La tesi di fondo del volume è che l’Intelligenza Artificiale (IA) non rappresenta semplicemente una “nuova tecnologia”, ma una vera e propria sfida mimetica rivolta all’uomo stesso e ai suoi processi mentali, destinata a incidere profondamente sull’organizzazione della società, sulle forme del controllo sociale e sulla struttura della conoscenza umana.Questa innovazione emerge come risposta alla crescente complessità dei sistemi sociali contemporanei, caratterizzati da una frammentazione delle condotte di vita e dalla perdita del tradizionale asse centro-periferia. L’approccio suggerito dagli autori non cede a facili dicotomie: l’IA non viene giudicata né attraverso “miti persecutori” (che la vedono solo disumanizzante) né attraverso “miti di onnipotenza” (che la ritengono la soluzione a ogni problema), ma viene indagata nelle sue profonde ambivalenze e nei suoi paradossi relazionali e sociali.
Gli elementi a sostegno di questa tesi si articolano attraverso un approccio interdisciplinare che tocca la sociologia, l’informatica, la psicologia e l’epistemologia:
1. La rappresentazione della conoscenza e i limiti della logica classica Per poter simulare il pensiero umano, le ricerche sull’IA sono state costrette a studiare severamente come si forma la conoscenza quotidiana. È emerso che l’apprendimento umano e l’azione sociale non possono essere ricondotti interamente alla logica dimostrativa o matematica. Per questo motivo, i “sistemi esperti” (le applicazioni più mature dell’IA) devono affidarsi a metodi euristici, regole empiriche, reti semantiche e frames, abbandonando gli algoritmi rigidi per gestire la conoscenza incerta, incompleta e il “senso comune” tipici del ragionamento umano.
2. Il nesso strutturale con il Potere e il Controllo Sociale Un elemento fondamentale è la connessione tra l’IA e il potere politico-economico. I massicci investimenti nella ricerca, specialmente negli Stati Uniti, derivano principalmente dal settore militare (es. Pentagono) e mirano a creare sistemi per surrogare le limitate capacità decisionali dell’uomo di fronte ad ambienti complessi e a situazioni di forte stress. L’IA agisce come mezzo avanzato per la “riduzione della complessità” e rischia di generare nuove asimmetrie di potere, accentuando la centralizzazione dei processi decisionali politici ed economici. Tuttavia, esiste anche un risvolto decentratore: se diffusa, l’informatizzazione potrebbe fornire ai cittadini reti informative in grado di favorire una democrazia più consapevole e un controllo dal basso.
3. L’illusione dell’interazione empatica e il ruolo del linguaggio Un altro snodo cruciale è il tentativo dell’IA di interfacciarsi con l’uomo attraverso la comprensione del linguaggio naturale. Nonostante la creazione di modelli cognitivi avanzati (come gli scripts e i plans) che permettono alla macchina di operare inferenze e colmare le “informazioni mancanti” in un testo, le macchine intelligenti restano escluse dalla vera “comprensione empatica”. La comunicazione umana non si basa solo su logica formale, ma su emozioni, intenzionalità soggettiva e perfino su un “rumore” di fondo che contestualizza l’informazione e la rende psicologicamente gradevole. Un’interazione uomo-macchina eccessivamente asettica rischia di risultare alienante.
4. L’impatto sulle professioni e la trasformazione del “modello medico” Le tesi del libro trovano una riprova concreta nell’applicazione dell’IA in campo sanitario tramite i Sistemi Esperti (es. Mycin, Neo-mycin), che fungono da consulenti diagnostici. L’introduzione dell’IA modifica radicalmente la professione medica, spostando l’asse dal rapporto interpersonale ed empatico (medico-paziente) a una transazione tecnico-razionale (medico-macchina-paziente). Questo passaggio solleva resistenze da parte dei medici, che si sentono espropriati del momento risolutivo della diagnosi, e rischia di “scomporre” la lettura del corpo umano in freddi sottosistemi, riducendo l’arte medica a pura operazione scientifico-statistica.
5. L’incapacità di simulare la “Generatività” dei Sistemi Sociali Da un punto di vista sociologico-epistemologico, i tradizionali modelli dinamico-cibernetici dell’IA sono criticati perché assumono la società come una macchina deterministica orientata solo all’equilibrio e alla regolazione degli errori. Tali modelli falliscono nel rappresentare la “generatività” dei sistemi sociali, ovvero la loro intrinseca capacità di ristrutturarsi creativamente producendo discontinuità, nuove morfologie e nuovi codici. Per descrivere veramente il mutamento sociale l’analista deve ricorrere a modelli morfogenetici e linguistici, capaci di tracciare una vera “grammatica del possibile” (fatta di vincoli e possibilità evolutive) che sfugge alla sola logica cibernetica.
Le differenze rispetto agli approcci precedenti vengono affrontate nel testo su due livelli: da un lato, le fonti evidenziano il salto paradigmatico tra l’informatica tradizionale e i Sistemi Esperti (che rappresentavano l'”approccio attuale” all’epoca della stesura del libro, a metà degli anni ’80); dall’altro, la distinzione teorica tra diverse scuole di pensiero sull’IA.
Ecco come si caratterizzava l’approccio all’IA descritto nel testo rispetto all’informatica e alle logiche precedenti:
1. Separazione tra Conoscenza e Controllo (rispetto all’informatica tradizionale) In un programma informatico tradizionale, la conoscenza del problema e le procedure per risolverlo (algoritmo) sono mescolate in modo rigido e immutabile. L’approccio dei “sistemi basati sulla conoscenza” (o Sistemi Esperti) prevede invece una netta separazione architetturale tra la base di conoscenza (i fatti e le regole del dominio) e il motore di inferenza o controllo (che decide dinamicamente come usare quelle regole per arrivare a una soluzione). Questo rende i sistemi estremamente modulari, flessibili e aggiornabili senza dover riprogrammare l’intero codice.
2. Euristica e Flessibilità vs. Logica Classica Formale Mentre i primi tentativi di IA e i modelli matematici classici si basavano sulla logica dei predicati e su deduzioni rigide (dimostrazioni di teoremi in cui tutto è vero o falso), l’approccio dei Sistemi Esperti riconosce che l’esperienza umana è fatta di sfumature, incertezza e “senso comune”. Si passa quindi all’uso di regole di produzione (Se… Allora), reti semantiche e frames. Nei sistemi come Mycin, ad esempio, vengono introdotti i “fattori di certezza” per gestire regole e diagnosi in termini probabilistici o sfumati, superando la rigidità (monotonicità) della logica classica.
3. Elaborazione Semantica e Concettuale vs. Traduzione Sintattica Nel campo della comprensione del linguaggio naturale (NLP), il testo traccia un’evoluzione storica netta. L’approccio iniziale (anni ’50-’60) era puramente sintattico, basato sulla traduzione parola per parola, che si è rivelato un fallimento. L’approccio successivo è passato all’elaborazione semantica in domini specifici, per poi arrivare all’approccio contemporaneo dell’epoca basato sulla Teoria della Dipendenza Concettuale (CDT) e sugli scripts (copioni). Quest’ultimo approccio non si limita ad analizzare la frase, ma attiva aspettative e “colma” le informazioni mancanti basandosi sull’esperienza del mondo, mimando l’organizzazione della memoria umana.
4. Ipotesi “Forte” vs. Ipotesi “Debole” Il testo documenta anche una frattura all’interno della stessa comunità scientifica. L’approccio “forte” (strong AI) ambiva a riprodurre integralmente la mente umana, le sue facoltà mentali e persino l’intenzionalità. L’approccio “debole” (weak AI), ritenuto più realistico dagli autori e da molti scienziati, rinuncia a ricreare l’uomo e utilizza l’IA semplicemente come un database relazionale avanzato con linguaggi inferenziali, capace di estrarre e dedurre più informazioni di quelle inserite inizialmente.
Differenze con l’approccio attuale (Intelligenza Artificiale di oggi): Il volume fornito analizza l’epoca della cosiddetta “IA Simbolica” (o Good Old-Fashioned AI). L’approccio odierno (dominato dal Machine Learning e dal Deep Learning, come ChatGPT e le reti neurali) è radicalmente diverso rispetto a quello descritto nelle fonti:
- Top-down vs Bottom-up: Negli anni ’80, gli “ingegneri della conoscenza” dovevano intervistare gli esperti umani (medici, geologi) ed estrarre manualmente le regole logiche per inserirle nel computer (top-down). Oggi, le reti neurali vengono “addestrate” su enormi quantità di dati non strutturati (testi, immagini), da cui la macchina impara da sola a riconoscere schemi statistici e probabilità (bottom-up).
- Regole Esplicite vs Conoscenza Implicita: I sistemi esperti descritti nelle fonti potevano spiegare esattamente il loro ragionamento logico dicendo all’utente quale “regola” avevano applicato (i famosi comandi why e how). L’approccio odierno delle reti neurali crea spesso un effetto “scatola nera” (black box): il modello produce un risultato eccellente, ma non è in grado di tracciare una catena logica deduttiva chiara per spiegare esattamente perché ha generato quell’output.
Devi effettuare l'accesso per postare un commento.