Quando si parla di tecnologia, si fa riferimento ad un settore di ricerca molto ampio, nel quale si studia l’applicazione delle più varie discipline tecniche e scientifiche al fine di risolvere problemi pratici caratterizzati da un elevato grado di complessità. In questo quadro, l’Intelligenza Artificiale ha ormai assunto un ruolo preminente, in quanto consente uno sviluppo avanzato della tecnologia e rende possibile la costruzione di soluzioni che, almeno in linea teorica, possono essere messe alla portata di chiunque abbia accesso ai sistemi di I.A.

Muovendo da tale premessa, occorre però evitare un equivoco metodologico piuttosto diffuso. Affrontare il tema delle applicazioni tecniche dell’Intelligenza Artificiale non significa procedere ad una elencazione, più o meno ordinata, dei suoi campi di utilizzo, giacché una simile impostazione, per quanto apparentemente utile, rischia di restare in superficie. Molto più interessante è riportare al centro del discorso la scienza applicata, cioè comprendere quali siano le scienze che interagiscono con l’I.A. e in che modo tale interazione produca effetti concreti sul piano tecnologico. Proprio per questa ragione, è opportuno distinguere le scienze impiegate nella presente trattazione in scienze del I, del II e del III tipo, per poi analizzare il rapporto che ciascuna di esse intrattiene con l’Intelligenza Artificiale.

Le scienze del I tipo si affidano a modelli matematici e ricomprendono, tra le altre, la matematica, l’informatica, la fisica, la chimica e la cibernetica. Si tratta delle cosiddette scienze “pesanti”, ossia di discipline esatte, in quanto elaborano leggi dotate di natura universale, con un grado di validità pari, almeno in linea di principio, ad 1. Tali leggi costituiscono, a loro volta, la base di altre scienze pure caratterizzate da un elevato livello di formalizzazione, come l’economia, la statistica, la biologia, l’astronomia e le scienze della terra.

Ora, alla luce di ciò, si potrebbe essere portati a ritenere che l’interazione tra Intelligenza Artificiale e scienze esatte conduca a risultati validi nel cento per cento dei casi. Ma non è sempre così. Come già si è visto quando si analizza il funzionamento dell’I.A. in termini non superficiali, anche una legge esatta deve essere valutata tenendo conto delle numerose variabili presenti negli ambienti nei quali essa opera. La certezza della legge, infatti, non elimina automaticamente la complessità del contesto.

Basti pensare, a titolo esemplificativo, alle auto a guida autonoma, che impiegano algoritmi fondati anche sulle leggi della fisica. Si potrebbe obiettare che tali leggi siano “perfette” soltanto in laboratorio, poiché nel mondo reale devono necessariamente fare i conti con numerose variabili, prime tra tutte le azioni delle altre auto a guida autonoma o, più in generale, degli altri soggetti presenti sulla strada. Un’impostazione del genere, tuttavia, rischia di essere fuorviante. L’algoritmo, infatti, considera le leggi della fisica assumendole come perfette – si pensi, per esempio, all’equazione F=ma – e, nello stesso tempo, acquisisce mediante appositi sensori le ulteriori variabili provenienti dall’ambiente esterno. Sarà poi suo compito elaborare una corretta chiave di interazione tra tali elementi, consentendo all’automobile di accelerare, sterzare ed arrestarsi secondo le leggi della fisica, ma in condizioni di sicurezza, cioè tenendo conto del contesto concreto nel quale la I.A. opera.

Tra le scienze del I tipo, la matematica occupa una posizione centrale. Essa ha svolto, e continua a svolgere, un ruolo decisivo nell’elaborazione dell’Intelligenza Artificiale, specie per quanto riguarda la costruzione degli algoritmi, la logica formale e la teoria della probabilità, la cui nascita si deve a Thomas Bayes e che è stata poi successivamente perfezionata. Sotto questo profilo, l’I.A. è chiaramente debitrice nei confronti della matematica. Oggi, però, può in qualche modo restituire quel debito attraverso la propria applicazione nella soluzione di problemi particolarmente complessi.

Recenti studi scientifici hanno mostrato, ad esempio, che l’Intelligenza Artificiale è in grado di scoprire nuovi teoremi e di affrontare alcuni problemi NP-completi. Al di là del dato in sé, ciò che rileva maggiormente è che la matematica costituisce la base formalistica di numerose altre scienze, tra cui la chimica. Ne deriva che simili progressi potranno produrre effetti straordinari nel settore farmaceutico e, dunque, anche nella scienza medica. Quando l’I.A. interagisce con la matematica, non migliora soltanto il calcolo: amplia anche il potenziale applicativo della ricerca scientifica.

Un discorso analogo va svolto per l’ingegneria informatica. Sin dal suo esordio come scienza autonoma, essa ha cercato di rispondere a una domanda fondamentale: come è possibile costruire un computer efficiente? I primi computer furono inventati indipendentemente e, fatto piuttosto singolare, quasi simultaneamente da scienziati appartenenti alle tre maggiori nazioni coinvolte nella Seconda guerra mondiale. Da allora, ogni generazione di hardware ha comportato un incremento di velocità e di potenza, accompagnato da una riduzione dei costi. Questa tendenza è tradizionalmente spiegata dalla legge di Moore.

La legge di Moore descrive il raddoppio della complessità dei circuiti di una struttura informatica in un periodo pari a circa diciotto mesi. Se si pone sull’asse delle ascisse il tempo e sull’asse delle ordinate il logaritmo relativo al numero e alla densità delle componenti del microchip, si ottiene una retta crescente, potenzialmente infinita, la cui pendenza corrisponde appunto a tale raddoppio. Oggi, però, il quadro si è ulteriormente evoluto, poiché si sta assistendo all’introduzione di hardware specificamente concepiti per le applicazioni di I.A., come GPU, TPU e WSE.

Vi è di più. Dagli anni Sessanta sino a circa il 2012, la potenza di calcolo impiegata per addestrare i sistemi destinati alle principali applicazioni di apprendimento automatico ha seguito la legge di Moore. A partire dal 2012, tuttavia, la situazione è cambiata in modo molto rilevante, poiché il raddoppio non si misura più in diciotto mesi, ma in circa cento giorni. Ne consegue che un modello di apprendimento automatico che nel 2014 richiedeva un giorno intero di addestramento oggi necessita di pochi minuti e, in alcuni casi, addirittura di pochi secondi.

L’avvento del computer quantistico e l’impiego dei bit quantistici, i cosiddetti qubit, consentiranno verosimilmente di inserire molti più dati, con un livello superiore di precisione, producendo accelerazioni eccezionali per alcune importanti categorie di algoritmi su cui l’I.A. si fonda. È allora evidente che l’Intelligenza Artificiale è destinata ad avere ricadute significative anche sulla stessa legge di Moore, giacché la creazione di macchine quantistiche potrà determinare una drastica riduzione del tempo e un aumento della densità dei microchip, facendo così crescere ulteriormente la pendenza della retta e apportando benefici notevoli al progresso tecnico e scientifico.

Anche la cibernetica rappresenta un campo di applicazione particolarmente significativo. La sua definizione più nota si deve a Norbert Wiener, secondo cui essa studia «i processi riguardanti la comunicazione e il controllo nell’animale e nella macchina». In questa prospettiva, la cibernetica analizza e realizza macchinari caratterizzati da un alto livello di automatismo, destinati a sostituire l’uomo nelle operazioni che richiedono elevata specializzazione e capacità di apprendimento dell’ambiente di riferimento.

Proprio per questo, la cibernetica costituisce il terreno di elezione dell’Intelligenza Artificiale. Si pensi agli impieghi in ambito aerospaziale, con particolare riferimento ai lanci di sonde programmati senza la presenza dell’uomo a bordo e gestiti interamente da computer dotati di un elevato grado di sviluppo dell’I.A. Oppure si considerino i sistemi avanzati di pilota automatico di alcuni aerei di linea, capaci di consentire decollo e atterraggio automatici. In tutti questi casi, la macchina non si limita ad eseguire un ordine, ma governa processi complessi di controllo, comunicazione e adattamento.

Alle scienze del I tipo appartengono anche le neuroscienze, che si occupano dello studio del sistema nervoso centrale e periferico e, in particolare, del cervello. Sebbene le modalità con cui abbia origine il pensiero restino ancora oggi una delle più grandi domande prive di risposta definitiva, è acquisito che le alterazioni del cervello, dovute a traumi o patologie, possano determinare deficit mentali. Gli studi sulla struttura funzionale del cervello iniziarono a svilupparsi dalla seconda metà dell’Ottocento, grazie alle ricerche di Paul Broca sulle afasie nei pazienti con danni cerebrali. Egli individuò un’area – oggi nota come area di Broca – preposta alla generazione del linguaggio.

Da allora, le conoscenze si sono notevolmente sviluppate e oggi si possiedono numerosi dati relativi alla corrispondenza tra aree cerebrali e parti del corpo da esse controllate. Grazie all’evoluzione della scienza medica, le neuroscienze hanno potuto costruire interfacce cervello-macchina per la percezione sensoriale e il controllo motorio, le quali hanno consentito, attraverso sistemi neurali realizzati per mezzo dell’Intelligenza Artificiale, di ripristinare almeno parzialmente alcune funzioni basilari in persone diversamente abili. È plausibile ritenere che, in futuro, l’I.A., unitamente allo studio dei sistemi neurali, permetterà di elaborare nuove soluzioni per compensare i deficit del sistema nervoso centrale e restituire alle persone affette da gravi patologie genetiche uno stile di vita quanto più possibile vicino alla normalità.

Accanto alle scienze del I tipo si collocano le scienze del II tipo, dette anche sociali o umane, caratterizzate dall’impiego di regole che non appartengono al novero delle scienze esatte. Vi rientrano l’economia, il diritto, la psicologia, la linguistica, le scienze politiche, l’antropologia, la sociologia, le scienze dell’educazione e della comunicazione. Occorre tuttavia precisare che l’economia non può essere annoverata integralmente, e senza distinguo, fra le scienze del secondo tipo, al pari, per esempio, della psicologia o del diritto. Essa utilizza infatti con frequenza crescente schemi formalistici ad elevato grado di precisione, e i suoi teoremi si fondano spesso su dimostrazioni matematiche rigorose. Nondimeno, le scienze economiche si avvalgono anche di leggi di copertura non caratterizzate da certezza assoluta, ragion per cui la loro collocazione convenzionale nell’ambito delle scienze del secondo tipo può essere mantenuta soltanto tenendo presente che esse occupano, in realtà, una sorta di terra di mezzo tra i due insiemi.

Nell’economia, l’impiego dell’Intelligenza Artificiale si rinviene soprattutto nell’ambito della teoria delle decisioni. Quest’ultima nasce dalla combinazione tra teoria della probabilità e teoria dell’utilità e mira a costruire una infrastruttura formale capace di supportare decisioni economiche e non economiche assunte in condizioni di incertezza, cioè in ambienti dominati da leggi probabilistiche e non pienamente controllabili. La circolazione stradale, già richiamata, costituisce un buon esempio: le leggi della fisica devono qui coordinarsi con le azioni umane, che non sono governate da leggi certe.

In questo contesto, la teoria dei giochi elaborata da von Neumann e Morgenstern rappresenta una delle principali applicazioni della teoria delle decisioni. Essa ha mostrato che, in alcuni giochi, un agente razionale deve adottare strategie casuali, o almeno apparentemente tali. Nel lessico dell’I.A., le decisioni che coinvolgono una pluralità di soggetti prendono il nome di sistemi multiagente. Le decisioni multiagente, distinguibili in giochi cooperativi e non cooperativi, richiedono una pianificazione congiunta e una qualche forma di coordinamento, se i soggetti coinvolti devono concordare il piano da seguire. Per alcune classi di decisioni multiagente esistono tecniche specifiche, nelle quali l’Intelligenza Artificiale e i suoi algoritmi svolgono un ruolo essenziale. Si pensi, a titolo esemplificativo, al contract net protocol, cioè a un sistema di assegnazione dei compiti, oppure alle aste elettroniche, impiegate per allocare in modo efficiente le risorse scarse.

Il rapporto tra Intelligenza Artificiale e diritto, poi, è uno dei più delicati e, forse, dei più interessanti. A prima vista, i due termini potrebbero persino sembrare inconciliabili. In realtà non è così. Va però detto, preliminarmente, che numerosi giuristi si occupano oggi dell’impatto dell’I.A. sul mondo del diritto, ma spesso con esiti non del tutto soddisfacenti, anche a causa della scarsa propensione degli operatori del settore a confrontarsi con un approccio realmente scientifico alla materia. Molto spesso, infatti, si fa confusione fra I.A. e algoritmi, mentre le due nozioni devono essere tenute distinte.

Un conto è analizzare l’impiego degli algoritmi nella decisione amministrativa; altro conto è valutare in quale misura l’Intelligenza Artificiale possa incidere sull’analisi del diritto e sulle decisioni giudiziarie. La prima ipotesi ricorre, ad esempio, quando la pubblica amministrazione indice una procedura selettiva e utilizza specifici algoritmi per attribuire punteggi alle offerte dei concorrenti. In un caso del genere, l’Intelligenza Artificiale riveste un ruolo pressoché nullo, poiché la decisione finale resta comunque affidata ad una persona fisica-organo, mentre l’algoritmo assume rilievo soltanto in un segmento limitato dell’esercizio della discrezionalità tecnica.

Ben diverso è il caso in cui l’I.A. sia in grado di sostituire gli operatori del diritto – giudici in primis – nell’adozione delle decisioni. A ben vedere, è proprio questo il fine ultimo cui tende l’impiego dell’Intelligenza Artificiale nelle scienze giuridiche: subentrare all’uomo decisore, eliminando errori, oscillazioni interpretative ed eccessi di opinabilità del diritto, spesso aggravati da una giurisprudenza ondivaga e dalle pressioni del mondo esterno, stampa in primo luogo. Si pensi ai processi mediatici, nei quali una “verità” costruita artificialmente dai mezzi di comunicazione finisce per entrare nel circuito delle aule giudiziarie, con effetti negativi sull’accertamento della verità processuale.

Non si tratta, del resto, di un’ipotesi soltanto teorica. In alcuni paesi del Nord Europa, l’Intelligenza Artificiale, grazie ad appositi algoritmi, ha già sostituito i magistrati in decisioni caratterizzate da basso grado di complessità, come certe controversie derivanti dall’applicazione del codice della strada. Molti giuristi italiani continuano tuttavia ad opporsi a questa prospettiva, sostenendo che il nostro ordinamento è troppo complesso per essere dominato da un soggetto diverso dall’uomo, anche a causa dell’uso di clausole generali e di concetti giuridici indeterminati. L’obiezione merita attenzione, ma non appare decisiva. In disparte il fatto che l’impiego legislativo di formule dai confini incerti favorisce spesso interpretazioni arbitrarie, essa trascura di considerare che il limite attuale della tecnologia non può essere assunto come limite definitivo. Se oggi l’evoluzione dell’I.A. non consente ancora una sostituzione radicale del magistrato, non è affatto detto che ciò non possa avvenire in futuro. Anzi, una simile prospettiva potrebbe persino risultare auspicabile, se davvero si intende recuperare quella prevedibilità delle decisioni giudiziarie che viene continuamente evocata, ma assai meno praticata.

Anche la psicologia ha offerto un contributo rilevantissimo. La psicologia cognitiva ha elaborato alcune delle prime basi per l’applicazione dell’I.A. alle scienze psicologiche. Kenneth Craik individuò tre requisiti fondamentali per un agente basato sulla conoscenza: lo stimolo proveniente dal mondo esterno deve essere tradotto in una rappresentazione cognitiva interna; tale rappresentazione deve essere manipolata attraverso processi cognitivi per ottenere nuove rappresentazioni; queste ultime devono poi essere trasformate in azioni.

La forza di tale impostazione emerge chiaramente dalle parole dello stesso Craik, il quale osservava che, se un organismo porta nella propria testa un “modello in scala” della realtà esterna e delle proprie possibili azioni, esso sarà in grado di provare varie alternative, decidere quale sia la migliore, reagire a situazioni future prima che si manifestino, utilizzare la conoscenza degli eventi passati per gestire quelli presenti e futuri e, in generale, reagire in modo molto più ricco, affidabile e competente alle emergenze. È difficile non vedere, in queste righe, una anticipazione di larga parte dello sviluppo successivo dell’Intelligenza Artificiale.

Su questa linea si collocano anche i lavori di George Miller sulla memoria, di Noam Chomsky sul linguaggio e di Newell e Simon sul pensiero logico, che hanno dimostrato come i modelli basati sui computer possano essere utilizzati per affrontare, rispettivamente, la psicologia della memoria, del linguaggio e del ragionamento. A ciò si aggiunge il contributo di Doug Engelbart, uno dei pionieri dell’interazione uomo-computer, che promosse il concetto di intelligenza aumentata, sostenendo che i computer dovevano accrescere le capacità umane anziché limitarsi ad automatizzare le attività dell’uomo. Nel 1968 egli presentò per la prima volta il mouse, un sistema a finestre, l’ipertesto e la videoconferenza, proprio per dimostrare come l’intelligenza aumentata potesse incrementare efficienza ed efficacia dell’azione umana.

Oggi si tende a ritenere che intelligenza aumentata e Intelligenza Artificiale si comportino come un vero e proprio Giano bifronte: la prima pone l’accento sul controllo dell’uomo, la seconda sul comportamento intelligente della macchina, che tende a sostituirsi al primo. Entrambe, tuttavia, risultano necessarie affinché le macchine possano produrre utilità all’uomo.

Un discorso particolarmente affascinante riguarda poi la linguistica. Esiste infatti un collegamento invisibile, ma fondamentale, tra linguaggio, pensiero e Intelligenza Artificiale. B.F. Skinner pubblicò nel 1957 Verbal Behavior, opera nella quale analizzava l’approccio behaviorista all’apprendimento del linguaggio, cioè un approccio volto allo studio delle percezioni ricevute da un essere vivente e delle corrispondenti risposte. Noam Chomsky, recensendo quell’opera, mise però in evidenza il limite essenziale del behaviorismo: esso non spiegava la dimensione creativa del linguaggio. Non chiariva, ad esempio, come i bambini potessero comprendere e produrre frasi mai ascoltate in precedenza.

La teoria di Chomsky, fondata su modelli sintattici riconducibili anche alla tradizione di Panini, era invece capace di spiegare la creatività linguistica ed era sufficientemente formalizzata da poter essere oggetto di programmazione e applicazione nelle scienze informatiche. Non è dunque un caso che la linguistica moderna e l’Intelligenza Artificiale siano nate nello stesso periodo storico. Questa concomitanza ha consentito ad entrambe di crescere insieme, fino a fondersi in un settore ibrido denominato linguistica computazionale o elaborazione del linguaggio naturale.

La linguistica computazionale costruisce formalismi descrittivi relativi ad un determinato linguaggio, al fine di rendere possibile la creazione di algoritmi funzionali al funzionamento dell’I.A. Basti pensare alle frasi pronunciate da alcuni dispositivi elettronici, capaci di dare vita a dialoghi, per quanto ancora basilari, con l’uomo. Dietro quella funzione apparentemente semplice si colloca in realtà un intreccio teorico profondissimo tra sintassi, cognizione, formalizzazione e macchina.

Resta infine da considerare il rapporto tra Intelligenza Artificiale e scienze del III tipo. Queste ultime sono dette anche “deboli”, in quanto il loro funzionamento dipende dall’applicazione di leggi di copertura caratterizzate da un altissimo tasso di opinabilità. Vi rientrano, a titolo esemplificativo, la religione, l’arte, la letteratura e l’estetica. In questi ambiti ci si muove nel campo del soggettivismo, del gusto, della sensibilità, dell’interpretazione. A stretto rigore, si potrebbe allora ritenere che l’Intelligenza Artificiale non debba trovare applicazione in simili settori.

Una conclusione del genere, tuttavia, merita almeno una parziale revisione. Lo sviluppo raggiunto dagli algoritmi mostra infatti che anche in questi ambiti l’I.A. può trovare forme di utilizzo non trascurabili. La linguistica computazionale e l’Intelligenza Artificiale potrebbero, per esempio, essere impiegate nella letteratura per elaborare opere caratterizzate da una precisa metrica o persino per scrivere automaticamente versi e frasi destinati a suscitare determinate emozioni nel lettore, come nostalgia, paura o altre tonalità affettive. Lo stesso può dirsi per l’arte, dove l’impiego degli algoritmi e dell’I.A. potrebbe consentire la realizzazione di opere capaci di generare particolari reazioni emotive negli utenti.

In definitiva, il tema delle applicazioni tecniche dell’Intelligenza Artificiale non può essere compreso davvero se viene ridotto ad un semplice elenco di esempi. Ciò che conta è comprendere come l’I.A. interagisca con le diverse forme del sapere umano. Con le scienze del I tipo essa dialoga sul terreno della formalizzazione e della legge esatta; con le scienze del II tipo si misura con la decisione, il linguaggio, il comportamento e le istituzioni; con le scienze del III tipo arriva perfino a confrontarsi con il soggettivo, il simbolico e l’estetico. È in questa interazione, molto più che nella singola applicazione, che si coglie la reale portata del fenomeno