Fabrizio Silvestri - Università di Roma "La Sapienza"

Dal Paleolitico alla Saggezza Computazionale: Percorsi Evolutivi nell'Intelligenza Artificiale

L’intelligenza artificiale (IA) rappresenta oggi uno degli ambiti più affascinanti e rivoluzionari del progresso scientifico. Tuttavia, le sue radici affondano in un lungo percorso di evoluzione tecnologica e culturale che attraversa diverse epoche della storia umana. Questo incontro intende esplorare come il desiderio umano di comprendere, modellare e migliorare il proprio ambiente abbia contribuito allo sviluppo dell’IA, tracciando un filo conduttore che collega i primi strumenti rudimentali, frutto dell’ingegno paleolitico, alle sofisticate macchine intelligenti dei giorni nostri.

Partendo da un’analisi delle prime manifestazioni di pensiero simbolico e problem solving, come le pitture rupestri, gli ornamenti personali e i rituali funerari, analizzeremo come la capacità di astrazione e rappresentazione abbia posto le basi per lo sviluppo della scienza moderna. Questa evoluzione non è stata lineare, ma frutto di un lungo processo di accumulo culturale e di innovazione tecnologica. Dalla logica formale di Aristotele al calcolo di Leibniz, fino alle scoperte di Alan Turing, la storia dell’intelligenza artificiale si intreccia profondamente con quella della nostra capacità di costruire e interpretare modelli del mondo.

L’intervento non si limiterà a una prospettiva storica, ma affronterà anche le profonde implicazioni etiche, sociali e filosofiche che emergono dal crescente ruolo dell’IA nella società contemporanea. Qual è il significato della creatività in un’epoca in cui anche le macchine possono generare opere d’arte? Come cambia la nostra idea di decisione quando algoritmi complessi sono in grado di suggerire o addirittura prendere scelte per noi?

Attraverso un dialogo interdisciplinare, l’obiettivo è stimolare una riflessione critica sul rapporto tra evoluzione umana e intelligenza artificiale, mettendo in luce le opportunità e i rischi di un futuro sempre più dipendente dalla saggezza computazionale.

Fabio Di Vincenzo - Università di Roma "La Sapienza"

Il ruolo della cognizione e dello sviluppo cerebrale nell'evoluzione umana

L’intelligenza artificiale (AI) rappresenta un'estensione delle capacità cognitive umane, emergendo come strumento altamente sofisticato in una lunga traiettoria evolutiva che connette agenti intenzionali (noi esseri umani) e strumenti (oggetti dotati di funzionalità). 

Le prime creature che possiamo chiamare umane, appartenenti quindi al genere Homo, sono anche le prime a manifestare in forma estesa e stabile il possesso di una cultura materiale. Di quegli uomini diversi da noi possiamo ricostruire le fattezze, coglierne alcuni tratti e abitudini basandoci sui fossili e sulle tracce della loro attività giunte fino a noi grazie alla memoria della Terra che le ha custodite per milioni di anni nella loro fragilità ma anche nella loro straordinaria durevolezza. 

A partire da quel tempo profondo del primo Paleolitico, l'intelligenza umana si è sviluppata in risposta alle esigenze di adattamento, evolvendo come sistema in grado di manipolare la realtà, il mondo e le relazioni sociali attraverso il linguaggio e la creazione di strumenti quali manifestazioni di un’evoluzione culturale cumulativa. 

L'AI, pur non dotata di intenzionalità propria, amplifica le capacità cognitive e funzionali fino ad oggi esclusivo appannaggio dell’essere umano e dei prodotti della sua cultura e pone interrogativi sul significato profondo dei concetti di coscienza e consapevolezza di se. Il confronto con quanto raggiunto oggi nei sistemi di AI definiti Large Language Models (LLM) evidenzia una coevoluzione tra agenti intenzionali e strumenti con implicazioni profonde per il futuro dello sviluppo cognitivo e sociale sia nostro che di futuri sistemi intelligenti non umani, o come sembra molto probabile, della loro sempre maggiore integrazione.

Stefano Grimaldi- Università di Trento

L'uomo artigiano: l'evoluzione della cultura materiale attraverso la "conoscenza tacita”

L’origine biologica del linguaggio umano è ancora sconosciuta ma lo studio di fossili umani, analisi genetiche e ricerche di archeologia preistorica ipotizzano che questo fondamentale adattamento nella forma in cui lo definiamo oggi, possa avere avuto inizio con la nostra specie, Homo sapiens. Ma anche forme umane più ancestrali sembrano avere avuto la capacità di sviluppare forme di linguaggio che, anche se diverso dal nostro, potrebbero avere avuto profonde implicazioni sulle modalità con le quali si è evoluta la storia dell’umanità.

Francesco Ferretti - Università Roma Tre

L'origine del linguaggio e l'evoluzione del pensiero simbolico

Il mio intervento è sull’origine narrativa del linguaggio umano. Alla base della mia proposta è l’idea che la capacità di raccontare storie rappresenti il tratto distintivo della comunicazione umana rispetto a quella animale. Più nello specifico, la mia idea è che gli umani abbiano inventato le storie come una risposta adattativa all’esigenza di potenziare il carattere persuasivo della comunicazione. La narrazione, infatti, ha uno straordinario potere persuasivo, un potere che dipende in larga parte dal fatto che le storie sono in grado di incantare il cervello – il cervello le riconosce come una sorta di “cibo naturale”. È per il fatto che disponiamo di un cervello narrativo che, diversamente dagli altri animali, noi pensiamo la realtà in forma di storie, prima di raccontare storie agli altri nella comunicazione. Da questo punto di vista la capacità di pensare (di rappresentare simbolicamente) la realtà in forma narrativa è, prima che un fatto socioculturale acquisito, una capacità naturale che dipende dal funzionamento dei sistemi cognitivi alla base di uno specifico network cerebrale adibito all’elaborazione della competenza narrativa. Considerazioni di questo tipo hanno ricadute importanti sul tema delle origini del linguaggio: nelle sue fasi iniziali, infatti, il linguaggio è il prodotto evolutivo della narrazione, non la sua condizione di possibilità. La capacità di rappresentare la realtà in forma di storie non solo è una capacità che precede temporalmente il linguaggio, ma è anche (soprattutto) la condizione di base, la piattaforma evolutiva, che ha permesso al linguaggio di assumere la forma narrativa che lo caratterizza. Ben prima di possedere il linguaggio, i nostri parenti ancestrali (il candidato ideale sembra essere Homo erectus/ergaster) hanno usato la pantomima come strumento espressivo in grado di raccontare storie per comunicare agli altri lo storytelling mentale che attraversava i loro pensieri. Lo storytelling pantomimico rappresenta l’ossatura narrativa che il linguaggio moderno (verbale e sintatticamente strutturato) ha di certo contribuito a trasformare e potenziare ma senza la quale non avrebbe mai guadagnato la forma caratteristica che lo distingue dalla comunicazione animale.

Raffaella I. Rumiati - SISSA – Trieste, Roma-Tor Vergata 

Intelligenza e Riserva Cognitiva

La riserva cognitiva (CR) spiega le differenze individuali nella risposta al declino cognitivo nell'invecchiamento sano e patologico, così come alle lesioni del sistema nervoso centrale. Questo costrutto è solitamente misurato tramite indicatori (o proxy) come il livello di istruzione, il quoziente intellettivo (QI) e l'impegno in attività mentalmente stimolanti, che modulano le prestazioni cognitive e contribuiscono a preservare le funzioni cerebrali.

Nella mia relazione presenterò due ricerche condotte su pazienti neuropsicologici che confermano come questi indicatori possano spiegare le differenze nella risposta al danno cerebrale. Riporterò anche una rassegna di studi che utilizzano la risonanza magnetica funzionale (fMRI) su giovani, anziani sani e anziani patologici, concentrandomi sui meccanismi neurali della CR: riserva neurale (efficienza delle reti cerebrali) e compensazione neurale (reclutamento di regioni cerebrali aggiuntive).

I risultati evidenziano un incremento dell’attività cerebrale legata ai compiti in diverse aree cognitive con l’età, accompagnato da meccanismi compensatori nei casi di compiti difficili o patologie. Gli indicatori di CR sembrano favorire una maggiore riserva neurale (ridotta attività cerebrale) sia nei giovani che negli anziani, ma il loro legame con la compensazione rimane poco chiaro. Questi risultati sottolineano il ruolo cruciale di attività mentalmente arricchenti per preservare le funzioni cognitive durante l'invecchiamento. In futuro sarà necessario affinare ulteriormente il quadro teorico ed empirico della CR, in particolare indagando il ruolo dei proxy e il loro rapporto con il declino cognitivo e le basi neurali.

Marco Fasoli - Università di Roma "La Sapienza"

Intelligenza meccanica… troppo meccanica

L’intervento intende proporsi come riflessione sulla I.A. generativa, intesa come apice di un processo di sviluppo tecnologico che costituisce un elemento essenziale – non accessorio – dell’essere umano. È diviso in due parti. Nella prima vorrei discutere perché i sistemi di IA generativa sono stati recentemente interpretati in modi così antitetici, anche da esperti del settore (e non solo dal pubblico o dalla stampa). Alcuni, infatti, considerano apertamente tali sistemi come banali “pappagalli stocastici” e, in tal modo, suggeriscono che essi sono totalmente privi di intelligenza. Altri ne esaltano invece le capacità e i risultati, manifestando timori molto accentuati rispetto all’impatto che i sistemi di intelligenza artificiale avranno nel prossimo futuro. Argomenterò che è possibile e corretto attribuire intelligenza alla IA nella misura in cui essa non viene confusa con altri attributi, come la soggettività o la coscienza. Allo stesso tempo, ritengo necessario cercare di prestare particolare attenzione al nostro modo di concepire la relazione tra capacità di usare il linguaggio e l’intelligenza.

Nella seconda parte del mio intervento sposterò il focus dell’attenzione dall’intelligenza presunta dei sistemi di IA generativa all’impatto che essi hanno sull’intelligenza umana. Tali sistemi hanno un rapporto particolare con la cognizione, in quanto sono “artefatti cognitivi”, cioè artefatti che supportano in modo diverso i processi cognitivi di alto livello (decisioni, ragionamento, memoria, ecc.). In questa prospettiva, emergeranno alcune domande fondamentali, relative al rapporto tra cognizione e tecnologia, particolarmente rilevanti per la comprensione dell’intelligenza artificiale: in che modo quest’ultima è in grado di influenzare i processi più profondi della cognizione umana? Quali altre tecnologie hanno, nei secoli precedenti, modellato e plasmato tali processi? L’IA si pone in continuità o in rottura con gli artefatti tecnologici suoi predecessori? Argomenterò che queste domande vanno affrontate inserendole in un quadro concettuale in cui essere umano e tecnologia non sono entità indipendenti, la seconda assoggettata alla prima, bensì in un quadro di co-costituzione in cui esse si plasmano reciprocamente e continuamente.

Maria Sapignoli - Università Statale, Milano

Intelligenza Artificiale e Popoli Indigeni

L'Intelligenza Artificiale (IA) rappresenta una delle innovazioni tecnologiche più significative del nostro tempo. Tuttavia, il suo sviluppo si basa prevalentemente su paradigmi tecno-scientifici dominanti, spesso trascurando o marginalizzato altre prospettive e forme di conoscenza. L'intervento intende esplorare come le epistemologie indigene possano arricchire la concezione e lo sviluppo dell'IA, proponendo nuove prospetti per comprendere e interagire con le tecnologie emergenti. Partendo da una breve analisi di come l'antropologia studia i sistemi di IA, la presentazione si focalizza su come queste tecnologie stiano ridefinendo i sistemi simbolici e le pratiche sociali, esaminando non solo l'impatto dell'IA sulla società, ma anche il modo in cui diverse culture sviluppano, interpretano e incorporano tali cambiamenti nella propria visione del mondo. Superando la concezione dell'IA come tecnologia neutrale, lo studio la inquadra come un fenomeno socio-culturale complesso che spesso riproduce dinamiche di potere radicate in logiche coloniali.

La riflessione si sviluppa lungo due direttrici complementari che delineano l'approccio indigeno all'IA. Da un lato, un approccio pragmatico che mira a identificare e mitigare i pregiudizi insiti nelle applicazioni dell'IA verso le comunità indigene; dall'altro, un approccio di indigenizzazione che esplora come le epistemologie tradizionali possano fornire prospettive originali per ripensare e ridefinire il panorama dello sviluppo tecnologico contemporaneo. Attraverso l'esempio Māori e di altre comunità indigene, l'IA emerge come elemento di una rete di relazioni socio-tecniche, in cui i valori culturali e le pratiche locali giocano un ruolo centrale. Questi esempi mostrano come le comunità indigene stiano attivamente modellando futuri tecnologici alternativi, ampliando il "circolo delle relazioni" per includere gli attori non umani all'interno della biosfera computazionale, suggerendo modalità alternative di coesistenza nel panorama digitale contemporaneo.

L'obiettivo della presentazione è incoraggiare una riflessione critica sul futuro dell'IA, sottolineando l'importanza di integrare prospettive culturali diverse nello sviluppo tecnologico. La ricerca dimostra come le comunità indigene offrano contributi creativi a visioni tecnologiche alternative e innovative, evidenziando la necessità di considerare le tecnologie non come strumenti isolati, ma come processi culturali interconnessi con tradizioni, diritti e bisogni delle comunità locali.

Matteo Fumagalli - University Queen Mary, London

Cosa ci insegna l'intelligenza artificiale sulla storia evolutiva umana

La storia umana, distale e prossimale, puo’ essere capita dallo studio di genomi antichi e moderni ottenuti da varie popolazioni sparse per tutto il globo terrestre. La disciplina della genetica di popolazione si occupa di analizzare la variabilita’ genetica tra le diverse popolazioni umane per inferire la loro storia. Infatti, sia eventi demografici, come espansioni e migrazioni, che di adattamento agli ambienti lasciano un segno nei genomi degli individui. Questa disciplina e’ stata come analisi teorica, con lo sviluppo di modelli matematici e statistici per l’inferenza di eventi passati dai segnali di variabilita’ genetica.

Negli ultimi anni, la genetica di popolazione si sta rapidamente trasformando in una disciplina quantitativa di analisi di grandi collezioni di dati. Il machine learning, ed in particolare il deep learning, stanno emergendo come tecniche accessibile per l’inferenza di eventi storici da dati genomici. Addestrati con dati sintetici ottenuti da simulazioni a larga scale, reti neuronali sono ora in grado di stimare parametri evolutivi sulla demografia e adattamento delle specie ad una risoluzione fino a poco tempo fa ritenuta inimmaginabile.

In questo intervento, spieghero’ come queste reti neuronali sono addestrate ed applicate a dati genomici umani per studiare la nostra storia evolutiva. A titolo esemplificativo, trattero’ di recenti scoperte su come questi algoritmi di intelligenza artificiale sono stati usati per capire la mescolanza genetica in paesi multiculturali dell’America. Dimostrero’ come l’intelligenza artificiale e’ in grado di scoprire dei segnali genomici che finora sono rimasti inaccessibili. Infine, daro’ delle indicazioni su come il campo si sia sviluppando e suggeriro’ delle linee di ricerca nello sviluppo di algoritmi per lo studio della storia genetica umana.

Alessandro Paiardini - Università di Roma "La Sapienza"

Bioinformatica, Intelligenza Artificiale ed Applicazioni Biomediche

Il Premio Nobel per la Chimica 2024, assegnato per la risoluzione del problema del folding delle proteine, rappresenta una pietra miliare nella scienza moderna. Questo problema, a lungo ritenuto uno dei "grandi misteri" della biologia strutturale, riguarda la previsione accurata della struttura tridimensionale delle proteine a partire dalla loro sequenza amminoacidica. Tale scoperta è stata resa possibile grazie ai progressi della bioinformatica e all'intelligenza artificiale (IA), che hanno fornito strumenti rivoluzionari per analizzare dati biologici complessi e modellare sistemi molecolari con un dettaglio senza precedenti.

La bioinformatica ha avuto un ruolo cruciale nella soluzione del problema del folding. Sin dagli anni '70, gli algoritmi computazionali hanno permesso di identificare relazioni tra sequenze di proteine e le loro strutture, ponendo le basi per approcci predittivi sempre più sofisticati. Tuttavia, la vera svolta è stata l'introduzione di AlphaFold, un modello di deep learning sviluppato da DeepMind, che nel 2020 ha dimostrato di poter prevedere con precisione strutture proteiche di complessità variabile. AlphaFold utilizza reti neurali profonde per analizzare miliardi di dati sperimentali e genomici, integrando informazioni evolutive e chimico-fisiche per generare previsioni strutturali di qualità quasi sperimentale.

Le proteine sono i mattoni fondamentali della vita, svolgendo ruoli chiave in processi biologici come il metabolismo, la segnalazione cellulare e la replicazione del DNA. La loro funzione dipende strettamente dalla struttura tridimensionale, che determina l’interazione con altre molecole e i meccanismi di azione. La capacità di prevedere rapidamente e accuratamente queste strutture ha aperto nuove frontiere nella ricerca biomedica, dalla progettazione di farmaci alla biologia sintetica.

Le applicazioni di questa scoperta sono già rivoluzionarie. Nel campo della farmacologia, la comprensione delle strutture proteiche ha accelerato lo sviluppo di terapie mirate, come inibitori enzimatici e anticorpi monoclonali, per malattie quali cancro, Alzheimer e infezioni resistenti agli antibiotici. AlphaFold ha inoltre contribuito a svelare il funzionamento di proteine cruciali in molti processi patologici. In biotecnologia, la capacità di progettare proteine con funzioni specifiche ha aperto la strada alla creazione di enzimi industriali più efficienti e sostenibili.

In conclusione, il riconoscimento del Nobel 2024 non celebra solo una straordinaria scoperta scientifica, ma segna l’inizio di una nuova era per la biologia e la medicina. La combinazione di bioinformatica e IA sta trasformando la nostra comprensione delle proteine e, con essa, le possibilità di intervenire sulla salute umana e sul benessere globale.

Francesco Contel - Università di Roma "La Sapienza"

Attività matematica mediata dai Large Language Models: quali nuovi fenomeni e quali sfide nel contesto didattico?

L’attività matematica, a tutti i livelli e in tutti i contesti socio-culturali, è supportata dall’impiego di artefatti (materiali, simbolici, discorsivi, etc.). Da sempre, questi hanno un ruolo centrale anche per i processi di insegnamento-apprendimento: quando usati opportunamente, hanno la capacità di veicolare significati, pratiche e comportamenti culturali condivisi: artefatti materiali come riga e compasso sono il cuore della “costruzione ragionata” che caratterizza la geometria euclidea; alcune tecnologie digitali hanno aumentato in modo sostanziale la possibilità di accedere a una rappresentazione di oggetti matematici astratti, creando nuove potenzialità a livello educativo.

Nel contesto di ricerca in didattica di matrice socio-costruttivista, essenziale è lo studio del processo di costruzione di schemi di utilizzo funzionale da parte del discente, per poter comprendere quali sono effettivamente le potenzialità che questo offre per favorire l’apprendimento. Un quadro teorico frequentemente utilizzato per la descrizione di questi processi è il modello della genesi strumentale, introdotto dallo psicologo francese Pierre Rabardel a inizio 2000;  una breve disamina non tecnica di questo framework ci aiuterà a entrare nel vivo della discussione sulle novità apportate dall’AI conversativa.

I Large Language Models introducono un nuovo elemento, l’aspetto conversativo, all’interno dei processi di apprendimento, potenzialmente stimolando processi fondamentali come l’auto-valutazione o la riflessione metacognitiva, che sono processi essenziali nel problem-solving e in particolare nel contesto matematico. Questa potenzialità deriva dalla struttura dialogica (in senso lato) dell’interazione tra utente e macchina e negli ultimi 3 anni si è assistito a una notevole spinta da parte del mercato in questo senso.

Tuttavia, la componente strutturalmente non-deterministica che caratterizza queste tecnologie introduce nuovi fattori di complessità, che non appartengono ai tradizionali artefatti/strumenti che sono impiegati nelle pratiche di insegnamento-apprendimento. Il bias, la produzione di informazioni non fattuali o inverosimili ("allucinazioni") e la non comprensione del linguaggio matematico a livello semantico sono alcuni degli elementi fondamentali che necessitano di essere presi in considerazione.  Nell’intervento si proverà a mostrare come l’uso efficace di un chatbot in matematica sia strettamente legato alla capacità di gestire la risorsa digitale e quindi ai processi di controllo che un utente è in grado di mettere in campo.