di Loredana Boero

«La Marina ha presentato oggi l’embrione di un computer elettronico che, secondo le sue aspettative, sarà in grado di camminare, parlare, vedere, scrivere, riprodursi ed essere cosciente della propria esistenza»: così scriveva il New York Times il 7 luglio 1958, in un articolo intitolato New Navy Device Learns by Doing. Psychologist Shows Embryo of Computer Designed to Read and Grow Wiser.

Oggetto dell’articolo il Mark I Perceptron di Frank Rosenblatt, psicologo e ricercatore statunitense attivo presso l’Office of Naval Research. Sebbene quelle parole tradiscano una chiara inclinazione al sensazionalismo mediatico, veicolano una prospettiva interpretativa destinata a riemergere più volte nella storia dell’intelligenza artificiale: l’idea che una macchina capace di apprendere possa progressivamente avvicinarsi alle facoltà umane. Era la fine degli anni Cinquanta, erano già in nuce le condizioni che avrebbero condotto al primo inverno dell’AI, ma alcuni tratti ricorrenti della narrazione sull’intelligenza artificiale erano già consolidati.

Fin dalle sue origini, infatti, essa si delinea entro un preciso orizzonte epistemologico, collocandosi all’incrocio tra matematica, informatica, neuroscienze, psicologia cognitiva e teoria dell’informazione. Questo intreccio disciplinare ha prodotto risultati straordinari, ma ha anche contribuito a orientare in modo decisivo le categorie attraverso cui oggi concepiamo, descriviamo e interpretiamo i sistemi di AI.

La svolta di Alan Turing: Can Machines Think?

In Computing Machinery and Intelligence, pubblicato nel 1950, Alan Turing affronta per la prima volta in modo sistematico e scientifico la questione della possibilità che una macchina possa pensare. Emergono qui alcuni nuclei concettuali destinati a segnare lo sviluppo successivo di questo campo. Turing, infatti, non si limita a discutere di circuiti, calcolo o logica formale, ma ricorre ampiamente al lessico della psicologia e della cognizione umana. Parla di apprendimento, di macchine capaci di modificarsi attraverso l’esperienza, di istruzione fondata su ricompense e punizioni, di imitazione del comportamento umano e di capacità di giudizio. In questo modo, la macchina oltre ad essere pensata come una possibile replica meccanica del cervello biologico è immaginata come un sistema capace di eseguire, simulare o almeno evocare processi cognitivi complessi.

E il matematico coniò l'Intelligenza Artificiale

A partire da questo momento, professionalità e linguaggi provenienti da ambiti diversi iniziano a incrociarsi e a compenetrarsi: John McCarthy, matematico, contribuisce alla definizione stessa dell’intelligenza artificiale; Marvin Minsky, matematico e studioso dei processi cognitivi, lavora sulle strutture della conoscenza; Claude Shannon, matematico ingegnere elettronico, inventore della teoria dell’informazione, mostra come i segnali possano essere formalizzati e trasmessi; Warren McCulloch, neurofisiologo, e Walter Pitts, logico, propongono il modello matematico di neurone biologico destinato a diventare una delle basi concettuali delle reti neurali.

Da allora questo intreccio tra terminologia, funzioni e prospettive non è mai venuto meno; al contrario, si è progressivamente rafforzato, fino a costituire ancora oggi uno dei tratti distintivi del modo in cui descriviamo, interpretiamo e immaginiamo i sistemi di intelligenza artificiale.

Proprio questa continuità lessicale e concettuale apre una questione decisiva. Il modo in cui parliamo dell’intelligenza artificiale se da una parte tenta descrive la tecnologia, dall'altra contribuisce anche a costruire l’immagine che ne abbiamo. Termini come “apprendimento”, “memoria”, “attenzione”, “ragionamento”, “visione” o “comprensione” appartengono originariamente al campo dell’esperienza umana e dei processi cognitivi biologici; quando vengono applicati alle macchine, acquistano un valore tecnico specifico, ma conservano al tempo stesso una forte carica metaforica.

Ne deriva una tensione costante: da un lato, questi termini sono indispensabili a rendere comprensibili processi computazionali complessi; dall’altro, rischiano di suggerire una continuità troppo immediata tra funzionamento algoritmico e intelligenza umana. In questo senso, l’intelligenza artificiale non è soltanto un insieme di modelli matematici e architetture computazionali, ma anche un oggetto culturale, costruito attraverso metafore, aspettative e narrazioni che ne orientano la percezione pubblica.

Simboli, segni e interpretazione

Allen Newell e Herbert A. Simon, che ricevettero il Premio ACM Turing nel 1975, parlavano del computer non solo come macchina di calcolo, ma come macchina di manipolazione simbolica. L'ipotesi era che il sistema simbolico fisico fosse al centro dell'intelligenza, intesa però in senso prevalentemente operativo: simbolo dunque come configurazione fisica, stabile e combinabile, capace di attivare processi. In questa cornice, "interpretare" significava eseguire correttamente la procedura designata da un'espressione, un'operazione sintattica, ancora lontana dalla produzione di senso. Paradosso decisivo: per rendere il ragionamento formalizzabile e computabile, la tradizione logico-matematica ha dovuto separare il simbolo dal significato. Newell e Simon riconoscono esplicitamente che la logica formale opera come un “gioco dei simboli”, fatto di token privi di significato manipolati secondo regole sintattiche. L’AI eredita dunque una concezione del simbolo come unità formalmente trattabile, prima ancora che come segno culturalmente interpretabile: l’intelligenza viene reperita nella manipolazione efficace di strutture simboliche, mentre il significato viene inizialmente sospeso, escluso o ricostruito solo in termini operativi.

Manipolazione simbolica, designazione e intelligenza.

Certo nel tempo la manipolazione simbolica acquisisce una forma di designazione. I simboli non sono più soltanto token privi di significato mossi da regole sintattiche, ma questa designazione rimane interna all’architettura della macchina: è un rinvio operativo, non ancora una relazione semiotica pienamente situata. Il simbolo “designa” perché consente al sistema di accedere, modificare o attivare una struttura; non perché partecipi a un patto interpretativo tra soggetti. Quindi l’intelligenza consiste nel trasformare progressivamente strutture simboliche fino a produrre una soluzione, è il processo di ricerca che conduce dalle une all’altra con il minor spreco computazionale possibile. L’intelligenza, in questa cornice è la capacità di orientare efficacemente una ricerca in uno spazio di possibilità.

La rottura del patto semiotico.

Proprio qui emerge il limite semiotico di questa prospettiva: il sistema viene considerato intelligente nella misura in cui riesce a estrarre informazioni utili dallo spazio del problema e a ridurre la distanza tra una struttura iniziale e una struttura desiderata. L’informazione guida la trasformazione operativa; il significato, invece, non viene tematizzato come relazione interpretativa. Da una prospettiva semiotica restano allora aperte questioni decisive: un simbolo manipolato da un sistema per raggiungere un obiettivo può essere considerato un segno pienamente inserito in una relazione di significato? La manipolazione formale dei simboli equivale già alla produzione di senso?

In questa prospettiva, la rottura del patto semiotico nasce prima dell’AI generativa: essa è già inscritta nella genealogia dell’intelligenza artificiale, nel momento in cui il simbolo viene pensato come qualcosa che può funzionare anche una volta separato dal significato.

Il patto semiotico umano, infatti, presuppone che il segno sia legato a un soggetto, a un contesto, a una responsabilità e a una comunità interpretante. Quando l’AI generativa produce testi, immagini e risposte che sembrano partecipare a questo patto, ma che funzionano secondo una logica di selezione, combinazione e generazione formale, la tensione diventa evidente. Non siamo semplicemente davanti a nuovi strumenti di comunicazione, ma a sistemi che simulano l’enunciazione senza abitarne pienamente il significato.

Il segno è anche relazione per avere significato

I modelli linguistici entrano così nello spazio pubblico dei segni, ma lo fanno senza esperienza vissuta, senza intenzionalità comunicativa nel senso umano del termine e senza responsabilità autoriale diretta. Producono enunciati ai quali ogni utente attribuisce significato, ma questa attribuzione resta asimmetrica: il senso si costruisce nell’interazione, mentre il sistema non partecipa a tale costruzione come soggetto interpretante. È in questa asimmetria che si colloca una delle questioni educative più urgenti: non tanto stabilire se l’AI “capisca”, quanto comprendere come gli esseri umani interpretano, legittimano e utilizzano i segni prodotti da sistemi che non condividono il nostro stesso orizzonte esperienziale.

Come educare al....senso nell'era dei segni artificiali?

Ed è forse da qui che dovrebbe scaturire una riflessione educativa profonda non solo sull’uso consapevole degli strumenti di AI, ma anche volta alla comprensione del nuovo regime semiotico che essi inaugurano. I segni, pur nascendo dalla rielaborazione non intenzionale di testi umani per la macchina non significano: eppure gli utenti attribuiscono loro un valore interpretativo che non proviene da un’intenzione altra o da un’esperienza reale. E allora la domanda urgente diventa: come formare studenti capaci di abitare criticamente uno spazio comunicativo costellato di segni artificiali che appaiono pienamente dotati di senso ?

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021, March). On the dangers of stochastic parrots: Can language models be too big?🦜. In Proceedings of the 2021 ACM conference on fairness, accountability, and transparency (pp. 610-623). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? "1F99C

Bender, E. M., & Koller, A. (2020, July). Climbing towards NLU: On meaning, form, and understanding in the age of data. In Proceedings of the 58th annual meeting of the association for computational linguistics (pp. 5185-5198). Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data

Floridi, L. (2025). AI as Agency without Intelligence: On Artificial Intelligence as a New Form of Artificial Agency and the Multiple Realisability of Agency Thesis: L. Floridi. Philosophy & Technology, 38(1), 30. AI as Agency without Intelligence: On Artificial Intelligence as a New Form of Artificial Agency and the Multiple Realisability of Agency Thesis

Floridi, L. (2023). AI as Agency Without Intelligence: on ChatGPT, Large Language Models, and Other Generative Models: Floridi L. Philosophy & technology, 36(1), 15. AI as Agency Without Intelligence: on ChatGPT, Large Language Models, and Other Generative Models | Philosophy & Technology | Springer Nature Link

Leone, M. (2023). The main tasks of a semiotics of artificial intelligence. Language and Semiotic Studies, 9(1), 1-13. The main tasks of a semiotics of artificial intelligence

McCarthy, J., Rochester, N., & Shannon, C. (1955). Dartmouth workshop. Summer Research Project on. dart564props.pdf

Morton, P. A., & Mylopoulos, M. (Eds.). (2020). Philosophy of Mind: Historical and Contemporary Perspectives–Third Edition. Broadview Press.

Newel, A., & Simon, H. A. (1976). Completer Science asEmp rical Inquiry: Symbols and Search. Communications. Computer science as empirical inquiry: symbols and search

Picca, D. (2025). Not Minds, but Signs: Reframing LLMs through Semiotics. arXiv preprint arXiv:2505.17080. Not Minds, but Signs: Reframing LLMs through Semiotics

Searle, J. R. (1980). Minds, brains, and programs. Behavioral and brain sciences, 3(3), 417-424. The milk of human intentionality

Searle, J. R. (1997). Minds, brains, and programs. Broad View Press.

Professor’s perceptron paved the way for AI – 60 years too soon | Cornell Chronicle