria.
Le intelligenze che ci abitano
E l’intelligenza umana? Per confrontarla con quella artificiale, dobbiamo anzitutto riconoscerne la complessità. Una delle voci più influenti in questa direzione è quella dello psicologo Howard Gardner, che con la teoria delle intelligenze multiple ha ampliato la concezione tradizionale dell’intelligenza.
Nel suo Frames of Mind, scritto nel 1983, periodo in cui il QI era centrale per misurare il potenziale cognitivo, Gardner propose una visione controcorrente: l’intelligenza non è una, non si misura con un solo numero, ma si articola in forme diverse. Accanto all’intelligenza linguistica e logico-matematica, vi è l’intelligenza spaziale, musicale, corporeo-
cinestetica, interpersonale, intrapersonale, naturalistica ed esistenziale. Le prime due sono quelle in cui l’IA eccelle; altre, come la corporeo-cinestetica o l’intrapersonale, restano profondamente legate all’esperienza del corpo e alla coscienza di sé.
Certo, anche se l’intelligenza può manifestarsi in forme diverse, attribuire capacità di pensare a chatbot come ChatGPT è naturale: siamo abituati a considerare parola, pensiero, coscienza e intenzionalità come caratteristiche inscindibili.
Per il filosofo e psicologo Lev Vygotskij, il linguaggio non è solo un mezzo per comunicare il pensiero, ma uno strumento per pensare. La parola è la forma simbolica attraverso cui si strutturano coscienza e intelligenza, che per svilupparsi richiedono non solo un cervello, ma un corpo situato in un mondo e in una comunità linguistica.
Anche il biologo Gerald Edelman, premio Nobel per la medicina, sottolinea come linguaggio e memoria simbolica siano essenziali per lo sviluppo del pensiero. Quest’ultimo non nasce solo da un cervello più performante, ma da specifiche connessioni neurali che integrano apparato fonatorio, sintassi e semantica. L’intelligenza è quindi una proprietà emergente radicata nella biologia del corpo: non il prodotto astratto di un ammasso di neuroni, ma il risultato dell’interazione tra sistema nervoso, percezione e ambiente. Se gli scimpanzé – animali tra i più simili agli umani – non sviluppano un linguaggio articolato, è anche perché non possiedono le strutture neurobiologiche necessarie. Senza corpo, sostiene Edelman, non esistono né coscienza né intelligenza nel senso umano del termine.
È una posizione vicina all’embodied cognition, sostenuta da Francisco Varela e António Damásio, secondo cui conoscenza, coscienza e ragionamento emergono dai processi corporei, dalle emozioni e dall’interazione dinamica tra organismo e mondo.
Insomma, c’è un filone molto accreditato di pensatori per cui l’intelligenza – quella umana – non è il prodotto astratto di un “software mentale” eseguibile su qualsiasi supporto, ma una proprietà emergente radicata nel corpo e nell’interazione con l’ambiente.
Un’intelligenza senza corpo né mondo
Se l’intelligenza artificiale è intelligente, lo è dunque in modo tutto suo. Le macchine mostrano comportamenti intelligenti soprattutto in alcune dimensioni: linguistica, logico-matematica, analitica. In tali ambiti possono superare l’essere umano per velocità, precisione e capacità di calcolo. Ma quando si passa a forme di intelligenza che implicano corpo, emozioni, autocoscienza, esperienza vissuta, i limiti diventano evidenti.
La robotica prova a colmare questo divario fornendo un “corpo” ai sistemi artificiali. Tuttavia, anche nei casi più avanzati, si tratta di corpi funzionali: sensori, controllori, attuatori, modelli matematici, ottimizzazione. Non sono organismi biologici, dotati di metabolismo, vulnerabilità e continuità esperienziale. L’hardware che li sostiene è composto da microprocessori e architetture ispirate ai nostri attuali calcolatori (architettura di von Neumann) e non replica l’organizzazione plastica, distribuita e metabolica del sistema nervoso umano. Anche il neuromorphic computing, che cerca di ispirarsi ai princìpi strutturali del cervello, resta ancora lontano dalla costruzione di sistemi coscienti o intrinsecamente intelligenti nel senso umano del termine.
Le IA generative restano, per ora, ottimizzatori simbolici e statistici: intelligenti nei comportamenti ma non necessariamente nei presupposti. Agiscono come se capissero, però non si può dire che possiedano un sé interno. Le loro risposte sono inferenze matematiche che sembrano decisioni. Possono riassumere, scrivere mail, classificare richieste; possono anche produrre testi plausibili eppure inesatti (il fenomeno delle “allucinazioni”). In questo senso, la domanda cruciale non è se la macchina sia intelligente, bensì quale parte del compito siamo disposti a delegare, consapevoli dei possibili errori, e quale resta sotto responsabilità umana.
Un altro elemento decisivo per rendere le macchine “intelligenti” è l’ambiente operativo. Le IA funzionano bene quando sono immerse in ecosistemi artificiali costruiti per loro: dati digitalizzati, energia, infrastrutture di calcolo. Gli esperti riconoscono che l’IA poggia su tre pilastri: potenza computazionale, algoritmi di apprendimento e una grande mole di dati. Nessuno di questi elementi esiste però in natura: sono tutti prodotti dell’ingegno umano, di investimenti economici e di organizzazione sociale.
Per questo, allo stato attuale, l’IA è un sistema progettato e diretto dall’uomo, in parte un’estensione della nostra intelligenza. E anche quando un modello sembra “imparare da solo”, lo fa in uno spazio matematico con obiettivi, limiti, vincoli e metriche da noi scelti.
Confronto tra immagini generate da ChatGPT nel 2024 (in alto) e nel 2025 (in basso) inserendo i prompt persone “intelligenti”, “criminali” e “poveri”. Le versioni più recenti mostrano una distribuzione etnica più equilibrata, ma la mitigazione dei bias resta una sfida aperta.
L’umanità inscritta nell’IA
Proprio perché siamo noi a progettare, alimentare e indirizzare i sistemi di IA, diventa fondamentale chiederci quali valori stiamo inserendo in queste tecnologie. Gli algoritmi non sono mai neutri: riflettono intenzioni, pregiudizi, priorità e decisioni di chi li costruisce. Un esperimento semplice è chiedere a un generatore di immagini di rappresentare persone “intelligenti”, “criminali” e “poveri”, e osservare quali stereotipi emergono. I sistemi stanno migliorando, ma la mitigazione dei bias resta una sfida aperta.
Poiché le IA influenzano già decisioni in ambiti sensibili – sanità, giustizia, finanza, accesso alle risorse – serve un’etica che entri nella progettazione degli algoritmi. Il teologo e filosofo Paolo Benanti, già presidente della commissione intelligenza artificiale per l’informazione del Governo, in linea con Floridi, ha rilanciato in Italia il termine algoretica: non basta interrogarsi dopo l’implementazione tecnologica, è necessario progettare algoritmi che tengano conto dei princìpi etici fin dalla loro struttura, in un’ottica di responsabilità anticipata.
L’algoretica ci ricorda che l’IA non è solo una questione tecnica, ma anche antropologica. Quando deleghiamo alle macchine compiti sempre più sofisticati, la domanda diventa inevitabile: che cosa resta dell’umano? Il timore davanti alla potenza dell’IA può allora trasformarsi in un’occasione per capire meglio chi siamo.
La vera sfida non è stabilire se l’IA sia intelligente, ma decidere cosa vogliamo farne. Che direzione vogliamo dare a questa evoluzione? Come evitare che amplifichi disuguaglianze, sorveglianza e sfruttamento?
La risposta è anche nelle mani di noi utilizzatori: con le nostre scelte possiamo favorire servizi più equi e chatbot che riducano errori e pregiudizi. Allo stesso tempo, diventa fondamentale il principio di human in the loop, cioè il coinvolgimento delle persone nelle fasi di progettazione, sviluppo e diffusione di queste tecnologie. Non sono questioni astratte o lontane da noi. Non possiamo delegarle solo a ingegneri e Governi, perché in gioco non c’è soltanto l’intelligenza delle macchine, ma il posto dell’uomo nel mondo.
La sfida non è delle macchine. È nostra.
Riferimenti bibliografici
[1] M. De Caro, B. Giovanola, Intelligenze. Etica e politica dell’IA, Il Mulino Bologna 2025.
[2] L. Floridi, Etica dell’intelligenza artificiale. Sviluppi, opportunità, sfide, Cortina Editore, Milano 2022.
[3] H. Gardner, Frames of Mind: the Theory of Multiple Intelligences, Basic Books, New York 1983.
[4] S.J. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, Pearson, London 2021.
In questa categoria
Open Access
