Quando oggi utilizziamo un modello linguistico come ChatGPT, siamo colpiti dal modo in cui anticipa le nostre parole, completa i nostri pensieri e costruisce frasi che sembrano profondamente umane. Eppure, ciò che a noi appare come una forma di magia computazionale è in realtà l’ultimo capitolo di una storia molto lunga, iniziata ben prima dell’intelligenza artificiale moderna, e persino prima della rivoluzione cognitiva. Una storia in cui psicologia e computer science si sono cercate, allontanate, influenzate e riavvicinate, seguendo percorsi diversi ma convergendo continuamente sull’idea che comprendere la mente e costruire macchine intelligenti siano attività profondamente legate.
Questa storia attraversa più di sessant’anni di ricerca, e mostra come, ogni volta che abbiamo provato a descrivere la mente, siamo finiti a costruire un modello computazionale. E ogni volta che abbiamo tentato di costruire una macchina intelligente, ci siamo trovati a reinventare i principi psicologici e neuroscientifici che governano il modo in cui il cervello comprende il mondo.
L’obiettivo di questo articolo è raccontare questa convergenza, non come una serie di scoperte isolate, ma come un filo continuo che unisce campi apparentemente lontani: psicologia, neuroscienze, informatica, linguistica e filosofia della mente.
- Il legame tra psicologia, cervello e IA dagli anni ’40 a oggi
- Come sono nati i primi neuroni artificiali e il pensiero computabile
- Dallo “IA simbolica” alle reti neurali: perché il modello è cambiato
- Le sorprendenti somiglianze tra il cervello predittivo e i moderni modelli di IA
Le origini: quando i neuroni diventano concetti matematici
McCulloch & Pitts: l’idea che il pensiero possa essere formalizzato
L’incipit di questa storia si colloca negli anni Quaranta, quando Warren McCulloch e Walter Pitts pubblicano un articolo che avrebbe influenzato tanto le neuroscienze quanto la prima intelligenza artificiale. Proposero un modello di neurone basato non sulla biologia, ma sulla logica matematica: un’unità che riceve segnali, li combina secondo regole semplici e produce un output digitale, “0” o “1” (McCulloch & Pitts, 1943).
Il loro obiettivo non era replicare la fisiologia reale, ma mostrare che l’attività mentale può essere espressa con strumenti matematici e computazionali. Questa idea fu un terremoto concettuale per la psicologia dell’epoca, ancora dominata dal comportamentismo. Per la prima volta, il cervello diventava un sistema formalizzabile.
Turing e l’ipotesi del pensiero computabile
A questa intuizione si sovrappone, quasi simultaneamente, il contributo di Alan Turing. Nel celebre articolo “Computing Machinery and Intelligence” (Turing, 1950), Turing non si limita a chiedere se le macchine possano pensare. Formula una tesi molto più radicale: se il pensiero umano consiste in procedure, allora può essere simulato.
Questa nozione anticipa l’intera rivoluzione cognitiva e fonda l’idea, oggi centrale nella psicologia e nell’IA, secondo cui intelligenza e computazione sono profondamente intrecciate.
La domanda di Turing non riguardava solo le macchine: era una domanda su cosa sia davvero il pensiero umano.
La rivoluzione cognitiva: la mente diventa un elaboratore
Dal comportamentismo alla psicologia cognitiva
Negli anni Cinquanta e Sessanta avviene un cambiamento radicale. La psicologia abbandona gradualmente l’idea che la mente sia una “scatola nera” osservabile solo attraverso stimoli e risposte. Nasce la psicologia cognitiva, che descrive la mente come un sistema complesso che riceve informazioni, le elabora, le immagazzina e le usa per guidare il comportamento (Neisser, 1967).
Questa trasformazione introduce concetti nuovi: rappresentazioni, attenzione, codifica, strategie cognitive, sistemi di memoria. La mente diventa un processore di informazioni, un sistema dinamico che trasforma input in output attraverso passaggi interni.
È la prima volta che la psicologia parla il linguaggio della computazione in modo esplicito.
Newell e Simon: le prime menti artificiali basate su simboli
Contemporaneamente, Allen Newell e Herbert Simon sviluppano il “General Problem Solver”, un modello di intelligenza artificiale simbolica che risolve problemi manipolando simboli interni (Newell & Simon, 1972). L’idea che l’intelligenza consista nella manipolazione di rappresentazioni formali era completamente allineata alla psicologia cognitiva.
Per anni, IA e psicologia cognitiva procedono come discipline sorelle: entrambe assumono che l’intelligenza sia una questione di regole e simboli. Capire come questa visione si distingue dall’IA moderna aiuta a misurare la portata della trasformazione che sarebbe avvenuta nei decenni successivi.
Il mondo reale è più complesso delle regole: l’arrivo delle reti neurali
La crisi dell’IA simbolica
Alla fine degli anni Settanta e negli anni Ottanta si scopre però che i sistemi basati su regole funzionano bene solo in contesti perfettamente definiti. Il mondo reale, invece, è ambiguo, rumoroso e ricco di eccezioni. La percezione visiva, il linguaggio naturale e l’apprendimento umano non possono essere spiegati solo tramite sequenze di istruzioni.
La psicologia cognitiva incontra la stessa difficoltà: molti fenomeni mentali si comportano come pattern distribuiti, non come regole simboliche.
Il connessionismo di Rumelhart e McClelland
Nel 1986 arriva il connessionismo, grazie al lavoro di Rumelhart e McClelland (1986). Le reti neurali artificiali rappresentano l’intelligenza non come un insieme di regole, ma come una rete di unità semplici che apprendono modificando la forza delle connessioni.
Questa prospettiva si avvicina alla biologia reale molto più del simbolismo:
- la rappresentazione è distribuita;
- l’apprendimento è graduale;
- l’adattamento emergente;
- la generalizzazione naturale.
In parallelo, le neuroscienze mostrano che la corteccia cerebrale è organizzata in livelli gerarchici che elaborano progressivamente caratteristiche sempre più astratte del mondo (DiCarlo et al., 2012). Le reti neurali artificiali riproducono spontaneamente questa gerarchia funzionale. Il riconoscimento istituzionale di questo filone di ricerca è arrivato nel 2024, quando i pionieri delle reti neurali profonde hanno ricevuto il Premio Nobel per la Fisica.
È la seconda grande convergenza strutturale tra cervello e intelligenza artificiale.
La rivoluzione del cervello predittivo: la mente come macchina anticipatoria
Il cervello non percepisce: predice
A partire dai primi anni Duemila emerge una teoria destinata a unire neuroscienze, psicologia cognitiva e intelligenza artificiale: il predictive processing, o cervello predittivo (Friston, 2010; Clark, 2013).
Secondo questa prospettiva, la mente non elabora gli stimoli in modo passivo. Al contrario, genera continuamente previsioni e confronta ogni percezione con ciò che si aspettava di vedere.
La percezione diventa un processo di inferenza: il cervello cerca di indovinare il mondo e corregge continuamente le proprie ipotesi. Questa architettura anticipatoria non è solo un modello teorico astratto: ha implicazioni concrete in ambiti applicativi come la diagnostica e la cura, dove l’intelligenza artificiale sta diventando uno strumento sempre più centrale proprio perché replica questa logica predittiva su dati clinici complessi.
La mente come sistema bayesiano gerarchico
Il cervello, secondo questa teoria, funziona come un sistema bayesiano multilivello che combina aspettative e nuovi dati. Ogni livello della gerarchia genera predizioni, riceve errori di predizione e li utilizza per aggiornare i modelli interni.
Questa teoria è oggi centrale nello studio della percezione, del movimento, dell’attenzione, delle emozioni e del linguaggio.
L’era moderna dell’IA: modelli che generano, predicono e apprendono
Dai classificatori ai modelli generativi
Negli anni 2010 l’intelligenza artificiale compie un salto rivoluzionario grazie all’avvento dei modelli generativi. I VAE (Kingma & Welling, 2013) apprendono rappresentazioni latenti probabilistiche. Le GAN producono immagini realistiche sfidandosi come un artista e un critico (Goodfellow et al., 2014). I Transformer (Vaswani et al., 2017) rivoluzionano il linguaggio naturale sfruttando l’attenzione per predire parola dopo parola.
Questi modelli non memorizzano: apprendono distribuzioni statistiche complesse e generano varianti plausibili. La capacità di operare contemporaneamente su testo, immagini e audio ha aperto la strada alla multimodalità, un’ulteriore evoluzione che avvicina ulteriormente questi sistemi alla ricchezza sensoriale dell’esperienza umana.
Una somiglianza strutturale con il cervello predittivo
Quando un Transformer predice la parola successiva, esegue tre operazioni fondamentali: prevede, confronta e aggiorna.
Il cervello fa lo stesso.
Non nella forma, ma nella logica.
Come mostrano Schrimpf et al. (2021), la dinamica predittiva dei modelli deep rispecchia sorprendentemente la struttura della corteccia linguistica umana. Analisi approfondite su modelli come GPT-3 e GPT-4 hanno evidenziato come queste architetture sviluppino rappresentazioni interne che mostrano interessanti parallelismi con la teoria della mente, ovvero la capacità di attribuire stati mentali ad altri agenti.
Linguaggio, cervello e IA: la sorprendente convergenza tra N400 e surprisal
Come il cervello anticipa il linguaggio
Da decenni le neuroscienze sanno che il cervello anticipa le parole durante la lettura. Quando una parola è prevedibile, l’elaborazione è fluida. Quando è improbabile, il cervello produce un segnale EEG chiamato N400, sensibile alla sorpresa semantica (Kutas & Federmeier, 2011).
Il cervello, in altre parole, “sobbalza” quando la parola non è quella attesa.
Come gli LLM misurano la sorpresa
I modelli linguistici non hanno EEG, ma possono calcolare con precisione quanto una parola è improbabile nel suo contesto. Questa misura si chiama surprisal.
Se una parola è improbabile → surprisal alta.
Se è prevedibile → surprisal bassa.
Il risultato: due sistemi diversi, stesso comportamento
Negli ultimi anni una serie di studi, da Frank e colleghi (2015) fino alle analisi più recenti di Merkx & Frank (2021) e Goldstein et al. (2022), ha mostrato un risultato sorprendente e affascinante: le parole che i modelli linguistici considerano improbabili, e quindi dotate di alta “surprisal”, sono le stesse che nel cervello umano provocano un aumento della N400, la risposta neurofisiologica tipica della sorpresa semantica. In altre parole, ciò che mette in difficoltà un modello predittivo mette in difficoltà anche la nostra mente.
Questo parallelismo non implica affatto che i modelli comprendano davvero come un essere umano, né suggerisce che condividano la stessa architettura cognitiva. Significa piuttosto che, quando si tratta di prevedere il linguaggio, sia il cervello sia l’intelligenza artificiale sono costretti a fare i conti con la stessa logica statistica: anticipano il prossimo elemento, valutano quanto esso sia probabile e reagiscono in modo più marcato quando l’aspettativa viene disattesa. Il fatto che dinamiche così diverse, neuroni biologici da un lato, reti trasformative dall’altro, convergano sullo stesso comportamento è una delle prove più convincenti dell’esistenza di principi di predizione condivisi. Non è un caso che questa capacità di relazione contestuale abbia aperto la strada a usi degli LLM in ambiti affettivi e relazionali, come l’assistenza emotiva, dove la comprensione delle aspettative umane è fondamentale.
Conclusione: ChatGPT non è una mente, ma risolve lo stesso problema
Quando oggi parliamo con ChatGPT e lo osserviamo anticipare ciò che stiamo per dire, non stiamo assistendo a un trucco tecnologico, ma alla traduzione computazionale di un principio psicologico profondo. La mente umana, infatti, non vive nel semplice flusso degli stimoli: interpreta costantemente il presente alla luce di ciò che si aspetta accada nel futuro. È questa capacità di predizione a dare forma alla percezione, al linguaggio, alle decisioni e perfino all’identità personale.
Il cervello e l’intelligenza artificiale non condividono la stessa struttura materiale, uno nasce dall’evoluzione biologica, l’altra da equazioni implementate nel silicio, ma finiscono comunque per confrontarsi con la stessa esigenza: dare ordine a un mondo che cambia di continuo. Entrambi devono formulare ipotesi, verificare se ciò che accade corrisponde alle loro attese e correggere gli errori quando le previsioni vengono smentite.
Ogni volta che anticipano correttamente un evento, il loro modello interno diventa più stabile; quando invece incontrano qualcosa di inatteso, sono costretti a ricalibrare le proprie rappresentazioni. È questa dinamica di predizione e aggiustamento, così fondamentale nella mente umana e così centrale nei sistemi di intelligenza artificiale, a creare un legame profondo tra due realtà che, almeno in apparenza, sembrerebbero appartenere a mondi completamente diversi. Comprendere questa convergenza è tanto più urgente oggi che la diffusione dell’IA pone questioni sociali e legali su cui la normativa internazionale sta cercando di trovare risposte.
E alla fine è proprio qui, più che in qualsiasi aspetto superficiale, che si colloca il ponte autentico tra psicologia e intelligenza artificiale. Non nell’idea che una macchina possa “pensare” come un essere umano, ma nel fatto che, quando si affronta un mondo incerto, la predizione diventa la strategia inevitabile per orientarsi. La convergenza non nasce dall’imitazione, ma dalla necessità: dare senso al mondo significa sempre, in un modo o nell’altro, anticiparlo.
Fonti:
- Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, Clark, A. (2013).
- How does the brain solve visual object recognition? Neuron, DiCarlo, J. J., Zoccolan, D., & Rust, N. C. (2012).
- The ERP response to information content. Brain and Language, Frank, S. L., Otten, L. J., Galli, G., & Vigliocco, G. (2015).
- The free-energy principle: A unified brain theory? Nature Reviews Neuroscience, Friston, K. (2010).
- Shared computational principles for language processing in humans and deep language models. Nature Communications, Goldstein, A. et al. (2022).
- Goodfellow, I. et al. (2014). Generative adversarial nets. NIPS.
- Auto-encoding variational Bayes, Kingma, D., & Welling, M. (2013).
- Thirty years of N400 research. Psychophysiology, Kutas, M., & Federmeier, K. D. (2011).
- A logical calculus of ideas immanent in nervous activity. McCulloch, W. S., & Pitts, W. (1943).
- Human sentence processing: Recurrence or attention? Journal of Neuroscience Methods, Merkx, D., & Frank, S. L. (2021).
- Cognitive Psychology. Neisser, U. (1967).
- Human Problem Solving. Newell, A., & Simon, H. (1972).
- Rumelhart, D., & McClelland, J. (1986). Parallel Distributed Processing.
- The neural architecture of language. PNAS, Schrimpf, M. et al. (2021).
- Computing Machinery and Intelligence, Turing, A. (1950).
- Attention is All You Need, Vaswani, A. et al. (2017).
