Marco Malvaldi: "Come provare a capire il nesso tra causa ed effetto"

Una mente rinascimentale come quella di Marco Malvaldi – che è al tempo stesso scrittore tra i più amati in Italia e uomo di scienza, in quanto ex ricercatore di chimica presso l’Università di Pisa – non poteva sottrarsi al richiamo di uno dei temi più importanti del sapere: il principio di causa ed effetto. Un principio che, riconosciuto come fondamentale già da Aristotele, ha intrigato gli uomini per millenni ed è ancora occasione di dibattito quando, per esempio, gli scienziati devono spiegare, per l’ennesima volta, che una correlazione trovata da uno studio tra due variabili qualsiasi non implica anche una causazione. Malvaldi delucida questo e tanti altri aspetti del tema nel suo ultimo saggio: La direzione del pensiero. Matematica e filosofia per distinguere cause e conseguenze (ed. Raffaello Cortina, pp. 204 euro 16).
 
Perché ancora in tanti hanno un’idea errata del concetto di causalità?
Perché può risultare difficile capire che correlazione e causazione sono due cose distinte. Mi spiego meglio: se io conto il numero di ettari che vengono bruciati ogni anno in incendi settimana per settimana e il numero di gelati venduti, vedo che c’è una forte correlazione tra ettari di bosco bruciati e numero di gelati venduti. Se io fossi ingenuo ciò mi potrebbe far pensare che c’è una causa: che so, magari incendiare i boschi potrebbe far venire sete, e quindi agli incendiari può venire voglia di comprarsi un gelato. Oppure ci potrebbe essere un complotto per cui nei gelati ci sono sostanze psicotrope che ti inducono ad andare a bruciare i boschi. La spiegazione vera è molto più semplice: è estate. C’è una causa comune che aumenta le probabilità di entrambi gli eventi.
 
E quindi una correlazione non implica una causazione.
Infatti. Di solito per trovare una causa bisogna fare degli esperimenti. La buona notizia è che esistono scienziati come Judea Pearl che da qualche anno hanno trovato il sistema per poter estrarre, da una certa quantità di dati, le relazioni di causa ed effetto. È una rivoluzione perché con questi sistemi potremo insegnare alle intelligenze artificiali a riconoscere le cause degli eventi, e nel fare questo avremo imparato anche molto di più su come funziona la causalità nel nostro stesso cervello.
 
In che modo Judea Pearl ha rivoluzionato il concetto di causalità?
Pearl rende possibile fare esperimenti sui numeri. Cioè rende possibile prendere delle tabelle di dati, e chiedere a queste tabelle di dati come sarebbero state se uno di questi dati fosse stato diverso. Pearl ci permette di rispondere a domande del tipo: “Se nella mia squadra preferita giocassero gli stessi 10 giocatori ma un centravanti diverso, la mia squadra vincerebbe di più o vincerebbe di meno? Se io avessi smesso di fumare 4 anni fa, mi sarebbe venuto lo stesso l’infarto?” Tutto questo sulla base delle probabilità di incidenza di infarti su fumatori o persone che hanno smesso di fumare da 2,3,4 anni. Di solito per capire le cause si fanno degli esperimenti in “doppio cieco”. Si prendono due gruppi, a un gruppo si dà una medicina, all’altro si dà un placebo e si vede che differenza c’è. Pearl invece è in grado di prendere un semplice studio osservazionale e di effettuare questa ricerca della causalità in maniera totalmente artificiale. Si potrebbe dire che, per inferire la causalità, “nessun essere umano è stato sottoposto a un esperimento”. Ecco, Judea Pearl rende possibili fare esperimenti sui numeri.
 
Pearl è un ricercatore di intelligenza artificiale. Questi calcoli numerici per inferire la causalità devono essere fatti usando l’intelligenza artificiale?
Possono anche essere fatti con carta e penna. Nella maggior parte dei casi si usa il computer. Ma per poter fare questi calcoli è necessario, prima, formulare un’ipotesi sotto forma di grafo, ovvero sotto forma di variabili e di frecce che uniscono queste variabili indicando “Questo causa questo”. Prima formulo un’ipotesi di questo tipo, sotto forma di variabili collegate da frecce. E poi vado a vedere se i dati che ho a disposizione confermano o smentiscono la giustezza della mia ipotesi. Faccio questo operando sul grafico, e tagliando i collegamenti che contrastano con l’evidenza dei dati. Un esempio banale: se io sono convinto che bere una bottiglia di vino al giorno non causi malattie cardiovascolari, ma che le malattie siano causate dal colore delle foglie del mio giardino, farò una frecciada  “colore foglie” a “infarto”. Dopo di che vado a cercarmi la probabilità di avere degli alberi diversi nel mio giardino e la probabilità di avere un infarto e noterò che le due cose sono completamente scorrelate. Quindi la mia causalità era errata. I grafi sono più complicati di così, ma il concetto è questo. Il bello del metodo di Pearl è che usa uno strumento - un grafo con oggetti uniti da frecce direzionali del tipo “questo causa quest’altro” - che è fisiologicamente molto vicino al nostro modo di ragionare.
 
Un esempio interessante del libro è quando lei spiega che se vogliamo prevedere la velocità di un’auto, invece di cercare informazioni su cosa sta facendo l’auto in quel momento, può essere più utile informarsi su come si muove l’auto che la precede…
Immaginiamo che io desideri scoprire perché un’auto sta impiegando molto tempo per arrivare a destinazione. Osservo solo quell’auto e noto che prima procede spedita, poi frena. Poi riaccelera, e quindi rallenta di nuovo. E così via. A questo punto ho tante ipotesi a mia disposizione: magari il conducente si sente male, oppure la visibilità sulla strada è alterna. Ma se io vedo che l’auto davanti a quella si comporta allo stesso modo, allora è chiaro che la causa del rallentamento è il fatto che c’è una coda. Quindi il rallentamento non è dovuto al singolo comportamento dell’automobile, ma a una causa collettiva.
Molto spesso noi prendiamo delle misure, come la velocità di un’auto, e ne ricaviamo delle relazioni sbagliate, invece di vedere una causa comune più grande. Una causa collettiva. E siccome sulla Terra siamo in 7 miliardi, pensare solo ed esclusivamente in termini di comportamento individuale, senza considerare il gruppo sociale di cui le persone fanno parte, la situazione sociale in cui vivono, o altri fattori collettivi, può portarci a fare errori grossolani. Molto spesso i nostri comportamenti sono dati da cause collettive, non da cause singole. Pensarli in termini di comportamenti singoli ci aiuta a trovare una relazione che magari è semplice da capire, e però è sbagliata.
 
 
Un errore che facciamo riguardo alla causalità è attribuire le nostre mancanze a cause esterne, e quelle altrui a cause interne. Ad esempio: io sono arrivato in ritardo “perché c’era traffico”. Invece Malvaldi è arrivato in ritardo “perché è negligente”. È il cosiddetto “errore fondamentale di attribuzione”…
È un esempio calzantissimo. Noi tendiamo ad adottare questi punti di vista perché noi ci conosciamo molto meglio di quanto non conosciamo gli altri. E quindi noi vediamo le cause esterne a noi, e non quelle che sono esterne agli altri: perché in fondo gli altri sono cause esterne a noi. Quindi noi siamo arrivati in ritardo non perché abbiamo sbagliato ora per muoverci, ma solo perché una valanga di automobilisti ha scelto di muoversi alla stessa ora. Insomma, noi spesso diamo un significato diverso alla causalità proprio a seconda del punto di vista. È molto importante riconoscerlo, perché le relazioni di causa effetto non sono una legge fondamentale della natura, ma sono il modo in cui noi vediamo la natura. È per questo che è importante il più possibile tentare di formalizzarle e matematizzarle, come fa Judea Pearl. Perché a quel punto potremo anche capire meglio come pensiamo. Infatti, alla fine, lo scopo della ricerca di Pearl - e lo scopo per cui ho scritto questo libro - non è creare un computer che sia in grado di distinguere cause e conseguenze. Lo scopo è diverso: se io riesco a insegnare a un computer a calcolare cause e conseguenze, allora ho capito come cause e conseguenze funzionano nel mio cervello. Ho capito meglio qualcosa di me stesso. L’intelligenza artificiale, in questo caso, è soltanto un mezzo. Perché quello che mi importa veramente è: se riesco a spiegare al computer, ossia all’essere “stupido” per eccellenza, a inferire cause e conseguenze, vuol dire che l’ho capito veramente bene. Vuol dire che, finalmente, so come funziona il mio cervello.