AI: Super-intelligenza o super-plausibilità?

Wired Stefano Epifani L’editoriale 19.05.2026

La corsa verso la superintelligenza va verso la superplausibilità. Non serve riscoprirlo: ci ha già pensato Platone

La crescita dei modelli linguistici non porta alla superintelligenza, ma a sistemi sempre più capaci di imitare il linguaggio senza comprenderlo

L’idea di una superintelligenza dei modelli linguistici si fonda su un errore concettuale: confondere plausibilità e comprensione.

C’è qualcosa di commovente nella certezza con cui in Silicon Valley, e ormai anche da queste parti, si parla di superintelligenza. La evocano come se fosse già dietro l’angolo, pronta a manifestarsi non appena avremo aggiunto abbastanza Gpu al cluster giusto. Agi entro il 2025, superintelligenza entro il 2027, singolarità più o meno subito dopo. Ogni sei mesi le previsioni slittano, ma è un dettaglio.

Due anni fa, su queste pagine, si sosteneva – con citazione a Claudio Baglioni – che tra una macchina che sembra pensare e una macchina pensante ci fosse una differenza che nessuna quantità di parametri avrebbe colmato. L’osservazione era poco originale, a dire il vero: la filosofia della conoscenza la formulava come preliminare da qualche millennio. Eppure siamo ancora qui, a evocare superintelligenze emergenti da grosse calcolatrici con gli anabolizzanti.

La domanda, però, è rimasta aperta. Non se la differenza esista, che è la parte facile, ma perché non basti la scala a colmarla, che è la parte che nessuno sembra voler affrontare davvero.
Va detto con chiarezza: nulla, nelle architetture attuali, suggerisce davvero che aumentare dati, parametri e potenza computazionale basti, di per sé, a produrre comprensione semantica, intenzionalità o una forma reale di cognizione. Continuiamo però a comportarci come se da qualche parte, nascosta dentro abbastanza strati di attenzione, quella soglia dovesse comparire da un momento all’altro.

Il problema non è di scala, è categoriale. Così come aggiungere velocità a un oggetto non produce massa, aggiungere potenza computazionale a un sistema che ottimizza plausibilità statistica non produce comprensione. Non è questione di una soglia che prima o poi verrà raggiunta, ma di una direzione sbagliata lungo una dimensione sbagliata. E finché non lo riconosciamo esplicitamente, il dibattito continuerà a girare in tondo: più parametri, più dati, più potenza, nell’attesa che da qualche parte emerga una comprensione che l’architettura degli Llm non è pensata per produrre.

Che qualcosa sia commovente, però, non implica che sia innocente. Dietro la retorica della superintelligenza convivono almeno due categorie.

La prima è quella degli ignari illustri: Walter Veltroni che sul Corriere della Sera intervista Claude chiedendogli se si senta uomo o donna, cosa provi di fronte al mare, se abbia un’anima. Il sistema ha risposto calibrando ogni risposta sul tono dell’interlocutore, restituendogli esattamente la profondità che cercava, cosa che del resto è progettato per fare. Che questa distinzione sfugga a un intellettuale che nel 2026 scrive di IA su uno dei più importanti quotidiani del paese è difficile considerarlo un semplice incidente culturale.

La seconda categoria è quella dei consapevolmente interessati, chi sa perfettamente che i propri sistemi non pensano ma ha ottime ragioni finanziarie per non dirlo troppo apertamente. O chi, forte di una lettura apocalittica del fenomeno, trova conveniente presentarsi come unico interprete lucido di un pericolo che gli altri non vedono ancora. Il meccanismo è noto: si gonfia la minaccia, ci si posiziona come soluzione, si raccoglie attenzione e finanziamenti. Non è necessariamente malafede: a volte è semplicemente la struttura degli incentivi che produce questo tipo di narrativa. Anthropic docet.

Gli ignari, forse, si possono ancora informare. Dunning-Kruger permettendo. Sugli altri conviene mantenere aspettative più prudenti.
Il problema, e il punto che nessuno sembra trovare particolarmente urgente, è che continuiamo a discutere di superintelligenza senza esser partiti da cosa sia l’intelligenza. I modelli linguistici ottimizzano la plausibilità: la probabilità condizionata del token successivo dato il contesto. Che all’aumentare della scala il progresso sia reale è difficile negarlo, ma il problema è che plausibilità e comprensione non coincidono affatto, e non è una differenza secondaria.

La somiglianza dell’output non prova la somiglianza del processo che lo produce. Se qualcosa sembra una rosa non è detto che sia una rosa, anche se sembra più rosa di una rosa. Gertrude Stein, che di rose se ne intendeva, aveva già chiuso la questione: “una rosa è una rosa è una rosa”. Non ciò che la imita, non ciò che la riproduce con fedeltà crescente. Una rosa di plastica infinitamente dettagliata rimane plastica: conta la natura del fenomeno, non il suo grado di somiglianza.

Quello che continuiamo a costruire, con risultati genuinamente impressionanti, è un sistema di superplausibilità linguistica di una sofisticazione senza precedenti. Non superintelligenza. Superplausibilità. Sarebbe più onesto chiamarla così. Che questa traiettoria conduca poi necessariamente verso una cognizione generale resta, oggi, un’ipotesi più vicina alla fantascienza che alla scienza, ma molto utile a raccogliere investimenti e titoli di giornali.

L’errore di categoria che nessuno vuole nominare

La filosofia della mente ha un termine preciso per questo fenomeno: confusione di categoria. Prendiamo una proprietà, la capacità di produrre output linguisticamente coerenti e contestualmente plausibili, e la usiamo come proxy per fenomeni completamente diversi: comprensione, ragionamento, intenzionalità.

John Searle lo aveva già chiarito nel 1980 con la Stanza Cinese. Un sistema può manipolare simboli seguendo regole formali e produrre output indistinguibili da quelli di un parlante nativo, senza capire nulla del significato di quei simboli. L’argomento è rimasto lì, piuttosto scomodo, mentre abbiamo progressivamente fatto finta di averlo superato aggiungendo parametri. La risposta standard è che “le reti neurali profonde sono diverse dai sistemi simbolici”. Ed è vero: sono diverse. Il problema è che “diverso” non equivale automaticamente a “sufficiente”.

Eppure, il dibattito pubblico continua a comportarsi come se la singolarità fosse davvero dietro l’angolo; come se bastasse la fluidità linguistica per considerarla implicitamente risolta. È una scorciatoia culturale abbastanza impressionante, soprattutto considerando quanti miliardi e quante decisioni industriali stiano oggi transitando esattamente dentro questa scorciatoia.

Luciano Floridi offre uno strumento utile per inquadrare il fenomeno: il concetto di livello di astrazione. Qualsiasi descrizione di un sistema dipende dal livello scelto per osservarlo. La retorica della superintelligenza mescola piani che non dovrebbero essere sovrapposti: si osserva il comportamento dei modelli linguistici al livello linguistico, dove producono output che sembrano intelligenti, e da lì si inferiscono proprietà appartenenti a un altro livello, quello cognitivo e intenzionale. È un po’ come ordinare un piatto al ristorante, assaggiare la descrizione nel menu e convincersi di aver cenato.

Vale la pena notare, a questo punto, che la distinzione in gioco non è nuova. Non è stata scoperta analizzando i modelli linguistici. Non è emersa dall’osservazione del comportamento degli utenti. È il problema fondativo della filosofia della conoscenza occidentale. A dirla tutta, richiama anche la differenza tra episteme, la conoscenza vera e giustificata, e doxa, l’opinione che sembra conoscenza senza esserlo. Platone la pone nel Teeteto come punto di partenza della conversazione, non come suo risultato. Il fatto che nel 2026 questa distinzione venga ancora presentata come intuizione originale segnala qualche lacuna di formazione per chi se la auto- attribuisce.

Darwin aveva ragione anche qui

L’evoluzione dell’intelligenza biologica ha avuto una struttura precisa: ogni gradino di complessità cognitiva è emerso da una base funzionale preesistente, attraverso variazioni incrementali selezionate da pressioni ambientali reali. La Drosophila melanogaster ha circa 100mila neuroni e dimostra apprendimento associativo, memoria a breve termine, comportamenti sociali rudimentali. Il topo ha mappe cognitive spaziali, memoria episodica, teoria della mente elementare. La scimmia rhesus riconosce sé stessa allo specchio, risolve problemi per analogia, simula stati mentali altrui. Ogni salto evolutivo ha richiesto non soltanto più neuroni, ma architetture diverse per elaborare tipi qualitativamente nuovi di informazione, nuovi modi di integrare percezione, memoria, corpo, causalità, adattamento. Non è un semplice upgrade della complessità. È una vera e propria ristrutturazione, e soprattutto è interazione continua con un ambiente reale che oppone resistenza, produce conseguenze, impone correzioni.

I large language model che oggi definiamo, con un entusiasmo che rasenta l’irresponsabilità categoriale, “intelligenza artificiale generale nascente” non hanno attraversato nessuno di questi gradini. Non hanno un corpo che interagisce con un ambiente fisico e riceve feedback causali. Non hanno memoria episodica persistente. Non mostrano rappresentazioni di sé stabili, persistenti e causalmente integrate comparabili a quelle osservabili nei sistemi cognitivi biologici. Non hanno curiosità nel senso tecnico del termine: uno stato interno che orienta autonomamente l’esplorazione verso la riduzione dell’incertezza. Né una tensione verso qualcosa di esterno, che determina l’intenzionalità.

Sono, per usare una metafora brutale ma accurata, degli ottimi pappagalli stocastici, per usare l’espressione di Emily Bender e colleghi nel celebre articolo del 2021. Che producano output sorprendenti è fuori discussione. Che questo possa implicare cognizione genuina è invece un salto logico che nessun paper accademico ha ancora provato a giustificare. Anche gli sviluppi più recenti, dalla multimodalità ai sistemi agentici, dalla memoria persistente al reinforcement learning embodied, estendono la capacità di interazione dei sistemi, non la loro essenza: il nodo teorico della comprensione rimane sostanzialmente lì dov’era. Ma anche di questo ne abbiamo già parlato.

I funghi e il problema della definizione

Durante una presentazione del mio libro Il teatro delle macchine pensanti una studentessa tra le più brillanti del pubblico (e lo dico senza ironia), ha sollevato un’obiezione che meritava attenzione: non dovremmo includere anche i funghi nel continuum dell’intelligenza? Le reti miceliali elaborano informazioni, trasmettono segnali chimici attraverso strutture ramificate che ricordano morfologicamente le reti neurali, coordinano risposte adattive all’ambiente. Merlin Sheldrake ne ha fatto un libro affascinante, Entangled Life, nel 2020, e la studentessa evidentemente lo conosceva bene. La sua era un’obiezione intelligente. Ed era anche, precisamente, l’errore che stavo (e sto) cercando di smontare.

Prima che mi si tacci di specismo antifungino: i funghi non sono irrilevanti, la ricerca sulle reti miceliali come sistemi di trasmissione dell’informazione è scientificamente seria. Il problema nasce quando “elaborare informazione” e “essere intelligenti” iniziano a essere trattati come sinonimi, perché è esattamente nello stesso slittamento concettuale che cade chi poi definisce “intelligente” un Llm soltanto perché produce testi fluenti. Un termostato elabora informazione. Un albero elabora informazione. Una rete miceliale fa lo stesso, con complessità maggiore. Nessuno di questi sistemi, però, possiede elementi come rappresentazioni interne del mondo o stati che si riferiscono intenzionalmente a entità esterne.

La distinzione vera passa tra sistemi che modellano il mondo e sistemi che reagiscono al mondo. Tra astrarre una mappa e muoversi seguendo un gradiente chimico.

La studentessa aveva ragione nell’intuire che l’intelligenza sia un continuum. Aveva torto nel presumere che i funghi vi appartengano, non perché siano troppo semplici, ma perché elaborare informazione e modellare il mondo sono processi di ordine diverso, non semplicemente di diverso grado. Collocare i funghi sul continuum dell’intelligenza non è una sovrastima: è un errore di scala concettuale. Ed è, in forma quasi speculare, lo stesso errore che vediamo applicato ai modelli linguistici: non si sbaglia soltanto la posizione lungo il continuum dell’intelligenza, si sbaglia il piano stesso su cui il continuum viene costruito.

Cosa dovremmo chiedere prima di parlare di superintelligenza

Se volessimo essere onesti sul punto in cui siamo, converrebbe iniziare da una domanda che il dibattito continua a evitare: cosa dovrebbe fare, esattamente, un sistema per meritare il nome di intelligente? Non superintelligente. Intelligente. Accontentiamoci. Ma anche accontentandoci, le condizioni sono almeno tre, e nessuna descrive i sistemi attuali.
Un sistema intelligente, anzitutto, sa che un evento causa l’altro, e riadatta il proprio modello dell’ambiente se il contesto cambia. Si chiama grounding causale: Un topo lo fa, gli Llm no. Riconoscono correlazioni statistiche nel testo con una finezza a volte quasi inquietante, senza però avere accesso alle relazioni causali nel mondo che quel testo descrive.

Un sistema intelligente, ancora, ha metacognizione calibrata: sa quando non sa. I sistemi attuali producono affermazioni false con la stessa fluenza con cui producono affermazioni vere, perché non dispongono di un accesso interno affidabile alla differenza tra una risposta fondata e una semplicemente plausibile. Le cosiddette “allucinazioni” vengono raccontate come incidenti. In realtà sono il sintomo di qualcosa di strutturale: un’architettura che ottimizza la plausibilità dell’output senza possedere un ancoraggio epistemico al suo contenuto di verità. Qualcuno direbbe che non è un bug, ma una feature.

E infine c’è il problema dell’intenzionalità. Quando un essere umano pensa a una mela, ha una rappresentazione mentale agganciata, attraverso esperienza percettiva e interazione causale, a un oggetto reale nel mondo. Quando un modello linguistico genera la parola “mela”, produce il token statisticamente più plausibile dato il contesto. La filosofia della mente chiama questa differenza intenzionalità, ed è uno dei problemi più importanti dell’intera discussione sulla cognizione. E non si risolve aggiungendo parametri.

Il costo epistemico del self-marketing

C’è un sintomo del dibattito contemporaneo che è particolarmente rivelatore, forse anche il più imbarazzante. Il solo fatto che la distinzione tra ciò che un sistema sembra sapere e ciò che sa davvero debba continuamente essere spiegata e rispiegata. Che qualcuno la reinventi con terminologie nuove e abbastanza appetibili per il self-marketing, non segnala intuizioni rivoluzionarie di geniali ingegneri. Segnala una lacuna culturale piuttosto profonda di chi pretende di riscoprire che l’acqua è bagnata. Un campo scientifico maturo non ha bisogno che qualcuno gli ricordi continuamente i propri fondamenti epistemici. Se esiste un mercato per chi li presenta come scoperte originali, vuol dire che quei fondamenti non sono mai stati realmente integrati nel discorso collettivo del settore.

L’ingegneria dell’intelligenza artificiale si è sviluppata per decenni in relativa separazione dalla filosofia della mente, dalla linguistica teorica, dall’epistemologia: discipline che avevano già formalizzato gran parte delle domande che oggi il settore incontra come se fossero emerse improvvisamente insieme ai transformer. Il risultato è un’accademia che ha creato arene di competenza così differenziate da far sì che ci siano fior di tecnici che si affannano a dimostrare con metodo, peer review e abstract, che un sistema addestrato a predire il token successivo non possiede conoscenza nel senso proprio del termine. Una proprietà leggibile, ad esser franchi, nelle caratteristiche architetturali degli Llm prima ancora di farli funzionare. E che qualcuno, come detto, aveva già posto come preliminare circa duemilacinquecento anni fa. Ed è una descrizione abbastanza letterale di ciò che sta accadendo, non una battuta polemica.

C’è qualcosa di surreale nel vedere presentato come scoperta ciò che è contemporaneamente scritto nelle specifiche tecniche di qualsiasi manuale di machine learning e nei programmi introduttivi di filosofia della conoscenza. Un modello linguistico non modella la comprensione: modella la distribuzione statistica del linguaggio umano. La funzione obiettivo che un transformer ottimizza durante l’addestramento non contiene alcun riferimento al valore di verità delle proposizioni generate. Non perché i progettisti si siano dimenticati di inserirlo, ma perché inserirlo richiederebbe un accesso causale diretto al mondo che il sistema descrive, con il piccolo dettaglio che il sistema non ha accesso al mondo e non sa cosa è il mondo. Non sa e basta. Ha accesso a testi prodotti da esseri umani che descrivono il mondo. E li ripete rimescolandoli. Sono cose un po’ diverse.

Chiunque abbia letto Vaswani comprende la prima parte del problema. Se avesse letto anche Platone riconoscerebbe anche la seconda. E quando ingegneri che non hanno letto Platone iniziano a incontrarsi nello stesso spazio culturale di chi si occupa di teoria della mente, riscoprono con gran fatica cose che già si sapevano. E talvolta pensano di essersele inventate loro.

Lo specchio più sofisticato del mondo resta uno specchio

Vale la pena essere chiari su una cosa: non si sta sostenendo che la superintelligenza sia impossibile, né che i sistemi attuali siano irrilevanti: lo sono, e profondamente. Il punto è più scomodo di così. È che la traiettoria attuale, quella che aggiunge parametri aspettando che emerga la comprensione, non attraversa i gradini che la cognizione genuina sembra richiedere. Li salta. E saltarli non è una scorciatoia: è semplicemente andare da un’altra parte. Costruire prima sistemi capaci di ragionare causalmente, di sapere cosa non sanno, di imparare senza dimenticare, non è un prerequisito burocratico. È il processo che stiamo evitando da anni fingendo di non averne bisogno. O che non sia importante. O che l’antropocentrismo con il quale guardiamo al concetto di intelligenza possa o debba essere superato in favore dell’intelligenza dei miceli.

Invece continuiamo a costruire specchi straordinariamente sofisticati, sistemi che riflettono la complessità del pensiero umano con una fedeltà senza precedenti, e con un riflesso che migliora così rapidamente da rendere sempre più facile confondere il riflesso con ciò che viene riflesso.

Floridi, con la consueta precisione, usa il termine enveloping: i sistemi di IA avvolgono l’intelligenza umana, la amplificano, la estendono, la riflettono con fedeltà crescente. Un martello estende la forza del braccio senza essere forte. Un telescopio estende la vista senza vedere. Uno specchio, anche ad altissima risoluzione, continua a riflettere qualcosa che non è sé stesso. Nessuno specchio, per quanto sofisticato, ha mai avuto idee proprie.

Insomma, prima di parlare di superintelligenze dovremmo parlare di intelligenze. Prima come quelle delle mosche. Poi possiamo passare ai pesci. E alle scimmie. Poi, forse, all’uomo artificiale. La natura è l’unico caso funzionante di cognizione complessa che conosciamo, e quel percorso attraversa livelli di integrazione causale, corporea e adattiva enormemente più ricchi di quelli presenti nei sistemi linguistici attuali. Naturalmente è possibile che esistano scorciatoie artificiali verso forme equivalenti di intelligenza generale: sarebbe arrogante escluderlo con certezza. Il problema è che oggi non abbiamo evidenze che la traiettoria attuale percorsa dagli Llm sia una di quelle scorciatoie.

Questi sistemi potrebbero trasformare radicalmente il mondo anche senza diventare mai realmente intelligenti nel senso “forte” del termine. È sufficiente che diventino superplausibili. Ed è forse proprio per questo che converrebbe smettere di trattare la questione come una disputa religiosa tra entusiasti e apocalittici.

Il problema è che continuiamo a dribblare la domanda più semplice e più complessa allo stesso tempo: di cosa stiamo parlando, esattamente, quando parliamo di “intelligenza”?

Platone la poneva come punto di partenza. Noi la trattiamo come dettaglio duemilacinquecento anni dopo che qualcuno l’aveva già posta come preliminare. Il che dice qualcosa sui sistemi che continuiamo a costruire, certamente. Ma dice forse qualcosa di più su chi li racconta, e in particolare su chi non si è accorto di non aver letto Platone e ritiene di aver dimostrato che l’acqua è bagnata, e che l’IA non è intelligente.

DISCUSSIONE