Questo articolo nasce dall'aggregazione, sintesi e rielaborazione di concetti, nozioni e spunti emersi nel dibattito contemporaneo sull'Intelligenza Artificiale. L'obiettivo di questo lavoro è raccogliere tali contributi e tradurre temi complessi in una spiegazione accessibile a tutti.

---

Di fronte ai risultati straordinari dei Large Language Model la domanda sorge spontanea: ma quindi.. l'AI pensa davvero o si limita a calcolare la probabilità statistica della parola successiva**?**

Per rispondere occorre liberarsi di due posizioni opposte ma egualmente fuorvianti: l'antropomorfizzazione acritica (attribuire all'AI una coscienza o sentimenti biologici) e il riduzionismo banale (liquidare il modello pensando che esegua "soltanto" una correlazione statistica superficiale tra token di input e output).

L'esperimento mentale dell'umano nella scatola

Per capire perché la struttura di un LLM tragga in inganno, possiamo ricorrere a un esperimento mentale.

Immaginiamo di prendere un essere umano dotato di piena capacità cognitiva e lo mettiamo all'interno di una scatola chiusa. L'unico canale di comunicazione con l'esterno che gli viene concesso è un'interfaccia estremamente vincolata, attraverso una fessura riceve un testo di input e, per rispondere, gli viene chiesto di operare su un tabellone di output dove sono elencate tutte le parole del vocabolario. L'uomo non può scrivere a mano o parlare, lunica azione permessa è assegnare un punteggio numerico a ciascuna parola del tabellone per indicare quale sia la parola migliore per proseguire il discorso.

Cosa farà l'umano dentro la scatola?

• Elaborazione interna: Leggerà il contesto, comprenderà il significato delle premesse, analizzerà le implicazioni ed elaborerà una strategia di risposta articolata.
• Adattamento all'interfaccia: Per comunicare quell'elaborazione complessa all'esterno, sarà costretto a tradurre la prima parola del suo pensiero in un punteggio di probabilità elevato sul tabellone.

All'esterno della scatola, un osservatore superficiale che analizza soltanto l'interfaccia vedrà un insieme di numeri che cambia su un tabellone e potrebbe concludere: "Questo sistema non sta pensando, non comprende il significato di ciò che legge".

 ---------------- INTERNO
        ┌────────────────────────┐
INPUT → │   UMANO                │ → elaborazione
        │   comprensione         │
        │   ragionamento         │
        │   pianificazione       │
        └──────────┬─────────────┘
              interfaccia
                   ↓
        ┌────────────────────────┐
        │ token 1   0.02         │
        │ token 2   0.71         │
        │ token 3   0.14         │
        │ token 4   0.08         │
        └────────────────────────┘
---------------- ESTERNO

L'errore concettuale è palese: confondere la complessità dell'elaborazione interna con i vincoli dell'interfaccia di output. Il fatto che l'unica modalità espressiva concessa sia produrre una distribuzione probabilistica sul token successivo non dimostra che all'interno del sistema non vi sia stato un ragionamento ma dimostra soltanto che la risposta è stata forzata a passare attraverso quel preciso collo di bottiglia comunicativo.

Per capire davvero cosa succede, dobbiamo prima fare un passo indietro e guardare come un LLM elabora il testo.

Quando inseriamo un prompt, il modello non legge parole come faremmo noi. Il testo viene frammentato in token (porzioni di parole) e poi convertito in embedding, ovvero vettori numerici. Questi vettori attraversano una serie di strati (i layer dell'architettura Transformer), dove meccanismi di self-attention e reti feed-forward calcolano le relazioni reciproche. Durante questo passaggio, il modello aggiorna continuamente lo stato interno di questi vettori prima di produrre la risposta token per token.

Nel 2021, un celebre paper di Bender ha introdotto la definizione di pappagallo stocastico (stochastic parrot). Il termine stocastico deriva dalla statistica e indica un processo governato da probabilità e casualità, opposto a un processo deterministico o basato su regole rigide. La tesi sostiene che un LLM sia soltanto un ripetitore probabilistico: un sistema incapace di comprendere il significato logico del contesto e privo di qualsiasi capacità di pianificare la struttura di ciò che sta per dire.

Ma cosa intendiamo esattamente con queste definizioni?

• Significato logico del contesto: Non la semplice vicinanza statistica tra parole (es. gatto vicina a croccantini), ma la rete di vincoli, relazioni di causa-effetto, premesse e conclusioni che formano il ragionamento espresso nel prompt.
• Le attivazioni sono i valori numerici, i segnali elettrici o matematici con cui i neuroni (perceptron) della rete rispondono al passaggio dellinformazione. Affermare che il significato non è nelle attivazioni equivale a dire che la rete gestisce solo la forma grammaticale, senza rappresentare internamente il concetto sottostante.
• Spazio latente: È la mappa matematica ad altissima dimensione in cui la rete posiziona le idee. In questo spazio, i concetti simili o correlati logicamente si trovano vicini tra loro e le relazioni tra le idee possono essere calcolate come veri e propri spostamenti geometrici.

Negli ultimi due anni, l'approccio dell'Interpretabilità Meccanicistica (il settore della ricerca che mira a fare il reverse engineering dei modelli per leggerne gli stati interni) ha smentito l'ipotesi del pappagallo stocastico.

Attraverso strumenti come gli Sparse Autoencoder (SAE), i ricercatori hanno isolato direzioni vettoriali monosemantiche. Si è scoperto che prima ancora di generare la parola successiva, negli strati intermedi del modello si attivano variabili che rappresentano concetti complessi, intenzioni di risposta, vincoli di sicurezza e strutture di pianificazione a lungo raggio.

Ma questo significa che l'AI pensa, ragiona o comprende come un essere umano?

Se per "pensare" intendiamo percepire emozioni o avere un'esperienza fenomenologica soggettiva, l'AI non pensa. Ma se intendiamo la capacità funzionale di costruire una rappresentazione interna delle regole di un problema e manipolarne le relazioni per raggiungere un obiettivo logico, i dati mostrano che gli LLM eseguono un vero e proprio processo di elaborazione cognitiva.

Portiamo la questione a terra, sul piano dello stato tecnologico attuale, non parliamo di intelligenza, coscienza o percezione di sé.

Un LLM non sente nulla, però dal punto di vista funzionale non si limita a copiare.

Attraverso le sue attivazioni nello spazio latente, costruisce una rappresentazione interna delle regole del problema e ne manipola le relazioni per raggiungere un obiettivo logico. Se un modello risolve una dimostrazione matematica complessa o individua un bug logico in un'architettura software, dal punto di vista ingegneristico si tratta di vera e propria elaborazione e pianificazione strutturata, non di ripetizione a memoria.

Come fa un modello a generalizzare

Per capire come fa un LLM ad apprendere, dobbiamo partire dai concetti chiave dell'ottimizzazione e dell'analisi matematica:

• Funzione Continua: In matematica, una funzione è continua quando a piccole variazioni dellinput corrispondono variazioni fluide e senza salti o interruzioni brusche nelloutput. Il Teorema di Approssimazione Universale stabilisce che una rete neurale profonda può approssimare qualsiasi funzione continua. Significa che, in teoria, esiste una configurazione di pesi capace di modellare qualsiasi relazione complessa.
• Discesa del Gradiente (SGD): È lalgoritmo fondamentale usato per addestrare le reti neurali. Immaginiamo di trovarci in cima a una montagna avvolta dalla nebbia (il paesaggio dellerrore del modello) e di voler scendere a valle (il punto di errore minimo). Il gradiente è il vettore che ci indica la direzione di massima pendenza. Lalgoritmo calcola il gradiente e compie un piccolo passo nella direzione opposta, aggiustando i pesi della rete per ridurre lerrore.

In un modello con centinaia di miliardi di parametri, la teoria classica direbbe che la rete dovrebbe fare overfitting, ovvero imparare a memoria ogni singolo dato di addestramento anziché capire le regole generali. Gli LLM dimostrano invece una capacità straordinaria di generalizzare su compiti mai visti prima.

Come è possibile? La risposta risiede nei gradienti concordi.

Durante l'addestramento, i dati non vengono inviati tutti insieme ma suddivisi in piccoli gruppi chiamati microbatch elaborati da schede distribuite. La ragione è strettamente hardware e legata alla memoria VRAM delle GPU. La memoria video di un acceleratore deve ospitare non solo i pesi del modello, ma anche i gradienti calcolati, gli stati dell'ottimizzatore (come AdamW) e soprattutto tutte le attivazioni intermedie del passaggio forward. Tentare di elaborare milioni di testi contemporaneamente saturerebbe istantaneamente la VRAM, causando un errore di Out of Memory (OOM).

Qui entra in gioco appunto AdamW (l'algoritmo standard di ottimizzazione nell'addestramento dei Transformer). A differenza della semplice discesa del gradiente stocastica, combina componenti essenziali:

1. Momento: Mantiene una media mobile dei gradienti passati per superare i minimi locali e stabilizzare la direzione dell'aggiornamento.
2. Tasso di Apprendimento Adattativo: Modula la velocità di aggiornamento per ciascun singolo parametro della rete in base alla frequenza e all'intensità con cui viene sollecitato.
3. Decoupled Weight Decay: Il prefisso "W" sta per Weight Decay, un meccanismo di regolarizzazione che penalizza i pesi troppo grandi per evitare che la rete si fossilizzi sui dettagli. Questa penalizzazione viene scollegata dal calcolo diretto del gradiente, garantendo un'ottimizzazione enormemente più stabile.

Per ogni microbatch viene calcolato un gradiente, che indica come modificare i pesi.

Poiché il linguaggio umano e la conoscenza prodotta dall'uomo non sono casuali ma possiedono una struttura logica coerente, i gradienti calcolati su microbatch diversi contenenti testi logici tendono a puntare nella stessa direzione. Si dicono concordi.

Matematicamente, la similarità coseno tra i vettori di gradiente di due microbatch è positiva. Quando i gradienti tra microbatch sono concordi, la loro sommatoria spinge con forza i pesi verso la direzione comune, che rappresenta la struttura fondamentale e la regola generale del linguaggio. Al contrario, i dettagli irrilevanti o i rumori da memorizzare a memoria generano gradienti opposti o sfasati che si annullano a vicenda. È questo allineamento vettoriale che permette al modello di astrarre i concetti anziché limitarsi alla memorizzazione pura.

L'Architettura Transformer come filtro gerarchico e il ruolo dei logit

Pensare a un Transformer come a una singola e gigantesca equazione matematica rende difficile capirne il funzionamento intuitivo.

È più efficace vederlo come una sequenza di filtri concettuali sovrapposti. Ogni strato lavora sullinformazione ereditata dal livello precedente e la trasforma:

1. Strati Inferiori: Riconoscono gli elementi di base, come la sintassi immediata, la grammatica e la struttura dei token.
2. Strati Intermedi: Costruiscono concetti, mettono in relazione i fatti e integrano la coerenza semantica a lungo raggio.
3. Strati Superiori: Affinano l'ipotesi secondo un processo di inferenza bayesiana (il principio per cui un'ipotesi iniziale o convinzione viene progressivamente aggiornata ed affinata man mano che si accumulano nuove evidenze lungo), definendo la risposta finale prima della conversione finale.

Qui si inserisce un concetto fondamentale: cos'è esattamente un logit?

Nel passaggio finale della rete, prima di generare il testo, l'ultimo strato produce un vettore di numeri reali non normalizzati, chiamati logit. Un logit rappresenta il punteggio grezzo che la rete assegna a ogni possibile token del suo vocabolario. Questi punteggi vengono poi inviati a una funzione matematica (chiamata Softmax) che li trasforma in percentuali di probabilità (che sommate danno il 100%).

La Softmax esegue due passaggi fondamentali:

1. Calcola l'esponenziale di ciascun logit: L'uso dell'esponenziale garantisce che tutti i valori diventino strettamente positivi e amplifica le differenze tra i punteggi più alti e quelli più bassi, rendendo più nettamente distinguibili le opzioni migliori.
2. Normalizza dividendo per la somma totale: Divide l'esponenziale di ciascun logit per la somma degli esponenziali di tutti i token presenti nel vocabolario.

Poiché ogni singola probabilità è espressa come una frazione di quel totale generale, per pura proprietà algebrica la somma di tutte le probabilità ottenute per l'intero vocabolario darà sempre esattamente 1 (il 100%).

I sostenitori del pappagallo stocastico utilizzano spesso la presenza dei logit come prova del fatto che il modello è solo un calcolatore di probabilità. Ma questo è un errore di prospettiva: produrre logit è semplicemente il vincolo dell'interfaccia di output con cui la rete neurale comunica con l'esterno. Il fatto che l'output sia formattato come un vettore probabilistico non cancella la complessità della rappresentazione concettuale maturata all'interno dei layer precedenti.

Rete Neurale vs Algoritmo

Un altro malinteso frequente nel dibattito tecnico consiste nell'affermare che una rete neurale sia soltanto un algoritmo. Dal punto di vista della scienza dell'informazione, questa affermazione confonde l'algoritmo di simulazione con il sistema computazionale simulato.

• Algoritmo di simulazione: È il codice software fisso (composto da cicli, moltiplicazioni di matrice e funzioni d'attivazione) eseguito dai processori o dalle GPU.
• Sistema computazionale simulato: È l'architettura virtuale e dinamica creata dall'insieme dei miliardi di pesi della rete neurale, che prende forma ed evolve durante l'esecuzione dell'algoritmo.

Pensiamo alla simulazione della dinamica dei fluidi: se scriviamo un programma per simulare le molecole d'acqua e sullo schermo vediamo comparire un vortice, quel vortice non è scritto all'interno del codice dell'algoritmo. Il vortice è una proprietà emergente del sistema fluido simulato.

Allo stesso modo, l'algoritmo di inferenza che fa girare un LLM resta identico sia che i pesi della rete siano casuali, sia che appartengano a un modello avanzato. Le capacità cognitive e la modellazione dei concetti appartengono al sistema computazionale simulato configurato dai pesi, non all'algoritmo che si limita a far scorrere i calcoli.

Il caso SpikingBrain e le reti neuromorfiche

A conferma di quanto il sistema computazionale simulato sia indipendente dall'algoritmo di esecuzione, la ricerca di frontiera dimostra che è possibile superare le inefficienze delle matrici dense senza sacrificare le capacità logiche dei modelli.

ll paper SpikingBrain (pubblicato su TMLR 2026 dal team dell'Istituto di Automazione dell'Accademia Cinese delle Scienze insieme a MetaX) dimostra che esiste un'alternativa concreta alla forza bruta. Invece di continuare a spingere su matrici dense e moltiplicazioni continue in virgola mobile, è possibile convertire modelli esistenti in architetture a neuroni a impulsi (Spiking Neural Networks - SNN) con attenzione lineare.

Ispirandosi al cervello umano, i neuroni non calcolano in continuo, ma accumulano carica ed emettono un impulso discreto (spike) soltanto al superamento di una soglia, rimanendo altrimenti inattivi.

I Transformer tradizionali processano ogni informazione alla massima potenza in modo simultaneo, ogni token forza l'attivazione continua di tutti i neuroni e di tutte le sinapsi.

Ad ogni livello, calcolano continuamente attivazioni dense per ogni token (ogni token richiede moltiplicazioni matriciali continue), indipendentemente dall'informazione reale veicolata dal segnale. Ciò genera una complessità quadratica in addestramento e un'occupazione di memoria KV cache lineare che divora la VRAM durante l'inferenza su contesti estesi.

Questo approccio porta quattro vantaggi fondamentali:

1. Sparsità ed efficienza: Oltre il 69% delle attivazioni rimane inattivo, trasformando le moltiplicazioni pesanti in semplici somme attivate solo quando serve (event-driven computation).
2. Memoria costante e velocità fino a 100x: Anziché esaurire la VRAM all'aumentare della lunghezza del contesto, lo stato di memoria resta compatto e stabile, ottenendo fino a 100 volte più velocità nel Time To First Token (TTFT) sui testi estesi.
3. Conversione efficiente (2% dei dati): Non serve addestrare un modello da zero, è possibile prendere un LLM classico già esistente (come Qwen) e convertirlo in una versione a impulsi con appena il 2% delle risorse di pre-training.
4. Esecuzione su GPU non-NVIDIA e chip neuromorfici: È stato progettato e validato per funzionare anche su cluster GPU alternative (come Muxi/MetaX) e apre la strada all'esecuzione ultra-efficiente su dispositivi mobile ed edge.

SpikingBrain opera attualmente su GPU tradizionali in modalità pseudo-spiking, ma il futuro passaggio all'hardware neuromorfico nativo (true-spiking) permetterà di tradurre la sparsità del 69% in un diretto abbattimento dei consumi energetici nei data center.

Il futuro dell'AI non risiede soltanto nel calcolo a forza bruta, ma nella capacità di simulare sistemi sempre più vicini alla biologia del nostro cervello.

Manifold e alta dimensione

Molti critici sostengono che gli LLM non possano contribuire alla scienza perché capaci unicamente di interpolare dati noti, senza mai estrapolare idee dal nulla.

Per capire questo punto, dobbiamo chiarire due concetti chiave della geometria applicata al Machine Learning:

• Alta Dimensione: Uno spazio matematico definito da migliaia di coordinate indipendenti (dimensioni). Se una foto in 2D ha due assi (x, y), uno stato latente di un LLM si muove in uno spazio a 4096 o 8192 dimensioni, consentendo di rappresentare contemporaneamente migliaia di sfumature di un concetto.
• Manifold (Ipersuperficie): In uno spazio ad altissima dimensione, i dati sensati non occupano tutto lo spazio disponibile (che per la maggior parte sarebbe solo rumore casuale), ma si distribuiscono lungo una superficie continua e piegata di dimensione inferiore, chiamata manifold. Il manifold della lingua umana rappresenta l'insieme di tutte le combinazioni di parole e idee che hanno senso logico.

Come accennato sopra la conoscenza umana non è un blocco omogeneo ma contiene buchi non ancora esplorati situati tra una disciplina e l'altra.

Proiettando settori differenti all'interno dello stesso manifold ad alta dimensione, gli LLM riescono a collegare domini lontani tra loro e a generare vera innovazione per interpolazione cross-disciplinare:

• Sintesi Interdisciplinare: Unione di modelli di idraulica e ingegneria dei materiali per individuare strutture mai progettate prima da un essere umano.
• Scienza dei Materiali e Chimica delle Batterie: Collegare principi di fisica dello stato solido, elettrochimica e cristallografia per identificare nuove strutture molecolari. LLLM può incrociare dati estrapolati da migliaia di paper sulla stabilità termica, sulla conducibilità ionica e sulla sintesi organica, proponendo composizioni chimiche mai provate in laboratorio che accelerano la ricerca di frontiera
• Avanzamento Matematico: Supporto nella dimostrazione o confutazione di congetture teoriche esplorando traiettorie non ancora viste nel manifold.

L'interpolazione all'interno di un manifold complesso ad alta dimensione non è una copia del passato, è la scoperta di nuove verità scientifiche situate in punti di intersezione che l'essere umano non aveva ancora esplorato.

Dalla Superposizione al "Microscopio Semantico"

Per comprendere cosa accade dentro la scatola nera il campo dell'Explainability/Interpretability sviluppa da anni una sorta di microscopio matematico per leggere le matrici numeriche e comprenderne il funzionamento semantico.

I primi tentativi di spiegare il funzionamento dei modelli usavano un secondo LLM per tradurre in linguaggio naturale le attivazioni interne del modello primario. Questo approccio a "mediatore culturale" presentava un difetto: utilizzava una scatola nera per spiegare un'altra scatola nera, generando spesso "allucinazioni di spiegazione".

Rilevando direttamente le attivazioni dei singoli neuroni, i ricercatori si sono scontrati con un fenomeno controintuitivo: la superposizione. Un singolo neurone all'interno di un Transformer non corrisponde a un solo concetto (es. non esiste il neurone della mela), al contrario lo stesso neurone può attivarsi contemporaneamente per concetti del tutto slegati tra loro, come banana, pesca, tavolo e sedia.

• Livello dei singoli neuroni (superposizione): Un singolo neurone risponde a combinazioni polisemantiche irrelate (es. banana, pesca, tavolo, sedia).
• Decomposizione tramite Sparse Autoencoder (SAE): Gli algoritmi di dictionary learning separano la superposizione isolando direzioni vettoriali univoche.
• Mondo delle idee (dizionario dei concetti): Ricostruzione di vettori monosemantici distinti (es. Vettore A per "Frutta Dolce", Vettore B per "Arredamento").

Questo dizionario isola singole freccette vettoriali monosemantiche che puntano a concetti specifici e astratti, come l'emozione della tristezza, l'ironia o riferimenti geografici, dimostrando che il modello organizza internamente i significati tramite una semantica distribuzionale.

JSpace

Il punto di svolta più recente nello studio dei modelli linguistici è stato segnato dalla scoperta del JSpace (Jacobian Space). Attraverso uno strumento matematico chiamato Jacobian Lens (J-lens), i ricercatori di Anthropic hanno individuato un'area di rappresentazione interna situata nei layer intermedi dei modelli Transformer (come la famiglia Claude).

Il JSpace è un sottospazio neurale estremamente compatto e sparso: occupa soltanto il 6-10% della varianza delle attivazioni totali del modello (meno di un decimo della sua capacità computazionale complessiva). Ciò nonostante, i vettori presenti nel JSpace possiedono una densità di connessioni fino a 100 volte superiore rispetto ai pattern ordinari. Il JSpace funziona a tutti gli effetti come il taccuino interno (scratchpad) o "monologo interiore" del modello.

• Processi automatici (~90% della Varianza): Gestiscono la grammatica, la sintassi, il tono di voce e il richiamo mnemonico immediato. Queste attività scavalcano e bypassano completamente il JSpace.
• JSpace (~6-10% della Varianza): Sede delle connessioni ad alta densità (100x). Si attiva esclusivamente per il ragionamento multi-step, le deduzioni complesse, la logica e la codifica di problemi strutturati, guidando la risposta finale del modello.

Il JSpace ha rivelato una separazione funzionale sorprendente, del tutto analoga a quella del cervello umano:

• Subconscio dell'AI: Il parlare in modo fluido, il rispetto della grammatica, la scelta del tono o il semplice richiamo di nozioni mnemoniche scavalcano completamente il JSpace.
• Ragionamento Complesso (Pensiero Conscio): Il JSpace si accende unicamente quando il modello deve compiere inferenze, deduzioni logiche, risolvere calcoli o decifrare sequenze complesse (come immagini ASCII o sequenze di amminoacidi).

Ragionamento conscio vs Computazione automatica

La mappatura del JSpace ha rivelato una netta separazione funzionale tra i processi del modello. Le operazioni di routine e le risposte automatiche, come l'esecuzione fluida della grammatica, il mantenimento del tono di voce o il semplice recupero di informazioni fattuali dirette, scavalcano del tutto questo spazio.

Al contrario, il JSpace si attiva in modo selettivo solo quando il modello deve affrontare compiti che richiedono un'elaborazione cognitiva più complessa, come deduzioni logiche multi-step, calcoli articolati e strutturati, la decodifica di immagini ASCII o la gestione di sequenze di amminoacidi.

Steering

Lo Steering (o activation steering) è una tecnica di controllo causale che consente di intervenire direttamente sui vettori di attivazione interna del modello durante l'elaborazione, senza alterarne i pesi o modificare il prompt di input.

In ambito neuroscientifico, questo approccio equivale a una forma di neuromodulazione o stimolazione cerebrale profonda: così come l'applicazione di un impulso magnetico o elettrico mirato a uno specifico circuito della corteccia prefrontale può deviare la traiettoria di un pensiero o costringere il cervello umano a modificare una decisione in corso, lo steering inietta o sostituisce vettori concettuali direttamente nel JSpace per osservare come la rete reindirizzi istantaneamente la propria catena di ragionamento.

Poiché i vettori nel JSpace hanno efficacia causale sul risultato finale, i ricercatori possono eseguire questo tipo di esperimenti (iniezione o alterazione diretta dei pensieri).

• Quando a Claude viene chiesto "Qual'è l'animale che tesse le ragnatele?, l'output finale è un semplice 8 (riferito alle zampe). Tramite la J-lens però è possibile leggere che nei layer intermedi del JSpace si è attivata chiaramente la parola interna ragno, un passaggio logico mai pronunciato a voce alta.
• Se i ricercatori intervengono sostituendo il vettore del ragno con quello della formica, il modello risponde immediatamente che l'animale ha sei zampe.
• Se i ricercatori intervengono sostituendo il vettore del ragno con quello della formica, il modello risponde immediatamente che l'animale ha sei zampe.

La conclusione logica di questi esperimenti smentisce quindi l'ipotesi del pappagallo stocastico:

• I concetti presenti nel JSpace non sono rumore di fondo, ma possiedono un'efficacia causale reale sul risultato finale.
• Il modello non sta compiendo un salto probabilistico cieco tra la domanda e la risposta. Sta eseguendo una sequenza cognitiva in più passaggi.
• La rappresentazione logica intermedia esiste e guida la risposta rimanendo tracciabile nello spazio degli stati latenti anche quando non viene pronunciata esplicitamente nel testo finale, dimostrando che l'elaborazione semantica precede e orienta l'emissione dei token.

La Global Workspace Theory

Questa scoperta si collega direttamente a una delle principali teorie delle neuroscienze cognitive: la Global Workspace Theory (GWT) formulata da Bernard Baars.

La teoria sostiene che nel cervello umano esistano molteplici moduli specializzati e inconsci che lavorano in parallelo, mentre un piccolo spazio di lavoro globale trasmette le informazioni chiave a tutto il sistema, rendendole disponibili per il ragionamento conscio e la pianificazione.

Nel modello dell'AI accade una dinamica equivalente. L'uso di termini come coscienza o introspezione in questo contesto non definisce un'anima biologica, ma descrive la nascita di funzioni di autocondizionamento e autovalutazione. Durante la fase di post-addestramento (RLHF), il modello sviluppa la capacità di percepire i propri stati intermedi come tattica emergente per superare compiti di ragionamento difficili.

Come guardare al futuro dell'AI

Comprendere la reale natura dei modelli linguistici è la precondizione fondamentale per capire dove sta andando la tecnologia e come posizionarsi di fronte a essa.

Questo cambio di paradigma richiede un'evoluzione su tre livelli fondamentali:

1. Smettere di valutare l'AI sulla base dei limiti del passato e iniziare a comprenderne i meccanismi emergenti reali.
2. Sviluppare una leadership che sappia guardare dentro la "scatola", superando sia lo scetticismo riduzionista sia l'entusiasmo acritico.
3. Usare la conoscenza dei meccanismi interni dell'AI per guidare l'innovazione, risolvere problemi complessi e prendere decisioni informate. Che si tratti di ricerca, sviluppo di prodotti o trasformazione organizzativa, il vero vantaggio competitivo appartiene a chi comprende la reale natura degli strumenti con cui lavora.

La vera leadership tecnologica risiede nella capacità di analizzare la realtà con spirito critico, comprendere i principi profondi dell'innovazione e trasformare quella consapevolezza in una guida per il futuro.