Dieci anni fa un’IA sconfisse un uomo. Non fu la fine ma un inizio

Quando nel 1997 il supercomputer Deep Blue di IBM sconfisse il campione degli scacchi Garry Kasparov, il New York Times produsse un titolo leggendario: Machines 1, Men 0. Dieci anni fa, in una stanza d’albergo a Seoul, quel punteggio si è aggravato. Le macchine, oggi, conducono per 2 a 0. Ma tra il primo e il secondo punto c’è una differenza abissale. E il mondo ha impiegato diverso tempo per comprenderlo del tutto.

Deep Blue vinse con la forza bruta: milioni di posizioni calcolate al secondo. Il sistema di intelligenza artificiale che nel 2016 sfidò il sudcoreano Lee Sedol - diciotto titoli mondiali, il più forte giocatore di Go della sua generazione - prevalse con qualcosa di diverso.

AlphaGo, così si chiamava quell’IA creata da DeepMind, un laboratorio di ricerca sull’intelligenza artificiale che Google aveva acquistato per oltre 400 milioni di dollari, aveva qualcosa di diverso.

Un modo di agire che somigliava all’intuizione umana.

La sconfitta che ha aperto il futuro dell’IA

Nonostante i trionfi, Lee Sedol - come Kasparov - sarà per sempre ricordato, probabilmente, per una sconfitta.

Ma per l’umanità che ha assistito al suo confronto con una macchina – seguito in diretta da duecento milioni di spettatori – quella disfatta ha significato in realtà una vittoria. Della scienza.

Battendo il campione sudcoreano di Go, AlphaGo ha spalancato una porta sul futuro che i padri dell’intelligenza artificiale spingevano invano da sessant’anni.

La sconfitta del secolo, vista con gli occhi di oggi, non fu una fine. Fu l’inizio della corsa all’intelligenza artificiale che sta cambiando le nostre vite.

Perché il Go era un problema irrisolvibile per l’IA

Per comprendere cosa accadde a marzo 2016, bisogna prima capire il Go. Ha oltre quattromila anni e nonostante le regole piuttosto semplici è considerato da sempre uno dei giochi più complessi della storia. Due giocatori posizionano, a turno, pietre bianche e nere su una griglia di legno – chiamata goban - con diciannove linee per lato. L’obiettivo è conquistare territorio circondando le pietre avversarie. Un bambino può impararlo in dieci minuti. Ma il numero di configurazioni possibili sul goban è superiore al numero di atomi nell’universo osservabile: dieci alla centosettantesima potenza.

“Il Go viene spesso paragonato agli scacchi, ma in realtà è sotto molti aspetti un gioco più interessante”, ci ha raccontato Thore Graepel, Distinguished Research Scientist di Google DeepMind, che di quel match fu uno degli architetti.

“Ha una tradizione lunghissima, è stato giocato per migliaia di anni, è stato inventato in Cina ed è stato giocato attraverso i millenni. Ancora oggi ci sono molte persone, giocatori professionisti di Go, che dedicano la loro vita a giocare a questo gioco al livello più alto possibile – ha aggiunto Graepel -. Quando nel 1997 Deep Blue sconfisse Garry Kasparov, gli scacchi furono in un certo senso risolti [nel senso che il più forte giocatore umano era stato superato da una macchina, ndr] ma il Go rimaneva un territorio del tutto inesplorato. Ci si potrebbe chiedere perché non siano state applicate le medesime tecniche efficaci per gli scacchi, ma la realtà è che il Go possiede una ricchezza strutturale tale da rendere quell'approccio del tutto insufficiente. In ogni fase della partita le opzioni di mossa sono numerosissime e una sfida può durare dai 200 ai 300 turni: una complessità che andava oltre ogni capacità di calcolo allora immaginabile”.

Deep learning e reti neurali: la strategia di AlphaGo

È stato solo con l'avvento delle reti neurali e del deep learning, tecniche di apprendimento automatico ispirate al funzionamento del cervello umano, che Google DeepMind ha trovato i mezzi necessari per affrontare e risolvere anche il Go.

La soluzione studiata da DeepMind prevedeva l’utilizzo di due reti neurali. Una corrispondeva al pensiero lento: valutava la posizione sulla scacchiera. L’altra imitava il pensiero veloce: suggeriva le mosse più promettenti, grazie a un algoritmo che esplorava solo i rami più fertili dell’albero delle possibilità.

AlphaGo, insomma, non calcolava tutto come avrebbe tentato Deep Blue: sceglieva dove guardare. In questo, era più simile a un essere umano di quanto fosse mai stato un computer in precedenza.

Fan Hui, il primo segnale della rivoluzione

Il primo a cadere fu Fan Hui, che a metà degli anni Duemiladieci era il campione europeo di Go. Nell’ottobre del 2015, cinque mesi prima della sfida di Seoul, DeepMind lo invitò a Londra per un test segreto.

Fan Hui era un professionista che aveva dedicato la vita a quel gioco. Dopo cinque partite però, il verdetto non lasciò dubbio: cinque a zero per la macchina. AlphaGo era pronto per la sfida successiva. Contro il migliore. “Non sembrava un computer” - ha raccontato in seguito Fan Hui -. Giocava con una bellezza che mi faceva paura. Mi sono sentito nudo”.

Ma Fan Hui non era Lee Sedol. E il team lo sapeva. Demis Hassabis, a capo di Google DeepMind, definì il campione sudcoreano una leggenda con un istinto killer, e avvertì il team: se AlphaGo avesse avuto una minima debolezza, Lee Sedol l’avrebbe trovata e distrutta. Fan Hui, che nel frattempo era diventato consulente del progetto, fu ancora più diretto: Lee Sedol non gioca come me, disse. Lui è un predatore.

Lee Sedol, dal canto suo, aveva studiato i filmati delle partite contro Fan Hui e concluso, frettolosamente, di appartenere a un altro livello. Alla conferenza stampa che ufficializzò la sfida, disse categorico: “Non credo che l’intelligenza artificiale possa raggiungere il livello dell’intuizione umana nel Go. Penso che finirà 5 a 0, o forse 4 a 1, per me. Voglio proteggere la bellezza del gioco umano”.

Sul punteggio aveva ragione. Sbagliava su chi avrebbe vinto.

Lee Sedol contro la macchina: l’ultima sfida dell’uomo

Il team di Google DeepMind era atterrato a Seoul con i server in valigia e il cuore in gola.

Graepel ci ha raccontato la tensione di quei giorni: “C’era una grande eccitazione, perché la posta in gioco era altissima e il tempo per migliorare AlphaGo era limitato, ma allo stesso tempo sentivamo il peso della responsabilità. Sapevamo di salire su un palcoscenico mondiale sotto gli occhi di tutti: rappresentavamo DeepMind, Google e, in un certo senso, persino il Regno Unito, dato che gareggiavamo sotto la bandiera britannica.”.

In Corea del Sud i migliori giocatori di Go sono celebrità, e l’accoglienza fu da finale di Champions League: fotografi, troupe televisive, centinaia di giornalisti. Milioni di persone avrebbero seguito la sfida in diretta.

In gran parte asiatiche, perché il Go in Oriente è quello che il calcio è in Europa.

La tensione dietro le quinte e la prima mossa

“Abbiamo lavorato febbrilmente fino all'ultimo istante per perfezionare il software - ci ha detto Graepel -. Continuavamo a misurare i progressi rispetto alle versioni precedenti, ma la grande incognita rimaneva Lee Sedol. Durante la conferenza stampa lui si era mostrato molto sicuro di vincere.

Trattandosi del massimo esperto mondiale, le sue parole ci fecero pensare: ‘Cielo, speriamo bene’. Abbiamo messo tutto noi stessi in quel lavoro, ma a un certo punto ci siamo dovuti fermarci. Era più importante assicurarsi che il sistema fosse affidabile e stabile che cercare un ulteriore incremento della forza di gioco”.

A questo proposito c’è una storia, ci ha spiegato Graepel, che non è mai stata raccontata abbastanza. Nella prima partita, quando Lee Sedol giocò la prima mossa, AlphaGo non rispose immediatamente.

Ci fu un minuto di silenzio “agonizzante”. “Per un giocatore di Go – ha raccontato Graepel - è molto insolito non rispondere subito alle prime mosse, poiché di solito si ha già un piano d'azione, ma noi avevamo programmato il sistema affinché impiegasse la stessa quantità di tempo per ogni mossa, così da limitare la complessità. In quegli istanti speravamo solo che l'intera infrastruttura, con i TPU di Google [processori progettati per far funzionare più velocemente l’intelligenza artificiale, ndr] e tutti i collegamenti, funzionasse a dovere. Quando finalmente il display ha mostrato la mossa, il sollievo è stato immenso: abbiamo capito che tutto stava funzionando”.

La partita che ha cambiato la storia dell’IA

AlphaGo vinse la prima partita. Lee Sedol rimase visibilmente scosso. Di fronte alle telecamere, poco dopo aver posato l’ultima pietra in segno di resa, si scusò con il pubblico coreano. Ma il peggio, e il meglio, doveva ancora venire.

La seconda partita fu quella che riscrisse, davvero, la storia dell’intelligenza artificiale. Alla trentasettesima mossa, AlphaGo posò una pietra sulla quinta linea della scacchiera, in una posizione che gli esperti considerarono un errore strategico. Non lo era.

In sala, Graepel ha vissuto la scena in tempo reale. Un professionista del Go americano, seduto accanto a lui, gli disse che consigliava sempre ai suoi studenti di non giocare quella mossa. “Gli ho detto: aspettiamo e vediamo - ha ricordato Graepel -. Più tardi è venuto da me e ha detto che era stupito di aver potuto far parte di quell’evento. All’inizio era scettico, poi ha abbracciato le capacità del sistema ed è diventato un appassionato di AlphaGo: gli ha permesso di capire meglio il gioco”.

La Mossa 37: un lampo di creatività artificiale

Quella mossa inizialmente criticata, la 37, era una “spallata” sulla quinta linea: AlphaGo cedeva territorio all’avversario in cambio di influenza verso il centro, in un rapporto che i giocatori umani avevano sempre considerato svantaggioso.

Il sistema stesso avrebbe calcolato, inseguito, che la probabilità che un professionista la scegliesse era di una su diecimila. Si rivelò decisiva per la vittoria.

“Momenti come quello della Mossa 37, in cui AlphaGo ha dimostrato una reale creatività, hanno fatto capire che possiamo scoprire nuova conoscenza attraverso l’intelligenza artificiale” ci ha spiegato Pushmeet Kohli, VP Science di Google DeepMind, che oggi guida la divisione scientifica dell’azienda.

“Fino ad allora, nel machine learning c’era quest’idea che i modelli stessero essenzialmente generalizzando: gli dai due esempi e il modello capisce cosa succede nel mezzo. Ma non si immaginava potessero mostrare una creatività genuina, proporre concetti nuovi. La Mossa 37 ha cambiato tutto questo”.

Per la prima volta nella storia, un sistema di intelligenza artificiale non si era limitato a replicare la conoscenza umana: l’aveva superata, producendo un’idea originale che gli esperti non avevano mai concepito. Era il momento Sputnik dell’intelligenza artificiale moderna.

La risposta umana: la “mossa di Dio” di Lee Sedol

AlphaGo si aggiudicò anche il terzo incontro. Il match, al meglio delle cinque partite, era ormai deciso: tre a zero. Ma Lee Sedol non era arrivato fin lì per arrendersi con garbo. Provò a riprendersi i riflettori. E ci riuscì.

Alla mossa 78 del quarto match, il campione sudcoreano fermò la mano a mezz’aria. Rimase immobile per quasi otto minuti e poi posò una pietra al centro della scacchiera che nessuno aveva previsto.

Anche AlphaGo fu preso alla sprovvista. E mostrò per la prima volta dei segni di cedimento. Le mosse successive della macchina persero coerenza. Lee Sedol finalmente vinse. Durante la conferenza stampa pianse. Nel mondo del Go, chiamarono quella svolta “la mossa di Dio”.

“Il nostro team viveva un profondo conflitto interiore – ci ha raccontato Graepel -. Da un lato volevamo che AlphaGo vincesse, perché era la nostra creatura, il progetto a cui avevamo dedicato ogni energia; dall'altro, nutrivamo un’ammirazione sconfinata per Lee Sedol. Molti tra di noi erano forti giocatori di Go e sapevano bene cosa significasse affrontare una sfida di quel livello. Giocare con una simile posta in gioco, sotto una pressione mediatica costante, richiede un coraggio e una forza mentale fuori dal comune. Lee Sedol si trovava in una posizione di estrema difficoltà: non aveva di fronte un avversario umano di cui poter interpretare le espressioni o il linguaggio del corpo, ma una macchina che non lasciava trapelare nulla. Si potrebbe pensare che la nostra sconfitta nella quarta partita ci abbia delusi, ma la verità è un’altra. Eravamo felici che Lee Sedol, come rappresentante dell’umanità, fosse in grado di esibire quella resilienza”.

Umani e macchine: una nuova alleanza nel Go

In un certo senso, quella che si è svolta a Seoul dieci anni fa non si può considerare una semplice sfida tra una macchina e un uomo.

Dietro quel computer c’erano persone che hanno espresso sé stesse attraverso il loro lavoro. “Oggi il Go vive una nuova giovinezza – ha detto Graepel - si vendono più scacchiere, ci sono più giocatori e il livello tecnico si è alzato grazie al supporto delle macchine. L'interesse resta focalizzato sulla sfida tra esseri umani, ma ora abbiamo strumenti nuovi per esplorare profondità prima inaccessibili. Penso che ci troviamo in una fase simile anche nella società moderna: c'è chi nega le capacità di queste tecnologie e chi è giustamente preoccupato dai rischi, ma ci sono anche moltissime persone che grazie all'IA acquisiscono nuove capacità. Penso a chi oggi riesce a creare applicazioni web senza aver mai programmato prima. Questa è la forma di emancipazione che dobbiamo abbracciare come società: permettere a tutti di sperimentare e insegnare come funzionano questi sistemi, così da poterne sfruttare appieno il potenziale positivo”.

Nel marzo 2016, Lee Sedol ha perso di misura l’ultima partita, inutile ai fini del risultato finale, dopo cinque ore di quella che i commentatori definirono la sfida più equilibrata dell’intera serie.

Dalla sfida al laboratorio: l’intuizione sulle proteine

In seguito, nelle strade di Seoul, la troupe televisiva che aveva seguito il tema di Google DeepMind per girare un documentario colse involontariamente un momento chiave di quella trasferta. Una conversazione tra il co-fondatore e CEO di DeepMind, Demis Hassabis, e David Silver, uno dei principali ricercatori responsabili dello sviluppo di AlphaGo. Mentre camminavano distanti dalle videocamere, con i microfoni ancora accesi, Hassabis disse a Silver: “Hai visto come ha risolto velocemente il problema? Possiamo farlo adesso. Per le proteine”.

Pushmeet Kohli ci ha spiegato l’importanza di quella conversazione rimasta a lungo segreta: “C’è un momento in cui Demis e David parlano a Seoul dopo il match dicendo che forse la prossima cosa da fare è il ripiegamento delle proteine. Sono entrato in DeepMind subito dopo la sfida contro Lee Sedol e la prima cosa che Demis mi ha chiesto è stata costruire un gruppo scientifico. Uno dei nostri primi progetti è stata proprio la previsione della struttura delle proteine”.

Il ragionamento era entusiasmante: se AlphaGo era riuscito a navigare uno spazio di dieci alla centosettantesima possibilità, allora lo stesso principio poteva essere applicato ad altri spazi sterminati. Come quello della struttura delle proteine: molecole composte da catene di amminoacidi che si ripiegano in forme tridimensionali, la cui conformazione determina la funzione. Capire come una proteina si piega significa capire come funziona. E capire come funziona significa poter progettare farmaci, comprendere malattie, intervenire sulla biologia alla radice.

Il problema era aperto da cinquant’anni. Era considerato uno dei grandi misteri della biologia.

AlphaFold: quando l’IA accelera la scienza

AlphaFold 1 arrivò nel 2018. AlphaFold 2 nel 2020. Nel 2024, il lavoro di DeepMind sulla predizione della struttura proteica ha contribuito alla vittoria del Premio Nobel per la Chimica, assegnato ad Hassabis e a John Jumper [anche lui ricercatore di Google DeepMind].

La banca dati di AlphaFold è usata oggi da milioni di ricercatori nel mondo.

“Questo modello ha permesso di osservare le proteine sotto una nuova luce – ci ha spiegato Kohli -. Le proteine sono i mattoni fondamentali della vita. In precedenza, gli scienziati le studiavano una alla volta. Per mappare la struttura di una singola proteina potevano occorrere cinque anni di lavoro e milioni di dollari di investimenti. AlphaFold è stato in grado di determinare le strutture di 250 milioni di proteine, rendendole accessibili ai ricercatori di tutto il mondo. Oggi, oltre tre milioni di studiosi utilizzano questi dati per le applicazioni più diverse: dalla comprensione del complesso del poro nucleare alla creazione di vaccini migliori, fino allo sviluppo di nuovi farmaci o alla progettazione di enzimi capaci di decomporre la plastica. Lo spettro di intuizioni offerte da un singolo modello è già di per sé incredibile”.

L’eredità di AlphaGo nella tecnologia contemporanea

Ma il team di Google DeepMind intende andando oltre. Con modelli come AlphaGenomics, sta cercando di decifrare il codice genetico. Se le proteine sono i mattoni, il genoma è la "ricetta" della vita, il libro delle istruzioni che spiega come ogni piccolo cambiamento possa influenzare la fisiologia umana e di ogni altro essere vivente.

“Riuscire a leggere il libro della vita ci permette non solo di diagnosticare e curare le malattie con una precisione inedita, ma anche di ipotizzare nuovi materiali, come i superconduttori ad alta temperatura, o soluzioni per l'energia da fusione che potrebbero trasformare il modo in cui viviamo – ci ha detto Kohli -. Oggi il mondo affronta sfide epocali: la sicurezza energetica, le pandemie, il cambiamento climatico. Ognuna di queste richiede un salto in avanti della scienza, ed è qui che l'intelligenza artificiale diventa fondamentale, fornendoci quelle chiavi di lettura necessarie per sbloccare soluzioni in tutti questi domini”.

Tra le scoperte rese possibili da AlphaFold, Kohli ne indica una che considera un vero “momento Mossa 37” nella scienza: la struttura del complesso del poro nucleare, la porta d’accesso che regola il passaggio di materiale dalla cellula al nucleo: “Le persone non sapevano nulla della struttura di quella porta, ma mettendo insieme le previsioni di AlphaFold sono state in grado di capirla”. Graepel ha completato il quadro con una nota che rivela quanto questi scienziati vedano bellezza anche nella materia: “È un complesso bellissimo, è proprio un’opera d’arte. Bisogna averlo visto per apprezzarne la bellezza”.

L’elenco delle scoperte scientifiche a cui ha contribuito AlphaGo, battendo Lee Sedol, conferma che quella sfida ha rappresentato per l’umanità molto più di un gioco. AlphaFold ha sostenuto vaccini migliori, nuovi farmaci, enzimi capaci di decomporre la plastica.

E non è l’unica eredità di quel trionfo in Corea del Sud.

Il modello AlphaTensor ha trovato un modo più efficiente di moltiplicare matrici - l’operazione alla base di ogni rete neurale al mondo - dopo cinquant’anni senza progressi. AlphaEvolve cerca nello spazio di tutti i possibili programmi per trovare algoritmi ottimali.

Senza contare che AlphaGo ha confermato le potencialità del deep learning e delle reti neurali, tecnologie che hanno condotto la stessa Google – e aziende come OpenAI e Anthropic – a sviluppare sistemi capaci di imitare la creatività umana.

Macchine che ci somigliano. Cloni della nostra esperienza.

Intelligenza artificiale e significato umano: il dibattito aperto

Lee Sedol una volta ha detto che giocare a Go è un modo per “scrutare nella mente di Dio”. A dieci anni dalla sfida di Seoul, le domande che nel 2016 sembravano filosofiche - può una macchina avere intuizione? può superare chi l’ha creata? - sono diventate urgenze ingegneristiche, etiche e geopolitiche.

I modelli linguistici hanno reso l’IA una presenza quotidiana per miliardi di persone. E al di fuori dei laboratori è cresciuta una percezione che chi sviluppa intelligenza artificiale di frontiera stia, in un certo senso, giocando a fare Dio.

Graepel ha respinto quest’idea fermamente: “Non penso affatto che sia così. Nella nostra comunità ci sono ricercatori e ingegneri che cercano di capire come funziona la mente, prendono ispirazione dal cervello, cercano di costruire macchine utili. All’interno di Google DeepMind abbiamo team che studiano come questa rivoluzione possa aiutare le persone a realizzare i propri obiettivi e a esprimere il proprio potenziale, quali rischi mitigare, come rafforzare la democrazia. In ultima analisi, è un’impresa molto umana e stiamo facendo il meglio che possiamo per far sì che funzioni per tutti”.

Kohli ha aggiunto a questo ragionamento una sfumatura che è quasi poetica: “Abbiamo sempre visto lo sviluppo dell’IA come un’impresa scientifica in cui studiamo la scienza del ragionamento stessa. Ci chiediamo come si formi un pensiero, cosa sia l'intelligenza e, di conseguenza, come essa possa essere applicata. L'intelligenza stessa è definita dai problemi che ci permette di risolvere e dalle cose che ci consente di comprendere. Poiché ciò che ci circonda è il mondo, l’universo intero, qualcuno potrebbe certamente scegliere di chiamare tutto questo "Dio". In questo senso, si può dire che il nostro studio sia fondamentalmente un tentativo di comprendere la natura attraverso la costruzione di questi sistemi intelligenti”.

Etica e responsabilità: i rischi dell’IA

Ma le stesse tecnologie che hanno reso possibile AlphaGo, e poi AlphaFold, nascono dallo stesso albero di quelle che potrebbero nuocere agli esseri umani, persino – come abbiamo visto con la recente guerra in Medio Oriente - fin nei contesti militari.

Kohli non ha schivato la domanda: “L’IA sarà uno strumento incredibilmente potente. Ma cosa ne fa l’umanità è qualcosa su cui dobbiamo riflettere. Il nostro obiettivo è costruire strumento per le applicazioni benefiche. Pensiamo che questa tecnologia debba essere condivisa con il mondo in modo ponderato”. E fa un esempio legato proprio ad AlphaFold.

Durante lo sviluppo di AlphaFold 2, la ricerca si è intrecciata con un evento globale imprevisto: l’esplosione della pandemia. In quei mesi la sequenza del SARS-CoV-2 venne identificata e diffusa a una velocità senza precedenti, mentre la struttura della proteina spike finiva sulle prime pagine, offrendo al grande pubblico una rappresentazione concreta delle proteine.

Quella prima mappatura, ci ha spiegato Kohli, fu possibile grazie alla somiglianza con il virus SARS-CoV-1, mentre restava aperta una questione più complessa, quella delle altre proteine del virus, ancora prive di una struttura nota e decisive per lo sviluppo di inibitori efficaci.

“Grazie ad AlphaFold 2, siamo stati in grado di mappare la struttura di quelle proteine, ma a quel punto – ci ha detto lo scienziato - ci siamo posti un interrogativo etico: cosa dovevamo farne? Spettava a noi decidere se condividere quei risultati? Sarebbe stato un bene per il mondo o avrebbe generato incertezza tra i ricercatori fornire previsioni e dati aggiuntivi? Il nostro approccio, che è poi diventato il nostro standard, consiste nel rivolgersi alla comunità scientifica e alla società civile per valutare se i benefici della condivisione di questi risultati superino i potenziali rischi”.

Nel caso del SARS-CoV-2, la risposta fu unanime e positiva. Gli scienziati di tutto il mondo indicarono che rendere disponibili quelle strutture sarebbe stato estremamente utile.

La decisione di Google DeepMind fu quindi quella di pubblicare i dati. In seguito, quando le strutture delle proteine vennero verificate sperimentalmente, le previsioni si rivelarono altamente accurate.

Il futuro: verso nuove scoperte

Nel 2016 Lee Sedol perse 4 a 1. Da quella sfida uscì trasformato.

“Se all’inizio Lee Sedol vedeva in AlphaGo un semplice rivale, alla fine è arrivato a considerarlo un vero e proprio insegnante – ci ha detto Kohli -. Si è trattato di un epilogo estremamente positivo, perché gli ha permesso di apprendere moltissimo. Ritengo che questo sia esattamente ciò che sta accadendo oggi in tutta la scienza: abbiamo a disposizione modelli che stanno scoprendo segreti della natura di cui non avevamo ancora piena consapevolezza”.

Oggi è tempo di nuove sfide. Non riguardano più un gioco. Alla domanda su quale sia il prossimo Santo Graal dell’IA, Graepel ha risposto: “Quello che abbiamo descritto finora sono scoperte all’interno di sistemi dati. Anche la Mossa 37 era una scoperta all’interno di un recinto. La prossima cosa che l’IA potrebbe fare è inventare un nuovo gioco. Ma non solo nel contesto dei giochi: per la scienza, invece di lavorare all’interno di una teoria data, potrebbe proporre una teoria interamente nuova. Quello che Kuhn chiama un cambio di paradigma: come il passaggio dalla fisica newtoniana alla meccanica quantistica. Scoprire nuovi framework che ci diano prospettive interamente nuove. Questo non è ancora successo con l’IA, ma non vedo perché non dovrebbe essere il nostro prossimo obiettivo”.