Nel 1912 Bertrand Russell pubblicò The Problems of Philosophy, un testo destinato a diventare uno dei pilastri della riflessione epistemologica moderna. Più di un secolo dopo, mentre il dibattito pubblico è dominato da Large Language Models, agenti autonomi e promesse di intelligenza artificiale generale, molte delle domande formulate dal filosofo britannico appaiono sorprendentemente attuali. La vera novità non è che le macchine stiano diventando più intelligenti; la novità è che stanno costringendo l’umanità a riesaminare cosa significhi realmente conoscere.
L’industria dell’intelligenza artificiale ama descrivere i propri modelli come sistemi capaci di comprendere il mondo. Russell probabilmente avrebbe accolto questa affermazione con un certo scetticismo. Uno dei nuclei centrali del suo saggio riguarda infatti la distinzione tra apparenza e realtà. Quando osserviamo un tavolo, sostiene Russell, non percepiamo il tavolo in sé, ma una serie di dati sensoriali: colori, forme, ombre, consistenze. L’oggetto reale rimane sempre parzialmente nascosto dietro il filtro della percezione.
La connessione con i modelli generativi contemporanei è immediata. Un Large Language Model non accede alla realtà. Non vede il mondo, non lo tocca, non lo sperimenta. Analizza gigantesche collezioni di dati e costruisce rappresentazioni statistiche delle relazioni tra parole, immagini e concetti. Quando ChatGPT o Claude producono una risposta convincente, ciò che emerge non è necessariamente conoscenza nel senso tradizionale del termine, ma un’apparenza altamente sofisticata di conoscenza.
Questo aspetto introduce un fenomeno sempre più rilevante nelle organizzazioni e nella società: la delega epistemica alle macchine. Gli utenti tendono ad attribuire autorevolezza a risposte formulate in modo coerente e sicuro. La fluidità linguistica viene spesso scambiata per accuratezza. Russell aveva già identificato il rischio di confondere la percezione con la realtà; oggi il problema assume una nuova forma digitale. Non stiamo più semplicemente interpretando il mondo attraverso i nostri sensi, ma attraverso sistemi che producono rappresentazioni plausibili della realtà senza avere alcun accesso diretto ad essa.
La seconda intuizione di Russell appare ancora più profetica. Il filosofo distingue tra knowledge by acquaintance e knowledge by description. La prima deriva dall’esperienza diretta. Il dolore, il colore rosso, il freddo di una giornata invernale appartengono a questa categoria. La seconda consiste invece nella conoscenza mediata da descrizioni, deduzioni e riferimenti indiretti.
L’intera architettura dell’intelligenza artificiale contemporanea si colloca esclusivamente nella seconda categoria. Gli LLM vivono in un universo fatto soltanto di descrizioni. Sanno che il mare è salato perché milioni di testi lo affermano. Sanno che il fuoco brucia perché questa relazione compare nei dati di addestramento. Non hanno mai nuotato, non hanno mai sentito il calore di una fiamma, non hanno mai osservato un tramonto.
Molti osservatori considerano questo un limite temporaneo, destinato a scomparire con l’integrazione di sensori, robotica e sistemi multimodali. La questione è però più profonda. Anche dotando un modello di telecamere, microfoni e arti robotici, rimane aperta la domanda filosofica fondamentale: l’elaborazione di dati sensoriali equivale davvero a un’esperienza? Russell avrebbe probabilmente sostenuto che la semplice acquisizione di informazioni non coincide necessariamente con la conoscenza diretta.
Questa distinzione diventa cruciale quando si discute di coscienza artificiale. Gran parte del dibattito tecnologico contemporaneo confonde frequentemente competenza linguistica e comprensione autentica. Un modello può descrivere perfettamente la malinconia senza aver mai provato tristezza. Può spiegare la paura senza aver mai temuto nulla. Può discutere dell’amore senza aver mai desiderato qualcuno. La distanza tra descrizione ed esperienza rimane uno dei grandi enigmi irrisolti dell’intelligenza artificiale.
Il terzo collegamento tra Russell e l’AI riguarda il problema dell’induzione, forse la questione più importante per comprendere i limiti strutturali dei sistemi di machine learning. L’induzione consiste nell’inferire regole generali dall’osservazione di eventi passati. Se il sole è sorto ogni giorno della nostra vita, tendiamo a credere che sorgerà anche domani. Russell mostrò tuttavia come questa convinzione non possa essere logicamente dimostrata.
L’esempio del pollo è diventato celebre proprio per questo motivo. Ogni mattina il contadino porta il cibo. Il pollo osserva il pattern e conclude che il comportamento continuerà indefinitamente. Poi arriva il giorno in cui il contadino gli tira il collo. L’induzione funziona fino a quando non smette improvvisamente di funzionare.
L’intelligenza artificiale moderna rappresenta la più grande macchina induttiva mai costruita dall’umanità. I modelli analizzano trilioni di parole, immagini e relazioni statistiche per prevedere quale informazione sia più probabile in un determinato contesto. Il loro successo deriva precisamente dalla capacità di identificare pattern ricorrenti. La loro vulnerabilità deriva dalla stessa fonte.
Quando emergono eventi radicalmente nuovi, anomalie estreme o situazioni completamente fuori distribuzione, i modelli incontrano difficoltà strutturali. Le cosiddette allucinazioni non sono semplicemente errori tecnici; rappresentano la manifestazione concreta del limite epistemologico individuato da Russell oltre un secolo fa. Il sistema continua a cercare pattern anche quando il pattern non esiste.
Questo aspetto assume una rilevanza strategica enorme per imprese, governi e istituzioni. La retorica dominante presenta spesso l’intelligenza artificiale come una tecnologia predittiva quasi onnisciente. In realtà, la sua efficacia è massima in ambienti relativamente stabili e prevedibili. Quando il mondo cambia rapidamente, quando emergono crisi inattese o si verificano autentici “cigni neri”, l’affidabilità dei modelli può diminuire drasticamente.
La conseguenza più interessante è che il dibattito sull’intelligenza artificiale sta progressivamente diventando un dibattito filosofico. Le questioni che sembravano archiviate nei seminari universitari del XX secolo stanno tornando al centro delle decisioni economiche e tecnologiche del XXI. Che cos’è la conoscenza? Qual è la differenza tra rappresentazione e realtà? Possiamo fidarci delle inferenze basate sul passato? Che valore ha una descrizione priva di esperienza diretta?
La Silicon Valley ha investito centinaia di miliardi di dollari per costruire sistemi sempre più potenti. Russell, armato soltanto di logica e filosofia, aveva già individuato molte delle fragilità concettuali che oggi emergono nei modelli più avanzati. Questo non significa che l’intelligenza artificiale sia destinata a fallire. Significa piuttosto che la sfida non è esclusivamente computazionale. È epistemologica.
Mentre l’industria corre verso l’AGI e promette macchine capaci di ragionare come esseri umani, il vecchio problema di Russell continua a incombere sullo sfondo: una rappresentazione convincente della realtà non coincide necessariamente con la realtà stessa. Nell’era dei modelli generativi, questa osservazione non è soltanto una riflessione filosofica. È un requisito operativo per chiunque voglia distinguere la conoscenza autentica dalla sua simulazione statistica.