La dissertazione di Federico Lauria del 2014, “The Logic of the Liver: A Deontic View of the Intentionality of Desire”, non è rimasta un episodio laterale della filosofia analitica, ma è diventata retrospettivamente un punto di snodo concettuale in una traiettoria che oggi, nel 2026, attraversa filosofia della mente, teoria degli agenti e architetture di intelligenza artificiale. Il suo nucleo teorico, come confermato dalle ricostruzioni accademiche successive, è la proposta secondo cui il desiderio non è né semplice valutazione né mera disposizione all’azione, ma una rappresentazione del mondo sotto la modalità dell’“ought-to-be”, una struttura deontica interna al contenuto mentale stesso che incorpora la normatività come componente costitutiva e non derivata.

Questa impostazione, inizialmente confinata al dibattito su direction of fit e “death of desire principle”, si è progressivamente intrecciata con una seconda ondata di studi che, tra il 2015 e il 2020, ha iniziato a riformulare il problema dell’agency artificiale in termini esplicitamente normativi. L’idea che i sistemi cognitivi, biologici o artificiali, operino su rappresentazioni del tipo “ciò che dovrebbe accadere” è stata infatti ripresa implicitamente nei modelli di decision-making basati su reward shaping e in particolare nei framework di reinforcement learning gerarchico, dove la funzione di ricompensa diventa una forma esplicita di normatività esternalizzata.

The Rationale behind the Concept of Goal

Il passaggio critico avviene quando la letteratura sull’AI smette di trattare il goal come semplice variabile ottimizzabile e inizia a descriverlo come struttura composita di vincoli, preferenze e stati accettabili. Già nel 2015 alcuni modelli formali di agency avevano iniziato a reinterpretare desideri e intenzioni come “sequenze di outcome accettabili”, riducendo la distanza tra linguaggio filosofico e formalizzazione computazionale dei sistemi decisionali (arXiv). In questa transizione, la nozione di desiderio perde la sua aura psicologica e diventa una proprietà strutturale di sistemi che filtrano alternative possibili secondo criteri normativi impliciti.

Tra il 2017 e il 2022, la seconda fase di questa convergenza si è consolidata con la crescita dei modelli predittivi per agenti multipli, dove la nozione di “intenzione” viene trattata come distribuzione probabilistica su futuri possibili, ordinata da una funzione di reward. Anche qui, il linguaggio cambia ma la struttura resta sorprendentemente vicina alla tesi deontica originaria: ciò che il sistema “vuole” è ciò che il sistema valuta come stato del mondo che deve emergere da una funzione interna di ottimalità. La differenza tra filosofia e machine learning non è più concettuale ma solo terminologica.

Il punto di frizione teorico emerge nel momento in cui questi sistemi diventano agentici, cioè capaci di pianificare, decomporre obiettivi e aggiornare dinamicamente le proprie strategie. La letteratura sull’allineamento AI tra 2023 e 2026 ha progressivamente abbandonato la metafora del “tool intelligente” per adottare quella dell’agente normativo, dove ogni sistema è implicitamente portatore di una struttura di “should” incorporata nei suoi obiettivi. In questo contesto, la tesi di Lauria diventa sorprendentemente attuale: se il desiderio è già una rappresentazione del mondo come “ciò che dovrebbe essere”, allora ogni sistema ottimizzante è inevitabilmente un sistema normativo, anche quando si presenta come neutro.

Un secondo filone rilevante, sviluppatosi nella filosofia della mente post-2017, ha ulteriormente rafforzato questa lettura introducendo modelli ibridi tra cognizione, apprendimento e normatività, nei quali il desiderio non è più un singolo stato mentale ma una dinamica emergente tra valutazione, apprendimento e vincolo ambientale. Qui la convergenza con l’AI è quasi completa: i modelli di deep reinforcement learning descrivono esattamente questo tipo di dinamica, dove l’agente apprende la struttura del mondo mentre simultaneamente costruisce una funzione interna di preferenze che non è mai completamente osservabile dall’esterno.

Nel 2026, la discussione si è ulteriormente spostata su un livello superiore: non più se gli agenti artificiali abbiano “desideri”, ma se le loro architetture implementino necessariamente forme di normatività interna non riducibili alla progettazione umana iniziale. Alcuni studi sull’emergenza di comportamenti strumentali nei sistemi multi-agente suggeriscono che, una volta superata una certa soglia di complessità, le policy sviluppano strutture stabili di comportamento che assomigliano a desideri coerenti, anche quando non sono esplicitamente programmate.

La traiettoria che va da Lauria ai modelli contemporanei di agentic AI mostra quindi un punto di continuità sorprendente: la normatività non è un’aggiunta culturale alla mente, ma una proprietà strutturale dei sistemi che selezionano tra stati del mondo possibili. La filosofia del 2014 aveva formalizzato questa intuizione in termini di intentionalità del desiderio; l’AI del 2026 la implementa in termini di loss function, reward model e policy optimization.

Il risultato è un cortocircuito teorico ormai difficile da ignorare. La filosofia aveva costruito una grammatica del “dover essere” mentale. L’ingegneria ha costruito macchine che operano esattamente su quella grammatica, senza aver bisogno di esplicitarla. Tra le due, non c’è più una traduzione, ma una sovrapposizione parziale e instabile, dove il problema non è più definire cosa sia un desiderio, ma accettare che ogni sistema ottimizzante, umano o artificiale, sta già operando dentro una struttura deontica implicita.