L’arte di togliere

Viviamo in una società che ha fatto della quantità il suo grande valore. Più contenuti, più dati, più output, più velocità. Aggiungere è diventato sinonimo di progresso, e togliere, inteso come fermarsi, semplificare, rinunciare al superfluo, è percepito quasi come una debolezza, un passo indietro.

Da ragazzina, quando apprendevo come si scrive un racconto, ho imparato che per scrivere un buon testo il segreto non è nell’aggiungere, ma nella capacità di togliere e limare dopo aver scritto. In questo percorso ero accompagnata da buoni esempi come il grande Michelangelo Buonarroti, il quale in un sonetto per Vittoria Colonna scritto intorno al 1538, scriveva:

Non ha l’ottimo artista alcun concetto

c’un marmo solo in sé non circonscriva

col suo superchio, e solo a quello arriva

la man che ubbidisce all’intelletto.

La forma era già lì, dentro la pietra ed il compito dello scultore non era costruire, ma togliere. Leonardo da Vinci, nei suoi taccuini, scriveva che «la semplicità è la suprema sofisticazione»: un principio che applicava al disegno, all’ingegneria, al pensiero stesso così da ridurre fino all’essenziale, fino a ciò che non può essere ulteriormente tolto senza perdere la cosa. Lo stesso principio lo ritroviamo in Hemingway, che nella sua teoria dell’iceberg spiegava come la forza di un racconto dipenda da ciò che si sceglie di non dire: sette ottavi sotto la superficie, invisibili, eppure presenti in ogni parola che rimane. E ancora, in Antoine de Saint-Exupéry, che in Terre des hommes scrisse: «La perfezione si raggiunge non quando non c’è più niente da aggiungere, ma quando non vi è più niente da togliere».

Non so se tutti questi grandi personaggi ci credessero davvero in senso platonico a questa idea di togliere o se usassero l’immagine come metafora di metodo. Importa poco. Importa che da angolazioni diverse — la scultura, il disegno, la narrativa, la letteratura di viaggio — tornano sempre allo stesso punto: la forma esiste già, nascosta sotto il superfluo. Il compito di chi lavora con rigore non è aggiungere, ma levare. Togliere fino a quando non rimane altro che ciò che deve rimanere.

È lo stesso movimento che compie la ricerca. Non inventiamo la struttura del reale: la cerchiamo, la scopriamo, la rendiamo visibile togliendo il rumore che la nasconde. Lavoriamo ogni giorno per scoprire quello che è già lì, sotto la superficie, in attesa che qualcuno abbia il coraggio di levare.

Questo gesto di togliere — che in matematica prende il nome di astrazione — è il cuore del metodo scientifico. Non un ornamento filosofico, non una competenza per scienziati: il principio fondante di qualunque ricerca che voglia capire il mondo, non solo descriverlo.

C’è un momento, in ogni indagine scientifica, che assomiglia esattamente a quel gesto dello scultore. È il momento in cui si smette di guardare il caso singolo — quel paziente, quell’esperimento, quel dato — e si comincia a ragionare sulla struttura. Non questa malattia in questo paziente, ma la struttura della malattia stessa. È un salto. E come tutti i salti veri, la prima volta fa paura.

Ma è lì, in quel momento sospeso tra il particolare e il generale, che comincia la comprensione. Ed è precisamente questo momento che la ricerca contemporanea rischia di perdersi. Pensiamo ai modelli predittivi che oggi popolano la ricerca biomedica: algoritmi addestrati su milioni di cartelle cliniche, capaci di associare sintomi e diagnosi con un’accuratezza impressionante. Non cercano la struttura della malattia: accumulano casi, trovano pattern statistici, producono output. Il risultato è spesso sorprendente e quasi sempre valido. Ma è tuttavia una sorpresa che non si lascia spiegare, che non si lascia insegnare, che non si lascia trasferire. Funziona finché il contesto è simile ai dati di addestramento. Poi, quando la popolazione cambia, quando il setting è diverso, quando il problema ha una forma nuova, si blocca.

L’astrazione fa il contrario. Prende un caso, lo spoglia di tutto ciò che è contesto e tiene solo ciò che è necessario. È una perdita deliberata di informazione: una rinuncia consapevole alla ricchezza del dato grezzo in cambio di qualcosa di più prezioso: la possibilità di capire e generalizzare, insomma di trasferire la conoscenza da un contesto all’altro.

Nel mio lavoro incontro molti ricercatori brillanti, alcuni dei quali però si fermano quando devono compiere questo salto. Capaci di gestire dataset enormi, di far girare modelli complessi, di produrre output impeccabili, ma incapaci di rispondere alla domanda che precede tutto il resto: Cosa conta di ciò che sto guardando? Cosa posso togliere senza perdere l’essenziale? Non è mancanza di talento: è mancanza di allenamento all’astrazione. Mancanza di qualcuno che abbia detto loro, almeno una volta: prima di calcolare, togli. Decidi cosa tieni e cosa lasci andare. Quella scelta è già metodo scientifico.

Il problema emerge in modo sempre più evidente nella peer-review. Da quando l’intelligenza artificiale affianca — spesso acriticamente — il lavoro dei revisori, si assiste a una corsa forsennata a richiedere test aggiuntivi, specificazioni, approfondimenti che abbandonano il contesto dello studio e inseguono un dettaglio che alla fine si rivela superfluo. Il risultato è che il messaggio originale del manoscritto, quella struttura che l’autore aveva faticosamente estratto dal rumore, viene sommerso. Non da più dati, ma da meno astrazione.

Bisognerebbe tornare a ragionare partendo dal contesto, non dagli strumenti. Astrarre non è difficile nel senso in cui è difficile risolvere un’equazione differenziale. È difficile in un altro senso: richiede di stare fermi, di resistere all’impulso di arrivare subito al risultato. Di chiedersi — prima ancora di raccogliere i dati — cosa sto cercando davvero? Cosa posso togliere senza perdere ciò che conta? Quali assunzioni reggono il mio modello, e quali lo farebbero crollare? Sono domande che trovano risposta andando lentamente. E viviamo invece in un’epoca veloce.

Io penso che il problema cominci prima nel modo in cui formiamo le menti scientifiche. Se penso alla sola statistica — non parliamo della matematica — si osserva che essa viene insegnata come sequenza di procedure da eseguire correttamente. Si impara a calcolare un intervallo di confidenza prima di capire cosa si stia stimando. Si inseriscono covariate in un modello prima di aver pensato alla struttura causale del problema. Si applicano test prima di chiedersi sotto quale ipotesi nulla quel test ha senso. Il risultato di questo modo di procedere sta dando vita a professionisti tecnicamente attrezzati (forse i più attrezzati che la storia umana abbia mai conosciuto), ma concettualmente fragili: capaci di seguire un protocollo, ma in difficoltà quando il protocollo non esiste ancora.

Eppure ogni scoperta scientifica degna di quel nome è cominciata da questo fermarsi ed astrarre. Da qualcuno che ha guardato un fenomeno complesso, caotico, pieno di rumore, e ha avuto il coraggio di dire cosa conta e cosa no. Un po’ come sfogliare i petali di una margherita — mi ama, non mi ama — solo che in scienza le petali non si sfogliano a caso, si scelgono con metodo.

Newton non ha descritto la mela che cadeva, non ci ha detto il suo colore, la sua maturità, il giorno della settimana, i profumi che arrivavano dal giardino intorno. Ha estratto la forza di quel messaggio nascosto, lasciando l’essenziale. Mendel non ha catalogato ogni singola pianta di pisello: ha contato, classificato i caratteri e ha visto il pattern ereditario sotto la superficie della variazione. Nightingale non ha raccontato le singole storie dei soldati morti: ha disegnato i dati e da quel disegno ha reso visibile qualcosa che le parole non riuscivano a mostrare.

L’arte di togliere non si impara nella fretta. Si impara fermandosi, rallentando, ascoltando il silenzio e provando e sbagliando e riprovando. Si impara accettando che capire. Capire davvero — non solo eseguire — richiede tempo, e che quel tempo è la cosa meno sprecata che esista.

Il marmo è qui. La forma è già dentro.