Conoscenza nell’era dell’intelligenza artificiale

C’è una parola greca che non ha un corrispondente esatto in italiano:episteme. Non significa semplicemente “sapere” nel senso di avere un’informazione. Significa conoscenza dimostrativa, stabile, necessaria. È una forma di sapere che ha ragioni profonde, al di là del semplice sapere di fatti e risposte a più domande. Tra le forme di sapere che Aristotele distingue nel Libro VI dell’Etica Nicomachea¹, tre in particolare risuonano con forza nel dibattito contemporaneo sull’intelligenza artificiale: l’episteme, la conoscenza dimostrativa e universalmente valida — il sapereperchéuna cosa accade; latechne, la conoscenza tecnica fondata sull’abilità — il saperecomeuna cosa si realizza; e laphronesis, la saggezza pratica — il saperecosadovrebbe essere fatto in una data circostanza. Tre parole diverse per tre diverse forme di conoscenza, che le lingue moderne tendono a schiacciare in un unico significato: sapere.

Viviamo in un momento in cui i computer producono risposte di qualità crescente, sempre più difficili da distinguere da quelle umane. Non si tratta solo di informazioni grezze, ma di unarmamentariumdi interpretazioni, sintesi, ragionamenti strutturati dall’apparenza terribilmente umana. Testi che sembrano pensati. Conclusioni che sembrano pesate. Risposte che sembrano capite. Sorge dunque una domanda: con l’avvento delle nuove tecnologie la conoscenza umana può veramente concretizzarsi solo in algoritmi perfetti in grado di rispondere ad ogni nostra domanda ed esigenza? È questa lasummadiepisteme,techneephronesis? È questa la conoscenza in questa nuova era della storia dell’uomo?

Si può avere ragione per le ragioni sbagliate

Rispondere a tale domanda non è oggettivamente facile. In italiano usiamo in modo intercambiabile le parole “sapere” e “conoscenza”. Seppur assimilabili, le due parole sottendono a differenti ambiti, perché sapere non è conoscere. Il primo accumula; il secondo comprende.

Per secoli, la filosofia ha tentato di definire cos’è la conoscenza. La risposta più longeva — che risale a Platone e che la tradizione analitica ha affinato nel Novecento — è questa: la conoscenza è credenza vera giustificata. Non basta credere qualcosa: affinché quella credenza costituisca conoscenza, essa deve essere vera e si devono avere buone ragioni per crederla.

Russell e Gettier

Tuttavia Bertrand Russell, nel 1948, osservò che una credenza vera non basta a costituire conoscenza. Il suo esempio è di disarmante semplicità: un uomo guarda un orologio fermo, per puro caso nel momento in cui il quadrante coincide con l’ora reale. Ha una credenza vera — ma non sa che ora è, perché la sua credenza non è collegata alla realtà nel modo giusto. La giustificazione è assente, o meglio: è accidentale².

Quindici anni dopo, Edmund Gettier rese il problema ancora più acuto. Non basta nemmeno avere una credenza vera e giustificata: esistono casi in cui tutte e tre le condizioni sono soddisfatte — verità, credenza, giustificazione — eppure qualcosa continua a mancare. Quel qualcosa è la comprensione delle ragioni: non basta che la risposta sia corretta né che si abbiano buone ragioni per crederla. Occorre che quelle ragioni siano collegate alla verità nel modo giusto — e riconoscere quando smettono di esserlo³.

Quel qualcosa mancante — la comprensione delle ragioni — è esattamente ciò che le tecnologie più avanzate di oggi non riescono a fornire. E ciò non per un limite tecnico destinato a essere superato dalla versione successiva. Si tratta di un limite di natura. Un sistema che produce affermazioni vere, giustificate da miliardi di associazioni, non sa comunque se sta guardando un orologio fermo. Non ha accesso a ciò che Aristotele chiamavaepisteme: il sapere del perché, la consapevolezza del contesto in cui una risposta vale e di quello invece, in cui la stessa risposta tradisce.

Un riflesso del pensiero umano, non il suo successore

Quando si parla di conoscenza c’è un aspetto che spesso sfugge nel dibattito pubblico sulle nuove tecnologie. I modelli di intelligenza artificiale non producono pensiero dal nulla. Non corrispondono alla versione più avanzata di un organismo come l’uomo che dal nulla ha generato pensiero — si pensi alle grandi opere umane, dalla Divina Commedia alla Cappella Sistina, senza trascurare il lascito dei greci e dei romani o la creazione della matematica astratta come risposta a problemi pratici come quelli degli agrimensori egizi. I modelli di AI vengono addestrati su enormi quantità di testi e materiali prodotti da esseri umani: articoli scientifici, libri, conversazioni, ragionamenti elaborati nel corso di secoli di storia intellettuale. Ciò che restituiscono è, in un certo senso, una distillazione del pensiero umano già prodotto. Sono specchi sofisticatissimi, ma non menti pensanti.

Questi sistemi operano su ciò che la mente umana ha già pensato e scritto e usano quelle basi per produrre aggregazioni di informazioni. Non hanno attraversato contesti, li hanno solo letti. Non hanno commesso errori, li hanno solo registrati. E per questo tendono verso ciò che è già stato connesso, non verso ciò che non lo è ancora.

Questo rende il divario tra conoscenza umana e cosiddetta “conoscenza” artificiale ancora più ampio di quanto sembri. La conoscenza umana non è progredita come mera aggregazione di pensiero altrui. Essa è frutto di un insieme di ragionamenti — a volte dall’aspetto disparato — che ha fatto sì che saperi distanti, alcuni consolidati e altri ancora in fase embrionale e altri del tutto inimmaginabili, dessero vita a qualcosa di genuinamente nuovo.

Knowing that, knowing how

Gilbert Ryle, nelThe Concept of Minddel 1949⁴, distingueva tra due forme di conoscenza:knowing that— sapere che qualcosa è vero — eknowing how— saper fare qualcosa con quella verità. La prima è proposizionale, trasmissibile, riproducibile. La seconda è incorporata, procedurale: si acquisisce con la pratica, si sedimenta nell’errore, e non si delega. Ryle osservava che l’orologio ben regolato segna l’ora giusta e la foca ammaestrata esegue i suoi trucchi impeccabilmente, ma non li chiamiamo intelligenti. Essere intelligenti non significa soddisfare criteri, ma applicarli: regolare le proprie azioni, non semplicemente essere ben regolati.

Se ci chiediamo dove si collocano le nuove tecnologie rispetto a questa distinzione, la risposta è chiara: eccellono nelknowing that. Accumulano, connettono, restituiscono con una precisione e una velocità che nessuna mente umana può eguagliare. Ma ilknowing how— quello autentico, non meramente procedurale — richiede qualcosa di più difficile da formalizzare: la capacità di giudicare, non solo quella di imparare a fare un determinato processo. La capacità di giudicare significa riconoscere quando una regola vale e quando tradisce. Significa fermarsi davanti a una risposta corretta e chiedersi se quella è anche la risposta giusta. Perché sì, corretto e giusto non sono la stessa cosa.

Il giudizio non è un algoritmo. È il prodotto di errori fatti, riconosciuti, corretti. Di contesti attraversati, non solo letti.

Spazio tra domanda e risposta

Ed è proprio questo disagio a essere insostituibile: è il luogo in cui la comprensione accade. Le tecnologie digitali possono colmare i silenzi tra domanda e risposta meglio di qualsiasi altro strumento che abbiamo mai avuto. Ma se li colmiamo sempre e subito, perdiamo qualcosa che non compare in nessun output — quel tempo sospeso in cui non sappiamo ancora e dobbiamo giudicare se qualcosa è vero o falso, appropriato o no, giusto o sbagliato. Quella tensione con cui ci chiediamo perché qualcosa accade e perché funziona. È precisamente in questo spazio — tra l’informazione e la sua ragione profonda — che si misura il limite strutturale di qualsiasi macchina.

L’illuminazione che viene da lontano

La storia della scienza è costellata di momenti in cui conoscenza acquisita in un ambito è stata trasferita e tradotta in un campo completamente diverso. Tra i più citati c’è il caso del chimico tedesco August Kekulé, il quale attribuì la sua intuizione della struttura ad anello del benzene a un sogno — un serpente che si mordeva la coda, il simbolo dell’ouroboros, già noto nell’antico Egitto.

La storia, nella sua forma più leggendaria, si è rivelata non del tutto accurata: ricerche successive hanno mostrato che Kekulé aveva probabilmente avuto accesso a testi che già ipotizzavano strutture simili. Eppure resta un esempio potente di come la mente umana lavori per analogia attraverso domini lontani — e di come quella capacità di accostare ciò che non è mai stato accostato costituisca il motore reale della scoperta. E non è un caso che ancora oggi la struttura del benzene evochi, prima di ogni formula, l’immagine di un serpente che si morde la coda.

Il velcro di de Mestral

Un caso verificato e forse ancora più eloquente è quello dell’ingegnere svizzero Georges de Mestral. Nel 1941, tornando da una passeggiata con il cane coperto di semi di bardana, de Mestral invece di togliere e dimenticare questi noiosissimi semi, li osservò al microscopio. Vide i piccoli uncini che li rendevano così ostinati nel restare attaccati al pelo. Da quell’osservazione minuziosa prese vita il velcro, oggi impiegato in applicazioni che vanno dall’abbigliamento alle tute militari fino all’uso all’interno delle navicelle spaziali della NASA. Al di là della sensibilità individuale di de Mestral, quello che colpisce è il gesto cognitivo: accostare un problema pratico e banale — un cane con il pelo arruffato — a un’intuizione strutturale applicabile su scala industriale. Una connessione che nessuna distribuzione di probabilità avrebbe mai previsto.

La geometria di Riemann

Un caso di natura diversa, forse ancora più radicale, è quello di Bernhard Riemann. Nel giugno del 1854, per ottenere il diritto di insegnare all’Università di Gottinga, Riemann doveva tenere una conferenza davanti alla facoltà. Propose tre temi: fu Gauss — il più grande matematico dell’epoca, presente in sala — a scegliere quello sulla geometria. Riemann presentò uno spazio in cui le rette si curvano, gli angoli di un triangolo non sommano a centottanta gradi e la distanza tra due punti dipende dalla struttura dello spazio stesso. Non stava risolvendo un problema aperto: stava immaginando un tipo di spazio che nessuno aveva mai chiesto di immaginare. Quella geometria sembrava pura astrazione, lontanissima da qualsiasi applicazione. Sessant’anni dopo, Einstein ne fece la struttura matematica della relatività generale. La mente di Riemann aveva costruito lo strumento prima che il problema esistesse.

Cosa hanno in comune questi esempi? Non la genialità individuale, che è una spiegazione troppo comoda e troppo poco interessante. Hanno in comune un tipo di pensiero che accosta ciò che è lontano, che attraversa domini, trasferisce strutture da un campo all’altro, vede somiglianze dove nessuno le aveva cercate. È ciò che la mente umana fa quando lavora al meglio di sé: non solo recuperare ciò che è già noto, ma costruire connessioni nuove tra ciò che sembra separato, e a volte costruire lo strumento prima ancora che qualcuno abbia posto la domanda.

Il problema non è solo la risposta

Le nuove tecnologie portano con sé una tentazione sottile a cui tutti siamo più o meno esposti: trasformare ogni problema in una richiesta. C’è una pratica sempre più diffusa di affidare all’AI qualsiasi questione quotidiana, certi che formulando la domanda otterremo una risposta plausibile, ben strutturata, difficile da contestare. Una sorta di oracolo di Delfi dei tempi moderni, capace di tradurre ogni problema in risposta. E a differenza dell’originale, a volte persino senza ambiguità. Ma è davvero così?

Il problema è che queste tecnologie rischiano di farci guardare dal lato sbagliato. Siamo preoccupati dall’ottenere la risposta e non ci chiediamo se la domanda è quella giusta. Eppure domandare non è il semplice atto di chiedere. È il prodotto di una comprensione già abbastanza matura da sapere cosa non si sa ancora — il segno che il pensiero ha già lavorato, che non si sta cercando una risposta qualsiasi, ma quella risposta lì, per quella ragione lì. Socrate lo sapeva. Il suo metodo — l’elenchus, la confutazione dialettica — non era un modo per trovare risposte. Era un modo per smontare le domande mal poste, per mostrare che la domanda che credevi di fare non era la domanda che intendevi fare, che il problema che credevi di aver capito era più complicato. Il sapere autentico, per Socrate, comincia sempre con un passo indietro, non con uno in avanti.

Cancro al seno: la giusta domanda

La storia di Mary-Claire King è forse l’esempio più eloquente di quanto la domanda giusta preceda e orienti tutto il resto. Negli anni Settanta, la dottoressa King si chiese se il cancro al seno potesse avere in alcuni casi una base genetica ereditaria — una domanda che andava contro il consenso scientifico dell’epoca, che tendeva invece a considerare il cancro una malattia acquisita a seguito di fattori ambientali o individuali. Non aveva gli strumenti per rispondere: la genetica molecolare dell’epoca non era ancora in grado di identificare e sequenziare singoli geni.

Eppure trascorse diciassette anni a raccogliere dati genealogici, ad applicare metodi statistici ai pattern familiari, a tenere aperta quella domanda mentre gli strumenti lentamente maturavano intorno ad essa. Nel 1990 dimostrò l’esistenza di un gene responsabile di una forma ereditaria del cancro al seno — quello che chiamò BRCA1⁵. La tecnologia per isolarlo e sequenziarlo arrivò nel 1994, quattro anni dopo. Gli strumenti erano necessari, ma non sufficienti: senza la domanda di King, non avrebbero saputo dove guardare. E se ci fosse stata l’AI, senza la domanda non si sarebbe trovata la risposta. Si sarebbe solo potuto velocizzare il processo di identificazione dei pattern, sempre che qualcuno avesse posto la domanda.

Attenzione alla domanda

Oggi quel passo indietro — badare alla domanda e non alla risposta — è controcorrente. La velocità dell’accesso premia chi risponde prima, non chi domanda meglio. Le tecnologie premiano chi sa formulare richieste efficaci — basti pensare all’inflazione di prompt per AI già pronti consigliati per risolvere qualsiasi problema in qualsiasi ambito. Trovare le risposte giuste e velocemente è una competenza reale, ma non è la stessa cosa del ragionamento profondo che produce le domande migliori. La differenza è sottile e, proprio per questo, decisiva.

Se guardiamo alla ricerca scientifica e all’inflazione di pubblicazioni ci rendiamo conto che mai come adesso è necessaria la domanda e non la risposta. Sono le domande che possono aprire nuovi scenari per trovare nuove cure, nuovi trattamenti, nuove speranze. L’AI trova risposte — spesso bene, a volte benissimo. Ma le domande restano affare nostro.

Uno strumento che amplifica ciò che porti

Non si tratta di dire che le nuove tecnologie siano pericolose o che il progresso abbia impoverito il pensiero. Le nuove tecnologie offrono un’occasione straordinaria: sono in grado di amplificare la nostra conoscenza a una velocità e a un ritmo inimmaginabili fino a pochi anni fa. Molti paragonano l’avvento dell’AI all’introduzione della stampa o alla rivoluzione industriale. Forse è qualcosa di più, perché ha la capacità di tracciare un nuovo percorso della nostra umanità verso traguardi ancora difficili da immaginare.

La velocità dei processi e la vasta quantità di informazioni a cui accede e che è in grado di connettere può portare a scenari nuovi. Ma resta il problema di fondo: questi sistemi non aggiungono comprensione: essi accelerano la produzione di output. L’output non è la stessa cosa della conoscenza e, credo, la conoscenza è l’unica vera arma che abbiamo per gestire queste tecnologie e volgerle al bene comune.

Conclusione

Chi si avvicina a questi strumenti con una domanda già ben formata, con la capacità di valutare ciò che riceve, con il senso critico necessario a riconoscere quando una risposta è plausibile ma sbagliata, ha in mano qualcosa di straordinario. Chi li usa per non dover pensare sta semplicemente aumentando la velocità con cui produce ciò che non ha capito. La differenza non è nella tecnologia. È nel tipo di rapporto che si è costruito con il sapere: prima, indipendentemente, e nonostante la disponibilità di risposte immediate.

Torniamo dunque a dove eravamo partiti. Seepistemeè il sapere del perché — la comprensione delle ragioni profonde — nessun sistema addestrato su testo già prodotto può davvero possederla: può restituirla, non detenerla. Setechneè il sapere del come — l’abilità che si acquisisce con la pratica e si sedimenta nell’errore — non si trasmette delegando l’esecuzione a una macchina. E sephronesisè il sapere cosa fare in una data circostanza — il giudizio situato, contestuale, responsabile — allora è forse la più umana delle tre: perché richiede non solo conoscenza, ma presenza. Non solo risposta, ma scelta. Le nuove tecnologie possono amplificare tutte e tre, ma conoscere, nel senso più pieno del termine, è e resta un atto che appartiene unicamente all’uomo in quanto essere pensante.

Riferimenti

1. Aristotele. Etica Nicomachea, Libro VI. ↩︎
2. Russell, B. Human Knowledge: Its Scope and Limits. Allen & Unwin, London. 1948.↩︎
3. Gettier, E.L. Is Justified True Belief Knowledge? Analysis, 23(6), 121–123. 1963.↩︎
4. Ryle, G. The Concept of Mind. Hutchinson, London. 1949.↩︎
5. King MC, Marks JH, Mandell JB; New York Breast Cancer Study Group. Breast and ovarian cancer risks due to inherited mutations in BRCA1 and BRCA2. Science. 2003 Oct 24;302(5645):643-6. doi: 10.1126/science.1088759. PMID: 14576434.↩︎