AI - Intelligenza Artificiale | Matematica | Filosofia e Sociologia
Data Pubblicazione:

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

Il rasoio di Occam non impone di esplorare poche ipotesi, ma di non conservarne più del necessario nella spiegazione finale. Il caso dei 10.000 agenti AI impiegati su Navier–Stokes suggerisce così un paradosso: la parsimonia della conoscenza potrebbe richiedere l’esuberanza della ricerca.

Aggiungi Ingenio alle tue fonti preferite Direttamente su Google, senza notifiche o iscrizioni Aggiungi Ingenio su Google

Il rasoio di Occam viene spesso ridotto all’idea che la spiegazione più semplice sia necessariamente quella corretta. Il caso Navier–Stokes affrontato da circa 10.000 agenti AI suggerisce invece una distinzione decisiva: la parsimonia della spiegazione non implica parsimonia nella ricerca. Milioni di interazioni e un vastissimo spazio di congetture possono essere necessari per individuare una struttura finale compatta. Il mio articolo su INGENIO analizza questo paradosso mettendo in relazione Occam, sistemi multi-agente, Kuhn, Feyerabend e complessità di Kolmogorov, per interrogarsi su come l’AI possa modificare l’epistemologia della scoperta scientifica.


Rasoio di Occam e AI multi-agente: perché 10.000 agenti non contraddicono la parsimonia

Il rasoio di Occam attraversa da secoli filosofia, scienza e matematica come uno dei principi più persistenti dell’economia del pensiero. Ma che cosa accade quando la ricerca scientifica viene affidata a migliaia di agenti artificiali capaci di generare simultaneamente una quantità di congetture inaccessibile a qualsiasi comunità umana? Il caso Navier–Stokes apre un paradosso: la parsimonia della conoscenza potrebbe avere bisogno di un’enorme esuberanza della ricerca.

C’è qualcosa di profondamente affascinante nel fatto che il rasoio di Occam torni a interrogarci proprio ora, nel momento in cui l’intelligenza artificiale sembra imboccare una direzione apparentemente opposta a quella suggerita dal principio di parsimonia.

Non è la prima volta che torno su questo tema.

In un precedente articolo pubblicato su INGENIO, dedicato all’Ultimo Teorema di Fermat e al pensiero dell’ingegnere, avevo provato a riflettere sul rapporto, tutt’altro che banale, tra semplicità e conoscenza. Un enunciato matematico che può essere compreso da uno studente — xn+yn = zn, per n > 2 — ha richiesto più di tre secoli e un apparato matematico straordinariamente sofisticato per essere dimostrato.

⁠L’Ultimo Teorema di Fermat e il pensiero dell’ingegnere: la conoscenza non implica la complicazione

Il punto non era celebrare ingenuamente la semplicità. Era piuttosto interrogarsi sulla sua natura epistemologica: una struttura può essere semplice nella sua formulazione senza esserlo nella genealogia cognitiva che ha permesso di riconoscerla.

Il recente caso Navier–Stokes ci obbliga a riprendere quella domanda da una prospettiva radicalmente diversa.

Perché questa volta, tra la complessità del problema e l’eventuale semplicità della soluzione, è comparso un nuovo soggetto: una moltitudine artificiale.

Quando il rasoio incontra 10.000 agenti

Nel settembre 2026 OpenAI ha annunciato di avere ottenuto una soluzione al problema dell’esistenza e regolarità delle equazioni di Navier–Stokes, uno dei sette Millennium Prize Problems.

Il risultato dovrà attraversare il processo di verifica previsto per una scoperta di questa importanza. Il Clay Mathematics Institute ha utilizzato significativamente il termine apparently solved: prudenza tutt’altro che formale quando è in gioco uno dei problemi matematici più importanti del nostro tempo.

Ma qui interessa soprattutto il dispositivo cognitivo attraverso il quale il risultato sarebbe stato raggiunto.

OpenAI descrive un sistema costituito da un numero dell’ordine di 10.000 agenti concorrenti, suddivisi in gruppi ai quali erano affidate formulazioni e strategie differenti. Per il problema Navier–Stokes sarebbero stati prodotti circa 2,7 milioni di messaggi e 130 miliardi di token di output, prima della successiva formalizzazione della prova in Lean.

È precisamente questo fenomeno che avevo cercato di analizzare nell’altro articolo pubblicato su INGENIO, dedicato alla possibilità che il salto qualitativo dell’intelligenza artificiale non avvenga semplicemente dentro modelli sempre più potenti, ma tra modelli capaci di interagire, divergere, conservare errori e modificare reciprocamente le proprie rappresentazioni del problema.

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

È nel punto di intersezione fra queste due riflessioni — Occam da una parte, la proliferazione degli agenti dall’altra — che nasce il problema che vorrei porre qui.

Se il rasoio ci invita a non moltiplicare ciò che non è necessario, che cosa dobbiamo pensare di una macchina epistemica che sembra fare esattamente il contrario?

I sette Millennium Prize Problems

Nel 2000 il Clay Mathematics Institute individuò sette problemi matematici fondamentali, associando a ciascuno un premio di un milione di dollari: P versus NP, congettura di Hodge, congettura di Poincaré, ipotesi di Riemann, esistenza di Yang–Mills e mass gap, esistenza e regolarità delle equazioni di Navier–Stokes e congettura di Birch e Swinnerton-Dyer. Finora solo la congettura di Poincaré è stata risolta: Grigori Perelman ne fornì la dimostrazione nei primi anni Duemila, rifiutando successivamente il premio. I Millennium Problems non rappresentano semplicemente quesiti irrisolti: delimitano alcune frontiere fondamentali della conoscenza matematica contemporanea e delle sue connessioni con fisica e informatica.


Il rasoio di Occam non è il culto della semplicità

Occorre innanzitutto liberarsi dalla versione scolastica del principio.

«La spiegazione più semplice è quella vera» non è il rasoio di Occam.

La semplicità non possiede alcun privilegio metafisico che la renda automaticamente più vera della complessità. Il mondo non ha sottoscritto alcun obbligo ontologico di essere semplice per risultare comprensibile alla nostra mente.

Il principio ockhamiano è più sottile.

La formula tradizionalmente associata a Ockham — entia non sunt multiplicanda praeter necessitatem — non compare letteralmente nelle sue opere. È tuttavia coerente con una costante della sua metodologia: non postulare una pluralità quando essa non sia necessaria. La letteratura filosofica contemporanea interpreta perciò il rasoio come principio di parsimonia ontologica e metodologica, non come algoritmo automatico della verità.

E qui emerge una distinzione essenziale.

Esplorare una possibilità non significa postularla.

Un ricercatore può prendere in considerazione cento spiegazioni incompatibili senza impegnarsi ontologicamente nei confronti di nessuna delle cento. Può attraversarle, falsificarle, combinarle, abbandonarle.

La pluralità dello spazio delle congetture non coincide con la pluralità degli enti o delle assunzioni che decidiamo di incorporare nella teoria.

Questa distinzione apparentemente sottile cambia completamente il rapporto tra Occam e l’intelligenza artificiale.

L’esuberanza euristica non è il contrario della parsimonia

Partendo da Bertrand Russel potremmo chiamare esuberanza euristica la capacità di mantenere contemporaneamente aperto un grande spazio di possibilità cognitive.

È qualcosa che la ricerca scientifica ha sempre fatto.

La storia della scienza è disseminata di teorie abbandonate, formalismi diventati sterili, analogie sbagliate, esperimenti falliti, ipotesi che hanno sopravvissuto per decenni prima di essere confutate.

La conoscenza che leggiamo nei manuali è straordinariamente più ordinata della conoscenza mentre viene prodotta.

Ciò che cambia con l’intelligenza artificiale è la scala.

La mente umana opera in una condizione di inevitabile scarsità cognitiva. Deve selezionare anticipatamente quali ipotesi meritino tempo, memoria e capacità di calcolo. Anche una comunità scientifica possiede una larghezza di banda epistemica limitata.

Una popolazione di agenti artificiali modifica questa economia.

Può mantenere attive contemporaneamente linee congetturali incompatibili. Può permettere ad alcuni agenti di seguire strategie che la maggioranza considera improduttive. Può conservare gli scarti. Può istituire forme artificiali di dissenso. Può perfino organizzare una sorta di biodiversità epistemica intenzionale, quella che io ho chiamato AIdiversità, nella quale la convergenza non sia sempre un obiettivo immediato.

È qui che il rasoio di Occam assume un significato sorprendentemente contemporaneo.

La parsimonia epistemica non richiede necessariamente una parsimonia della generazione.

Potrebbe richiedere esattamente il contrario.

Non tagliare troppo presto

Questo è forse il punto più problematico.

Siamo abituati a pensare al rasoio come a uno strumento che elimina il superfluo.

Ma quando possiamo stabilire che qualcosa sia davvero superfluo?

Una congettura minoritaria può essere inutile all’interno di una determinata rappresentazione del problema e diventare decisiva dopo un cambiamento di coordinate concettuali.

Un errore può contenere un’informazione sulla struttura dello spazio che stiamo esplorando.

Un’anomalia apparentemente marginale può essere il segnale che il paradigma dominante sta interrogando il fenomeno con categorie insufficienti.

Kuhn ci ha insegnato quanto le anomalie possano accumularsi ai margini di un paradigma prima che diventi possibile riconoscerne la portata. Feyerabend, spingendosi molto oltre, ha mostrato quanto sia epistemologicamente problematica l’idea di una metodologia scientifica eccessivamente ordinata.

Da questa prospettiva, un rasoio applicato troppo presto può diventare epistemicamente conservatore.

Elimina rumore, certamente.

Ma potrebbe eliminare anche informazione che non siamo ancora capaci di riconoscere come tale.

Ecco perché la proliferazione degli agenti non rappresenta necessariamente un anti-Occam. Può rappresentare il tentativo di posticipare il momento della chiusura, conservando abbastanza a lungo la varietà dello spazio congetturale affinché la selezione avvenga su una popolazione più ricca di alternative.

Kuhn e Feyerabend: quando la scienza rompe le proprie regole

Thomas Kuhn (1922-1996), storico e filosofo della scienza, ha mostrato come il progresso scientifico non proceda soltanto per accumulazione, ma attraverso cambiamenti di paradigma: le anomalie possono entrare in conflitto con la “scienza normale” fino a determinare una rivoluzione concettuale. Paul Feyerabend (1924-1994) radicalizzò la critica all’idea di un metodo scientifico universale. Nel suo Against Method sostenne un pluralismo metodologico: la storia della scienza mostra che le grandi innovazioni hanno spesso violato le regole metodologiche considerate corrette nel loro tempo. Entrambi invitano quindi a diffidare di una rappresentazione troppo lineare, ordinata e prescrittiva della scoperta scientifica.

Non un rasoio alla fine, ma migliaia di rasoi durante il percorso

Sarebbe tuttavia altrettanto ingenuo immaginare che il nuovo metodo consista nel generare indiscriminatamente miliardi di ipotesi e aspettare che, alla fine, Occam arrivi a ripulire il tavolo.

La proliferazione pura non è ricerca.

È rumore.

Un sistema multi-agente efficace deve necessariamente alternare divergenza e convergenza, esplorazione e selezione, produzione e soppressione delle ipotesi.

Occam non scompare quindi durante il processo. Si distribuisce nel processo.

Possiamo immaginarlo come una successione di operazioni selettive: alcuni rami vengono abbandonati, altri conservati; alcune rappresentazioni vengono trasferite fra gruppi; alcune soluzioni vengono ricombinate; altre vengono sottoposte a critica avversariale.

Non abbiamo più necessariamente un rasoio, ma una sequenza ricorsiva di rasoi.

Ed emerge così una tensione assai più interessante di quella iniziale:

esuberanza euristica e parsimonia epistemica non sono due momenti necessariamente contrapposti, ma due operatori complementari della ricerca.

La questione diventa stabilire quanto a lungo conservare la divergenza prima di imporre la convergenza.

Ed è un problema tutt’altro che computazionale. È un problema di epistemologia della scoperta.


Occam, Kolmogorov e la tentazione della compressione

A questo punto la vicinanza con un’altra famiglia di idee diventa quasi inevitabile.

La complessità di Kolmogorov associa, idealmente, la complessità di un oggetto alla lunghezza del più breve programma capace di generarlo. Nella teoria dell’informazione e nell’apprendimento statistico, principi come il Minimum Description Length hanno successivamente sviluppato l’idea che una buona rappresentazione riesca, in qualche senso, a comprimere i dati.

La parentela con Occam è suggestiva, ma non deve trasformarsi in identificazione.

Ockham non anticipa Kolmogorov, e il rasoio medievale non è una teoria ante litteram della compressione algoritmica. Le genealogie teoriche sono differenti.

Eppure condividono una tensione profonda: la buona spiegazione tende a ridurre la lunghezza della descrizione rispetto alla molteplicità dei fenomeni che riesce a organizzare.

Newton comprime una moltitudine di traiettorie dentro poche relazioni.

Maxwell riunifica fenomeni precedentemente separati.

Einstein ridisegna categorie fondamentali e rende intelligibili fenomeni che richiedevano apparati esplicativi distinti.

La grande teoria non è semplice perché dice poco. È semplice perché dice molto con poco.

La semplicità scientifica è densità informativa.

Ma proprio Kolmogorov ci conduce davanti al paradosso decisivo: l’esistenza di una descrizione corta non implica affatto che sia facile trovarla.

La complessità descrittiva del risultato e la complessità computazionale della sua ricerca appartengono a domini differenti.

Ed eccoci nuovamente ai 10.000 agenti.

Kolmogorov e la misura della complessità

Andrej Nikolaevič Kolmogorov (1903-1987) è stato uno dei maggiori matematici del Novecento, fondamentale per l’assiomatizzazione della teoria della probabilità. Il suo nome è legato anche alla complessità di Kolmogorov: la complessità di un oggetto, come una sequenza di dati, può essere interpretata come la lunghezza del più breve programma capace di generarlo su una macchina universale prefissata. Un oggetto è quindi tanto più “semplice” quanto più è comprimibile attraverso una descrizione algoritmica. Il concetto offre un ponte suggestivo, ma non un’equivalenza, con il rasoio di Occam: spiegare significa spesso trovare una struttura compatta capace di rendere intelligibile una molteplicità apparentemente complessa.

Forse abbiamo confuso due scarsità

Per secoli abbiamo utilizzato la semplicità contemporaneamente come criterio epistemico e come necessità pratica.

Dovevamo selezionare poche ipotesi perché non potevamo esplorarne milioni. Dovevamo eliminare rapidamente alcune strade perché il tempo del ricercatore, la memoria, il calcolo, la capacità di confronto e persino la durata della vita umana imponevano una radicale economia dell’esplorazione.

Abbiamo così finito per sovrapporre due cose che non necessariamente coincidono: la parsimonia della conoscenza e la parsimonia delle risorse necessarie per cercarla.

L’intelligenza artificiale potrebbe cominciare a separarle.

Non perché possieda risorse infinite: 130 miliardi di token hanno un costo computazionale, energetico ed economico tutt’altro che irrilevante. Ma perché sposta enormemente il confine di ciò che può essere esplorato prima che la selezione diventi inevitabile.

Il problema epistemologico cambia allora natura.

Non dobbiamo più soltanto domandarci: quale delle spiegazioni disponibili introduce meno assunzioni?

Potremmo doverci chiedere: quanto deve essere ampio lo spazio delle spiegazioni esplorate prima di poter stabilire quali assunzioni siano veramente necessarie?

È una domanda molto diversa.

E forse molto più difficile.

La parsimonia potrebbe avere bisogno dell’eccesso

Il caso Navier–Stokes ci mette così davanti a un paradosso che è soltanto apparente.

Diecimila agenti, milioni di interazioni e miliardi di token sembrano rappresentare la negazione più radicale dell’economia ockhamiana. Potrebbero invece esserne una conseguenza inattesa.

Per eliminare veramente il superfluo bisogna aver esplorato abbastanza profondamente ciò che potrebbe non esserlo. Per riconoscere l’invariante bisogna poter perturbare la rappresentazione. Per comprimere occorre conoscere ciò che può essere eliminato senza perdere informazione essenziale.

L’AI introduce allora una possibilità metodologica nuova: essere prodighi nella produzione delle congetture per diventare più severi nella selezione delle necessità.

Non significa che più complessità produca automaticamente più conoscenza.

Significa qualcosa di più sottile.

La parsimonia non coincide necessariamente con la scarsità.

E il rasoio di Occam non ci obbliga a percorrere poche strade. Ci impone piuttosto di non trasformare in necessarie più entità, ipotesi e assunzioni di quante la spiegazione richieda.

Potremmo allora trovarci davanti a una singolare inversione della nostra economia della conoscenza: per essere radicalmente parsimoniosi nella conoscenza potremmo dover diventare straordinariamente prodighi nella ricerca.

Il rasoio non si è spezzato.

Forse, semplicemente, nell’era delle intelligenze artificiali abbiamo cominciato a capire meglio che cosa deve tagliare — e soprattutto quando non deve ancora farlo.


P.S. — L’AI può scrivere un articolo, ma non il mio

Questo articolo difficilmente sarebbe nato, almeno in questa forma e in questi tempi, senza il supporto dell’intelligenza artificiale. Mi ha consentito di esplorare connessioni, verificare concetti, mettere in relazione Occam, Kuhn, Feyerabend e Kolmogorov, sottoporre intuizioni a controprova e attraversare rapidamente territori disciplinari differenti.

Ma è altrettanto vero il contrario: senza la mia domanda iniziale questo articolo non sarebbe neppure cominciato. E senza i dubbi sorti mentre prendeva forma, le obiezioni, le correzioni, le richieste di ulteriori confronti e, soprattutto, senza i “no” con cui ho respinto alcune risposte e conclusioni proposte dall’AI, non sarebbe diventato questo articolo.

E quelle domande non nascono dal nulla.

In questi anni il confronto con l’intelligenza artificiale mi ha spinto a studiare di più, non di meno. A leggere libri che probabilmente non avrei incontrato, ad avvicinarmi alla filosofia della scienza, all’epistemologia, alla matematica, alla teoria dell’informazione; a tornare su autori e concetti per comprenderli meglio. Paradossalmente, più l’AI rende accessibile la conoscenza, più avverto la necessità dello studio. Perché per interrogare una macchina occorre avere domande; per dubitare delle sue risposte occorre possedere strumenti critici; per riconoscere una connessione interessante bisogna avere costruito una trama culturale nella quale quella connessione possa assumere significato.

L’intelligenza artificiale ha moltiplicato le possibilità; non ha deciso quali meritassero di essere percorse. Ha proposto connessioni; non ha stabilito quali fossero pertinenti. Ha formulato risposte; ma sono state nuove domande a far avanzare il ragionamento.

C’è, in fondo, una singolare corrispondenza con la tesi sviluppata in queste pagine: generare possibilità non equivale a scegliere ciò che merita di sopravvivere.

Come ho già scritto su INGENIO: l’AI può scrivere un articolo, ma non il mio.

Ed è forse qui che ritrovo anche il senso del mio lavoro editoriale. Non studio questi temi per diventare filosofo, matematico o informatico, né per sostituirmi agli specialisti. Li studio perché credo che il compito di INGENIO sia anche questo: intercettare questioni che stanno modificando il nostro modo di conoscere, comprenderle quanto basta per porre domande non banali e metterle a disposizione della propria comunità di lettori.

L’AI mi permette di percorrere molte più strade di quelle che avrei potuto esplorare da solo. Lo studio mi consente di capire quali vale la pena percorrere. E il lavoro editoriale dà a questo percorso una finalità: trasformare una curiosità individuale in un’occasione condivisa di conoscenza e, soprattutto, di nuove domande.


Fonti e riferimenti

OpenAI — On the Navier–Stokes Millennium Prize Problem, settembre 2026.
Fonte primaria sul sistema multi-agente utilizzato nella ricerca. OpenAI dichiara che il gruppo che ha prodotto la soluzione era dell’ordine di 10.000 agenti concorrenti; per Navier–Stokes sono stati generati 2,7 milioni di messaggi e circa 130 miliardi di token di output. La soluzione è stata raggiunta dopo circa 88 ore, seguite da 17 ore di formalizzazione e verifica in Lean. 
⁠OpenAI – On the Navier–Stokes Millennium Prize Problem

Clay Mathematics Institute — Navier-Stokes Announcement, 11 settembre 2026.
È la fonte istituzionale fondamentale per qualificare correttamente lo stato del risultato. Il CMI afferma che il problema Navier–Stokes è stato “apparently settled”, precisando che la valutazione seguirà le regole previste per i Millennium Prize Problems e che il processo sarà deliberatamente non rapido. 
⁠Clay Mathematics Institute – Navier-Stokes Announcement

Clay Mathematics Institute — Navier-Stokes Equation / Millennium Prize Problem.
Pagina ufficiale del problema, utile come riferimento per la formulazione matematica e per contestualizzare il Millennium Prize Problem sull’esistenza e regolarità delle soluzioni delle equazioni di Navier–Stokes. 
⁠Clay Mathematics Institute – Navier-Stokes Equation

Stanford Encyclopedia of Philosophy — William of Ockham, sezione “Ockham’s Razor”.
Riferimento filosofico autorevole per il rasoio di Ockham. La voce conferma un punto importante dell’articolo: la formulazione oggi comunemente associata al rasoio non compare letteralmente nei testi di Ockham, mentre il principio esprime effettivamente una posizione di parsimonia ontologica e metodologica. 
⁠Stanford Encyclopedia of Philosophy – William of Ockham

Stanford Encyclopedia of Philosophy — Simplicity.
Utile per approfondire il rapporto tra semplicità, parsimonia e scelta fra teorie scientifiche, evitando l’identificazione semplicistica fra “teoria più semplice” e “teoria vera”. 
⁠Stanford Encyclopedia of Philosophy – Simplicity

Thomas S. Kuhn — The Structure of Scientific Revolutions, University of Chicago Press, 1962; 4ª ed., 2012.
Testo fondamentale per i concetti di scienza normale, paradigma, anomalia, crisi e rivoluzione scientifica richiamati nell’articolo. La prima edizione risale al 1962; l’edizione del cinquantenario del 2012 contiene un saggio introduttivo di Ian Hacking. 
⁠University of Chicago Press – The Structure of Scientific Revolutions

Paul Feyerabend — Against Method, prima edizione 1975; edizione Verso con introduzione di Ian Hacking, 2010.
Riferimento per il pluralismo metodologico e per la critica all’idea che il progresso scientifico possa essere ricondotto a un insieme universale e rigidamente prescrittivo di regole metodologiche. 
⁠Against Method – edizione Verso

A. N. Kolmogorov — “Three Approaches to the Quantitative Definition of Information”, Problems of Information Transmission, vol. 1, n. 1, 1965, pp. 3–11.
È uno dei riferimenti originari per l’approccio algoritmico alla quantità di informazione richiamato nell’articolo. Il lavoro introduce un approccio basato sulla teoria delle funzioni ricorsive; la traduzione inglese fu successivamente ripubblicata nell’International Journal of Computer Mathematics, vol. 2, 1968, pp. 157–168. 
⁠Math-Net – Kolmogorov, Three Approaches to the Definition of the Concept “Quantity of Information”

AI - Intelligenza Artificiale

Tutto sull’intelligenza artificiale nel settore AEC: progettazione, BIM, cantiere, manutenzione e gestione tecnica. Scopri come l’AI sta cambiando il lavoro dei professionisti delle costruzioni.

Scopri di più

Filosofia e Sociologia

Filosofia e sociologia diventano chiavi fondamentali per progettare città e spazi costruiti nel mondo della complessità digitale, ambientale e sociale. Scopri la selezione INGENIO.

Scopri di più

Leggi anche