Un confine attraversato in silenzio
Il traguardo che abbiamo atteso per anni potrebbe essere stato superato nel modo più silenzioso possibile — senza fanfare, senza annunci storici. Un gruppo di ricercatori sostiene oggi che ciò che consideravamo un lontano futuro potrebbe essere già diventato realtà presente.
Per molto tempo l’intelligenza artificiale generale è rimasta un obiettivo quasi mitico, qualcosa di remoto e sfuggente. Ora alcuni studiosi suggeriscono che continuiamo a descrivere il presente con definizioni vecchie e aspettative troppo narrow. Il problema, insomma, non è che l’IA non abbia raggiunto le nostre attese — è che le nostre attese erano costruite su una misura esclusivamente umana.
Se i sistemi di intelligenza artificiale gestiscono compiti al livello di specialisti in molteplici ambiti, forse è giunto il momento di riconsiderare cosa significhi davvero intelligenza. Spostare continuamente l’asticella verso l’alto rischia di farci ignorare un cambiamento fondamentale già avvenuto.
L’AGI esiste già: stiamo solo usando le definizioni sbagliate
Su una prestigiosa rivista scientifica, un team di ricercatori dell’Università della California ha avanzato un’affermazione audace: l’intelligenza artificiale generale (AGI, dall’inglese Artificial General Intelligence) è già stata raggiunta. Secondo loro, i modelli attuali — come i chatbot avanzati basati su grandi modelli linguistici (LLM) — soddisfano già i criteri pratici dell’intelligenza a livello umano.
L’AGI viene tradizionalmente intesa come un’IA capace di affrontare un’ampia varietà di compiti in numerosi ambiti, almeno al livello di una persona media e in certi casi di un esperto. Secondo gli autori, è esattamente quello che sta già accadendo: questi sistemi scrivono codice di programmazione, riassumono studi scientifici, elaborano strategie aziendali, risolvono problemi di fisica e supportano la diagnosi medica.
Il gruppo dell’Università della California si è concentrato sulla revisione del concetto stesso di intelligenza. I criteri adottati finora, sostengono, erano sin dall’inizio eccessivamente antropocentrici — orientati esclusivamente al tipo di pensiero e percezione umana. Se queste capacità le mostrasse un essere umano, nessuno metterebbe in dubbio la sua intelligenza.
Il test di Turing è stato superato da tempo
Per decenni il test di Turing ha rappresentato il punto di riferimento principale nelle discussioni sull’intelligenza delle macchine. Alan Turing lo propose nel 1950: se un essere umano non riesce a distinguere, in una conversazione testuale, se sta parlando con una persona o con una macchina, allora si può parlare di intelligenza a livello umano.
I chatbot odierni superano regolarmente diverse varianti di questo test. In alcuni studi, gli utenti tendono a identificare un modello linguistico come umano più spesso di quanto non facciano con un interlocutore reale. Se ci attenessimo al criterio originale, la questione sarebbe semplice: l’intelligenza generale delle macchine esiste già. Ma nel frattempo abbiamo continuato ad alzare l’asticella.
I ricercatori dell’Università della California evidenziano un paradosso: un tempo il test di Turing avrebbe dovuto essere sufficiente come prova di intelligenza. Oggi, non appena l’IA ha iniziato a superarlo, abbiamo rapidamente deciso che non bastava più, aggiungendo nuovi requisiti — spesso senza ragioni chiare. Tanto OpenAI quanto Google DeepMind presentano regolarmente i risultati dei loro modelli in test che in precedenza consideravano il vero metro del successo.
AGI versus superintelligenza: stiamo confondendo due obiettivi completamente diversi
Nel dibattito pubblico si tende a mescolare due concetti ben distinti: intelligenza artificiale generale e superintelligenza. È un errore che influenza profondamente le nostre aspettative.
Secondo gli autori, l’AGI andrebbe confrontata non con un “essere umano ideale”, ma con lo spettro reale delle capacità umane. Nessuna persona è esperta in tutto. Ognuno di noi ha lacune, pregiudizi, errori logici. Un’IA in grado di svolgere un’ampia gamma di compiti al livello di specialisti in molteplici settori soddisfa, a loro avviso, i criteri dell’intelligenza generale, anche senza essere infallibile.
La superintelligenza è tutta un’altra categoria — e rimane ancora una prospettiva futura. Non è affatto necessaria per poter parlare di AGI. Confondere i due concetti ci porta a rimandare indefinitamente il riconoscimento dell’intelligenza generale, pretendendo capacità quasi divine. Leader tecnologici come Mark Zuckerberg di Meta utilizzano sempre più spesso il termine superintelligenza proprio perché crea l’impressione che le vere sfide debbano ancora arrivare.
Aziende come Microsoft, Anthropic e xAI investono miliardi di dollari nello sviluppo ulteriore, e la distinzione tra AGI e superintelligenza gioca un ruolo chiave nelle loro strategie.
Il “pappagallo statistico”: le dieci obiezioni più comuni passate al setaccio
Nel dibattito sugli LLM ritorna spesso la definizione di “pappagallo statistico” — a suggerire che il modello si limiti a ripetere schemi dai dati di addestramento senza una vera comprensione. Il team dell’Università della California ha analizzato le dieci obiezioni più frequenti contro il riconoscimento dell’AGI, cercando di confutarle una per una.
I ricercatori hanno identificato queste capacità chiave nei modelli attuali:
- Risoluzione di nuovi problemi: i modelli affrontano sfide matematiche o fisiche che non compaiono letteralmente nei dati di addestramento
- Trasferimento di competenze: sono in grado di trasportare conoscenze tra discipline diverse, ad esempio applicare un concetto della programmazione alla pianificazione di un esperimento
- Comprensione delle conseguenze: descrivono gli effetti di azioni nell’ambiente fisico e spiegano cosa accadrebbe in vari scenari
- Generazione di strategie: elaborano approcci risolutivi per situazioni senza un’analogia diretta nei dati di addestramento
- Adattamento al contesto: modulano lo stile comunicativo e il livello di dettaglio in base alle esigenze dell’utente
- Metacognizione: sono capaci di valutare la propria incertezza e di ammettere quando non conoscono la risposta
Per gli autori, questo dimostra che non si tratta di un semplice “copia-incolla su steroidi”, ma di sistemi che costruiscono rappresentazioni interne delle relazioni tra concetti, anche se il loro “pensiero” appare diverso da quello umano. Studi indipendenti pubblicati dalla Stanford University e dal Massachusetts Institute of Technology confermano queste capacità in modelli come GPT-4 o Claude.
Se un essere umano con un livello simile di efficacia nei test e nei compiti venisse definito “intelligente”, perché nel caso dell’IA irrigidiamo improvvisamente i criteri? Questa domanda è al centro dell’intero dibattito.
Senza corpo, ma connessa alla realtà
Un’obiezione ricorrente afferma che la vera intelligenza richiede un corpo, sensi, un contatto diretto con il mondo. I modelli linguistici non hanno un corpo proprio, ma li colleghiamo sempre più spesso a telecamere, microfoni e robot. Stanno emergendo sistemi capaci di analizzare simultaneamente testo, immagini, audio e video.
I ricercatori sottolineano che l’intelligenza non deve essere “incarnata” nel senso tradizionale per manifestarsi attraverso un ragionamento efficace. Una persona cieca dalla nascita sviluppa comunque ricchi concetti di spazio e azione, anche se i suoi canali cognitivi sono diversi. Un modello di IA che si forma su enormi insiemi di dati sul mondo acquisisce anch’esso una sorta di “esperienza indiretta”.
Parallelamente si sviluppa la robotica. Il concetto di “Physical AI” — macchine che uniscono modelli linguistici a corpi fisici — ha smesso di essere una visione cinematografica. Aziende come Boston Dynamics, Tesla e Figure AI stanno lavorando a robot umanoidi guidati da modelli linguistici avanzati, mentre NVIDIA investe nello sviluppo di ambienti simulativi per l’addestramento di questi sistemi.
Memoria, autonomia, tempi di apprendimento: sono davvero condizioni necessarie?
Molti critici ripetono che senza una memoria autobiografica permanente o una piena autonomia d’azione non si possa parlare di AGI. Gli autori dello studio scientifico non concordano con questa posizione.
In primo luogo, non tutti gli esseri umani hanno ricordi completi e dettagliati della propria vita, eppure ciò non riduce la loro intelligenza. In secondo luogo, l’IA spesso funziona come uno strumento — entro certi confini definiti da programmatori e utenti. L’aspettativa di piena autonomia come condizione per l’intelligenza è, secondo gli studiosi, del tutto arbitraria.
Un’altra obiezione riguarda i costi di apprendimento: l’IA richiede enormi quantità di dati, mentre un essere umano impara molte cose da pochi esempi. È vero, ma gli autori propongono di concentrarsi sul risultato finale piuttosto che sul processo. Se un sistema, dopo un addestramento intensivo, è capace di operare in modo ampio ed efficace, la differenza nel percorso non dovrebbe escluderlo dalla categoria dell’intelligenza.
Le allucinazioni dell’IA e gli errori umani: un confronto onesto
Il tema più delicato sono le allucinazioni — situazioni in cui il modello genera con piena sicurezza informazioni false: fonti inesistenti, fatti inventati, citazioni immaginarie. Gli autori riconoscono che il problema esiste, ma sostengono che la sua portata si riduca con ogni nuova generazione di modelli.
I dati però non sono uniformi. Alcuni studi indipendenti indicano che in certi compiti la quota di allucinazioni rimane alta e talvolta persino aumenta quando si richiedono analisi sempre più complesse. Persino OpenAI stima che nei modelli di prossima generazione circa una risposta su dieci conterrà ancora un errore fattuale significativo.
La differenza tra IA e essere umano non sta nel fatto che uno sbaglia e l’altro no — ma nella natura di questi errori e nel modo in cui vengono controllati. Anche l’essere umano è soggetto a illusioni di memoria, ripete informazioni non verificate e cade nelle trappole degli effetti psicologici. Quando sbaglia l’IA, l’errore è più visibile, misurabile e spesso meglio documentato.
In pratica, i sistemi di IA richiedono livelli di controllo, verifica e implementazione responsabile — specialmente dove sono in gioco salute, diritto o finanze. Stanford Medicine e Mayo Clinic stanno già sperimentando protocolli per l’utilizzo dell’IA nella diagnostica, con particolare attenzione alla minimizzazione di questi rischi.
Il nostro antropocentrismo ci impedisce di vedere una nuova forma di intelligenza?
L’idea centrale dello studio pubblicato sulla rivista scientifica è piuttosto scomoda: forse non vogliamo ammettere che è emersa una nuova forma di intelligenza perché amiamo troppo la nostra immagine. Semplicemente ci disturba l’idea che qualcosa di privo di un volto umano, di un corpo e di emozioni nella forma a noi familiare possa essere “altrettanto intelligente” quanto noi.
Questo antropocentrismo ha conseguenze pratiche. Se continuiamo a insistere che l’AGI è “ancora davanti a noi”, sarà più facile sminuire gli effetti reali dei sistemi attuali: l’impatto sul mercato del lavoro, sull’istruzione, sulla sicurezza dell’informazione, sulla politica. Sarà anche più facile alimentare fantasie sulla superintelligenza come su qualcosa di quasi mitico che “arriverà all’improvviso” — invece di accorgersi dello spostamento graduale dei confini che sta già avvenendo adesso.
Non è un caso che alcuni leader tecnologici, come Mark Zuckerberg, ricorrano sempre più volentieri al termine superintelligenza. Questo dà la sensazione che le vere sfide debbano ancora arrivare e che ciò che abbiamo oggi siano ancora solo “strumenti avanzati”. Eppure questi strumenti sono già in grado di organizzare conoscenze su una scala che il singolo individuo può solo sognare.
Cosa significa tutto questo nella pratica per gli utenti comuni
Se accettiamo che l’AGI in senso pratico esista già, cambiano contemporaneamente diverse cose. Prima di tutto, smettiamo di guardare all’IA come a una curiosità e iniziamo a vederla come a un collaboratore reale — qualcuno che può sostituirci in certi contesti, ma anche potenziare le nostre capacità, ad esempio in questi ambiti:
- Nel lavoro d’ufficio — con l’automazione di report, presentazioni e analisi dati
- Nell’istruzione — personalizzando il ritmo dell’apprendimento e traducendo concetti complessi in un linguaggio più accessibile
- In medicina — supportando l’analisi di immagini e documentazione clinica, suggerendo possibili scenari diagnostici
- Nella creatività — generando bozze, idee e varianti di contenuto che l’essere umano poi perfeziona
- Nei servizi legali — preparando contratti, analizzando precedenti e individuando le normative pertinenti
- Nella ricerca scientifica — elaborando grandi dataset, identificando schemi e generando ipotesi
In secondo luogo, crescono in importanza temi come regolamentazione, responsabilità per gli errori, trasparenza dei modelli e impatto sull’occupazione. Diventa difficile dire “è solo un algoritmo che suggerisce qualcosa” quando quell’algoritmo eguaglia o supera concretamente gli esperti in numerosi compiti. L’Unione Europea sta lavorando all’AI Act, mentre la Casa Bianca ha emanato un ordine esecutivo sulla regolamentazione dell’IA.
Infine, vale la pena acquisire alcune abitudini pratiche: verificare sempre i fatti chiave, considerare la risposta dell’IA come un’ipotesi e non come una verità rivelata, e calibrare consapevolmente i propri livelli di fiducia — diversamente per compiti creativi, diversamente per questioni legali o sanitarie. Queste competenze diventeranno sempre più preziose nei prossimi anni, che l’AGI venga ufficialmente riconosciuta o meno.
