L’AI sa spiegare una barzelletta... ma l’ha capita?

A Trieste Next, neuroscienze, machine learning e filosofia si confrontano su comprensione, apprendimento e fiducia nell’intelligenza artificiale.

Condividi
L’AI sa spiegare una barzelletta... ma l’ha capita?
Istantanea dell'evento Macchine che parlano, menti che pensano.

Tre scienziati, una giornalista e ...

In questo articolo vi racconto ciò che di più interessante e curioso è emerso durante Macchine che parlano, menti che pensano, l’incontro che ho avuto il piacere di moderare a Trieste Next, il 26 settembre 2026.

Sul palco tre prospettive diverse: quelle delle neuroscienze, del machine learning e della filosofia, rappresentate da Domenica Bueti, professoressa ordinaria di Neuroscienze cognitive alla SISSA, dove dirige il Time Perception Lab; Sebastian Goldt, professore associato alla SISSA e responsabile del gruppo di ricerca Theory of Neural Networks; e Silvano Zipoli Caiani, professore associato di Filosofia teoretica all’Università di Firenze, dove si occupa di filosofia della mente e delle implicazioni epistemologiche ed etiche dell’intelligenza artificiale.

Abbiamo cominciato dalla domanda apparentemente più semplice: che cos’è l’intelligenza? Ma, come ha spiegato la professoressa Bueti, non esiste una definizione scientifica univoca di intelligenza. Esistono piuttosto diverse capacità — apprendere, ricordare, prevedere, pianificare, comprendere, adattarsi — che, come gli ingredienti di una ricetta, concorrono a produrre un comportamento intelligente. E molte di queste capacità si ritrovano anche nei sistemi artificiali.

Forse, allora, domandarsi se sia più intelligente un essere umano o una macchina è meno interessante che chiedersi quale tipo di intelligenza possieda ciascuno dei due.

Una barzelletta può insegnarci qualcosa sulla comprensione?

Il professor Zipoli Caiani ha proposto l’esempio della barzelletta per distinguere l’apprendimento dalla comprensione: un Large Language Model può analizzare una battuta, ricostruirne il significato, spiegare il meccanismo dell’umorismo. Ma equivale a quell’esperienza che facciamo noi quando, magari dopo qualche secondo, ci scappa una risata perché finalmente abbiamo capito?

Il filosofo ha invitato a distinguere due fenomeni che spesso confondiamo: saper fare qualcosa e comprendere ciò che si sta facendo. Possiamo imparare a memoria il teorema di Pitagora senza averne compreso la dimostrazione, così come possiamo eseguire azioni complesse senza conoscere i meccanismi che le rendono possibili.

Un modello linguistico, quindi, può spiegare perché una battuta è divertente: ma non abbiamo, ha osservato Zipoli Caiani, buone ragioni per attribuirgli quell’esperienza soggettiva che accompagna la nostra comprensione dell’umorismo.

La questione è tutt’altro che banale: una buona prestazione linguistica è sufficiente per parlare di comprensione? Oppure c’è qualcosa nell’esperienza umana che non può essere ricondotto alla capacità di elaborare informazioni e produrre risposte corrette?

Il cervello “costruisce la realtà”. E le reti neurali?

La professoressa Bueti ha portato il confronto su un terreno affascinante: il funzionamento del cervello umano.

«Il cervello non è uno specchio della realtà, il cervello è un costruttore di realtà», ha spiegato. Il nostro sistema nervoso costruisce continuamente modelli del mondo: riconosce regolarità, anticipa ciò che potrebbe accadere e corregge le proprie previsioni quando l’esperienza le smentisce.

Per chiarire il concetto, Domenica Bueti ha portato un esempio quotidiano: impariamo che un animale peloso con la coda può abbaiare, ma quando ne incontriamo uno più piccolo che miagola siamo costretti ad aggiornare il nostro modello della realtà.

Qualcosa di simile accade nell’apprendimento statistico delle reti artificiali. Eppure esiste una differenza sostanziale: noi impariamo vivendo, percependo e agendo nell’ambiente. Abbiamo un corpo, bisogni biologici, motivazioni, emozioni e intenzioni. Un modello linguistico, invece, acquisisce gran parte delle proprie capacità elaborando enormi quantità di dati.

Sebastian Goldt ha ricordato quanto sia diversa anche la scala dell'apprendimento: per riconoscere alcune regolarità del mondo, a un bambino possono bastare relativamente poche esperienze. I grandi modelli artificiali vengono addestrati su quantità sterminate di testi e altri dati (con costi computazionali ed energetici considerevoli).

Emerge così uno degli interrogativi scientifici più affascinanti: come possono sistemi costruiti in modi così diversi arrivare a risultati talvolta sorprendentemente simili?

Per Goldt, gran parte della sfida consiste proprio nel comprendere come capacità complesse, compreso il ragionamento, possano emergere da un addestramento basato sulla previsione statistica.

Un modello linguistico, nella sua fase di addestramento, impara a prevedere come prosegue un testo. Un compito apparentemente semplice, che ricorda gli esercizi scolastici in cui dobbiamo completare una frase inserendo le parole mancanti: ma su scala enormemente più grande.

Da questo processo emergono capacità che non sono state insegnate mediante un elenco esplicito di regole grammaticali, matematiche o logiche. Come ciò avvenga, in tutti i suoi dettagli, è ancora oggetto di ricerca.

E proprio il fatto che le macchine raggiungano risultati sorprendenti attraverso meccanismi diversi dai nostri, potrebbe insegnarci qualcosa sul funzionamento del cervello: la professoressa Bueti ha auspicato, in questo senso, una rinnovata collaborazione tra neuroscienze e machine learning, due discipline che condividono importanti radici storiche, ma che nel tempo hanno seguito percorsi differenti.

ChatGPT a scuola: aiuta a imparare o soltanto a fare i compiti?

Uno dei passaggi che ho trovato più interessanti ha riguardato un argomento di assoluta attualità: l'utilizzo dei chatbot a scuola.

Superando la semplicistica dicotomia ChatGPT sì / ChatGPT no, Domenica Bueti ha raccontato i risultati di uno studio di Bastani e colleghi, pubblicato su PNAS nel 2025, condotto in un liceo in Turchia con quasi mille studenti delle classi 9ª, 10ª e 11ª.

Le classi erano state divise in tre gruppi: nel primo, gli studenti dovevano svolgere esercizi di matematica potendo consultare appunti e libri, ma senza utilizzare l'AI; nel secondo avevano accesso a un assistente basato su GPT-4, chiamato GPT Base; nel terzo utilizzavano una versione dello stesso modello, configurata però come GPT Tutor, con indicazioni e soluzioni predisposte dai docenti per offrire suggerimenti, segnalare errori e guidare il ragionamento senza fornire direttamente le risposte.

Negli esercizi assistiti, il gruppo di controllo (quello senza alcun aiuto dell’AI)  aveva ottenuto in media 28,4 punti su 100. Le stime dello studio indicano un aumento di 13,7 punti per il gruppo che poteva utilizzare GPT Base liberamente, e di 36,1 punti con GPT Tutor: rispettivamente il 48% e il 127% in più rispetto al gruppo di controllo. In pratica, durante gli esercizi, chi utilizzava l'AI riusciva a ottenere risultati decisamente migliori, soprattutto quando il sistema era progettato per guidare lo studente, proprio come un tutor.

La prova più interessante, però, arrivava dopo. Nella fase successiva infatti, tutti gli studenti dovevano affrontare esercizi di matematica nuovi, ma della stessa tipologia, senza alcun supporto esterno. E qui i risultati cambiavano: chi aveva utilizzato GPT Base liberamente, otteneva un punteggio mediamente inferiore del 17% rispetto al gruppo di controllo. Gli studenti che avevano lavorato con GPT Tutor, invece, ottenevano risultati statisticamente indistinguibili da quelli dei compagni che non avevano usato l'AI.

Insomma, il tutor aveva evitato il peggioramento osservato con GPT usato senza limitazioni, ma non aveva prodotto un vantaggio misurabile nell'apprendimento autonomo: il punto è che svolgere correttamente un esercizio non significa necessariamente aver imparato a svolgerlo da soli.

Nel commentare l'esperimento, la professoressa ha sottolineato che apprendere richiede tempo. Non basta ricevere una risposta corretta: occorre elaborarla, esercitarsi, stabilire collegamenti con ciò che già sappiamo. Ha richiamato anche il ruolo del sonno nel consolidamento della memoria, durante il quale vengono riattivati e rafforzati circuiti neurali coinvolti nell'apprendimento: un processo biologico che non possiamo semplicemente sostituire con la velocità di una risposta generata da un chatbot.

Naturalmente si tratta di uno studio condotto in uno specifico contesto scolastico: non dimostra che utilizzare l'AI peggiori sempre l'apprendimento. Mostra però quanto siano importanti le modalità con cui viene utilizzata. Ed è forse questo il punto su cui dovremmo concentrarci quando parliamo di intelligenza artificiale nell'istruzione: non soltanto se usarla, ma come progettarne l'utilizzo affinché sostenga davvero l'apprendimento.

Quando le macchine accelerano la scienza, e la scienza fatica a stare al passo.

Anche Sebastian Goldt ha sollevato una questione che sta diventando centrale: la scienza rischia di non riuscire più a stare al passo con la quantità di risultati che produce.

I sistemi di intelligenza artificiale stanno contribuendo ad accelerare la ricerca e ad affrontare problemi che fino a poco tempo fa sembravano fuori dalla portata delle macchine. Ma il nostro sistema di pubblicazioni, revisione tra pari (peer review) e valutazione scientifica non è stato progettato per gestire una simile accelerazione. La scienza, ha ricordato Goldt, non consiste soltanto nel trovare soluzioni: non basta accelerare le scoperte. Bisogna poterle verificare, far sedimentare, rielaborare, per riuscire davvero a impadronirsene. I risultati devono essere sottoposti alla verifica della comunità scientifica.

Se la produzione scientifica aumenta vertiginosamente, chi avrà il tempo e gli strumenti per verificarla?

Il problema non riguarda soltanto le pubblicazioni: potrebbe essere necessario ripensare anche i criteri con cui valutiamo il lavoro dei ricercatori, riconosciamo il merito scientifico e attribuiamo il giusto credito ai contributi umani e a quelli dell'AI.

E poi è emersa una riflessione quasi personale, sollevata da una domanda del pubblico. Per uno scienziato, fare ricerca non è soltanto un'attività professionale: è parte della propria identità. Goldt ha ricordato una discussione avuta con alcuni matematici della SISSA: essere matematici non significa semplicemente eseguire una serie di operazioni, ma riconoscersi in un'attività intellettuale, in un particolare modo di affrontare il mondo. Che cosa succede, allora, quando una macchina può svolgere quel lavoro attraverso il quale definiamo noi stessi?

L'intelligenza artificiale non sta trasformando soltanto ciò che possiamo fare: sta mettendo anche in discussione anche l'idea che abbiamo di noi stessi.

L'AI cambia il modo in cui produciamo conoscenza

Su questo punto Silvano Zipoli Caiani ha proposto un'altra prospettiva, che merita attenzione. «Nessuna tecnologia è neutra», ha ricordato.

Siamo abituati a pensare agli strumenti come semplici estensioni delle nostre capacità: la calcolatrice ci aiuta a fare i conti, il navigatore a orientarci, la scrittura a conservare informazioni. Ma la scrittura, ha osservato il filosofo, non si è limitata a potenziare la memoria umana: ha trasformato profondamente il modo in cui costruiamo, conserviamo e trasmettiamo conoscenza.

Con l'intelligenza artificiale generativa potrebbe accadere qualcosa di altrettanto importante, e forse di più: perché interviene nel processo stesso attraverso il quale produciamo nuove idee e conoscenza.

La scienza non è mai stata soltanto l'opera di geni isolati: le scoperte nascono spesso dall'interazione tra persone, discipline e comunità di ricerca. Oggi i sistemi artificiali stanno diventando parte di queste interazioni, contribuendo alla produzione di conoscenza.

Anche per Zipoli Caiani, come nel caso della scuola già discusso, la differenza fondamentale sta nel modo in cui ci rapportiamo alla macchina: possiamo instaurare un dialogo critico, confrontare ipotesi, mettere in discussione le risposte, oppure limitarci a riceverle e accettarle. E la questione attraversa tanto la formazione le ricerca scientifica quanto la nostra vita quotidiana: dove finisce l'aiuto e dove comincia la sostituzione del nostro giudizio?

Il filosofo ha portato l'esempio di una decisione personale, come accettare un lavoro lontano da casa e dalla famiglia: un algoritmo potrebbe analizzare opportunità professionali, prospettive economiche e probabilità di successo. Ma prendere quella decisione significa anche vivere emozioni, tensioni, desideri e responsabilità che non si esauriscono in una previsione statistica. Una macchina può aiutarci a valutare le possibilità: ma non vive l'esperienza della scelta.

Fidarsi dell'AI: il problema non è soltanto se abbia ragione

Infine, la fiducia, un tema che mi interessa particolarmente.

Sebastian Goldt ha ricordato un particolare che qualche volta si tende a dimenticare: i chatbot non sono soltanto sistemi tecnologici, sono anche prodotti commerciali.

Il loro linguaggio sicuro, fluido e convincente può incoraggiarci a prendere le risposte per buone: ma il tono dei chatbot, il modo in cui questi sistemi vengono progettati e presentati, risponde agli interessi delle aziende che li sviluppano. Fondamentale è farci tornare sulle loro piattaforme.

È un aspetto importante perché spesso si tende ad associare una risposta ben formulata ad una risposta affidabile: ma la sicurezza espressiva non è una garanzia di accuratezza.

Da parte sua, Zipoli Caiani ha richiamato un fenomeno ben studiato nella psicologia delle decisioni: l'automation bias, cioè la tendenza ad attribuire un peso eccessivo ai suggerimenti dei sistemi automatizzati, anche quando contrastano con il nostro giudizio e persino quando sono sbagliati. Non riguarda soltanto gli utenti inesperti: questo fenomeno è stato studiato anche in ambiti professionali delicati, come quello medico. «Se lo accetto come un oracolo, allora la situazione cambia», ha osservato il filosofo, riferendosi al rischio di rinunciare al confronto critico con la macchina.

Il problema diventa ancora più rilevante quando passiamo dal consiglio su una ricetta o una canzone alle decisioni che possono incidere sulla salute, sul lavoro o sui diritti delle persone: per questo, ha sottolineato Zipoli Caiani, il tema della fiducia è inseparabile da quelli della trasparenza, della spiegabilità e della responsabilità. Questioni affrontate anche dall'AI Act europeo, che prevede obblighi differenziati in funzione dei rischi associati ai sistemi e ai loro utilizzi.

La fiducia, insomma, non dovrebbe dipendere da quanto una macchina ci sembra intelligente o convincente, ma da quanto possiamo verificarne l'affidabilità nel contesto in cui la utilizziamo.

E alla fine, che cosa abbiamo imparato su noi stessi?

Durante le domande del pubblico è emerso un interrogativo che, a mio avviso, riassume bene il senso dell'intero incontro: per confrontarci con l'intelligenza artificiale dobbiamo forse ripensare anche il modo in cui definiamo l'intelligenza umana?

Le macchine hanno già dimostrato di poter svolgere attività che consideravamo esclusivamente nostre: e questo ci costringe a riconsiderare qualche nostra “certezza”.

Per Zipoli Caiani l'intelligenza artificiale rappresenta quindi un'ulteriore sfida alla nostra visione antropocentrica del mondo. Per Goldt, la questione tocca anche l'identità di chi riconosce se stesso nelle proprie capacità intellettuali. Per Bueti, il confronto tra sistemi tanto diversi è una straordinaria opportunità scientifica: studiarli può aiutarci a comprendere meglio come funziona la nostra stessa intelligenza.

Guarda l'incontro integrale su YouTube

 @ Chiara Meriani, 2026