L’intelligenza artificiale costruisce rappresentazioni efficienti selezionando regolarità, eliminando ridondanze e restringendo lo spazio delle possibilità. Ma ogni rappresentazione produce inevitabilmente anche scarti. Partendo dalla complessità di Kolmogorov, l’articolo collega compressione, euristica, bias, memoria e sogno per formulare una questione epistemologica: un’intelligenza può evolvere se conserva soltanto le conclusioni corrette? Il sogno diventa così metafora di una “decompressione”, capace di riaprire associazioni e informazioni marginalizzate. Il mio articolo su INGENIO propone questa chiave per interrogare anche i sistemi AI multi-agente e il rapporto tra efficienza computazionale e trasformabilità della conoscenza.

---

La mente che comprime e la mente che sogna

Rappresentazione, euristica, bias e memoria dello scarto nell’epoca dell’intelligenza artificiale

Quando diciamo che la neve è bianca non stiamo normalmente formulando un’ipotesi sul mondo, almeno non nello stesso senso in cui lo facciamo quando affermiamo che domani nevicherà. Il predicato sembra essersi incorporato nel concetto al punto che la sua verifica, salvo circostanze particolari, non viene più richiesta: possiamo parlare della neve, calcolarne il peso su una copertura, ricordare una nevicata o riconoscerla in una fotografia senza che la questione del colore debba essere nuovamente istruita. Ciò che in origine apparteneva all’esperienza si è trasformato in una componente relativamente stabile della rappresentazione.

Naturalmente la neve può non apparire bianca. Proprio questa possibilità impedisce di ridurre l’esempio a una relazione definitoria. Più interessante è osservare che il pensiero può procedere perché una parte delle proprie acquisizioni viene sottratta alla necessità di una verifica permanente. Se dovessimo ricostruire a ogni occorrenza la catena inferenziale che sostiene ciò che consideriamo acquisito, non avremmo una conoscenza più rigorosa, ma una regressione difficilmente compatibile con qualsiasi attività cognitiva. La stabilizzazione dei significati riduce lo spazio delle possibilità che devono essere prese in considerazione affinché un nuovo ragionamento possa avere luogo.

Chiamare questo processo compressione è certamente una metafora, e conviene conservarne la natura metaforica. Consente tuttavia di accostare due questioni differenti: la quantità di informazione necessaria per descrivere qualcosa e la quantità di mondo che una rappresentazione deve lasciare fuori di sé per diventare utilizzabile.

Andrej Nikolaevič Kolmogorov appartiene alla prima questione. Una teoria della conoscenza appartiene alla seconda.

In un precedente approfondimento sulla misura della complessità nell’era dell’intelligenza artificiale avevamo seguito Kolmogorov fino a questo confine: se una rappresentazione più breve riesce a conservare la capacità di generare ciò che descrive, la compressione può essere letta come individuazione di struttura. Restava aperto ciò che accade quando a comprimere non è un algoritmo che deve riprodurre esattamente una stringa, ma un’intelligenza che deve costruire una rappresentazione del mondo.

La misura della complessità nell'era dell'intelligenza artificiale⁠

Dalla descrizione minima alla rappresentazione

Nella teoria della complessità algoritmica associata al nome di Kolmogorov, la complessità di un oggetto può essere ricondotta, semplificando, alla lunghezza del programma più breve capace di generarlo. Una sequenza molto lunga governata da una regola semplice può possedere una descrizione breve; una sequenza più corta, ma priva di regolarità utilizzabili, può richiedere una descrizione quasi estesa quanto la sequenza stessa.

Non è dunque la quantità immediatamente percepibile degli elementi a determinare la complessità, ma la loro resistenza alla riduzione descrittiva.

La tentazione di trasferire questa idea direttamente alla conoscenza è forte, ma sarebbe concettualmente scorretta. La descrizione minima di Kolmogorov deve conservare la capacità di rigenerare esattamente l’oggetto; una rappresentazione cognitiva, un modello scientifico, una categoria linguistica o un ricordo non hanno necessariamente questa proprietà. Essi selezionano, gerarchizzano, stabiliscono equivalenze, assumono alcune differenze come pertinenti e ne relegano altre sullo sfondo.

La rappresentazione, in questo senso, non è una copia meno dettagliata del reale. È un dispositivo che rende il reale intelligibile secondo un certo regime di pertinenza.

La mappa ne costituisce l’esempio quasi inevitabile. Una carta che contenesse tutto ciò che appartiene al territorio cesserebbe di funzionare come carta. La sua capacità di orientare deriva precisamente da ciò che omette. Lo stesso accade osservando una città: dall’alto diventano leggibili infrastrutture, densità, flussi, centralità, vuoti, relazioni morfologiche; scendendo alla scala della strada riemergono il singolo edificio, l’ostacolo, l’uso imprevisto di uno spazio, la persona che lo attraversa. Nessuna delle due rappresentazioni è semplicemente più vera dell’altra. Rendono visibili cose differenti perché operano a risoluzioni differenti.

Una conoscenza sufficientemente matura dovrebbe allora possedere non soltanto buone rappresentazioni, ma una certa reversibilità dello sguardo: la possibilità di cambiare scala senza attribuire alla scala adottata il privilegio di coincidere con il mondo.

---

L’MP3 e la costruzione dell’irrilevante

Ho riportato a casa la mia collezione di compact disk e a breve rimetterò un impianto Hi-Fi. Non mi sento più soddisfatto dei brani compressi disponibili dal mio abbonamento online.

Ne parlo perchè il formato MP3 introduce nel ragionamento un elemento ulteriore. Non perché la sua compressione possa essere assimilata alla complessità di Kolmogorov — non può esserlo — ma perché rende particolarmente evidente il problema della selezione.

La compressione lossy accetta che una parte dell’informazione originaria venga eliminata. Attraverso modelli psicoacustici si stabilisce quali componenti del segnale possano essere sacrificate, entro determinate condizioni, senza alterare in maniera ritenuta significativa l’esperienza dell’ascolto. Possiamo così conservare molta più musica nello stesso spazio di memoria, continuando a riconoscere il brano, l’esecuzione, gli strumenti, la voce.

L’operazione presuppone un criterio che distingua ciò che deve essere conservato da ciò che può essere trascurato. Il concetto di rumore, osservato da questa prospettiva, perde parte della propria innocenza: un dato non è necessariamente irrilevante in sé; può essere irrilevante rispetto alla rappresentazione entro la quale lo stiamo interrogando.

Una misura marginale all’interno di un modello può acquistare importanza quando il modello cambia. Un’anomalia esiste come anomalia soltanto rispetto a un ordine che consente di riconoscerla come tale. La storia della conoscenza potrebbe essere letta anche come una continua modificazione dello statuto degli scarti: ciò che era accidente diventa indizio, ciò che era disturbo diventa segnale, ciò che appariva eccezione obbliga a modificare la classificazione.

Non si tratta, quindi, di immaginare una conoscenza priva di selezione. Una rappresentazione incapace di escludere alcunché sarebbe probabilmente inutilizzabile. Occorre piuttosto distinguere l’esclusione dalla cancellazione.

---

Euristica, scorciatoia e bias

Del resto, la selezione non interviene soltanto quando costruiamo una rappresentazione: accompagna il pensiero mentre cerca una soluzione. Fra tutte le possibilità teoricamente disponibili, alcune vengono percorse, altre abbandonate quasi immediatamente, altre ancora non arrivano neppure a presentarsi come possibilità.

È in questa economia della ricerca, prima ancora che nell’errore, che trova posto l’euristica. Un’intelligenza finita non può esplorare esaustivamente lo spazio delle possibilità prima di agire; deve orientare la ricerca, assumere regolarità, riconoscere somiglianze, interrompere percorsi poco promettenti, utilizzare conoscenze precedenti senza sottoporle continuamente a nuova verifica.

L’euristica non rappresenta quindi una versione imperfetta del ragionamento formale, alla quale ricorrere quando mancano tempo o capacità di calcolo. Appartiene più profondamente alla condizione di un’intelligenza che, non potendo confrontarsi simultaneamente con tutte le configurazioni possibili del reale, deve continuamente costruire un campo di pertinenza entro il quale alcune possibilità meritano attenzione e altre possono, almeno provvisoriamente, essere ignorate.

È in questo senso che anche l’affermazione «la neve è bianca» partecipa di un’economia cognitiva. Possiamo non interrogarci ogni volta sul colore della neve perché quella relazione è stata sedimentata nella rappresentazione; il già conosciuto diventa così una premessa tacita del conoscere successivo. Senza questa sedimentazione ogni inferenza dovrebbe ricominciare da capo, trascinando con sé la necessità di verificare indefinitamente le proprie premesse.

Il problema compare quando si perde la memoria del carattere selettivo dell’operazione. Una generalizzazione utile può trasformarsi in una condizione preventiva di riconoscibilità: non utilizziamo più la rappresentazione per interpretare il fenomeno, ma tendiamo a riconoscere soltanto ciò che la rappresentazione ci consente di vedere.

In questa prospettiva il bias può essere letto, senza pretendere con ciò di fornirne una definizione psicologica esaustiva, come una compressione che ha dimenticato di essere una compressione.

Questa interpretazione sottrae il bias alla semplice opposizione fra razionalità ed errore. Alcune distorsioni possono nascere precisamente dal successo di un’euristica: una regolarità ha funzionato abbastanza a lungo da rendere invisibili le condizioni entro le quali funzionava. La scorciatoia, inizialmente necessaria per attraversare la complessità, finisce così per delimitare ciò che consideriamo percorribile.

L’esuberanza della ricerca e la memoria degli scarti

Un sistema cognitivo che conservasse soltanto le proprie conclusioni sarebbe certamente economico. Saprebbe che cosa è stato deciso, quale soluzione ha funzionato, quale ipotesi ha prevalso. Avrebbe però perduto la topologia del percorso: le biforcazioni, gli errori, le alternative sconfitte, le anomalie che non hanno trovato posto nella spiegazione adottata.

È un problema che avevamo incontrato da un’altra direzione ragionando sul rasoio di Occam nell’era dei 10.000 agenti. La parsimonia riguarda ciò che decidiamo di trattenere nella spiegazione, non necessariamente l’ampiezza dello spazio che dobbiamo esplorare per raggiungerla. Avevamo chiamato esuberanza euristica questa disponibilità a produrre molte più ipotesi di quante ne sopravvivranno nella conoscenza consolidata.

Il rasoio di Occam nell’era dei 10.000 agenti: la parsimonia della conoscenza ha bisogno dell’eccesso?⁠

Ma l’esuberanza non riguarda soltanto quante possibilità siamo disposti a esplorare. Riguarda anche quanto irreversibilmente siamo disposti a dimenticarle dopo averle escluse.

La distinzione fra memoria del risultato e memoria del percorso acquista allora una consistenza epistemologica. La prima conserva ciò che il sistema considera acquisito; la seconda conserva, almeno in parte, la genealogia di ciò che non lo è diventato.

Ciò che un agente elimina può essere conservato da un altro; una rappresentazione può convergere mentre un’altra continua a esplorare; un errore può permanere abbastanza a lungo da essere reinterpretato alla luce di informazioni che, nel momento in cui era stato prodotto, non erano disponibili.

Non si tratta di attribuire una virtù all’errore in quanto tale. La maggior parte degli errori rimarrà probabilmente tale. Il problema riguarda piuttosto l’irreversibilità della loro eliminazione, perché non possediamo, nel momento in cui scartiamo un’ipotesi, un punto di osservazione esterno alla storia capace di garantirci che nessuna parte di essa potrà assumere un significato differente all’interno di una futura rappresentazione.

La memoria, considerata in questa prospettiva, non coincide con l’archivio. Un archivio che conservasse indiscriminatamente ogni cosa trasferirebbe semplicemente il problema dalla conservazione alla ricerca. Sarebbe necessario pensare una memoria stratificata, nella quale ciò che perde pertinenza operativa possa entrare in uno stato di latenza senza essere per questo definitivamente degradato a rumore.

Finora abbiamo interrogato l’intelligenza sulla capacità di generare, selezionare e comprimere conoscenza. Rimane da comprendere se un’intelligenza capace di evolvere debba possedere anche una quarta facoltà: conservare abbastanza dei propri scarti da poterli nuovamente interrogare quando cambia il sistema di rappresentazione.

---

Il sogno e la sospensione della pertinenza

La mente umana offre qui un’analogia che merita cautela proprio perché è seducente. La vecchia rappresentazione di un emisfero razionale contrapposto a un emisfero creativo è neuroscientificamente troppo rozza per sostenere l’argomento. Rimane però il fatto che la nostra attività mentale non si svolge interamente sotto il regime dell’attenzione deliberata e della finalità immediata.

Esistono la divagazione, l’associazione spontanea, l’incubazione; esiste il sonno, durante il quale memoria ed esperienza vengono sottoposte a processi di consolidamento e riorganizzazione; esiste il sogno, la cui funzione non può essere ridotta a una comoda macchina biologica della creatività, ma nel quale viene comunque meno parte dell’ordinaria disciplina attraverso cui la coscienza vigile stabilisce ciò che è pertinente al compito presente.

Su questo terreno è opportuno distinguere ciò che la neuroscienza consente di affermare da ciò che appartiene invece all’interpretazione.

Il coinvolgimento del sonno nei processi di consolidamento della memoria è ampiamente documentato; più controverso rimane il significato funzionale del sogno. Una meta-analisi pubblicata nel 2023 su Sleep da Lauren Hudachek ed Erin J. Wamsley, comprendente 16 studi e 45 effetti, ha rilevato un’associazione significativa tra la presenza nel sogno di contenuti relativi a un compito precedentemente appreso e il successivo miglioramento delle prestazioni mnestiche (SMD = 0,51; IC 95% 0,28–0,74). Gli stessi autori mantengono però una distinzione essenziale: l’associazione non dimostra che sia il sogno a produrre il consolidamento, e gli studi disponibili non consentono di stabilire un rapporto causale. Il contenuto onirico potrebbe piuttosto riflettere processi di riattivazione e consolidamento che avvengono durante il sonno.

Hudachek & Wamsley, “A meta-analysis of the relation between dream content and memory consolidation”, Sleep, 2023⁠

Questa cautela è utile anche sul piano filosofico, perché evita di trasformare il sogno in una sorta di dispositivo biologico destinato alla scoperta. Il sogno interessa qui non per un suo presunto contenuto rivelatore, ma per la diversa sintassi delle associazioni che rende possibile. Elementi lontani possono essere accostati senza dover preventivamente giustificare la propria relazione; frammenti mnestici possono essere ricombinati; gerarchie che durante la veglia organizzano il campo della pertinenza possono perdere temporaneamente parte della propria forza.

Ciò che durante l’attività finalizzata era stato marginalizzato può così rientrare in una diversa configurazione associativa. Non necessariamente produrrà qualcosa di significativo. Ciò che conta, per il ragionamento che stiamo seguendo, è che il criterio attraverso cui era stata stabilita la sua irrilevanza non conservi indefinitamente la propria sovranità.

Se il pensiero vigile riduce continuamente lo spazio delle possibilità, possiamo chiamare decompressione il movimento complementare attraverso il quale alcune relazioni precedentemente marginalizzate tornano disponibili. Il termine non indica il recupero integrale dell’informazione originaria, come se la mente potesse semplicemente invertire un algoritmo di compressione, ma la possibilità di riaprire una rappresentazione, alterarne le pertinenze e permettere a elementi separati di entrare in nuove relazioni.

In questo senso, comprimere e decomprimere non costituiscono due operazioni simmetriche sull’informazione. Sono piuttosto due differenti regimi della conoscenza.

Dalla biodiversità degli agenti alla decompressione artificiale

La questione riporta ai sistemi multi-agente e alla possibilità che migliaia di intelligenze artificiali non si limitino a suddividersi un calcolo, ma modifichino reciprocamente le proprie rappresentazioni. Nel precedente articolo dedicato alle intelligenze artificiali che cominciano a pensare insieme, l’aspetto rilevante non era il numero degli agenti in quanto tale, ma la possibilità che dalla loro interazione emergesse uno spazio epistemico non interamente riconducibile alla traiettoria del singolo agente.

Quando le intelligenze artificiali cominciano a pensare insieme: verso la ricerca scientifica superumana⁠

Vista dalla prospettiva sviluppata qui, quella pluralità assume un significato ulteriore. Potrebbe costituire una forma di memoria distribuita delle possibilità: non soltanto molti agenti che cercano risposte diverse, ma un ambiente nel quale una risposta scartata localmente non debba necessariamente scomparire globalmente.

L’intelligenza artificiale, tuttavia, non possiede spontaneamente l’equivalente della nostra notte. Non perché le macchine non possano essere sottoposte a processi offline, replay, riorganizzazione delle memorie o esplorazione; possono esserlo e in forme sempre più sofisticate. La differenza riguarda il fatto che questi processi devono essere progettati, indotti, governati da un’architettura e da criteri che ne stabiliscono l’esistenza.

Parlare di un’AI che “sogna” sarebbe quindi antropomorfico se pretendessimo di attribuirle l’esperienza fenomenologica del sogno. Diventa invece una metafora più interessante se con essa indichiamo la possibilità di progettare spazi computazionali nei quali la convergenza venga deliberatamente sospesa, le ipotesi scartate possano essere ricombinate e il criterio di utilità immediata perda temporaneamente il proprio primato.

In un sistema multi-agente, alcuni agenti potrebbero convergere mentre altri continuano a divergere; alcuni consolidare conoscenza mentre altri riaprano ciò che è stato scartato; alcuni lavorare secondo l’euristica dominante mentre altri ne alterano deliberatamente le condizioni.

Non avremmo costruito una macchina che sogna. Avremmo forse costruito una macchina alla quale è concesso, in determinati momenti, di non sapere ancora che cosa debba essere dimenticato.

---

Efficienza computazionale e ridondanza epistemica

Questa ipotesi entra però in tensione con una delle grandi questioni materiali dell’intelligenza artificiale: l’efficienza.

Memoria, energia, tempi di inferenza, quantità di dati e costo computazionale rendono inevitabile la ricerca di rappresentazioni più economiche. Un sistema che dovesse riesaminare l’intera storia delle proprie conoscenze a ogni inferenza sarebbe inutilizzabile, così come sarebbe inutilizzabile un essere umano costretto a interrogarsi ogni mattina sul colore della neve.

L’efficienza richiede sedimentazione, e la sedimentazione produce inevitabilmente scarti.

Ma l’ottimizzazione possiede una propria semantica implicita: privilegia ciò che è utile rispetto a una funzione, a un obiettivo, a una determinata distribuzione di problemi. Ciò che non contribuisce viene marginalizzato. Quanto migliore diventa il sistema nell’individuare scorciatoie, tanto più diventa importante conservare la possibilità di abbandonarle.

Si delinea così una tensione fra parsimonia computazionale e ridondanza epistemica. La prima suggerisce di eliminare ciò che non serve; la seconda invita a una maggiore prudenza, perché l’utilità di un’informazione può dipendere dal sistema di rappresentazione nel quale viene valutata.

La conoscenza potrebbe aver bisogno di una certa quantità di eccedenza, non come celebrazione dell’inefficienza, ma come condizione della propria trasformabilità.

È qui che Kolmogorov può tornare, dopo essere rimasto a lungo sullo sfondo.

La complessità algoritmica ci insegna a pensare con rigore quanto possa essere breve una descrizione senza perdere l’oggetto che deve generare. L’intelligenza artificiale ci costringe ad affiancare a quella domanda un problema differente: quale parte degli scarti prodotti dalle nostre rappresentazioni deve rimanere disponibile affinché sia ancora possibile costruire, domani, una rappresentazione che oggi non sapremmo formulare?

La descrizione minima e la memoria dello scarto appartengono così a due esigenze che non si escludono. La prima consente alla conoscenza di diventare operativa; la seconda conserva la possibilità che essa non diventi definitiva.

Una mente capace di comprimere possiede il proprio passato sotto forma di regolarità. Una mente capace anche di decomprimere dovrebbe poter ritornare sulle condizioni attraverso cui quelle regolarità sono state costruite, riaprendo ciò che aveva ragionevolmente chiuso quando nuove circostanze rendessero insufficiente il precedente regime di pertinenza.

Il problema dell’intelligenza potrebbe allora essere posto in termini meno rassicuranti di quelli suggeriti dalla sola accumulazione della conoscenza. Non riguarda soltanto quanto un sistema sappia, quanto rapidamente riesca a inferire o quanto efficacemente riesca a rappresentare ciò che ha appreso. Riguarda anche lo statuto che attribuisce a ciò che, per poter conoscere, ha dovuto non vedere.

Perché ciò che oggi chiamiamo rumore, errore, eccezione o informazione irrilevante appartiene ancora al mondo, anche quando ha cessato di appartenere alla nostra rappresentazione del mondo.

E la possibilità che torni a significare qualcosa dipenderà forse dalla capacità dell’intelligenza — umana o artificiale — di ricordare non soltanto ciò che ha scelto, ma anche l’esistenza di ciò che aveva scelto di escludere.

---

Riferimenti e approfondimenti

Umberto Eco, Trattato di semiotica generale, Bompiani, 1975; nuova edizione La nave di Teseo, 2016.
È probabilmente il riferimento filosofico più importante per il nostro ragionamento sulla rappresentazione, i codici, la pertinenza e la produzione del significato. In particolare, permette di evitare l’idea ingenua della rappresentazione come semplice riproduzione impoverita del reale e di considerarla come organizzazione culturale e semiotica. L’opera, originariamente pubblicata da Bompiani nel 1975, è oggi disponibile nell’edizione La nave di Teseo. 
Scheda e acquisto – Trattato di semiotica generale

Luciano Floridi, The Ethics of Information, Oxford University Press, 2013.
Lo inserirei sicuramente. È forse ancora più pertinente al nostro articolo dell’Etica dell’intelligenza artificiale, perché costruisce una vera etica dell’informazione e dell’infosfera, nella quale l’informazione non è considerata soltanto come qualcosa che viene trasmesso o utilizzato, ma come elemento costitutivo dell’ambiente nel quale gli agenti operano. 
The Ethics of Information – Oxford University Press

Luciano Floridi, Etica dell’intelligenza artificiale. Sviluppi, opportunità, sfide, Raffaello Cortina, 2022.
Completa il riferimento precedente portando la filosofia dell’informazione direttamente sul terreno dell’AI: agency artificiale, trasformazione dell’ambiente informazionale e responsabilità nella progettazione dei sistemi. È disponibile in italiano presso Raffaello Cortina. 
Scheda e acquisto – Etica dell'intelligenza artificiale

Luciano Floridi, Il nodo etico. Informazione e valori nella società digitale, Raffaello Cortina, 2026.
Aggiungerei anche questo perché è il Floridi più recente e sviluppa precisamente il rapporto tra informazione, valori e società digitale. Per un articolo pubblicato nel 2026 rafforza inoltre l’attualità dell’apparato bibliografico. 
Scheda e acquisto – Il nodo etico⁠

A. N. Kolmogorov, “Three Approaches to the Quantitative Definition of Information”, Problems of Information Transmission, vol. 1, n. 1, 1965.
È la fonte primaria da mettere necessariamente, perché evita che il riferimento alla complessità di Kolmogorov passi attraverso fonti secondarie. È il lavoro nel quale Kolmogorov introduce l’approccio algoritmico alla quantità di informazione. 
Testo del lavoro di Kolmogorov⁠

Herbert A. Simon, The Sciences of the Artificial, MIT Press, 1969; 3ª ed. 1996.
Lo considero particolarmente adatto alla parte sull’euristica e sulla necessità, per un’intelligenza limitata, di operare selezioni nello spazio delle possibilità. Simon è anche un ponte molto elegante fra epistemologia, decisione, progettazione e intelligenza artificiale; la MIT Press rende disponibile una ristampa della terza edizione. 
Scheda e acquisto – The Sciences of the Artificial, MIT Press

Sonno, sogno e memoria

Lauren Hudachek, Erin J. Wamsley, “A meta-analysis of the relation between dream content and memory consolidation”, Sleep, 46(12), 2023, zsad111.
È il riferimento sperimentale più importante per il passaggio sul sogno. La meta-analisi considera 16 studi e 45 effetti e rileva un’associazione significativa tra sogni collegati al compito appreso e miglioramento mnestico successivo, senza però dimostrare che il sogno sia causalmente responsabile del consolidamento. 
Articolo completo – Oxford Academic⁠

Claudia Picard-Deland, Giulio Bernardi, Lisa Genzel, Martin Dresler, Sarah F. Schoch, “Memory reactivations during sleep: a neural basis of dream experiences?”, Trends in Cognitive Sciences, 27(6), 2023, pp. 568–582.
Molto importante per mantenere la prudenza epistemologica dell’articolo: gli autori analizzano il rapporto fra riattivazione mnestica, consolidamento e sogno, evidenziando sia parallelismi sia differenze e concludendo che la riattivazione delle memorie non può essere semplicemente identificata come base neurale del sogno. 
Scheda scientifica – PubMed⁠

---

FAQ TECNICHE: Intelligenza artificiale e sogno: memoria, euristica e limiti dell’AI

Che cosa significa “compressione” quando si parla di conoscenza?
Nell’articolo “compressione” è utilizzato come metafora epistemologica, non come sinonimo rigoroso della complessità algoritmica di Kolmogorov.
Una rappresentazione cognitiva diventa utilizzabile selezionando alcune caratteristiche del reale e lasciandone altre sullo sfondo.
Comprimere significa quindi ridurre lo spazio informativo necessario per ragionare e agire.
Il rischio nasce quando dimentichiamo che ciò che è stato escluso continua ad appartenere alla realtà.

Che rapporto esiste tra complessità di Kolmogorov e intelligenza artificiale?
La complessità di Kolmogorov riguarda, semplificando, la lunghezza della più breve descrizione algoritmica capace di generare esattamente un oggetto.
Un modello cognitivo o un sistema AI non opera necessariamente con questa stessa condizione di ricostruzione esatta.
Il riferimento a Kolmogorov serve quindi come punto di partenza per interrogare il rapporto tra regolarità, rappresentazione e riduzione dell’informazione.
Non va identificata direttamente la compressione cognitiva con la complessità algoritmica.

Esistono norme tecniche che definiscono che cosa sia l’intelligenza artificiale?
La ISO/IEC 22989:2022 stabilisce terminologia e concetti fondamentali dell’intelligenza artificiale ed è quindi il riferimento normativo più vicino alla componente definitoria dell’articolo. 
Non stabilisce però che cosa significhi “sognare”, né consente di ricavare una distinzione normativa fra coscienza umana e funzionamento artificiale.
Il passaggio sul sogno resta quindi epistemologico e neuroscientifico, non normativo.

Perché l’euristica è indispensabile sia all’uomo sia all’AI?
Un sistema finito non può esplorare esaustivamente tutte le soluzioni possibili prima di prendere una decisione.
L’euristica restringe lo spazio di ricerca utilizzando regolarità, esperienza, analogie o criteri di priorità.
Il vantaggio è l’efficienza; il limite emerge quando una scorciatoia efficace viene implicitamente trattata come rappresentazione completa della realtà.
È da questa trasformazione che l’articolo fa emergere il legame fra euristica e bias.

Che cosa significa “memoria dello scarto”?
È la proposta concettuale più originale dell’articolo.
Indica la possibilità che un sistema conservi non soltanto la soluzione adottata, ma anche parte delle alternative, anomalie ed errori incontrati nel percorso.
L’obiettivo non è conservare indiscriminatamente ogni dato, ma mantenere recuperabile ciò che potrebbe acquistare significato quando cambia il modello interpretativo.
La memoria dello scarto diventa quindi una condizione potenziale della revisione della conoscenza.

Il sogno serve davvero a consolidare la memoria?
La ricerca neuroscientifica offre solide evidenze sul ruolo del sonno nella riattivazione e nel consolidamento delle memorie; la relazione causale specifica tra esperienza soggettiva del sogno e consolidamento è più complessa. 
Una meta-analisi del 2023 ha rilevato un’associazione significativa tra sogni relativi a un compito precedentemente appreso e miglioramento della memoria successivo al sonno. 
Conviene quindi mantenere nel testo la prudenza già adottata ed evitare di attribuire al sogno una funzione univoca.

Qual è l’errore principale da evitare parlando di AI che “sogna”?
L’errore è confondere analogia funzionale ed esperienza fenomenologica.
Un sistema artificiale può essere progettato per eseguire replay, ricombinazione di informazioni, ricerca divergente o elaborazione offline.
Questo non dimostra che possieda l’esperienza soggettiva che indichiamo con il termine “sogno”.
La formula più rigorosa è quindi parlare di decompressione artificiale o di processi computazionali analoghi ad alcune funzioni associate al sonno, senza antropomorfizzare il sistema.