C’è un’espressione associata al pensiero di Braitenberg che merita di essere ricordata: the law of uphill analysis and downhill invention.
L’analisi procede in salita, la costruzione in discesa.
Capire come funziona un sistema biologico estremamente complesso può essere difficilissimo. Costruire un sistema artificiale che produca un comportamento simile può invece risultare relativamente semplice.
È una provocazione nei confronti della nostra tendenza a confondere la complessità del risultato con quella del processo che lo genera.
Pensiamo ai Large Language Models. Una conversazione apparentemente intelligente può richiedere un’infrastruttura tecnologica gigantesca, ma questo non significa che ogni singola capacità osservata richieda un meccanismo cognitivo equivalente a quello umano. Alcune competenze emergono dalla combinazione di apprendimento statistico, rappresentazioni interne, attenzione e interazioni tra componenti.
Il problema è che osserviamo il risultato e tendiamo a raccontarci una storia sul suo funzionamento interno. È esattamente il genere di errore interpretativo che Braitenberg ci invita a evitare.
Un agente AI che pianifica un viaggio, modifica un documento e corregge un errore può sembrare dotato di intenzionalità. Ma dobbiamo distinguere tra intenzionalità attribuita dall’osservatore, comportamento orientato a un obiettivo e presenza di una reale esperienza soggettiva. Sono tre questioni differenti, che l’attuale progresso tecnologico tende pericolosamente a comprimere in una sola parola: intelligenza.
Braitenberg e l’intelligenza incarnata
Un altro aspetto particolarmente interessante riguarda il rapporto tra cervello, corpo e ambiente.
I veicoli di Braitenberg non sono intelligenze astratte che elaborano informazioni in isolamento. Sono sistemi che percepiscono qualcosa e reagiscono attraverso un corpo. Il comportamento nasce dall’interazione tra struttura interna, sensori, attuatori e ambiente.
Questa impostazione anticipa molti temi dell’Embodied Cognition, secondo cui la cognizione non può essere compresa esclusivamente studiando le operazioni computazionali interne al cervello.
Per un robot, il mondo non è una sequenza di dati da classificare. È qualcosa con cui interagire, che modifica continuamente le condizioni del sistema. Il movimento cambia la percezione, la percezione modifica il movimento, e questa relazione produce nuove informazioni.
È un circuito di retroazione, non una semplice successione di input e output.
Qui emerge una differenza importante rispetto ai modelli linguistici tradizionali. Un LLM riceve prevalentemente rappresentazioni simboliche o numeriche del mondo e produce altre rappresentazioni. Un agente robotico, invece, deve confrontarsi con conseguenze fisiche, ritardi, errori, attriti, ostacoli e condizioni ambientali impreviste.
Naturalmente, gli agenti AI contemporanei possono utilizzare strumenti, interagire con software, controllare robot e operare in ambienti dinamici. Ma la questione della corporeità rimane centrale per comprendere quanto siano effettivamente autonomi.
Nel 2020, la ricerca sui veicoli di Braitenberg veniva già utilizzata per studiare la navigazione autonoma e il rapporto dinamico tra percezione, movimento e ambiente.
Perché leggerlo oggi, nell’epoca dell’AI generativa
Personalmente, leggerei Braitenberg non come un autore storico della robotica, ma come un antidoto all’antropomorfismo tecnologico.
L’industria AI vende capacità attraverso metafore umane. I modelli ragionano, comprendono, ricordano, desiderano, collaborano. Sono termini commercialmente efficaci, ma scientificamente impegnativi.
Braitenberg suggerisce di rovesciare la prospettiva. Non chiedersi immediatamente se una macchina sia intelligente, ma quali connessioni, processi e interazioni siano sufficienti a produrre il comportamento che osserviamo.
Questo approccio permette anche di separare tre livelli che nel dibattito pubblico vengono continuamente confusi: la capacità funzionale di un sistema, il meccanismo che rende possibile quella capacità e la questione della coscienza.
Un modello può risolvere un problema senza comprenderlo nel senso umano del termine. Può manifestare un comportamento coerente senza possedere necessariamente un’intenzione. Può simulare una relazione senza che questo dimostri l’esistenza di un’esperienza relazionale.
Ma attenzione: nemmeno Braitenberg autorizza a liquidare ogni comportamento complesso come una semplice illusione. Il suo metodo serve proprio a costruire spiegazioni verificabili, non a sostituire una certezza antropocentrica con una certezza meccanicistica.
Il valore del suo pensiero sta nella disciplina dell’osservazione.
C’è poi una conseguenza strategica per chi progetta sistemi AI. Se il comportamento intelligente può emergere da architetture relativamente semplici, allora aggiungere parametri, modelli e livelli di ragionamento non rappresenta automaticamente un progresso. Occorre capire quali meccanismi producano realmente capacità, adattamento e robustezza. È una lezione che riguarda direttamente l’efficienza computazionale, la progettazione degli agenti e la valutazione delle loro prestazioni.
Da dove cominciare
Il libro da leggere è Vehicles: Experiments in Synthetic Psychology (1984), disponibile anche con il titolo italiano I veicoli pensanti.
Non lo leggerei come un manuale tecnico e nemmeno come un’introduzione alla storia dell’AI. Lo leggerei lentamente, seguendo gli esperimenti mentali e provando a ricostruire mentalmente ogni circuito.
Il libro procede attraverso quattordici veicoli ipotetici, introducendo progressivamente nuove connessioni e capacità. Ogni modifica architetturale produce un diverso comportamento, che l’osservatore può interpretare psicologicamente.
Per approfondire il collegamento con la ricerca contemporanea, suggerisco anche questo articolo scientifico:
Braitenberg Vehicles as Computational Tools for Research in Neuroscience, Frontiers, 2020 .
E per una prospettiva più ampia sull’intelligenza situata:
Planet Braitenberg: Experiments in Virtual Psychology, 2020 .
La mia chiave di lettura sarebbe questa: Braitenberg non serve a capire quanto le macchine siano simili agli esseri umani. Serve a capire quanto poco sappiamo, ancora, dei meccanismi che rendono intelligente un comportamento.
In un’epoca in cui ogni chatbot sembra avere una personalità e ogni agente promette autonomia, è una distinzione intellettualmente preziosa.
La macchina può comportarsi come se avesse una mente. Il lavoro interessante comincia quando smettiamo di chiederci che cosa sembri e iniziamo a capire come funziona.