Generalizzazione

Dal cervello all'algoritmo. Questo atlante è fatto di specialisti: una corteccia per vedere, un'area per parlare, un ippocampo per ricordare, un cervelletto per muoversi. Eppure con quegli stessi moduli leggi, fai algebra, giochi a scacchi: cose per cui l'evoluzione non ha costruito nulla. La domanda che lega insieme tutte le regioni è una sola. Come fa un sistema di specialisti a generalizzare? E un'AI lo sta facendo?

La parola contesa

Non esiste un accordo su cosa sia l'AGI, "intelligenza artificiale generale". Non in accademia, non nei laboratori. Le definizioni in circolazione si dividono in tre scuole incompatibili, più una che rifiuta del tutto il termine.

La prima vuole eguagliare l'umano: l'AGI è un sistema con la versatilità cognitiva di una persona su essenzialmente tutti i compiti. Demis Hassabis (DeepMind) usa la scoperta scientifica come test; Dan Hendrycks la misura su dieci domini cognitivi (A Definition of AGI, 2025); la tassonomia Levels of AGI di DeepMind, 2023 la grada su due assi, prestazione e generalità. La seconda è universale e formale: Shane Legg e Marcus Hutter definiscono l'intelligenza come performance su tutti gli ambienti computabili, pesati per semplicità (Universal Intelligence, 2007). Un oggetto matematico preciso e, per loro stessa ammissione, non calcolabile. La terza è economica: la carta di OpenAI definisce l'AGI come "sistemi altamente autonomi che superano gli umani nella maggior parte del lavoro economicamente prezioso" (OpenAI Charter). L'intelligenza misurata dall'output, non dalla cognizione.

Poi c'è chi vuole abolire la parola. Yann LeCun (Meta) sostiene che "l'intelligenza generale non esiste": gli umani sono specialisti evoluti, e il termine AGI andrebbe ritirato. Nel febbraio 2026 lo formalizza in un paper con Goldfeder, Wyder e Shwartz-Ziv, AI Must Embrace Specialization via Superhuman Adaptable Intelligence (arXiv:2602.23643): puntiamo non all'AGI ma alla SAI, l'intelligenza capace di imparare a superare l'umano in ciò che conta, misurata sulla velocità con cui acquisisce nuovi compiti.

Il malinteso al centro di tutto. Quasi tutta la disputa nasce da due parole confuse per una. L'intelligenza universale (Legg-Hutter) è la capacità di agire bene su qualsiasi ambiente possibile: un limite teorico, non calcolabile, e sotto il teorema No Free Lunch nemmeno raggiungibile, perché nessun sistema finito può essere bravo in tutto contemporaneamente. L'intelligenza generale, nel senso ordinario, è un'altra cosa: competenza ampia sulla distribuzione strutturata e non casuale del nostro mondo. La "G" di AGI vuol dire "non specifica per un compito", non "buona su ogni mondo possibile". L'errore ricorrente è confutare la prima e presentarlo come confutazione della seconda. Quando François Chollet definisce l'intelligenza come "efficienza nell'acquisire abilità rispetto a uno scopo, dati prior ed esperienza" (On the Measure of Intelligence, 2019), sta dicendo proprio questo: la generalità interessante è vincolata, non universale. Hassabis ha colto il punto con precisione nel dicembre 2025, rispondendo alle dichiarazioni di LeCun: "sta confondendo l'intelligenza generale con quella universale; i cervelli sono in effetti estremamente generali". Elon Musk si è accodato. La replica precede il paper di due mesi e rispondeva ai suoi interventi pubblici; al paper ha risposto direttamente solo Ben Goertzel, per cui la SAI "non è altro che l'AGI sotto ipotesi specifiche".

Il terzo termine. Tra universale e specialista puro c'è una via di mezzo, ed è dove vive la generalità che ci interessa: generale ma vincolata. Prestazione ampia fino a un certo livello di difficoltà, su una distribuzione naturale di compiti. Non è un'invenzione retorica: la falsa dicotomia "dominio-specifico contro dominio-generale" è stata smontata sia in scienza cognitiva (Jacobs & Gärdenfors, 2017) sia nella misura dell'intelligenza artificiale (Hernández-Orallo et al., 2021). Una macchina di Turing con memoria finita copre anch'essa una frazione minima dei problemi possibili, eppure non la chiamiamo specializzata. È universale ma limitata, categorialmente diversa da una calcolatrice. È questo termine medio che il dibattito tende a cancellare. Ed è esattamente la forma del cervello.

Perché la parola è rimasta vaga. Vale la pena dire anche la parte scomoda. La vaghezza dell'AGI non è stata solo un problema scientifico irrisolto: è stata utile. Un termine in cui ognuno proietta il proprio sogno aggrega capitale e talento meglio di una definizione precisa, che invece renderebbe possibile la delusione (Narayanan & Kapoor, AGI is not a milestone). Secondo quanto riportato, il contratto OpenAI-Microsoft fisserebbe l'AGI alla soglia dei 100 miliardi di dollari di profitto (The Information, dic 2024): una definizione che con la cognizione non ha nulla a che fare. Il sospetto onesto è che "SAI" o "world model" erediteranno lo stesso destino: la prossima stella polare, altrettanto carica di aspettativa.

Come generalizza il cervello

Qui la domanda smette di essere terminologica e diventa biologia. La firma della generalità umana non è fare ogni cosa. È fare cose per cui non siamo stati progettati, con hardware progettato per altro. L'idea chiave: specializzazione e generalizzazione non sono opposti, sono lo stesso fatto visto da due lati. Un circuito è specializzato per le sue proprietà (riconoscere forme a prescindere da posizione e dimensione), e generalizza proprio perché quelle stesse proprietà vengono riusate per compiti nuovi che ne hanno bisogno. La generalità non sta dentro nessun modulo. Emerge dal riuso.

• Riciclo neuronale. La lettura ha circa 5.000 anni, troppo pochi perché l'evoluzione costruisse un'"area della lettura". Eppure ogni cervello alfabetizzato ne sviluppa una, nello stesso punto della corteccia visiva, perché quel tessuto già faceva riconoscimento visivo invariante, esattamente ciò che le lettere richiedono. Stanislas Dehaene lo chiama riciclo neuronale (Dehaene & Cohen, Cultural Recycling of Cortical Maps, Neuron 2007). Il parallelo con l'AI è diretto: una rete convoluzionale addestrata a riconoscere oggetti, poi rifinita sulla lettura, sviluppa da sola un'unità analoga a quell'area (Hannagan et al., PNAS 2021).
• Riuso neurale. Michael Anderson ha esteso l'idea a principio generale: le regioni del cervello sono abitualmente multiuso, e le funzioni più recenti reclutano più aree e più sparse, segno che sono assemblate da pezzi più antichi (Anderson, Neural reuse, BBS 2010). Il dato (le regioni sono multiuso) è solido; che il riuso sia il principio unico resta un dibattito aperto.
• Il paradosso di Moravec. Far giocare a scacchi una macchina è facile, darle la percezione e il movimento di un bambino è difficilissimo. La lettura standard: il sensomotorio è antichissimo e profondamente specializzato, il ragionamento astratto è recente, il velo più sottile del pensiero che gira sopra e riusa quella macchineria più vecchia (paradosso di MoravecW).
• Generalizzare la struttura. Il cervello non riusa solo circuiti, riusa strutture. Una volta che esiste uno schema, un fatto nuovo che vi si incastra si consolida in un giorno invece che in settimane (Tse et al., Science 2007). Le mappe cognitive dell'ippocampo, nate per lo spazio, generalizzano a strutture astratte e relazionali: lo stesso codice che ti orienta in una città ti orienta in uno spazio di concetti (Tolman-Eichenbaum Machine, Whittington et al., Cell 2020). E nella corteccia prefrontale le variabili astratte sono rappresentate in una geometria che le rende ricombinabili, il sostrato della composizionalità (Bernardi et al., Cell 2020).

Magnus Carlsen a circa 2880 Elo, partendo da un cervello plasmato per raccogliere cibo ed evitare predatori, non è la prova che siamo mediocri a scacchi. È una dimostrazione di transfer. Chi conclude il contrario misura quanto in alto arriviamo in un dominio, il soffitto, e ne ricava qualcosa su quanti domini copriamo, l'ampiezza. Sono due assi diversi.

Come generalizza un'AI

La stessa domanda, sulle reti neurali: la discesa del gradiente costruisce macchinari che generalizzano, o una gigantesca tabella di consultazione? La difficoltà è che per un modello addestrato su mezza internet quasi ogni comportamento si può rileggere come interpolazione su qualcosa già visto. Conviene ordinare l'evidenza dalla più pulita alla più ambigua.

• Il grokking, la prova più pulita. Un piccolo transformer addestrato sull'addizione modulare prima memorizza (100% sul training, circa 0% sul test), poi, continuando ad addestrare ben oltre, di colpo generalizza (test verso 100%). Il punto non è il salto. È che si è aperto il modello e si è trovato l'algoritmo vero che ha imparato: non una tabella, ma una procedura trigonometrica in spazio di Fourier (Nanda et al., 2023, dopo Power et al., 2022). Qui la scappatoia scettica "ha solo memorizzato" non è argomentata via, è esclusa guardando i pesi. E la soluzione generalizzante vince perché è più efficiente sotto la pressione della regolarizzazione (Varma et al., 2023). Onestà sul limite: il risultato pulito è su aritmetica modulare; che la stessa dinamica regga alla scala di un LLM è contestato.
• In-context learning. Il modello esegue un compito definito da pochi esempi nel prompt, senza aggiornare i pesi. Poggia su circuiti reali, le induction heads (Olsson et al., 2022). C'è un'ironia: è adattamento veloce senza update dei pesi, cioè proprio la metrica che il paper di LeCun propone. Caveat: spesso è "localizzare" un compito già presente nel pretraining più che impararne uno nuovo.
• Transfer e i suoi limiti. L'instruction tuning fa generalizzare a famiglie di compiti mai viste in addestramento (FLAN, 2021); il ragionamento appreso in inglese trasferisce ad altre lingue. Dall'altro lato, la memorizzazione è reale e misurabile, e i punteggi alti sono spesso gonfiati da contaminazione del benchmark.
• ARC, la frontiera dal vivo. ARC è costruito contro la memorizzazione: ogni compito è nuovo e richiede di inferire una regola astratta da pochi esempi. La sua storia recente è la risposta alla domanda, vista in diretta. ARC-AGI-2, al lancio (marzo 2025), ha azzerato i modelli di frontiera mentre l'umano medio sta al 66%. In quindici mesi la salita: a giugno 2026 i modelli superano quel baseline umano, GPT-5.5 all'85%, Gemini 3.1 Pro al 77% (leaderboard ARC Prize), e la salita richiede adattamento al momento del test, non solo più parametri. Ma ARC-AGI-3 (marzo 2026), centrato su problemi interattivi nuovi, ha riazzerato ogni modello di frontiera sotto l'1%. Tre mesi dopo il punteggio migliore è 1,5% (Claude Opus 4.8), mentre gli umani non addestrati risolvono il 100% degli ambienti.

C'è anche la scommessa su come arrivarci: i world model, che predicono in spazio latente astratto invece che sui pixel, per catturare la struttura e non la superficie (JEPA, Dreamer, Genie). È un'eco diretta del cervello-come-modello-predittivo della sezione precedente: stessa intuizione, due sostrati.

Come leggiamo il verdetto

C'è una via di mezzo reale, generale ma vincolata, su entrambi i lati del parallelo. Nel cervello: la generalità non è dentro le regioni, è nel loro riuso. Gli specialisti di questo atlante generalizzano perché vengono ridispiegati su compiti per cui non erano nati. Nell'AI: la generalizzazione è reale, e non lo prendiamo per fede, perché nel grokking l'algoritmo generalizzante si legge nei pesi. Ma ogni salto di scala ripete la stessa lezione: si rivela più stretto di come sembrava. L'in-context learning è spesso localizzazione, non apprendimento. I numeri di transfer si sgonfiano controllando la contaminazione. ARC-AGI-2 cade, e ARC-AGI-3 riapre il baratro sull'interattivo. Il confine si sposta in fuori. Resta un confine.

La domanda vera non è se le reti generalizzino, il grokking lo chiude, ma quanto in largo, e per ora ogni misura onesta dice: più dell'anno scorso, ancora meno di un umano, e il benchmark successivo ritrova il bordo.

Per questo l'intera mappa ha senso letta in due direzioni. Ogni regione è uno specialista con la sua controparte AI e il suo livello di maturità. La generalizzazione è ciò che succede quando gli specialisti si parlano. È la stessa storia, biologica e artificiale, e qui si chiude il cerchio tra cervello e AI. La disciplina sta nel rifiutare le due semplificazioni opposte. Non l'iperbole, per cui capacità significa imminenza. Non il congedo, per cui è solo un autocomplete più bravo. In mezzo c'è quello che sta succedendo.