L’IA ha perso in matematica, ma non dovrebbe essere questa la notizia

*Carlo Medaglia è Professore delegato alla Terza Missione, all’innovazione didattica e all’intelligenza artificiale dell’Università Telematica IUL In questi giorni ho letto parecchi articoli che raccontavano quella che da più parti è stata salutata come una vittoria dell’uomo sull’intelligenza artificiale.

Il riferimento è a un difficile test matematico in cui quattro tra i modelli di IA più avanzati, tra cui chatGPT 5.5 pro, si sono misurati con problemi pensati per mettere alla prova un ragionamento di altissimo livello. Il test è parte del progetto indipendente First Proof, nato per seguire l’evoluzione delle capacità dell’IA nella ricerca matematica ed in cui le domande poste agli algoritmi non sono mai state pubblicate prima né su internet né nella letteratura scientifica, per limitare il rischio che i modelli si limitassero a ripetere informazioni apprese durante l’addestramento.

I risultati hanno subito prodotto titoli, commenti e interpretazioni. Da un lato chi ci ha visto la prova definitiva dei limiti delle macchine, dall’altro chi ha invitato alla prudenza ricordando che i progressi dell’intelligenza artificiale continuano a procedere a una velocità impressionante.

Eppure, scorrendo articoli, interviste e discussioni sui social, mi sono accorto che la domanda che continuava a tornarmi in mente non riguardava la matematica. Non riguardava nemmeno la vittoria o la sconfitta. La questione che mi pareva davvero interessante era un’altra: che cosa stiamo osservando, esattamente, quando mettiamo un essere umano e un algoritmo davanti allo stesso problema?

Per anni abbiamo descritto l’intelligenza artificiale con un vocabolario preso in prestito dalla mente umana. Abbiamo parlato di sistemi che apprendono, ricordano, comprendono, ragionano e decidono. Parole nate per raccontare il pensiero umano e applicate a modelli matematici e statistici. È stato un passaggio probabilmente inevitabile, perché le metafore servono proprio ad addomesticare ciò che appare nuovo e oscuro. Ma forse oggi siamo arrivati al punto in cui quelle stesse metafore, da scorciatoia, si sono fatte trappola.

La notizia di questi giorni ci invita forse a percorrere la strada all’incontrario.

Non a chiederci perché l’IA abbia perso contro l’uomo, ma a domandarci se uomo e macchina stessero davvero giocando la stessa partita.

Un matematico alle prese con un problema mai visto non mette in campo soltanto formule, teoremi e tecnica. Si porta dietro anni di studio, intuizioni maturate lentamente, errori commessi in passato, esperienze professionali, analogie costruite senza accorgersene e perfino una quota di emozione che orienta lo sguardo sul problema.

Un algoritmo affronta la stessa sfida con un’architettura tutta diversa, fatta di correlazioni statistiche, rappresentazioni matematiche, probabilità e schemi appresi durante l’addestramento. Tutti e due producono una risposta. Ma la strada che li porta a quella risposta può essere radicalmente diversa.

La cosa è meno banale di quanto sembri. Negli ultimi anni il dibattito sull’intelligenza artificiale si è concentrato quasi solo sugli output. Ci siamo chiesti chi fosse più veloce, chi sbagliasse meno, chi fosse più produttivo. Abbiamo costruito benchmark, classifiche e sistemi di valutazione sempre più raffinati e abbiamo dedicato pochissimo tempo a capire i processi che a quei risultati conducono. In altre parole abbiamo confrontato le risposte senza interrogarci abbastanza sulle architetture cognitive che le generano.

La storia della tecnologia è piena di casi in cui l’errore non è stato sopravvalutare una macchina, ma giudicarla con le categorie sbagliate.

Per decenni abbiamo immaginato gli aeroplani come imitazioni imperfette degli uccelli, salvo poi capire che il volo meccanico segue principi suoi. Potremmo trovarci davanti a un equivoco dello stesso tipo. Continuiamo a misurare le intelligenze artificiali come se fossero esseri umani incompleti, mentre forse converrebbe iniziare a considerarle forme di intelligenza differenti. Non superiori, non inferiori, semplicemente diverse.

Ed è proprio la diversità a meritare di essere esplorata.

Una parte crescente della letteratura scientifica internazionale segnala uno spostamento: dal confronto sulle prestazioni al confronto sui processi cognitivi. L’obiettivo non è più solo misurare ciò che una macchina sa fare, ma capire come costruisce le proprie rappresentazioni del mondo. È una domanda che le neuroscienze cognitive si pongono da decenni, dove studiosi come Antonio Damasio e Stanislas Dehaene hanno mostrato come il pensiero umano nasca dall’intreccio continuo di memoria, percezione, emozioni, linguaggio e decisione.

La novità è che queste due linee di ricerca cominciano oggi a parlarsi. Per la prima volta abbiamo sistemi artificiali abbastanza sofisticati da rendere utile un confronto diretto con alcuni processi umani. Non perché funzionino allo stesso modo, ma perché producono comportamenti che, almeno in superficie, possono somigliarci.

È in questo spazio che si affaccia una domanda nuova. Non chi sia più intelligente, non chi vincerà la prossima sfida tecnologica, ma quali siano i tratti profondi che distinguono le diverse forme di intelligenza che ormai convivono nelle nostre scuole, università, imprese e organizzazioni. Rispondere richiede un cambio di prospettiva: smettere di guardare soltanto ciò che umani e macchine producono e iniziare a capire come ci arrivano.

Un conto è valutare una risposta, un altro è comprendere il percorso che l’ha generata.

Per raccontare quel percorso può tornare utile immaginare una sorta di Atlante delle Architetture Cognitive. Un atlante non serve a stabilire gerarchie e non decide quale territorio sia migliore di un altro, ne descrive la geografia, i confini e le relazioni. Allo stesso modo un Atlante delle Architetture Cognitive non vuole compilare una classifica tra esseri umani e algoritmi, vuole capire come intelligenze diverse costruiscano conoscenza, affrontino problemi, gestiscano l’incertezza e diano senso al mondo.

La prima differenza riguarda l’origine della conoscenza. Gli esseri umani costruiscono il proprio sapere con una mescolanza complicata di esperienza diretta, memoria, relazioni sociali, educazione, intuizione ed emozioni. Ogni conoscenza resta in qualche modo cucita addosso alla biografia di chi la porta. Un algoritmo, al contrario, costruisce le proprie rappresentazioni a partire da quantità enormi di dati, correlazioni statistiche e addestramento. Anche quando le conclusioni si somigliano, le fondamenta che le reggono sono profondamente diverse.

La seconda dimensione è il contesto. Gli esseri umani hanno una capacità straordinaria di leggere ciò che non viene detto: impliciti culturali, segnali deboli, relazioni pregresse, gerarchie informali, significati nascosti. Moltissime delle nostre decisioni nascono proprio da informazioni che nei dati non compaiono affatto.

Le intelligenze artificiali, pur con progressi notevoli, dipendono ancora molto di più dal contesto che gli viene fornito. Quando quel contesto manca tendono a riempire i vuoti con inferenze probabilistiche che non sempre coincidono con la realtà.

Il terzo elemento è il rapporto con l’incertezza. L’essere umano può sospendere il giudizio, può dichiarare di non sapere, può convivere col dubbio per mesi o per anni. Gran parte del progresso scientifico nasce esattamente dalla capacità di abitare l’incertezza senza l’obbligo di sfornare subito una risposta. Lo diceva bene Richard Feynman, preferiva avere domande senza risposta che risposte che non si possono mettere in discussione. I modelli generativi, al contrario, sono costruiti per produrre comunque una risposta. Una differenza che sembra tecnica e invece pesa moltissimo su come umani e macchine affrontano i problemi davvero complessi.

C’è poi la temporalità. Gli esseri umani il tempo lo vivono: hanno ricordi, esperienze, attese, paure e speranze, leggono il presente alla luce del passato e immaginano il futuro come prolungamento della propria esistenza. Le intelligenze artificiali lavorano invece su una temporalità diversa. Elaborano informazioni apprese, simulano scenari, costruiscono previsioni, ma non hanno una biografia. Non ricordano nel senso umano del termine e non immaginano il futuro come progetto di vita.

Infine c’è la dimensione più sfuggente di tutte, la costruzione del significato. Quando una persona scrive un articolo, pronuncia un discorso o prende una decisione, non si limita a ordinare informazioni, attribuisce valore, rilevanza e senso a ciò che osserva. Su come questo accada neuroscienze, psicologia cognitiva e filosofia della mente si interrogano da decenni. Le intelligenze artificiali generative producono testi sempre più curati, ma la vecchia domanda di John Searle resta lì intatta: il prigioniero della stanza cinese manipola simboli seguendo regole perfette e risponde in modo impeccabile, senza capire una sola parola di cinese. Che cosa voglia dire davvero comprendere, insomma, è una questione ancora aperta.

Ed è qui che il paradigma SCALE, ovvero Social sciences, Communication, Arts, Law, Economics, mostra tutto il suo valore. Se le discipline STEM, Science, Technology, Engineering and Mathematics, ci hanno dato gli strumenti per costruire le tecnologie che stanno trasformando il nostro tempo, capire come funzionano le architetture cognitive richiede per forza il contributo delle scienze sociali, della comunicazione, del diritto, dell’economia e delle arti. La domanda su come ragiona un algoritmo non è soltanto informatica, è anche sociologica, psicologica, filosofica e culturale.

Per molti anni il dibattito sull’innovazione si è concentrato sulle capacità delle macchine. Oggi conta sempre di più capire le caratteristiche delle intelligenze che con quelle macchine interagiscono, perché il vero cambiamento non sta soltanto nell’avere sistemi più potenti, sta nel fatto che esseri umani e intelligenze artificiali condividono ormai gli stessi spazi decisionali, educativi, professionali e creativi.

Forse è proprio questa la riflessione più interessante che esce dalla notizia sul test matematico. Non la prova che l’uomo sia ancora superiore alla macchina in un certo ambito, né l’annuncio che le macchine prima o poi supereranno qualunque capacità umana. La vera questione riguarda la comprensione delle differenze, perché solo capendo come ragionano forme diverse di intelligenza potremo progettare organizzazioni, sistemi educativi e modi di lavorare capaci di valorizzarne i punti di forza e compensarne i limiti. La sfida del XXI secolo, in fondo, potrebbe non essere costruire macchine sempre più simili a noi. Potrebbe essere imparare a comprendere sempre meglio le diverse architetture dell’intelligenza che abitano il nostro tempo.