L’Evoluzione dell’Intelligenza Artificiale: oltre le Previsioni di Turing

Cos’è una capacità emergente nell’Intelligenza Artificiale?
Nell’intelligenza artificiale, le capacità emergenti (emergent abilities dei Large Language Models) sono abilità che non vengono programmate esplicitamente, ma compaiono quando un modello supera una certa scala di parametri e dati di addestramento. Secondo la definizione di Wei et al. (2022), sono assenti nei modelli più piccoli e presenti in quelli più grandi, quindi non si possono prevedere estrapolando le prestazioni dei modelli minori. Esempi tipici: ragionamento a più passaggi, traduzione, sintesi complessa e generazione creativa.
Cosa aveva previsto Alan Turing sull’intelligenza artificiale?
Già nel 1950, molto prima della diffusione delle moderne reti neurali, Alan Turing affrontò una questione destinata a diventare centrale nella ricerca sull’intelligenza artificiale: una macchina può manifestare comportamenti che gli esseri umani riconoscono come intelligenti?
Nel saggio Computing Machinery and Intelligence, pubblicato sulla rivista Mind, Turing propose l’imitation game, alla base di quello che oggi chiamiamo test di Turing. L’idea era valutare il comportamento di una macchina durante una conversazione, anziché cercare una definizione filosofica definitiva del pensiero.
Le intelligenze artificiali moderne possono superare il test di Turing?
Uno studio pubblicato su PNAS nel 2026 ha mostrato che, in conversazioni testuali di cinque minuti e con uno specifico prompt volto a simulare una personalità umana, GPT-4.5 è stato identificato come interlocutore umano nel 73% dei casi. Nelle stesse condizioni, LLaMa-3.1-405B ha raggiunto il 56%, mentre GPT-4o, utilizzato senza quel tipo di prompt, si è fermato al 21%.
Il risultato è significativo dal punto di vista dell’imitazione del comportamento umano, ma richiede una distinzione fondamentale: superare un test conversazionale non dimostra che un sistema AI possieda coscienza, comprensione umana o intelligenza generale. Dimostra invece quanto alcuni modelli siano diventati efficaci nel generare interazioni linguistiche percepite come umane in condizioni sperimentali specifiche.
La domanda contemporanea non riguarda quindi soltanto la capacità delle macchine di imitare una conversazione, ma anche la comparsa di competenze che non erano state esplicitamente programmate e la possibilità di valutarle in modo scientificamente affidabile.
Come nascono le capacità emergenti dell’AI?
I sistemi di Intelligenza Artificiale (IA) stanno mostrando comportamenti e capacità che possono apparire come nuove o non esplicitamente programmate dai loro creatori, spesso definiti come comportamenti “emergenti”.
Un esempio famoso di emergenza nelle reti neurali è la capacità di alcuni sistemi avanzati di generare testi, immagini, o suoni che mostrano una comprensione sorprendentemente ricca del contesto, nonostante non siano stati esplicitamente programmati per comprendere il contesto nel modo in cui lo fa un umano. Tuttavia, queste capacità emergenti non sono necessariamente indicative di una vera consapevolezza o comprensione.
L’idea di “consapevolezza del mondo circostante” in una macchina è ancora molto dibattuta. I sistemi AI, anche quelli più avanzati, operano in base a pattern di dati che hanno appreso; non hanno consapevolezza di sé o una comprensione intrinseca del mondo nel senso umano. Operano attraverso modelli statistici e algoritmi che elaborano informazioni in modi che possono simulare la comprensione o la consapevolezza, ma al loro nucleo, questi sistemi mancano di una vera coscienza o intenzionalità.
Le capacità emergenti dunque sono quelle non esplicitamente programmate, ma che si sviluppano attraverso l’apprendimento autonomo dell’AI.
Evidenze scientifiche moderne sulle capacità emergenti
Studi recenti su modelli linguistici di larga scala come GPT-4, Gemini e Claude mostrano che alcune capacità emergono solo oltre determinate soglie dimensionali in termini di parametri, dati di addestramento e complessità architetturale.
Questo fenomeno viene spesso descritto come scaling effect: all’aumentare della scala del modello, compaiono abilità che non erano osservabili nelle versioni precedenti.
Il paper “Sparks of Artificial General Intelligence” (Bubeck et al., Microsoft Research, 2023) ha evidenziato comportamenti di ragionamento complesso non esplicitamente programmati, tra cui risoluzione di problemi matematici multi-step, comprensione di analogie, generazione di codice coerente e capacità di pianificazione.
Gli autori sottolineano come tali abilità non derivino da istruzioni specifiche inserite nel modello, ma emergano dall’interazione tra architettura neurale e grandi quantità di dati.
Ulteriori ricerche condotte da OpenAI, Google DeepMind e Anthropic indicano che l’emergenza può manifestarsi in domini diversi: ragionamento simbolico, capacità di traduzione zero-shot, comprensione contestuale avanzata, adattamento a istruzioni nuove e perfino metacognizione simulata (ad esempio la capacità di spiegare i propri passaggi logici).
È importante tuttavia distinguere tra emergenza funzionale e consapevolezza cognitiva.
Le evidenze empiriche mostrano che questi sistemi possono produrre comportamenti sofisticati, ma non dimostrano l’esistenza di coscienza o intenzionalità autonoma.
Le capacità emergenti rimangono il risultato di dinamiche statistiche complesse, non di una comprensione semantica intrinseca del mondo.
Esiste però una lettura critica. Nel paper “Are Emergent Abilities of Large Language Models a Mirage?” (Schaeffer, Miranda, Koyejo, Stanford), premiato come outstanding paper a NeurIPS 2023, gli autori sostengono che molti “salti” di capacità dipendano dalla metrica di valutazione scelta. Con metriche non lineari le prestazioni sembrano comparire all’improvviso; con metriche continue la crescita appare graduale e prevedibile.
Il dibattito scientifico rimane aperto: se da un lato lo scaling sembra abilitare proprietà qualitative nuove, dall’altro resta oggetto di studio la prevedibilità di tali fenomeni, la loro stabilità e i limiti teorici delle architetture attuali rispetto a un’eventuale Intelligenza Artificiale Generale (AGI).
Quali sono gli esempi più noti di capacità emergenti?
- Traduzioni: questa abilità non era stata esplicitamente programmata, ma è emersa come risultato della capacità dei sistemi di Intelligenza Artificiale di identificare modelli nei dati a disposizione.
- AlphaGo e la Creatività nel Gioco di Go Nel 2016, AlphaGo di DeepMind ha sorpreso il mondo giocando, nella seconda partita del marzo 2016, la celebre “mossa 37” contro il campione Lee Sedol che è stata inizialmente considerata un errore dagli esperti. Questa mossa si è rivelata decisiva e ha dimostrato una forma di creatività strategica non prevista.
- Il ripiegamento delle proteine con AlphaFold: il sistema di Google DeepMind ha previsto la struttura tridimensionale di oltre 200 milioni di proteine, un problema aperto da cinquant’anni. Il lavoro è valso a Demis Hassabis e John Jumper il Premio Nobel per la Chimica 2024.
- Scoperte Innovative nella Fisica delle Particelle L’utilizzo di AI nell’analisi dei dati dal Large Hadron Collider ha portato alla scoperta di nuovi modelli di comportamento dei quark, una scoperta che i fisici non avevano anticipato.
- Scoperta dei farmaci: nel 2020 un modello di deep learning del MIT, addestrato su circa 2.500 molecole, ha individuato l’antibiotico halicin analizzando una libreria di circa 6.000 composti. In laboratorio ha ucciso anche ceppi resistenti a tutti gli antibiotici noti. Il modello ha poi passato al vaglio oltre 100 milioni di molecole in pochi giorni (Stokes et al., Cell, 2020).
- Capacità di scrittura: qualsiasi modello si usi ha una capacità di generare testi che non solo sono grammaticalmente corretti, ma spesso pertinenti, contestualmente appropriati e sorprendentemente creativi. Questo include la creazione di poesie, storie, e persino testi in stili imitativi di specifici autori, che non sono stati esplicitamente insegnati al sistema
- Consapevolezza del contesto nel test “ago nel pagliaio”: nel marzo 2024, durante i test interni di Anthropic su Claude 3 Opus, una frase sui condimenti della pizza è stata nascosta in una lunga raccolta di documenti su programmazione e startup. Il modello non solo l’ha ritrovata, ma ha osservato che sembrava fuori contesto e che probabilmente era stata inserita per verificare la sua attenzione. Nessuno gli aveva insegnato a riconoscere un test.
-
L’effetto “professore improvvisato”:
in esperimenti accademici, quando viene chiesto a un modello di spiegare un concetto complesso
a un bambino di 8 anni o a un dottorando, il sistema adatta profondamente linguaggio e struttura.
Non è stato programmato con una “modalità bambino” o “modalità accademica”: la modulazione emerge dalla capacità di modellare il contesto comunicativo. -
Scoperta di pattern biologici inattesi:
in ambito genomico, modelli addestrati su sequenze di DNA hanno identificato correlazioni tra regioni genetiche che i ricercatori non avevano formalizzato come ipotesi.
Non avevano “conoscenza biologica”, ma la struttura statistica dei dati ha fatto emergere relazioni utili alla ricerca.
Molti altri esempi possono essere elencati, riferibili soprattutto a capacità emergenti delle IA. Tutti però portano a riflettere alla straordinarietà del momento che stiamo vivendo.
Quali sono i benefici delle capacità emergenti?
Queste nuove capacità potrebbero rivelarsi dunque come dei potenziali benefici nell’IA.
Ad esempio
- Sistemi di IA più creativi e innovativi: Le capacità emergenti potrebbero consentire ai sistemi di IA di escogitare nuove idee e soluzioni a problemi che gli esseri umani non potrebbero immaginare.
- Sistemi di IA più adattabili: Le capacità emergenti potrebbero consentire ai sistemi di IA di adattarsi a nuovi ambienti e situazioni senza dover essere riprogrammati.
- Sistemi di IA più efficienti: Le capacità emergenti potrebbero consentire ai sistemi di IA di imparare dai propri errori e migliorare le proprie prestazioni nel tempo.
Quali rischi comportano le capacità emergenti?
Tuttavia, ci sono anche alcuni potenziali rischi associati alle capacità emergenti nell’IA:
- Comportamenti imprevedibili: I sistemi di IA con capacità emergenti potrebbero esibire comportamenti imprevedibili che potrebbero essere dannosi.
- Mancanza di controllo: Potrebbe essere difficile controllare i sistemi di IA con capacità emergenti, il che potrebbe portare a situazioni pericolose.
- Problemi etici: Lo sviluppo di sistemi di IA con capacità emergenti potrebbe sollevare nuove questioni etiche, come la questione di chi sia responsabile delle azioni di tali sistemi.
Siamo in un nuovo paradigma tutto da scoprire. Nel bene e nel male.
Quali sono i limiti dell’intelligenza artificiale oggi?
Nonostante le impressionanti capacità dell’AI, è importante notare che la tecnologia attuale non possiede una vera consapevolezza di sé o emozioni umane. Le AI operano attraverso modelli statistici e algoritmi avanzati, e la loro “intelligenza” rimane altamente specializzata. La strada verso un’intelligenza artificiale generale, capace di eguagliare o superare l’intelligenza umana in tutti i contesti, è ancora lunga e ricca di sfide.
Certo è che la capacità di contestualizzare le risposte derivante dalle capacità emergenti di questi sistemi, ed il fatto che l’allenamento di questi sistemi (ovvero la quantità di dati che hanno avuto a disposizione per ampliare la propria conoscenza) è ancora all’inizio, ci porta molte domande nel prossimo futuro.
Di sicuro c’è che un sistema allenato a rispondere, ad esempio, a domande di un customer care diventa già oggi assimilabile al servizio effettuato da persone in carne e ossa.
Le macchine di oggi mostrano dunque già capacità che una volta erano ritenute possibili solo per gli umani: la visione di Turing sull’intelligenza artificiale come entità indistinguibile dagli uomini è, per molti versi, già raggiunta. Le capacità emergenti dell’AI non solo confermano alcune delle previsioni di Turing, ma aprono anche nuove frontiere per il futuro dell’intelligenza artificiale. E anche molte paure… paure che si presentano sempre quando siamo davanti all’ignoto.
FAQ — Capacità emergenti e intelligenza artificiale
Che cosa si intende per “capacità emergenti” in AI?
Sono comportamenti o abilità che diventano osservabili solo quando un modello raggiunge una certa scala (dati, parametri, training), pur non essendo state “codificate” come regole esplicite.
Le capacità emergenti significano che l’AI “capisce” come un umano?
No. In genere indicano prestazioni sorprendenti su compiti specifici, ma non implicano automaticamente coscienza, intenzionalità o comprensione “umana”.
Il test di Turing è ancora un buon criterio oggi?
È ancora utile come provocazione e come test comportamentale, ma oggi si usano anche benchmark tecnici, valutazioni di robustezza, safety e capacità multimodali.
Perché alcune abilità compaiono “all’improvviso” oltre una soglia?
Perché con più scala aumentano la copertura dei pattern nei dati, la capacità di generalizzare e la possibilità di combinare competenze in modo composizionale (soprattutto su compiti di ragionamento e linguaggio).
Qual è la differenza tra “emergenza” e “overfitting”?
L’overfitting è memorizzazione e scarsa generalizzazione. L’emergenza (quando reale) si manifesta con performance nuove su compiti non visti in quella forma, o con trasferimento di capacità tra domini.
AlphaGo è un esempio di capacità emergente?
È spesso citato come esempio di strategie non intuitive per gli umani emerse dall’ottimizzazione e dall’apprendimento. La “creatività” è una lettura umana di una soluzione efficace.
Un’AI può fare scoperte scientifiche in autonomia?
Può proporre ipotesi, pattern e candidati (es. molecole), ma nella pratica servono validazione sperimentale, controllo metodologico e responsabilità umana per confermare risultati e impatti.
Quali rischi aumentano con capacità emergenti più forti?
Rischi principali: imprevedibilità su compiti nuovi, errori “ben scritti” (hallucinations), uso improprio, bias, e maggiore complessità nel controllo e nella governance.
Che cosa cambia per aziende e marketing?
Le aziende possono automatizzare analisi, sintesi, customer care e produzione operativa, ma devono progettare governance, qualità dei dati, auditabilità e policy per evitare automazioni “cieche”.
Come si può “testare” un comportamento emergente in modo serio?
Con task ripetibili, dataset controllati, metriche chiare, valutazioni comparative (prima/dopo), stress test, e verifiche su robustezza, generalizzazione e sicurezza.
Bibliografia e fonti
Selezione di testi fondativi e riferimenti moderni su test di Turing, reti neurali, capacità emergenti e modelli di larga scala.
Turing (1950) — Computing Machinery and Intelligence
Testo fondativo che introduce l’impostazione operativa della domanda “possono le macchine pensare?” e il celebre test di Turing.
Turing (1948; pubbl. 1968) — Intelligent Machinery
Documento in cui Turing discute macchine “educabili” e concetti precursori (reti/connessioni) legati all’apprendimento.
OpenAI (2023/2024) — GPT-4 Technical Report
Riferimento tecnico su addestramento, valutazioni e limiti di un modello di larga scala (utile per contestualizzare “capacità” e “limiti”).
Bubeck et al. (2023) — Sparks of Artificial General Intelligence
Analisi sperimentale su comportamenti avanzati osservati in una versione iniziale di GPT-4, con focus su capacità e limiti.
Wei et al. (2022) — Emergent Abilities of Large Language Models
Paper molto citato sulle “abilità emergenti” che compaiono oltre certe soglie di scala e addestramento.
Silver et al. (2016) — AlphaGo e il Go
Riferimento scientifico sul sistema che ha segnato un punto di svolta nel rapporto tra apprendimento, strategia e “creatività” percepita.
Stokes et al. (2020) — Scoperta di antibiotici con deep learning (Halicin)
Paper su come modelli ML possono identificare candidati antibiotici non ovvi, spesso citato come esempio di “scoperta assistita”.
Google DeepMind — Publications
Archivio ufficiale con pubblicazioni su RL, modelli generativi, valutazioni e ricerca applicata.
OpenAI — Research Index
Raccolta ufficiale di ricerca e aggiornamenti tecnici utili per inquadrare modelli, limiti e trend.
Continua a leggere
E fa consumare meno energia.
Per tornare alla pagina che stavi visitando ti basterà cliccare o scorrere.


