La magnifica Umanità
Enciclica MAG26
Terzo capitolo Tecnica e dominio, Sezione La grandezza della persona umana davanti alle promesse dell’intelligenza artificiale
12. L’intelligenza artificiale (n.98-99);
Link di accesso al podcast video:
Continuo ad esaminare in dettaglio l’enciclica
sociale La magnifica umanità, dello scorso maggio. In questo intervento
anticipo la riflessione sul tema trattato neI
n.98 e 99, nel terzo capitolo Tecnica
e dominio, Sezione La grandezza della persona umana davanti alle
promesse dell’intelligenza artificiale.
L’enciclica La magnifica umanità non è
dedicata ai problemi dell’intelligenza artificiale, ma alle trasformazioni
sociali, economiche e politiche collegate al sempre crescente impiego di
sistemi di intelligenza artificiale e al sempre più rapido ed esteso sviluppo
di quelle tecnologie in un mondo globalizzato. La globalizzazione è l’ambiente
sociale in cui i sistemi di intelligenza artificiale rendono possibile
esercitare un potere mai così forte, esteso, pervasivo e penetrante, fin
nell’intimità delle persone, nel governo delle società, nella formazione e
controllo del consenso politico e dei consumatori, nella psicologia personale
degli utenti, nello sviluppo della tecnologia degli armamenti, con riflessi epocali sull’economia, sulle
scienze, sullo sviluppo delle altre tecnologie,
sulla distribuzione sociale delle ricchezze prodotte,
sull’organizzazione della forza lavoro e, in definitiva, sull’esclusione o
inclusione sociale, sui modelli di sviluppo delle società, sull’ambiente e, tra
l’altro, sulla pace e sulla guerra.
Ciò che viene definito globalizzazione —
pur avendo conosciuto una prima fase già tra fine Ottocento e inizio Novecento
— ha avviato la sua stagione contemporanea dalla metà del Novecento, per poi
svilupparsi impetuosamente dagli anni '90 di quel secolo, dopo il crollo dei
regimi comunisti dell'Europa centro-orientale e con la crescente integrazione
delle economie asiatiche, la Cina anzitutto, nei circuiti economici mondiali.
Più di recente, anche gli sviluppi delle tecnologie dell'intelligenza
artificiale ne stanno trasformando i caratteri. Il fenomeno viene comunemente
definito come il processo di crescente integrazione e interdipendenza
mondiale tra economie, società, culture e istituzioni, reso possibile dallo
sviluppo delle comunicazioni, dei trasporti e delle tecnologie
dell'informazione.
I documenti del Magistero
sulla dottrina sociale cominciarono molto presto a misurarsi con la dimensione
internazionale e sovranazionale dei problemi politici — la necessità di un
ordine fondato sul diritto, di istituzioni capaci di garantire la pace e di
promuovere uno sviluppo esteso a quanti più popoli possibile —, in anticipo, o
quanto meno in parallelo, rispetto al dibattito politico coevo: almeno a
partire dal radiomessaggio di Pio 12° del 24 agosto 1939, Ai governanti e ai popoli nell'imminente
pericolo della guerra. La globalizzazione in senso proprio sarebbe
entrata nel lessico magisteriale più tardi, con il magistero del papa Giovanni
Paolo 2° e, in forma sistematica, con l’enciclica La carità nella verità -
Caritas in veritate, del 2009, del papa
Benedetto 16°.
Da qui la grande importanza
di tale documento del Magistero, che si collega esplicitamente alle encicliche Lo
sviluppo dei popoli – Populorum progressio, diffusa nel 1967 sotto
l’autorità del papa Paolo 6° e La
sollecitudine sociale – Sollicitudo rei socialis, diffusa sotto l’autorità
del papa Giovanni Paolo 2°. Questo Magistero si interessa della progressio,
nel senso del latino classico, vale a dire come il procedere nel tempo
delle dinamiche sociali. Di solito si fa notare che nel latino classico "progressus"
indicava principalmente l'avanzamento o il procedere di un processo, senza
ulteriori connotazioni, né positive né negative; l'odierna accezione di progresso
come miglioramento continuo della condizione umana è una costruzione culturale
moderna, affermatasi soprattutto con l'Illuminismo e il positivismo, tra il
Settecento e l’Ottocento. Il problema affrontato dal Magistero sociale, anche
nell’enciclica La magnifica umanità, è quello di come far sì che lo sviluppo
delle dinamiche sociali, potenziato dalle nuove tecnologie e in particolare
ora da quelle dei sistemi di intelligenza artificiale, realizzi un effettivo progresso in
senso moderno per tutta l’umanità, quindi un miglioramento non solo per
una sua parte privilegiata. E questo per il comando evangelico del costruire l’agàpe,
che nel latino della nostra tradizione ecclesiale viene tradotto come caritas
e in italiano come carità. Non si tratta solo di deliberare norme
pubbliche adeguate. Leggiamo ai numeri 5 e 6 dell’enciclica:
5. […] Ora tocca a noi assumere con lucidità e
responsabilità le sfide del nostro tempo. È necessario adottare strumenti
normativi adeguati, capaci di tutelare la giustizia e di contenere gli effetti
distorsivi del potere tecnologico. Ma la questione non si esaurisce nella
regolamentazione. Come avvertiva papa Francesco, occorre domandarci con
realismo chi oggi detenga questo potere e a quali fini lo orienti: «Non
possiamo ignorare che l’energia nucleare, la biotecnologia, l’informatica, la
conoscenza del nostro stesso DNA e altre potenzialità che abbiamo acquisito
[...] danno a coloro che detengono la conoscenza, e soprattutto il potere
economico per sfruttarla, un dominio impressionante sull’insieme del genere
umano e del mondo intero». Un tempo erano soprattutto gli Stati a guidare
e indirizzare l’innovazione. Oggi, invece, i principali motori dello sviluppo
sono attori privati, spesso transnazionali, dotati di risorse e capacità di
intervento superiori a quelle di molti governi. Il potere tecnologico assume
così un volto inedito, prevalentemente “privato”, e per questo ancora più
difficile da discernere, governare e orientare al bene comune.
6. Per questo occorre avviare un discernimento
condiviso capace di penetrare le radici spirituali e culturali delle
trasformazioni in atto. Se ci limitiamo alle contingenze, rischiamo di lasciare
che il susseguirsi delle emergenze decida al posto nostro la direzione del
cammino. Stiamo vivendo una rapida fase di transizione, un “cambiamento
d’epoca”, in cui – mentre alcuni si contendono il futuro delle nuove tecnologie
e altri sono impegnati nella riflessione su di esse – la maggior parte delle
persone rimane in attesa, osserva da lontano e spera semplicemente che tutto
vada per il meglio. Proprio per questo si impongono alla nostra coscienza
domande decisive, che non possono più essere eluse: dove stiamo andando? Verso
quale meta desideriamo orientarci? Quale direzione scegliere come comunità
umana e come popoli?
Siamo quindi invitati a riflettere sul fatto
che queste tecnologie dell’intelligenza artificiale, così potenti, non sono
neutrali perché assumono il
volto di chi le pensa, le finanzia, le regola, le usa.
Spesso, quando sui mezzi di comunicazione se
ne parla, l’intelligenza artificiale è associata a immagini di robot
androidi: macchine governate da sistemi di intelligenza artificiale la cui
struttura fisica ricorda quella del corpo umano, e addirittura è costruita per
somigliargli. Un robot è una macchina programmabile dotata della
capacità di percepire l'ambiente e di compiere azioni nel mondo fisico in modo
automatico o semiautomatico. I robot androidi vengono costruiti con due
finalità principali: interfacciarsi più agevolmente con gli esseri umani in
certe funzioni, e muoversi e operare in ambienti progettati a misura d'uomo. Un
sistema di intelligenza artificiale può governare uno o più robot androidi,
ma non è un robot androide.
A volte, per il suo carattere un po' misterioso
agli occhi dei più e per l'alone di grande potenza che le aleggia intorno,
l'intelligenza artificiale finisce per apparire qualcosa di soprannaturale, ma
non lo è. E non è nemmeno un altro noi. Meno che mai un dio. E
poi non vi è solo una intelligenza artificiale, ma moltissime, anzi
sempre più, in particolare per rispondere alle richieste della committenza
commerciale. Infatti, in genere, le intelligenze artificiali dei nostri tempi
sono prodotti industriali, fatti per essere messi in commercio da imprenditori
privati. Come è ricordato nell’enciclica La magnifica umanità nel numero 5 che sopra ho letto: «I principali motori dello sviluppo sono attori privati, spesso
transnazionali, dotati di risorse e capacità di intervento superiori a quelle
di molti governi. Il potere tecnologico assume così un volto inedito,
prevalentemente “privato”, e per questo ancora più difficile da discernere,
governare e orientare al bene comune».
Le intelligenze artificiali in realtà sono solo sistemi informatici progettati per
svolgere compiti che richiedono capacità tipicamente associate all'intelligenza
umana, come riconoscere schemi, comprendere il linguaggio, apprendere
dall'esperienza, formulare previsioni o prendere decisioni. In altre parole, L'A.I.
– Artificial intelligence [espressione in inglese che significa intelligenza
artificiale e che di seguito userò
per riferirmi ad un sistema di intelligenza artificiale] è la capacità di un
sistema di calcolo di simulare prestazioni proprie dell'intelligenza umana.
Leggiamo nei numeri 98 e 99 dell’enciclica La
magnifica umanità, nel terzo capitolo Tecnica e dominio, Sezione
La grandezza della persona umana davanti alle promesse dell’intelligenza
artificiale:
98. È opportuno premettere due considerazioni: la prima è che qualsiasi
affermazione sull’IA rischia di diventare obsoleta in breve tempo, data
l’impressionante velocità di sviluppo di questi sistemi. La seconda è che tutti
noi, compresi coloro che li progettano, conosciamo poco del loro effettivo
funzionamento. Le moderne intelligenze artificiali sono infatti più “coltivate”
che “costruite”: gli sviluppatori non ne progettano direttamente ogni
dettaglio, bensì creano un’architettura sulla quale l’IA “cresce”. Di
conseguenza, aspetti scientifici fondamentali – come le rappresentazioni
interne e i processi computazionali di questi sistemi – rimangono al momento
sconosciuti. Si manifesta pertanto l’urgenza di un duplice impegno: da un lato,
un approfondimento della ricerca scientifica, dall’altro, un esercizio di
discernimento morale e spirituale.
99. Non è possibile dare una definizione univoca e completa dell’IA.
Ciò che possiamo affermare è che occorre evitare l’equivoco di equiparare
questa “intelligenza” a quella umana. Questi sistemi imitano alcune funzioni
dell’intelligenza umana. Nel
farlo, spesso la superano per velocità e ampiezza di calcolo, offrendo benefici
concreti in numerosi campi. E tuttavia, questa potenza resta legata
esclusivamente al trattamento dei dati: le cosiddette intelligenze artificiali non vivono una esperienza, non
possiedono un corpo, non attraversano la gioia e il dolore, non maturano nella
relazione, non conoscono dall’interno ciò che significa amore, lavoro,
amicizia, responsabilità. Non hanno neppure una coscienza morale: non giudicano
il bene e il male, non colgono il senso ultimo delle situazioni, non assumono
su di sé il peso delle conseguenze. Possono imitare linguaggi, comportamenti,
valutazioni, possono simulare empatia o comprensione, ma non capiscono ciò che
producono, perché non abitano l’orizzonte affettivo, relazionale e spirituale
in cui l’umano diventa sapiente. Anche quando tali strumenti vengono presentati
come capaci di “apprendere”, il loro modo di farlo è diverso da quello della
persona umana. Non è l’esperienza di chi si lascia plasmare dalla vita e cresce
nel tempo attraverso scelte, errori, perdono, fedeltà; è piuttosto un
adattamento statistico a partire da dati e riscontri, che può essere molto
efficace, ma non implica una crescita interiore.
Da qui in
poi mi avvalgo dei miei appunti da una conferenza di un esperto di
sistemi di intelligenza artificiale tenuta per il Meic il 12 giugno 2026, revisionati e integrati
dalle A.I. Claude -modello Opus
4.8 – di Anthropic, ChatGPT di OpneAI e Gemini di Google.
Ho chiesto il consiglio delle A.I. perché la mia formazione è solo
giuridica e non ero sicuro di aver appuntato correttamente ciò che ci era stato
spiegato. Non faccio il nome dell’esperto, perché non ha rivisto il testo dei
miei appunti.
Come funziona una intelligenza artificiale?
Il sistema di intelligenza artificiale riceve
un prompt — una domanda — lo inquadra all'interno di una teoria e
produce una soluzione. È decisivo individuare la teoria entro cui collocare il
problema, per formalizzarlo correttamente sul piano logico. Il sistema calcola
trasformando i dati in forma digitale, in sequenze di 1 e 0: la risposta è il
risultato della computazione. Il passo difficile è la formalizzazione esatta
del problema. Nessun metodo può stabilire in modo definitivo quando una formalizzazione è
"corretta", perché la realtà non è formalizzata: lo sono soltanto le
teorie. È invece possibile dimostrare l'equivalenza tra formalizzazioni
diverse. Le macchine sono più veloci ed efficienti nell'eseguire i calcoli, e
operano manipolando stringhe di simboli.
Confrontando due risposte date dall’A.I.
ChatGPT di OpenAI a un anno di distanza si è constatato un progresso nella computazione, ma permane la
difficoltà di fronte a problemi logici sofisticati e, ad esempio, ad alcuni
problemi di traduzione: il limite sta nella formalizzazione. Nel gioco degli
scacchi, invece, l'A.I. eccelle proprio perché il dominio è interamente
formalizzabile (con regole chiuse, informazione completa). Il problema
computazionale tipico è esplorare lo spazio delle possibilità future: qui le
macchine sono più rapide, efficienti e affidabili — a condizione che il
problema sia formalizzabile. Per questo è essenziale controllare la
formalizzazione dei processi di computazione.
I sistemi di A.I. hanno numerose applicazioni rilevanti e in molti compiti specifici superano le prestazioni umane. Già Norbert Wiener [leggi Nòrbert Uìner] ( vissuto tra il 1894 e il 1964), considerato il padre della cibernetica, avvertiva che le macchine automatiche possono accrescere il controllo esercitato da un gruppo di esseri umani sull'intera società. L'A.I. si può descrivere come una protesi della mente umana.
Il calcolatore mediante il quale l’A.I. opera
è costituito da circuiti elettronici governati da programmi, che sono
insiemi ordinati di istruzioni che un
calcolatore esegue per svolgere un determinato compito.
Alan Turing ha formalizzato la nozione di computabile: ciò che è
computabile possiede un programma eseguibile da una macchina universale, capace
di calcolare tutte le funzioni computabili. Non quindi tutte le
funzioni in assoluto: esistono infatti problemi non computabili, come il problema
della fermata. Il problema della fermata (halting problem in inglese)
è la domanda: esiste un metodo generale — un algoritmo — che, ricevuti in
ingresso un qualsiasi programma P
e un qualsiasi dato d,
sappia decidere con certezza, in tempo finito, se l'esecuzione di P su d prima o poi si ferma
oppure prosegue all'infinito? Alan Turing nel 1936 dimostrò che un tale algoritmo non può esistere.
Non è una limitazione contingente (macchine troppo lente, memoria
insufficiente): è un'impossibilità di principio. È questo il senso
dell'affermazione che esistono funzioni non
computabili. il
problema della fermata fissa un limite invalicabile e dimostrato matematicamente
a ciò che qualsiasi
macchina può calcolare — non l'A.I. di oggi, ma la computazione in quanto tale. Quando si
dice che "vi sono limiti invalicabili alla formalizzazione",
questo è il teorema fondativo a cui, in ultima analisi, ci si appoggia. È un
argomento robusto da spendere: non un'opinione filosofica, ma un risultato
logico che nessuno contesta.
In un celebre articolo del 1950 Turing si
chiese se le macchine possano "pensare". La domanda è oggi di
stringente attualità in riferimento alle capacità dei sistemi di A.I.
contemporanei.
Le moderne macchine di A.I. si basano su reti neurali,
ispirate — in termini molto approssimativi — al funzionamento dei neuroni
cerebrali. Questi sistemi vanno addestrati:
l'addestramento consiste nel trovare i "pesi" delle connessioni che
minimizzano l'errore, alimentando la rete con quantità enormi di dati. È in
questa fase che i pesi vengono progressivamente aggiustati.
Al n.98 dell’enciclica La
magnifica umanità si osserva che le moderne intelligenze artificiali sono infatti
più “coltivate” che “costruite”: gli sviluppatori non ne progettano
direttamente ogni dettaglio, bensì creano un’architettura sulla quale l’IA
“cresce”. Di conseguenza, aspetti scientifici fondamentali – come le
rappresentazioni interne e i processi computazionali di questi sistemi –
rimangono al momento sconosciuti. Sappiamo quindi esattamente qual è la matematica dietro al
funzionamento macroscopico, ma non sappiamo perché quella specifica
configurazione di miliardi di pesi numerici generi una determinata risposta o
un comportamento emergente (come il ragionamento logico o la capacità di
programmare). Oggi però si lavora molto sulla explainable AI cioè sull’intelligenza
artificiale spiegabile, vale a dire
trasparente nei suoi processi, in modo da consentire agli esseri
umani di comprendere, almeno in parte, come e perché giunga a determinate
conclusioni o decisioni, cioè sulla possibilità di spiegare come il sistema
arriva a un determinato risultato. Va sottolineato un punto spesso frainteso:
l'apprendimento avviene durante l'addestramento, non durante la risposta.
Quando il modello già addestrato risponde a un prompt (fase di inferenza,
cioè di interazione con utenti), i suoi pesi sono congelati: il sistema non si
automigliora rispondendo,
né impara dalla singola conversazione. Ma i dati dell’interazione possono
essere utilizzati in una fase successiva e distinta di addestramento,
non condotta durante l’interazione con gli utenti, per produrre una nuova versione
del modello (cioè un nuovo insieme di pesi). Non è il modello con cui gli
utenti interagiscono che impara: è la
sua generazione successiva che può essere plasmata dai dati aggregati delle
interazioni precedenti. L’apprendimento avviene a livello di versioni, non di
sessione.
Il vero problema diventa allora come usare il risultato del calcolo.
La macchina manipola simboli secondo regole — opera cioè sulla sintassi
— mentre il significato, e soprattutto l'uso del risultato quando entrano in
gioco valori morali, richiede il controllo dell'uomo. Esistono limiti
invalicabili alla formalizzazione.
In superficie le macchine fanno meglio,
perché calcolano più velocemente. Ma sul piano del substrato delle azioni il discorso cambia.
L'essere umano possiede una realtà interna — coscienza e volontà — che non ha
modello matematico, non è formalizzabile e perciò, secondo questa tesi, non
potrà mai essere realmente imitata. L'autocoscienza umana emerge dall'attività
di circa 86 miliardi di neuroni, ma una volta emersa non si lascia ricostruire
né formalizzare.
Le risposte dei grandi modelli linguistici
generativi (LLM, dall’inglese Large Language Model, cioè “grande modello linguistico”) come ChatGPT vengono prodotte
prevedendo, a ogni passaggio, il successivo token, inteso come unità
elementari di testo che possono corrispondere a
una parola intera, a una parte di parola, a un segno di punteggiatura o a un
numero, più plausibile sulla base di modelli statistici appresi
durante l’addestramento su enormi quantità di dati. La superficie dei risultati
delle A.I. generaliste è levigata e
convincente, ma tale fluidità espressiva non implica necessariamente una
comprensione profonda dei contenuti. Ad esempio, questi sistemi non possiedono
una comprensione morale autonoma e non sono in grado di fondare o giustificare
principi etici come farebbe un essere umano: infatti ad oggi non esiste una formalizzazione
completa e universalmente accettata dell’etica umana.
A un test del giugno
2026 l’A.I. ChatGPT di OpenAI si
è poi mostrata non pienamente affidabile sul piano logico nei problemi
sofisticati: l'A.I. è affidabile quando il prompt è formalizzabile. In
alcuni casi, ad esempio, non esegue correttamente la dimostrazione per assurdo,
mostrando limiti logici ancora evidenti agli specialisti.
Anche i sistemi di A.I., poi, sbagliano: occorre quindi continuamente e
sistematicamente revisionarne l'affidabilità, e la revisione implica l'uomo. È
il rapporto con l'umano a valorizzare la tecnica, a darle senso. Ne deriva una
responsabilità dei legislatori nel regolare le procedure di verifica dei
sistemi di A.I., e la necessità che il legislatore dialoghi con i tecnici. L'A.I.
è uno strumento il cui uso va regolato: non è indispensabile conoscerne a fondo
tutti i processi interni, così come si guidano automobili o si usano computer
senza padroneggiarne l'ingegneria. Per gli educatori si apre il problema di che
cosa e come insegnare anche nel campo dell'A.I.
Sul piano teorico, il successo attuale
dell'IA rappresenta una rivincita
del connessionismo. Conviene chiarire i due termini in gioco:
Il computazionalismo (o approccio simbolico, talvolta detto
"A.I. classica" o GOFAI che significa Good Old-Fashioned Artificial Intelligence, vale a dire la
"buona vecchia intelligenza artificiale", per indicare l'approccio classico all'A.I., dominante dagli anni
Cinquanta fino agli anni Ottanta) concepisce l'intelligenza come manipolazione
di simboli secondo regole esplicite: la conoscenza è codificata in
rappresentazioni strutturate
e in regole logiche, e ragionare significa eseguire un programma su quei
simboli. È la tradizione della logica, dei sistemi a regole, della
programmazione logica — quella, per intenderci, più vicina alla sensibilità di
un logico.
Il connessionismo concepisce invece
l'intelligenza come proprietà emergente
da reti di unità elementari (i "neuroni" artificiali) fittamente
interconnesse: la conoscenza non è scritta in regole esplicite, ma è distribuita nei pesi delle connessioni
e viene appresa
dai dati. È la tradizione delle reti neurali e dell'apprendimento profondo (il deep
learning, vale a dire l'apprendimento profondo, una tecnica di
apprendimento automatico — a sua volta branca dell'intelligenza artificiale —
basata su reti neurali artificiali organizzate in molti strati, donde
l'aggettivo «profondo», e capaci di apprendere automaticamente schemi complessi
a partire da grandi quantità di dati).
Per gran parte della storia dell'A.I.
l'approccio simbolico ha dominato; l'odierno trionfo del deep learning e
dei grandi modelli linguistici segna perciò la rivincita del paradigma connessionista.
Resta però un nodo aperto: nessuna di queste A.I., fondate su un ragionamento
probabilistico, fornisce ancora una vera risposta
argomentativa. I pesi non sono passaggi di un'argomentazione, ma
parametri numerici opachi: non "ragioni", e non interpretabili come
tali. Per questo i computazionalisti restano a disagio di fronte a risultati
generati su base probabilistica.
Si esplorano, infine, paradigmi di calcolo
ispirati a processi naturali — fino al ripiegamento (folding) delle proteine —
come possibili vie alternative per problemi computazionalmente molto onerosi.
Per aver un’idea
approssimativa di quest’ultima via, bisogna capire che una proteina nasce come
una catena lineare: una sequenza di amminoacidi agganciati uno dopo l'altro,
come le perle di una collana, secondo le istruzioni scritte nel gene. Ma in
quella forma distesa la proteina è inerte. Per funzionare deve ripiegarsi nello spazio in
una precisa architettura tridimensionale — eliche, foglietti, anse — che le dà
la sua forma definitiva. E la forma è
la funzione: l'emoglobina trasporta ossigeno, un enzima accelera una reazione,
un anticorpo riconosce un intruso, soltanto perché assumono quella geometria e
non un'altra. Ripiegarsi male ha conseguenze gravi: diverse malattie
(Alzheimer, Parkinson, fibrosi cistica) sono in fondo patologie del
ripiegamento.
La
cosa notevole è che questo processo avviene spontaneamente. Una volta immersa
nell'ambiente acquoso della cellula, la catena proteica collassa e si ripiega
nella sua struttura tridimensionale funzionale, guidata dalle forze fisiche che
agiscono tra i suoi atomi e che tendono a portarla verso configurazioni
energeticamente più favorevoli. E’ un processo che per la logica è un problema
intrattabile.
Negli anni Sessanta Cyrus Levinthal formulò un paradosso: una proteina anche
modesta potrebbe assumere un numero astronomico di configurazioni possibili —
più degli atomi dell'universo. Se dovesse provarle a una a una per trovare
quella giusta, impiegherebbe più tempo dell'età del cosmo. Eppure ci riesce in
un battito. È esattamente il tipo di problema che fa disperare un computazionalista:
lo spazio di ricerca è così vasto che la forza bruta è impensabile. Prevedere
la forma finale a partire dalla sola sequenza — il celebre problema del ripiegamento proteico
— è rimasto irrisolto per cinquant'anni, affrontato sperimentalmente con metodi
lentissimi e costosissimi come la cristallografia a raggi X.
L’A.I. è arrivata ad imitare quel
processo, con una precisazione: L'A.I. non
simula il processo fisico del
ripiegamento, cioè non ne ricalcola passo passo la traiettoria nel tempo. Fa
qualcosa di concettualmente diverso e più sottile: predice direttamente la
struttura finale a partire dalla sequenza, sulla base del riconoscimento di regolarità statistiche.
È il sistema AlphaFold di Google DeepMind. Addestrato sulle
circa 150.000 strutture proteiche già risolte sperimentalmente in decenni di
lavoro, ha "imparato" le correlazioni profonde tra sequenze e forme:
quali porzioni di catena tendono a finire vicine, quali motivi ricorrono, come l'evoluzione
vincola le geometrie possibili. Poi, davanti a una sequenza nuova, inferisce la sua
architettura più probabile.
E’ bene però chiarire che AlphaFold non ragiona sulla
fisica e non argomenta, si limita a riconoscere schemi. È il paradigma connessionista nella sua
forma più trionfante. E ha successo proprio dove il problema è ben circoscritto
e c'è abbondanza di dati di addestramento: ciò rende l'A.I. affidabile. In
quelle condizione l’A.I. è in grado di predire l’esito del processo. Nel 2020 AlphaFold2
raggiunse un'accuratezza vicina a quella dei metodi sperimentali nel prevedere
la forma delle singole proteine, risolvendo di fatto un problema aperto da
mezzo secolo. La versione successiva, AlphaFold3, ha esteso le previsioni alle
interazioni tra proteine e ligandi, acidi nucleici e altri complessi
molecolari. Il database pubblico associato mette oggi a disposizione
gratuitamente centinaia di milioni di strutture predette — in pratica quasi
tutte le proteine note alla scienza, oltre duecento milioni di sequenze, un
patrimonio che prima sarebbe costato secoli di laboratorio. Le ricadute più
immediate sono nella progettazione di farmaci.
Mario
Ardigò - Azione Cattolica della parrocchia di San Clemente papa
- Roma, Monte Sacro, Valli – indirizzo del blog del gruppo:
acvivearomavalli.blogspot.com
