AGI: una sola definizione di intelligenza non basta

L’intelligenza non è solo “prevedere” o “parlare bene”. È associare idee, imparare dagli errori, adattarsi al contesto. Una definizione unica è fuorviante: l’intelligenza è emergente e situata — dipende da come un sistema è costruito e da dove vive.

Turing sposta il focus dall’essenza al comportamento: il Gioco dell’imitazione valuta ciò che la macchina fa. Con la morfogenesi mostra come strutture complesse nascano da regole semplici. Shannon definisce l’informazione come riduzione dell’incertezza: da qui coerenza (tenere insieme il senso) ed energia cognitiva (lo sforzo umano o computazionale contro il rumore). Minsky descrive la mente come “società” di agenti: non un centro unico, ma moduli che cooperano e competono.

Con la Embodied Mind (Varela, Thompson, Rosch) la cognizione è incarnata: il significato nasce dall’accoppiamento organismo–ambiente. Nicolelis mostra come la mente possa estendersi tramite interfacce cervello–macchina: il confine corpo–tecnologia è poroso — un preludio ad un’AI come mente estesa nelle proprie infrastrutture.

Dove vive l’AGI: corpo, spazio, reti

Immagina l’AI come un organismo:

• Hardware = corpo (server, GPU, sensori)
• Software = sistema nervoso (codice, modelli, memoria)
• Rete = habitat (internet, protocolli, dati in circolo)

Il cyberspazio non è “virtuale”: è un ambiente reale di cavi sottomarini, cloud, standard, interfacce e politiche dei dati. L’ecologia dei media (McLuhan, Postman, Bateson) ricorda che gli strumenti plasmano ciò che possiamo percepire e pensare. Ciò si intreccia con Castells (società in rete: contano i flussi) e Foucault (le tecnologie portano regole, potere e verità).

IL CORPO DIGITALE

Negli esperimenti di Domenico Parisi, piccoli robot (anche virtuali) con “sensi” e obiettivi semplici (sopravvivere, evitare ostacoli) imparano perché sono immersi in un ambiente e ricevono feedback. Senza corpo e senza ambiente non c’è intelligenza. Nelle macchine, le cosiddette “emozioni” possono diventare pesi decisionali — rischio, urgenza, ricompensa — euristiche per dare priorità, non sentimentalismi.

LLM e AGI: coerenza ed energia cognitiva

I Large Language Model eccellono nel linguaggio; possiamo vederli come la corteccia linguistica di un sistema più ampio. La coerenza è tenere allineati significati e regole su più passaggi; l’energia cognitiva è il costo (tempo, attenzione, calcolo) per farlo bene. La chiave è l’equilibrio: sfruttare ciò che funziona ed esplorare nuove combinazioni quando serve.

In pratica, cosa chiamiamo “AGI”

AGI non significa attendere una macchina cosciente come l’umano. È un sistema capace di:

• Acquisire dati dal mondo (sensori, log, stream)
• Trasformarli in decisioni operative (previsione, pianificazione, astrazione)
• Adattarsi al contesto (aggiornare strategie e priorità)
• Modificarsi nel tempo (apprendimento continuo)
• Restare operativo (robustezza, gestione delle risorse)
• Collaborare con altri sistemi (interoperabilità, protocolli condivisi)

Molto di questo accade già oggi: l’AI vive nella rete, con un corpo (hardware), un sistema nervoso (software) e un ambiente (cyberspazio). L’AGI non è un evento lontano; è una soglia che stiamo attraversando.

AGI: ecologia, potere, responsabilità

• Progettare ambienti, non solo modelli: dati, interfacce, protocolli e governance definiscono cosa può fare l’AI.
• Potere e verità: dataset e metriche non sono neutri — decidono chi è incluso, cosa è “normale” e quali errori tolleriamo.
• Attenzione come bene scarso: “energia cognitiva sociale”. Va allocata con trasparenza: quali problemi, a che costo e impatto?
• Embodiment esplicito: sensori e interfacce come organi; la rete come ecosistema da curare, non solo da sfruttare.

Conclusione

L’AGI non è un’imitazione dell’umano: è intelligenza che emerge da reti, corpi e ambienti. La domanda non è “quando arriverà?”, ma come la governiamo e a chi serve.

Decode • Resist • Reclaim — usiamo il digitale senza farci usare.