AGI, computazione quantistica e il futuro dell'essere umano

Poche tecnologie nella storia della civiltà hanno percorso il cammino dalla speculazione accademica alla trasformazione globale con la velocità vertiginosa dell’intelligenza artificiale. Quello che è nato come un modesto esperimento di logica formale e cibernetica a metà del Novecento è diventato oggi il motore geopolitico, economico e cognitivo del XXI secolo.

Eppure, man mano che i sistemi sintetici raggiungono livelli sempre più alti di autonomia, abilità analitica e capacità creativa, la società si trova a un profondo bivio. Tra il trionfalismo commerciale delle grandi aziende e il catastrofismo apocalittico della fantascienza esiste uno spazio rigoroso per la scienza: analizzare verso dove ci portano i limiti fisici del calcolo, che cosa significhi davvero il concetto di un’intelligenza generale e quale sarà il posto della mente umana in un mondo in cui la capacità cognitiva non è più un monopolio esclusivamente biologico.

Il mito e la realtà dell’AGI

Il termine AGI (artificial general intelligence, o intelligenza artificiale generale) è diventato un acronimo pubblicitario onnipresente nell’industria tecnologica. Per il grande pubblico, nutrito di fantascienza, evoca un’entità sintetica dotata di autocoscienza, emozioni, libero arbitrio e un’intelligenza simile o superiore a quella umana in tutti i campi possibili.

Dal punto di vista dell’informatica teorica e delle scienze cognitive, la definizione è molto più sobria: un’AGI sarebbe un sistema capace di imparare, ragionare e generalizzare in modo autonomo per risolvere qualsiasi compito intellettuale che un essere umano possa svolgere, con un livello di competenza paragonabile o superiore, adattandosi ad ambienti nuovi senza bisogno di un riaddestramento specifico. Tuttavia non esiste una definizione condivisa, e ogni laboratorio usa la propria. Alcuni ricercatori di Google DeepMind hanno proposto di misurarla per livelli, secondo quante persone qualificate il sistema supera e in quale ventaglio di compiti, invece di trattarla come un traguardo che si taglia di colpo.

Per separare il rigore scientifico dal semplice marketing aziendale, è indispensabile definire con precisione i gradini di questa evoluzione:

1. IA ristretta (narrow AI): sistemi iperspecializzati, progettati per risolvere compiti precisi, come tradurre, analizzare radiografie o consigliare contenuti. Mancano di autocoscienza, di trasferimento generalizzato delle conoscenze e di uno scopo autonomo. I grandi modelli linguistici attuali occupano una zona intermedia: non sono più ristretti nel senso classico, perché conversano, programmano e traducono, ma non soddisfano nemmeno la definizione di AGI, perché continuano a sbagliare fuori dagli schemi dei loro dati e non imparano da soli dall’esperienza.
2. AGI (intelligenza artificiale generale): un ipotetico sistema autonomo capace di imparare, ragionare, pianificare e adattarsi con la stessa flessibilità cognitiva di un essere umano davanti a qualsiasi compito intellettuale, in un ambiente aperto e sconosciuto. Un’AGI non saprebbe solo risolvere i problemi per cui è stata addestrata, ma potrebbe inventare scienza nuova, riconfigurare sé stessa e imparare abilità non previste dai suoi creatori.
3. ASI (artificial superintelligence, o superintelligenza artificiale): la soglia teorica in cui l’intelligenza artificiale supererebbe di gran lunga la capacità cognitiva combinata di tutta l’umanità in tutti i campi possibili.

I limiti dello scaling

Negli ultimi anni l’industria ha puntato in modo massiccio sulle cosiddette leggi di scala (scaling laws), che abbiamo visto nella seconda parte: l’osservazione empirica che il rendimento di un modello migliora in modo prevedibile aumentando i dati di addestramento, la potenza di calcolo e il numero di parametri. Da qui è nata l’ipotesi che, continuando a moltiplicarli, le abilità proprie di un’AGI emergeranno in modo naturale.

Tuttavia, questo paradigma mostra limiti sempre più evidenti:

• Esaurimento della fonte: come abbiamo visto nella quarta parte, internet sta esaurendo i testi umani di qualità con cui addestrare.
• Rendimenti decrescenti: per la forma matematica stessa di queste leggi, ogni miglioramento richiede di moltiplicare le risorse. Moltiplicare per dieci il calcolo non garantisce più un salto qualitativo equivalente nel ragionamento profondo; i modelli accumulano memoria e scioltezza statistica, ma continuano a mancare di una comprensione causale autentica del mondo fisico.

L’industria ha risposto aprendo un secondo fronte: invece di costruire modelli sempre più grandi, dare loro più tempo di calcolo per «pensare» prima di rispondere. È ciò che fanno i modelli di ragionamento che abbiamo visto nella terza parte, e in certi compiti rende più che moltiplicare le dimensioni del modello.

Ciononostante, molti ricercatori ritengono che raggiungere una vera AGI richiederà un nuovo paradigma architetturale: un approccio ibrido che fonda il connessionismo delle reti neurali profonde con il ragionamento simbolico classico e i principi della neurobiologia cognitiva. Altri sostengono il contrario: che la storia dell’IA dimostra che i metodi generali capaci di sfruttare più calcolo finiscono per battere quelli che incorporano conoscenza umana. È una delle grandi domande aperte del settore.

La geopolitica del silicio e l’hardware del futuro

Il grande errore dell’era digitale è immaginare l’intelligenza artificiale come qualcosa di puramente immateriale, etereo e scollegato dalla materia. In realtà, la battaglia per l’egemonia dell’IA è prima di tutto una battaglia di fisica dei materiali, ingegneria di precisione e geopolitica industriale.

Il collo di bottiglia dei semiconduttori

Il software più avanzato del pianeta è del tutto inutile senza una catena di approvvigionamento hardware sincronizzata al millimetro, che dipende da un numero ridotto di punti critici su scala mondiale:

• La litografia a ultravioletto estremo (EUV): la fabbricazione dei chip più avanzati del mondo dipende da un’unica azienda dei Paesi Bassi, ASML, l’unica che costruisce le macchine capaci di incidere con luce ultravioletta estrema i circuiti più minuscoli sui wafer di silicio.
• La fonderia centralizzata: la grande maggioranza dei processori più avanzati progettati da aziende come Nvidia, Apple o AMD viene fabbricata nelle fonderie di TSMC, a Taiwan, il che rende l’isola uno dei punti geostrategici più delicati del pianeta.

Davanti a questa vulnerabilità, Stati Uniti, Cina e Unione europea si contendono la sovranità dell’hardware: sovvenzionano con miliardi la costruzione di fabbriche di semiconduttori (fab) sul proprio territorio, e dal 2022 gli Stati Uniti limitano la vendita alla Cina dei chip e delle macchine più avanzati.

La computazione quantistica

Man mano che la celebre legge di Moore —il raddoppio del numero di transistor in un chip circa ogni due anni— si avvicina ai suoi limiti fisici, l’industria va a sbattere contro una barriera atomica. Quando i transistor si riducono a poche decine di atomi, gli elettroni cominciano ad attraversare barriere che in teoria non dovrebbero poter superare, per un fenomeno quantistico chiamato effetto tunnel, e i chip perdono corrente e si scaldano. Davanti a questo muro, una parte della ricerca guarda alla computazione quantistica. Conviene chiarire subito che non si tratta di un chip più veloce destinato a sostituire quello attuale, ma di un modo diverso di calcolare che supera quello classico solo in certi problemi molto specifici.

Mentre l’informatica classica elabora le informazioni con i bit, che valgono 0 o 1, la computazione quantistica usa i qubit (bit quantistici), che obbediscono a due principi della fisica quantistica:

• La sovrapposizione: un qubit può trovarsi in una combinazione di 0 e 1 allo stesso tempo. Immaginiamo una moneta che non poggia né su testa né su croce, ma gira sul tavolo: solo quando si ferma, quando viene misurata, cade da un lato, con una probabilità che dipende da come girava.
• L’entanglement: due qubit possono restare legati in modo tale che, misurandoli, i loro risultati siano correlati anche se si trovano molto lontani l’uno dall’altro. Questa correlazione non permette di inviare informazioni più velocemente della luce, ma è una risorsa di calcolo che nessun computer classico può imitare in modo efficiente.

I computer quantistici attuali sono ancora in una fase molto fragile e sperimentale: hanno da decine a qualche migliaio di qubit, commettono errori di frequente e molti richiedono temperature vicine allo zero assoluto. Nel 2024 Google ha dimostrato per la prima volta che aggiungere qubit per correggere gli errori riduce i guasti invece di moltiplicarli, un passo indispensabile per costruire macchine utili, che avranno bisogno di centinaia di migliaia o milioni di qubit.

Come potrebbe la computazione quantistica aiutare l’IA?

Il suo incrocio con l’apprendimento automatico, il cosiddetto apprendimento automatico quantistico (quantum machine learning), ha suscitato grandi aspettative. Conviene separare ciò che è stato dimostrato da ciò che è stato promesso:

1. L’ottimizzazione: addestrare una rete neurale significa cercare il punto più basso di un paesaggio montuoso di milioni di dimensioni, la funzione di perdita. Si dice spesso che un computer quantistico, grazie alla sovrapposizione, potrebbe percorrere tutti i cammini contemporaneamente. Non è così: al momento della misura, la sovrapposizione si riduce a un unico risultato, e il vantaggio compare solo quando un algoritmo riesce a far sì che le risposte sbagliate si annullino a vicenda e quella giusta si rafforzi. Per i problemi di ricerca generici, l’accelerazione dimostrata è al massimo quadratica, non esponenziale, e le reti neurali quantistiche hanno ostacoli propri: i loro paesaggi di addestramento tendono a diventare così piatti che è quasi impossibile capire in quale direzione migliorare.
2. L’algebra lineare: le reti neurali traggono tutta la loro potenza da moltiplicazioni massicce di matrici. L’algoritmo quantistico HHL risolve certi sistemi di equazioni lineari in modo esponenzialmente più rapido di un computer classico, ma con una clausola decisiva scritta in piccolo: le matrici devono rispettare condizioni molto rigide, caricare i dati nel computer quantistico può costare quanto il calcolo stesso, e il risultato non è la soluzione completa, ma uno stato quantistico da cui si possono estrarre solo alcune informazioni. Inoltre, per diverse sue applicazioni all’apprendimento automatico sono stati poi trovati algoritmi classici quasi altrettanto veloci.
3. La simulazione molecolare e la scienza dei materiali: qui sta la promessa più solida. I computer tradizionali faticano a simulare il comportamento reale delle molecole perché la chimica è quantistica per natura, come aveva già osservato Richard Feynman nel 1982. Un computer quantistico con correzione degli errori potrebbe simulare con grande precisione reazioni oggi fuori portata, come quella con cui i batteri fissano l’azoto dell’aria, e quei dati potrebbero alimentare modelli di IA per progettare materiali superconduttori o catalizzatori per catturare il carbonio.

Il vero potenziale della computazione quantistica non sta quindi nel far rispondere più in fretta i chatbot né nell’addestrare modelli linguistici: i computer quantistici sono particolarmente goffi nel gestire grandi volumi di dati, che è proprio ciò di cui ha bisogno l’IA di oggi. Il loro ruolo più probabile è quello di uno strumento scientifico capace di simulare la fisica e la chimica dove i computer classici non arrivano, i cui risultati l’IA potrà sfruttare per affrontare problemi scientifici di grande complessità, come la progettazione di nuovi materiali. La collaborazione funziona anche nel senso opposto: nel 2024 un sistema di IA di Google DeepMind ha imparato a individuare gli errori di un processore quantistico meglio dei metodi progettati a mano.

Il ruolo dell’essere umano nell’era sintetica

Con l’irruzione di sistemi capaci di assumere compiti analitici, di programmazione, di progettazione e persino di produzione creativa che per secoli sono stati dominio esclusivo dell’intelletto umano, sorge inevitabilmente una profonda inquietudine esistenziale: qual è lo scopo e il valore dell’essere umano nell’era sintetica?

Il paradosso dell’automazione

Lontano dalla distopia della sostituzione totale, la storia economica mostra che l’automazione non distrugge il lavoro, ma lo trasforma, spostando lo sforzo umano verso livelli di astrazione superiori. Finora ogni ondata tecnologica ha eliminato compiti ma ne ha creati di nuovi, anche se la transizione è stata dura per chi ha perso i propri, e gli economisti discutono se l’IA, che raggiunge anche il lavoro intellettuale, seguirà lo stesso schema.

Invece di concepire l’IA come un sostituto onnipotente che rimpiazzerà del tutto l’individuo, l’approccio più rigoroso e realistico la definisce una protesi cognitiva. Così come la calcolatrice non ha eliminato la necessità di capire la matematica, ma ha alzato il livello di complessità dei problemi che potevamo risolvere, l’IA agisce come un amplificatore delle intenzioni umane. I primi studi vanno in questa direzione: in un centro di assistenza clienti, un assistente di IA ha aumentato la produttività del 14% in media, e del 34% tra i dipendenti meno esperti.

Man mano che le macchine si occupano dell’esecuzione di routine e dell’elaborazione massiccia di dati, ciò che è intrinsecamente umano acquista un valore economico e sociale inedito:

• Il giudizio critico e la responsabilità etica: una macchina può calcolare probabilità, ma non ha agentività morale. La responsabilità di decidere che cosa fare della tecnologia e quali siano i suoi limiti etici spetta esclusivamente all’essere umano.
• L’empatia, l’intuizione e l’esperienza incarnata: la connessione emotiva profonda, la creatività nata dalla sofferenza e la gioia dell’esperienza fisica sono dimensioni estranee al silicio.
• La formulazione delle domande giuste: in un mondo in cui le risposte automatiche sono abbondanti ed economiche, la capacità umana di impostare i problemi adeguati, mettere in discussione i dogmi ed esercitare la curiosità intellettuale diventa il bene più scarso e prezioso.

Conclusione

L’intelligenza artificiale non è una divinità onnisciente né un mostro alieno destinato a soggiogarci per volontà propria. È, in sostanza, uno specchio matematico della nostra stessa civiltà: un artefatto costruito con i testi, i codici, le contraddizioni, gli errori e le genialità accumulati dall’umanità nel corso dei millenni.

Davanti a questo panorama in continua trasformazione, le posizioni polarizzate —che si tratti dell’ottimismo ingenuo che confida in un’utopia senza attriti o del catastrofismo che paralizza davanti all’avvenire— servono a ben poco. Il cambiamento tecnologico non è un incidente evitabile né una maledizione improvvisa; è un processo inesorabile di riconfigurazione della civiltà. La storia ci insegna che gli strumenti plasmano le società, ma le società decidono anche come adottarli e governarli.

In questo nuovo ecosistema, l’adattamento non è più un’opzione astratta, ma un’esigenza di atteggiamento individuale. La responsabilità spetta a ciascuno: coltivare il pensiero critico, assumere l’aggiornamento costante come un’abitudine di vita e rifiutare l’atrofia cognitiva che deriva dal delegare lo sforzo intellettuale alla comodità della macchina. Il futuro non è scritto per essere temuto né celebrato alla cieca, ma per essere attraversato con lucidità.

Riferimenti e supporto scientifico

• Una proposta per misurare i progressi verso l’AGI per livelli, secondo il rendimento del sistema e la varietà di compiti che padroneggia. Morris, M. R., Sohl-Dickstein, J., Fiedel, N., Warkentin, T., Dafoe, A., Faust, A., Farabet, C., & Legg, S. (2024). Position: Levels of AGI for operationalizing progress on the path to AGI. Proceedings of the 41st International Conference on Machine Learning, PMLR 235, 36308-36321. Consultare lo studio su arXiv
• Le leggi di scala: il rendimento di un modello linguistico migliora in modo prevedibile aumentando parametri, dati e calcolo. Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., … & Amodei, D. (2020). Scaling laws for neural language models. arXiv, 2001.08361. Consultare lo studio su arXiv
• Dare a un modello più tempo di calcolo quando risponde può rendere più che renderlo più grande. Snell, C., Lee, J., Xu, K., & Kumar, A. (2025). Scaling LLM test-time compute optimally can be more effective than scaling model parameters. International Conference on Learning Representations (ICLR). Consultare lo studio su arXiv
• La difesa di un’IA ibrida, che unisca le reti neurali al ragionamento simbolico e alla conoscenza del mondo. Marcus, G. (2020). The next decade in AI: Four steps towards robust artificial intelligence. arXiv, 2002.06177. Consultare lo studio su arXiv
• La posizione opposta: nel lungo periodo, i metodi generali che sfruttano più calcolo battono quelli che incorporano conoscenza umana. Sutton, R. S. (2019). The bitter lesson. Incomplete Ideas. Consultare il saggio
• Chi controlla ogni anello della catena dei semiconduttori e quanto è concentrata. Khan, S. M., Mann, A., & Peterson, D. (2021). The semiconductor supply chain: Assessing national competitiveness. Center for Security and Emerging Technology. Consultare il rapporto (DOI)
• Il primo processore quantistico in cui aggiungere qubit per correggere gli errori riduce i guasti invece di moltiplicarli. Google Quantum AI and Collaborators. (2025). Quantum error correction below the surface code threshold. Nature, 638(8052), 920-926. Consultare l’articolo (DOI)
• Una rassegna di ciò che promette l’apprendimento automatico quantistico e degli ostacoli che deve ancora superare. Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., & Lloyd, S. (2017). Quantum machine learning. Nature, 549(7671), 195-202. Consultare l’articolo (DOI)
• I plateau sterili: i paesaggi di addestramento delle reti neurali quantistiche diventano così piatti da essere quasi impossibili da ottimizzare. McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018). Barren plateaus in quantum neural network training landscapes. Nature Communications, 9, 4812. Consultare l’articolo (DOI)
• L’algoritmo HHL, che risolve certi sistemi di equazioni lineari in modo esponenzialmente più rapido. Harrow, A. W., Hassidim, A., & Lloyd, S. (2009). Quantum algorithm for linear systems of equations. Physical Review Letters, 103(15), 150502. Consultare l’articolo (DOI)
• La clausola scritta in piccolo di quel vantaggio: le condizioni da rispettare perché l’algoritmo sia davvero utile. Aaronson, S. (2015). Read the fine print. Nature Physics, 11(4), 291-293. Consultare l’articolo (DOI)
• Un algoritmo classico che eguaglia quasi uno quantistico da cui ci si aspettava un vantaggio esponenziale. Tang, E. (2019). A quantum-inspired classical algorithm for recommendation systems. Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing, 217-228. Consultare lo studio (DOI)
• La proposta originale: per simulare la natura, che è quantistica, serve un computer quantistico. Feynman, R. P. (1982). Simulating physics with computers. International Journal of Theoretical Physics, 21(6-7), 467-488. Consultare l’articolo (DOI)
• Come un computer quantistico potrebbe svelare la reazione con cui i batteri fissano l’azoto, fuori portata per quelli classici. Reiher, M., Wiebe, N., Svore, K. M., Wecker, D., & Troyer, M. (2017). Elucidating reaction mechanisms on quantum computers. Proceedings of the National Academy of Sciences, 114(29), 7555-7560. Consultare l’articolo (DOI)
• L’IA al servizio della computazione quantistica: un modello che individua gli errori di un processore meglio dei metodi progettati a mano. Bausch, J., Senior, A. W., Heras, F. J. H., Edlich, T., … & Kohli, P. (2024). Learning high-accuracy error decoding for quantum processors. Nature, 635(8040), 834-840. Consultare l’articolo (DOI)
• Perché, dopo due secoli di automazione, c’è ancora così tanto lavoro: le macchine sostituiscono compiti, ma integrano anche le persone. Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3-30. Consultare l’articolo (DOI)
• L’automazione sposta i lavoratori da alcuni compiti e ne crea di nuovi; il saldo dipende dall’equilibrio tra i due effetti. Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. Consultare l’articolo (DOI)
• Un assistente di IA in un centro di assistenza clienti: il 14% di produttività in più, e il 34% tra i dipendenti meno esperti. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. Consultare l’articolo (DOI)