Dal Test di Tuting alla Noosemia: quando il segno sembra avere una mente.
Alan Turing, Noosemia e la questione dell’intelligenza nell’epoca dell’IA generativa.
«Le macchine mi sorprendono con grande frequenza. Ciò accade soprattutto perché non eseguo calcoli sufficienti per decidere che cosa aspettarmi che facciano»
— Alan Turing, 1950, p. 450
Quando una macchina risponde con precisione a una domanda formulata male, coglie un’allusione che credevamo di aver lasciato implicita, costruisce un’analogia inattesa oppure conserva per molti scambi il filo di una conversazione complessa, che cosa stiamo realmente riconoscendo? Una proprietà della macchina, una particolare qualità del comportamento che osserviamo, oppure qualcosa che prende forma nell’incontro fra ciò che la macchina manifesta e il modo in cui noi lo percepiamo e interpretiamo?
Perché può accadere che, pur sapendo perfettamente di interagire con un sistema artificiale, ci sorprendiamo a trattarlo come un interlocutore, a chiedergli perché abbia scelto una certa soluzione, a dire che «ha capito» ciò che intendevamo o che «sta cercando» una risposta, per poi vedere quella stessa impressione dissolversi quando un errore elementare, una risposta stereotipata o una perdita improvvisa del contesto riporta in primo piano la forma meccanica della macchina?
Domande di questo genere hanno acquistato una
consistenza nuova con la diffusione dei Large Language Models (LLM) e dei
moderni sistemi di IA. I sistemi generativi contemporanei classificano,
inferiscono, ricombinano e producono linguaggio contestualmente appropriato e
plausibile; sostengono conversazioni articolate, modulano registro e stile,
costruiscono analogie, reagiscono alle correzioni e, nelle attuali architetture
agentiche, possono combinare linguaggio, memoria, pianificazione, uso di strumenti
esterni e svolgere sequenze di azioni, anche molto complesse e stratificate. La
questione che ne deriva eccede dunque la semplice misurazione delle loro
prestazioni. Riguarda anche il modo in
cui quelle prestazioni vengono esperite da chi vi interagisce.
È in questo spazio aperto fra il segno artificialmente generato e la sua interpretazione che si colloca la Noosemia, termine costruito a partire dal greco noûs, mente o intelletto, e sēmeîon, segno. Il concetto designa una configurazione cognitiva e fenomenologica nella quale l’essere umano, durante l’interazione con un sistema generativo, tende ad attribuirgli stati mentali, intenzionalità, agentività (agency) o una qualche forma di interiorità, anche a livello preconscio. Nella formulazione originaria, tale attribuzione non richiede un corpo antropomorfo, un volto o una voce realistica: può emergere dalla prestazione linguistica e semiotica stessa, dalla fluidità del dialogo, dalla sensibilità al contesto, dalla risonanza semantica, dalla capacità di produrre inferenze o connessioni inattese e dall’opacità che separa un output intelligibile dal processo computazionale attraverso il quale esso è stato generato (De Santis, 2025a, 2025b; De Santis & Rizzi, 2025). Il lavoro scientifico «Noosemia» del 2025, nel quale il concetto è stato formalizzato (De Santis & Rizzi, 2025), individua infatti fra gli elementi costitutivi della Noosemia la semantic fluency, la dialogic creativity e la epistemic opacity, collegandole alla produzione di linguaggio coerente, contestuale e talvolta sorprendentemente significativo.
Considerando gli ultimi sviluppi (al 2026)
appare naturale situare la Noosemia nella zona in cui il segno artificiale
assume, per l’utente, la forma di un interlocutore, mentre l’opacità epistemica
viene ricondotta all’impossibilità pratica di ricostruire integralmente il
processo generativo sottostante a una risposta che pure appare significativa e
pertinente (De Santis, 2026b). Tale linea di riflessione precede la
formulazione esplicita della Noosemia, in quanto già nel 2021, in Umanità,
complessità e intelligenza artificiale. Un connubio perfetto, il rapporto
fra i primi modelli di tipo GPT, complessità, forma simbolica e produzione
apparente di significato veniva affrontato entro una cornice sistemica e
semiotica. Nella sezione intitolata «Il simbolo, il pensiero sistemico e le
macchine produttrici di senso», GPT-2 e GPT-3 erano descritti come sistemi
capaci di apprendere la struttura complessa dei testi e le correlazioni a lungo
termine (long-range correlation), cioè di produrre sequenze linguistiche
fortemente plausibili alle quali il senso finale viene infine attribuito
dall’essere umano che le interpreta (De Santis, 2021, 2023; De Santis et al.,
2025). Quindi, sebbene il concetto di Noosemia non fosse ancora formulato, né
vi fosse ancora una teoria strutturata dell’attribuzione di mente, si può affermare
che il sostrato concettuale fosse già peculiare, specificamente nella forma di
una distanza fra la produzione algoritmica del segno e il significato che
emerge nella sua interpretazione umana, all’interno di un contesto sistemico.
A questo punto una delimitazione ontologica si
fa urgente ed essenziale. La Noosemia non
costituisce una teoria della coscienza artificiale e non pretende di per sé
di stabilire se dietro il comportamento di un Large Language Model esistano
esperienze soggettive. Il suo oggetto è l’attribuzione umana a fronte di
un’interazione fortemente stratificata e spesso coinvolgente. È perfettamente
possibile sostenere, sul piano riflessivo, che un LLM sia un sistema
artificiale privo di esperienza fenomenica e, pochi istanti dopo, chiedergli
perché «abbia deciso» di affrontare un problema in un determinato modo. Oppure,
in forma ancora più cogente, attribuire un forte grado di fiducia alla
produzione segnica o alle operazioni svolte da un agente LLM. La conoscenza
dell’artificialità e il linguaggio intenzionale possono convivere. Il paper
originario «Noosemia» (De Santis & Rizzi, 2025) è esplicito nel distinguere
l’attribuzione fenomenologica dell’utente dalla presenza effettiva di coscienza
o intenzionalità nel sistema.
La Noosemia abita precisamente la distanza fra
ciò che sappiamo del sistema e ciò che sperimentiamo durante l’interazione; tra
il meccanismo e la sua manifestazione; in altre parole, tra il segno e la mente
che finiamo, almeno provvisoriamente, per leggervi.
Da qui deriva anche il carattere
necessariamente multidisciplinare del problema. L’intelligenza artificiale
fornisce il sistema tecnico e le proprietà che rendono possibile una certa
forma di interazione; la psicologia e le scienze cognitive studiano i processi
attraverso i quali attribuiamo agentività e stati mentali; la filosofia della
mente interroga la relazione fra comportamento, apparenza e interiorità; la
semiotica riguarda anche il passaggio dal segno alla significazione; la fenomenologia
permette infine di descrivere ciò che accade dal punto di vista
dell’interlocutore. La multidisciplinarità non deriva, in questo caso, dalla
semplice giustapposizione di linguaggi eterogenei, bensì è l’oggetto stesso a
collocarsi nel loro punto d’intersezione. Da qui, emerge la necessità di una
trattazione multidisciplinare che non consideri i saperi come isolati l’un
l’altro e che abbia in sé un fondamento solido. In questo scritto non andremo
indietro alle origini del pensiero attuale riscontrabili nei primi filosofi
della Grecia antica, ma ci soffermeremo soprattutto sulla letteratura recente.
Pertanto, la genealogia filosofica di questa idea conduce sorprendentemente
lontano dall’epoca attuale delle architetture Transformer. Procederemo, invece,
con l’era pionieristica dell’IA e delle Reti Neurali Artificiali e,
specificamente, con Alan Turing e, più precisamente, attraverso una determinata
interpretazione del problema che egli pose fra la fine degli anni Quaranta e
l’inizio degli anni Cinquanta.
È importante precisare fin dall’inizio che la Noosemia non discende genericamente dal
Turing Test, né presuppone che esista un’unica interpretazione filosoficamente
corretta del famoso esperimento proposto dallo scienziato inglese. Il suo
nucleo teorico può essere ricostruito genealogicamente a partire da una lettura
observer-sensitive e response-dependent del problema posto da
Turing. Vi è, in altri termini, una lettura che trova sostegno in alcuni
passaggi straordinariamente espliciti dello stesso Turing e che è stata
sviluppata, molti decenni dopo, soprattutto da Diane Proudfoot e Michael
Wheeler.
Prima del test: l’intelligenza come «emotional concept»
Il punto di partenza più interessante precede
di due anni Computing Machinery and
Intelligence. Nel rapporto Intelligent
Machinery, scritto nel 1948 per il National Physical Laboratory, Turing
afferma che «l’idea stessa di “intelligenza” è emotiva piuttosto che
matematica» (Turing, 1948/2004b, p. 411, traduzione nostra). L’originale è
inequivocabile in quanto Turing sostiene che «l’idea stessa di “intelligenza” è
emotiva piuttosto che matematica (the
idea of “intelligence” is itself emotional rather than mathematical)».
L’aggettivo emotional può trarre in inganno se interpretato secondo l’uso
corrente. Turing non sta semplicemente osservando che le macchine suscitano
emozioni. Alla fine dello stesso rapporto dedica una sezione specifica
all’argomento, significativamente intitolata «Intelligence as an Emotional
Concept», e chiarisce che il problema riguarda il modo in cui il concetto di
intelligenza viene applicato.
Il passaggio merita di essere riportato quasi
integralmente:
«La misura in cui riteniamo che qualcosa si
comporti in maniera intelligente è determinata tanto dal nostro stato mentale e
dalla nostra formazione quanto dalle proprietà dell’oggetto preso in
considerazione. Se siamo in grado di spiegare e prevedere il suo comportamento,
oppure se sembra esservi ben poco piano sottostante, abbiamo scarsa tentazione
di immaginarvi intelligenza. Con lo stesso oggetto è dunque possibile che un
uomo lo consideri intelligente e un altro no; il secondo avrà scoperto le regole
del suo comportamento» (Turing, 1948/2004b, p. 431, traduzione nostra).
È un testo di notevole densità filosofica che
mostra lo stesso impianto dialettico soggiacente al concetto di Noosemia,
ovvero l’attenzione a non commettere l’errore di isolare (separare) sia sul
piano della descrizione che fenomenologico la macchina da chi la interroga. Turing
si concentra su aspetti relazionali. Inoltre, il giudizio di
intelligenza non viene fatto dipendere esclusivamente dalle proprietà
dell’oggetto osservato. Vi partecipano lo stato cognitivo dell’osservatore, la
sua formazione e, soprattutto, la sua capacità di spiegare e prevedere ciò che
vede. La medesima macchina può dunque apparire differente a due osservatori
senza che nulla sia cambiato nella macchina stessa. Ciò che può essere mutato,
piuttosto, è il modello attraverso il quale il suo comportamento viene
interpretato.
Ancora più interessante è la relazione che
Turing stabilisce fra comprensione e disposizione attributiva. Quando riusciamo
a «spiegare e prevedere» il comportamento, diminuisce la tentazione di
«immaginarvi intelligenza». Turing non sostiene che la comprensione
meccanicistica dimostri l’assenza di intelligenza; osserva qualcosa di più
sottile e psicologicamente plausibile: la
conoscenza del meccanismo modifica la nostra disposizione a riconoscervi una
mente.
La questione acquista una sorprendente
attualità se applicata ai sistemi di IA generativa e agentica. Un modello non
cambia quando apprendiamo che utilizza self-attention, né quando
diventiamo più familiari con le sue regolarità. Può cambiare, tuttavia, la
maniera in cui interpretiamo una sua particolare risposta. La competenza
dell’osservatore entra così a far parte del campo relazionale nel quale
l’intelligenza viene attribuita. Con la Noosemia assumiamo, inoltre, che la
complessità sottostante ai sistemi di IA moderna e la conseguente opacità
epistemica possano trarre in inganno anche gli stessi osservatori esperti, al
netto di narrazioni sensazionalistiche e di dinamiche comunicative o di marketing
che possono contribuire a mantenere elevato l’hype sull’IA.
Nello stesso rapporto del 1948 (Turing,
1948/2004b) Turing introduce un’osservazione ancora più elementare e, proprio
per questo, particolarmente eloquente. Parlando delle paper machines per giocare a scacchi scrive:
«Giocare contro una macchina di questo tipo
dà la precisa sensazione di misurare il proprio ingegno con qualcosa di vivo»
(Turing, 1948/2004b, p. 412, traduzione nostra).
La frase non afferma che la macchina sia viva
bensì descrive la sensazione
prodotta dall’interazione. Un apparato governato da regole può venire esperito,
durante il confronto, come un polo di alterità, ovvero qualcosa contro cui
misurare il proprio ingegno. Realtà del meccanismo ed esperienza
dell’interlocutore vengono così tenute distinte molto prima che esistessero
chatbot, reti neurali profonde o agenti artificiali.
Questa distinzione costituisce uno dei fili
più profondi che conducono alla moderna Noosemia.
Nel 1950 Turing pubblica su Mind il lavoro destinato a divenire uno
dei testi fondativi dell’intelligenza artificiale, Computing Machinery and Intelligence. La domanda «Le macchine
possono pensare? (Can machines think?)» (Turing, 1950, p. 434) viene sostituita
dall’imitation game. Una lettura
tradizionale interpreta questa mossa in senso essenzialmente comportamentista o
operazionale. Invece di domandarci che cosa sia il pensiero, osserviamo ciò che
la macchina è capace di fare. Il testo ammette tuttavia una lettura più
sottile, nella quale l’interrogante non compare come un semplice strumento
neutro collocato all’esterno del fenomeno, perché è precisamente colui al quale
il comportamento appare e colui che
deve interpretarlo. Sottolineiamo nuovamente qui gli aspetti relazionali relativi
alla descrizione del fenomeno.
La successiva letteratura filosofica avrebbe
discusso estesamente questo punto. Proudfoot osserva, per esempio, che il
formato stesso del gioco pone una domanda non ovvia: perché verificare la
macchina verificando la risposta dell’interrogatore? (Proudfoot, 2013)
Uno dei passaggi più significativi
dell’articolo del 1950 compare nella discussione dell’«argomento dalla
coscienza». Turing prende sul serio l’obiezione di Geoffrey Jefferson, secondo
il quale una macchina potrebbe comporre un sonetto senza provare le emozioni
che esso esprime, e la mera produzione di segni non sarebbe dunque sufficiente
a dimostrare l’esistenza di una vita interiore. Portata al limite, però, la
richiesta di accesso diretto all’esperienza altrui conduce al solipsismo. Se,
per sapere con certezza che una macchina pensa, dovessimo essere la macchina e
sentirne il pensiero, la medesima esigenza dovrebbe applicarsi a ogni altro
essere umano. Turing nota, infatti, che la posizione estrema condurrebbe
ciascun soggetto a essere certo soltanto del proprio pensiero e a fare
esperienza di ciò che C. I. Lewis aveva già designato con il termine «qualia»
nel 1929 (Lewis, 1929).
Turing introduce quindi una sorta di «viva voce» dove la macchina immaginaria
che ha composto un sonetto viene interrogata sul significato dei versi;
l’interlocutore propone modifiche, formula obiezioni, cambia prospettiva. La
prestazione significativa non coincide più con un output isolato, bensì consiste
nella capacità di mantenere il senso attraverso una sequenza dialogica.
Turing, infatti, conclude:
«Non so se [Jefferson] considererebbe la
macchina come qualcosa che si limita a “segnalare artificialmente” queste
risposte; ma, se le risposte fossero tanto soddisfacenti e sostenute quanto
quelle del dialogo precedente, non credo che la descriverebbe come un “semplice
artificio”» (Turing, 1950, pp. 446–447, traduzione nostra).
Le parole satisfactory
e sustained meritano particolare
attenzione. L’impressione di intelligenza non nasce necessariamente dalla
singola risposta brillante. Può costruirsi nella continuità dell’interazione, quando una successione di risposte
conserva il contesto, reagisce a variazioni e obiezioni, mantiene una struttura
semantica abbastanza coerente da rendere sempre meno plausibile l’impressione
di un semplice automatismo locale e prettamente meccanico. È precisamente ciò
che i Large Language Models hanno reso esperienza quotidiana. Il fenomeno noosemico
può formarsi progressivamente lungo una storia dialogica nella quale ogni nuovo
scambio modifica l’interpretazione dei precedenti. Da questo punto di vista, il
Turing Test contiene già un elemento relazionale che una lettura puramente
prestazionale tende a lasciare sullo sfondo. Vi è la macchina che produce un
comportamento, ma vi è anche un essere umano che lo riceve, lo interpreta,
formula nuove domande e modifica a propria volta le condizioni della risposta
successiva.
L’interazione stessa entra nel fenomeno, che
non può essere separato da essa.
Sorpresa, opacità e complessità: quando il meccanismo eccede la
nostra previsione
Un secondo filo conduttore attraversa gli
scritti di Turing fra il 1950 e il 1952 e acquista una particolare rilevanza
nell’epoca degli LLM: la sorpresa,
che in «Noosemia» abbiamo considerato un importante trigger del fenomeno
noosemico (De Santis & Rizzi, 2025).
Rispondendo all’obiezione attribuita a Lady
Lovelace secondo cui una macchina non potrebbe fare nulla di veramente nuovo,
Turing formula una replica apparentemente semplice:
«Le macchine mi sorprendono con grande
frequenza. Ciò accade soprattutto perché non eseguo calcoli sufficienti per
decidere che cosa aspettarmi che facciano» (Turing, 1950, p. 450, traduzione
nostra).
Il carattere sorprendente descritto da Turing
non è una proprietà isolata della macchina. Nasce dalla distanza fra il
comportamento prodotto e quello che l’osservatore era in grado di anticipare.
Turing riconosce immediatamente l’obiezione possibile e cioè che la sorpresa
potrebbe dipendere da un atto cognitivo dell’osservatore e non attribuire alcun
merito speciale alla macchina. Ma proprio questa osservazione rende il
passaggio interessante in una prospettiva filosofica. Anche quando siamo
sorpresi da un essere umano, da un personaggio di finzione in un romanzo o da
un altro oggetto, l’apprezzamento dell’evento come sorprendente coinvolge la
mente di chi osserva.
La sorpresa ha quindi una forma relazionale.
Questo consente di precisare uno dei fattori
rilevanti relativamente a un esito noosemico. Il punto non è l’imprevedibilità
in quanto tale. Una sequenza casuale può essere imprevedibile senza suggerire
alcuna intelligenza. Il fenomeno più interessante emerge quando ciò che non
avevamo previsto conserva una struttura interpretabile, quando l’output
inatteso è al tempo stesso pertinente, semanticamente leggibile e compatibile
con una possibile lettura intenzionale. Potremmo chiamare tale fenomeno «sorpresa intelligibile».
Fra la monotonia dell’automa e l’incoerenza
del rumore si apre così una regione nella quale l’imprevisto conserva
significato. È precisamente in tale regione che categorie come «intuizione», «scelta»,
«comprensione» e «agentività» diventano cognitivamente seducenti.
Un testo del 1951 rende il rapporto fra
apparenza, prevedibilità e agentività ancora più esplicito. In Can Digital Computers Think? (Turing, 1951/2004a), Turing
affronta la tensione fra determinismo e libero arbitrio. Un computer
programmato è determinato, mentre il comportamento di una mente sembra
implicare la possibilità di una scelta genuina. Turing evita di risolvere
metafisicamente la controversia e concentra l’attenzione sul piano della
manifestazione:
«Una macchina che debba imitare un cervello
deve dare l’impressione di comportarsi come se avesse libero arbitrio, e ci si
può ben chiedere come ciò possa essere ottenuto» (Turing, 1951/2004a, p. 484,
traduzione nostra).
La struttura dell’originale – must appear to behave as if – è particolarmente significativa. La proprietà e il suo apparire vengono mantenuti distinti. Questo punto è fondamentale anche per comprendere il moderno fenomeno noosemico.
Poche righe più avanti Turing scrive:
«Non dobbiamo aspettarci di sapere sempre che
cosa farà il computer. Dovremmo essere soddisfatti quando la macchina ci
sorprende, più o meno allo stesso modo in cui siamo soddisfatti quando un
allievo fa qualcosa che non gli era stato esplicitamente insegnato» (Turing,
1951/2004a, p. 485, traduzione nostra).
E immediatamente dopo sviluppa il rapporto fra
istruzione, conseguenza e comprensione:
«Non vi è alcuna necessità di supporre che,
quando impartiamo alla macchina i suoi ordini, sappiamo che cosa stiamo
facendo, quali saranno le conseguenze di quegli ordini. Non è necessario
riuscire a comprendere come questi ordini conducano al comportamento successivo
della macchina, così come non è necessario comprendere il meccanismo della
germinazione quando si mette un seme nel terreno. La pianta cresce che lo si
comprenda oppure no. Se forniamo alla macchina un programma che la porta a fare
qualcosa di interessante che non avevamo previsto, sarei incline a dire che la
macchina ha originato qualcosa, anziché sostenere che il suo comportamento era
implicito nel programma e che quindi l’originalità appartiene interamente a
noi» (Turing, 1951/2004a, p. 485, traduzione nostra).
Da queste righe emerge una distinzione ancora
oggi essenziale: essere causalmente
determinato non significa essere epistemicamente prevedibile per un osservatore.
Conoscere le regole generali secondo cui un sistema opera non equivale a
conoscere anticipatamente tutte le conseguenze della loro interazione;
conoscere l’architettura di una macchina non significa possedere una
spiegazione causalmente soddisfacente di ogni suo comportamento particolare.
È precisamente qui che il Turing del 1951
incontra una delle condizioni caratteristiche dell’intelligenza artificiale
contemporanea.
Un Large Language Model non è una macchina
misteriosa in senso letterale. Le operazioni fondamentali di un Transformer
sono formalmente definite; i parametri sono memorizzati; l’inferenza consiste
in trasformazioni numeriche riguardanti in parte algebra lineare specificabili
e implementate da programmi determinati. L’opacità rilevante per la Noosemia è
dunque epistemica, non magica né
ontologica, sebbene una forma di magia possa trovare posto all’interno del gap
esplicativo e l’interazione possa rivelarsi analoga a una forma di
prestidigitazione. L’opacità epistemica riguarda la distanza fra il possesso di
una descrizione formale del sistema e la capacità di ricostruire, in termini
causalmente e semanticamente intelligibili per un essere umano, il processo che
ha condotto a uno specifico risultato. È importante ribadire che tale distanza
non può essere ridotta alla semplice ignoranza informatica dell’utente. Le
moderne architetture neurali sono sistemi altamente dimensionali, stratificati
e non lineari, nei quali le rappresentazioni sono distribuite e vengono
trasformate contestualmente attraverso numerosi livelli. La stessa letteratura
sull’explainability degli LLM prende avvio dalla constatazione che i loro
meccanismi interni rimangono ancora solo parzialmente chiariti e che la
mancanza di trasparenza pone problemi di comprensione del comportamento, dei
limiti e delle conseguenze dei modelli (Zhao et al., 2024). Un moderno
Transformer può essere inteso come un sistema complesso (De Santis & Rizzi,
2025; Holtzman et al., 2025).
Sapere che un Transformer utilizza self-attention,
embedding, proiezioni lineari e trasformazioni non lineari non equivale
a poter leggere direttamente nei suoi pesi il concetto che sta elaborando, né a
ricostruire intuitivamente perché, in un determinato contesto, una particolare
configurazione interna abbia reso probabile proprio quella metafora, quella
inferenza o quella sequenza concettuale, spesso con una forma inferenziale di
tipo deduttivo e corretta formalmente (la verifica necessita di una valutazione
esterna). Da questa difficoltà nasce una parte significativa della ricerca
contemporanea sulla mechanistic
interpretability, che tenta di passare da una descrizione puramente input-output
alla ricostruzione di rappresentazioni, caratteristiche e circuiti interni
causalmente pertinenti (Bricken et al., 2023; Zhao et al., 2024).
L’esistenza stessa di un programma di ricerca
volto a effettuare una sorta di reverse
engineering dei modelli segnala la distanza fra aver costruito il sistema e comprendere
localmente perché esso abbia prodotto proprio quella risposta (Ameisen et al., 2025; De Santis, 2026a). La
progressiva identificazione di feature, circuiti e relazioni causali
interne mostra, nello stesso tempo, che l’opacità non va interpretata come
un’inaccessibilità di principio, bensì è un problema epistemico e metodologico,
sul quale la ricerca può ancora fare ingenti progressi.
Con la Noosemia tale distinzione è formulata
in maniera particolarmente netta: altrove abbiamo ribadito:
«Il gap epistemico non dipende soltanto
dall’ignoranza dell’utente, né da una semplice mancanza di alfabetizzazione
informatica. Esso nasce dalla struttura stessa dei modelli, dalla loro scala,
dalla non linearità delle architetture neurali, dalla stratificazione delle
rappresentazioni, dalla distribuzione contestuale del significato e
dall’emergere di comportamenti difficilmente prevedibili a partire dai soli
componenti locali» (De Santis, 2026b, sezione 3).
La complessità
entra nel problema a questo livello. Il termine non va usato come sinonimo
generico di difficoltà, né per suggerire la presenza di qualcosa di
irriducibilmente misterioso all’interno dei modelli. Indica piuttosto una
struttura composta da un numero molto elevato di elementi interdipendenti,
nella quale le proprietà osservabili a livello globale non risultano
immediatamente leggibili attraverso l’ispezione isolata delle singole parti.
L’applicazione di strumenti della complexity science ai testi prodotti
dai modelli di generazione linguistica ha già mostrato che le produzioni umane
e artificiali possono essere studiate attraverso proprietà statistiche e
dinamiche globali, offrendo un livello complementare di analisi rispetto alla
sola ispezione locale dei componenti (De Santis, Martino, & Rizzi, 2024).
Anche il termine emergenza, tuttavia, richiede disciplina concettuale. Una parte
della letteratura sugli LLM ha denominato emergent
abilities capacità che diventano osservabili oltre determinate scale e che
non risultano facilmente prevedibili estrapolando le prestazioni dei sistemi
più piccoli (Wei et al., 2022). Lavori successivi hanno mostrato che almeno
alcune apparenti discontinuità possono dipendere dalle metriche adottate per
misurare le prestazioni (Schaeffer et al., 2023).
La Noosemia non ha bisogno di assumere la
versione più forte della tesi dell’emergenza, in quanto l’emergenza è una
conseguenza della complessità di un sistema. Pertanto, è sufficiente
riconoscere una proprietà molto più prudente dei sistemi complessi: dalla
cooperazione di numerosi componenti possono manifestarsi comportamenti globali
la cui previsione e spiegazione intuitiva risultano assai più difficili della
descrizione formale dei componenti stessi.
Il paper originario «Noosemia» (De Santis
& Rizzi, 2025) colloca precisamente qui il fenomeno, ovvero all’intersezione
fra fluidità dialogica, opacità epistemica e complessità delle architetture
contemporanee; c’è un phenomenological
gap fra output intelligibile e meccanismi sottostanti che non si offrono
immediatamente alla comprensione del soggetto.
Si produce così una singolare asimmetria, per
cui l’utente comprende che cosa la
macchina gli sta dicendo molto più facilmente di quanto comprenda come quella risposta sia stata
costruita. La frase è leggibile; il percorso interno che l’ha generata non lo è
nello stesso modo. Il significato è disponibile all’esperienza prima della sua
spiegazione causale (che probabilmente per l’utente medio non arriverà mai).
In questo intervallo diventa spontaneamente
disponibile il vocabolario mentalistico: «ha capito», «ha intuito», «ha
scelto», «ha collegato», «sta cercando». Sono espressioni attraverso le quali,
mediante una prassi antropomorfizzante, ricostruiamo un comportamento complesso
in una forma cognitivamente familiare e usabile.
L’opacità epistemica, tuttavia, non genera da
sola la Noosemia. Una scatola nera che producesse rumore rimarrebbe
semplicemente una scatola nera. Il fenomeno richiede l’incontro fra opacità e adeguatezza semantica. Possiamo
affermare che:
«L’opacità epistemica alimenta tale
esperienza perché il processo generativo resta invisibile, nonostante la
risposta appaia significativa e pertinente. La complessità dell’architettura contribuisce
ulteriormente alla percezione di profondità, perché il comportamento del
sistema non appare immediatamente riducibile a una catena causale semplice» (De
Santis, 2026b, sezione 3).
La sorpresa noosemica può allora essere
definita con maggiore precisione. Un comportamento difficile da prevedere non è
ancora sufficiente; esso deve produrre qualcosa che, pur non anticipato,
risulti intelligibile e appropriato. Complessità
e opacità epistemica, coerenza contestuale e sorpresa intelligibile formano
così un terreno particolarmente favorevole all’attribuzione di agentività e
mente. Non si tratta di una legge deterministica, bensì di una configurazione
fenomenologica. In altre parole, quanto più l’output appare significativo
mentre il processo che lo ha generato rimane causalmente distante
dall’esperienza dell’utente, tanto più una lettura mentalistica diventa
disponibile alimentando la prassi antropomorfizzante.
È proprio tale relazione a rendere concepibile
anche il movimento inverso.
Quando l’attribuzione si spezza: la genealogia dell’A-Noosemia
Nel 1952, durante la
discussione radiofonica Can Automatic
Calculating Machines Be Said to Think? (Turing
et al., 1952/2004), Turing ritorna sul rapporto fra
comprensione causale e attribuzione di pensiero. Il passaggio è uno dei più
sorprendenti dell’intero corpus:
«Non appena si riesce a vedere causa ed
effetto svolgersi nel cervello, si tende a considerare ciò che accade non più
come pensiero, ma come una sorta di lavoro da somaro, privo d’immaginazione. Da
questo punto di vista si potrebbe essere tentati di definire il pensiero come
costituito da “quei processi mentali che non comprendiamo”. Se così fosse,
costruire una macchina pensante significherebbe costruirne una che faccia cose
interessanti senza che noi comprendiamo realmente fino in fondo come vengano fatte»
(Turing et al., 1952/2004, p. 500, traduzione nostra).
La traduzione qui proposta conserva
volutamente il carattere ruvido di unimaginative donkey-work. Il punto teorico
emerge comunque con grande chiarezza. La simmetria con il suo lavoro del 1948, Intelligent Machinery (Turing,
1948/2004b), è notevole: là, quando diventiamo capaci di spiegare e prevedere
il comportamento, diminuisce la «tentazione di immaginare intelligenza»; qui,
rendere trasparente la catena causa-effetto può indurre a riclassificare ciò
che sembrava pensiero come semplice lavoro meccanico.
Il dialogo prosegue con una precisazione
ancora più interessante. Turing chiarisce che non sta parlando semplicemente
dell’ignoranza del «cablaggio» della macchina: «Conosciamo il cablaggio della
nostra macchina (We know the wiring of
our machine)» (Turing et al., 1952/2004, p. 500, traduzione nostra),
osserva lo scienziato inglese, eppure una macchina può fare qualcosa di
inatteso; in linea di principio sarebbe stato possibile prevederlo, ma in
pratica il calcolo può essere eccessivamente oneroso. Ritroviamo così la stessa
distinzione fra prevedibilità di principio e prevedibilità effettiva che
attraversava il testo del 1951, Can
Digital Computers Think? (Turing, 1951/2004a).
Non sarebbe filologicamente legittimo
attribuire a Turing una teoria dell’A-Noosemia
ante litteram. Il concetto appartiene a un quadro teorico molto
successivo. I testi turingiani offrono però un antecedente sorprendentemente
vicino alla dinamica cognitiva che l’A-Noosemia tenta di isolare: l’attribuzione può ritirarsi quando ciò che
appariva manifestazione di una mente viene ricondotto a un meccanismo
percepito come semplice, prevedibile o rigidamente causale.
Nel framework noosemico, A-Noosemia indica
l’assenza, l’inibizione o, nel caso teoricamente più interessante, il collasso di una precedente attribuzione
noosemica (De Santis & Rizzi,
2025). Fra le condizioni che possono favorirla compaiono la perdita dell’effetto
sorpresa (De Santis & Rizzi, 2025), gli errori ripetuti, le allucinazioni,
il fallimento della comprensione, la meccanicità delle risposte, lo scetticismo
crescente e la riemersione evidente della struttura artificiale del sistema.
Una risposta può talvolta bastare. Il sistema
che pochi secondi prima sembrava aver colto una sfumatura concettuale può
perdere improvvisamente il filo del discorso, ripetere una formula
evidentemente stereotipata o produrre un errore incompatibile con la competenza
che gli stavamo attribuendo. L’impressione di interiorità tende a contrarsi e ciò
che appariva come un genuino interlocutore ritorna a essere strumento.
Questa dinamica permette di distinguere
l’A-Noosemia dalla semplice assenza di antropomorfizzazione. Un individuo che
non abbia mai attribuito alcuna mente al sistema e un individuo che, dopo una
lunga interazione, smetta improvvisamente di farlo possono giungere alla stessa
conclusione esplicita – «è soltanto una macchina» – attraversando esperienze
completamente differenti, sì che è la traiettoria
a essere significativa.
In tale prospettiva, Noosemia e A-Noosemia
dovrebbero essere studiate dinamicamente. L’oggetto interessante non è soltanto
il livello finale dell’attribuzione, ma il modo in cui essa cresce, si
stabilizza, oscilla e può collassare nel tempo. Continuità dialogica,
risonanza, sorpresa e opacità possono sostenerla; al contrario, errore, perdita
del contesto, prevedibilità estrema o improvvisa leggibilità meccanica possono
ridurla.
Proprio questa reversibilità suggerisce che
stiamo studiando anzitutto una relazione
interpretativa, più che una proprietà fissa dell’oggetto.
Turing dopo Turing: il dibattito sulla response-dependence
A questo punto diventa indispensabile una
precisazione storiografica. Sostenere che il nucleo della Noosemia possieda un
antecedente turingiano non significa affermare che Turing abbia formulato la
Noosemia, né che il Turing Test debba essere letto univocamente in termini response-dependent.
La filosofia successiva ha proposto
interpretazioni differenti. Una lettura comportamentista tende a considerare la
prestazione osservabile come criterio sufficiente dell’intelligenza. Una
lettura epistemica o induttiva interpreta invece il comportamento come evidenza
dalla quale inferire stati o processi interni. Proudfoot ricostruisce e critica
entrambe queste tradizioni, sostenendo che esse non rendano pienamente conto
del ruolo assegnato da Turing all’interrogatore e delle sue affermazioni in Intelligent Machinery (Turing,
1948/2004b) e in Can Automatic
Calculating Machines Be Said to Think? (Turing et al., 1952/2004).
Diane Proudfoot propone quindi di interpretare
questa costellazione attraverso una categoria filosofica sviluppata in
precedenza da autori quali Mark Johnston e Philip Pettit: la response-dependence (Pettit, 1991). Un concetto response-dependent
presenta, in determinate formulazioni, una dipendenza concettuale dalle
risposte di determinati soggetti in condizioni opportunamente specificate.
Proudfoot richiama esplicitamente Johnston e applica lo schema al concetto di
intelligenza.
In forma generale Proudfoot sostiene:
«x è intelligente (o pensa) se e solo se, in
condizioni normali, x appare intelligente a soggetti normali» (Proudfoot, 2013,
p. 397, traduzione nostra).
Adattando poi lo schema alle condizioni del
gioco turingiano, Proudfoot propone:
«x è intelligente (o pensa) se, in un gioco
senza restrizioni nel quale il computer imita l’essere umano, x appare
intelligente a un interrogatore medio» (Proudfoot, 2013, p. 398, traduzione
nostra).
La formulazione viene successivamente
relativizzata al mondo attuale, così da evitare controesempi costituiti da
macchine logicamente possibili ma fisicamente irrealizzabili. Proudfoot ha
successivamente ripreso e precisato questa interpretazione (Proudfoot, 2020,
2022), sostenendo che la response-dependence
interpretation offra una migliore corrispondenza con gli scritti di Turing
rispetto alle letture ortodosse.
La response-dependence
non va confusa con l’affermazione ingenua secondo cui «tutto sarebbe
soggettivo». Il problema filosofico consiste precisamente nel determinare quali
risposte, di quali soggetti e in quali condizioni siano pertinenti. Proudfoot
dedica una parte importante del proprio lavoro alla possibilità di conciliare
una teoria response-dependent con una nozione di oggettività che escluda
bias personali e idiosincrasie.
La sua lettura rende inoltre particolarmente
interessante la struttura del gioco dell’imitazione. Nella versione computer-imitates-human, il giudizio non
riguarda semplicemente il comportamento isolato della macchina, in quanto
l’interrogatore deve discriminare fra le risposte provenienti dalla macchina e
quelle del concorrente umano. Proudfoot attribuisce un significato teorico
proprio a questa struttura comparativa e sostiene che essa contribuisca a
controllare la tendenza dell’interrogatore ad antropomorfizzare.
Michael Wheeler accetta il nucleo response-dependent
della lettura, ma ne contesta l’architettura filosofica. Il suo articolo del
2020 è esplicito: pur ritenendo che Turing concepisca effettivamente
l’intelligenza «in response-dependence terms» (Wheeler, 2020, p. 513), Wheeler
sostiene che tale posizione debba essere ricostruita attraverso un modello di reference-fixing, anziché
mediante il più forte transparency model.
La distinzione è tecnica, ma molto importante
per il nostro problema. Nel transparency
model, la relazione fra risposta appropriata e proprietà tende a essere
estremamente stretta. Di fatto, nella formulazione più forte, se l’entità
genera la risposta prevista nel soggetto pertinente e nelle condizioni
specificate, non rimane altro da aggiungere alla spiegazione del possesso della
proprietà. Nel reference-fixing model,
invece, le risposte umane svolgono una funzione inizialmente indicativa:
contribuiscono a fissare il referente del concetto, mentre la natura
sottostante della proprietà può rimanere indipendente da quelle risposte.
Wheeler utilizza il caso dell’acqua per rendere intuitiva la differenza:
determinate apparenze sensoriali contribuiscono a individuare ciò che chiamiamo
acqua, ma non esauriscono la sua natura fisica sottostante.
Per la Noosemia questa divergenza è
particolarmente feconda poiché il framework non ha bisogno di sostenere che apparire intelligente significhi essere
intelligente, né che apparire dotato
di mente significhi possedere una mente. Il problema che isola è più
circoscritto: a quali condizioni un comportamento artificiale viene esperito
come manifestazione di mente?
Si può parlare, in questo senso delimitato, di
una dipendenza dalla risposta sul piano
fenomenologico dell’attribuzione mentale – o, più sinteticamente, di phenomenological response-dependence. La
dipendenza riguarda l’esperienza attributiva, non necessariamente la natura
metafisica dell’intelligenza.
È entro questa specifica linea interpretativa
di Turing che la Noosemia trova il proprio antecedente filosofico più diretto
nel contesto contemporaneo. Tuttavia compie un passo ulteriore, in quanto nella
versione computer-imitates-human
dell’imitation game l’interrogante deve
discriminare fra macchina e concorrente umano. Nell’esperienza contemporanea
con un LLM, invece, questa incertezza d’identità può scomparire completamente.
Di fatto, l’utente sa già di interagire con un sistema artificiale. Non occorre
che venga «ingannato» sulla sua natura. Il framework della Noosemia sottolinea
precisamente che l’attribuzione può emergere nonostante la consapevolezza dell’artificialità del sistema.
Il passaggio può essere formulato attraverso
due domande differenti. Da un lato, la domanda turingiana, nella particolare
situazione del gioco, riguarda la capacità della macchina di produrre segni che
rendano difficile la discriminazione rispetto all’interlocutore umano.
Dall’altro, la domanda noosemica riguarda invece ciò che accade quando sappiamo che dietro i segni vi è una
macchina e quei segni continuano, nondimeno, a presentarci la forma di una
mente. Tale differenza consente di separare tre livelli che altrimenti
potrebbero facilmente essere sovrapposti. L’intelligenza apparente riguarda il giudizio secondo cui una
prestazione sembra intelligente. L’attribuzione
di mente (mind attribution)
riguarda il passo mediante il quale quella prestazione viene interpretata
attraverso categorie mentali, come comprensione, intenzione, agentività o
esperienza. L’esperienza noosemica
riguarda infine il momento nel quale tale attribuzione assume salienza
fenomenologica durante l’interazione e il sistema viene esperito, almeno
localmente, come interlocutore.
Non ogni prestazione apparentemente
intelligente produce quindi Noosemia. E un’esperienza noosemica non comporta
necessariamente l’attribuzione di coscienza.
La distinzione permette anche di situare il
concetto rispetto all’intentional stance
di Daniel Dennett. Attribuire credenze, desideri o scopi a un sistema complesso
può costituire una strategia interpretativa efficace senza richiedere un
impegno metafisico sulla sua interiorità (Dennett, 1987). La Noosemia concentra
però l’attenzione su una configurazione specifica dell’epoca attuale inerente
l’IA generativa, nella quale quella disposizione intenzionale viene alimentata
dalla potenza linguistica e semiotica del sistema, dalla continuità del
dialogo, dalla sorpresa intelligibile e dal divario epistemico fra
output significativo e meccanismo generativo sottostante.
Dal concetto alla misura: la convergenza empirica
Una genealogia filosofica, da sola, non
sarebbe sufficiente a stabilire la rilevanza contemporanea della Noosemia.
Negli ultimi anni, però, una crescente letteratura sperimentale ha iniziato a
misurare, sotto denominazioni differenti, molte delle componenti che il
framework mette in relazione.
È necessario mantenere una distinzione
metodologica netta. Non esiste ancora
una validazione diretta della Noosemia come costrutto autonomo, né una
«Noosemia Scale» validata capace di distinguerla in maniera soddisfacente da
antropomorfismo, mind perception, social presence, agency attribution o consciousness
attribution. Gli studi disponibili non possono quindi essere descritti
retrospettivamente come «esperimenti sulla Noosemia», bensì possono essere
considerati un insieme di ricerche che vanno, ad oggi indirettamente, nella
direzione di rendere la Noosemia un costrutto empirico. Infatti, esiste una
consistente convergenza empirica sui
suoi fenomeni costitutivi.
Una systematic review pubblicata nel
2026 ha analizzato 153 studi empirici sulla mind
perception dell’intelligenza artificiale. Gli antecedenti vengono
organizzati in tre grandi famiglie: fattori relativi all’essere umano, fattori
relativi al sistema artificiale e fattori relativi all’interazione. Agency ed experience emergono come dimensioni fondamentali della percezione
di mente (Li et al., 2026). La struttura è particolarmente interessante per la Noosemia,
perché corrisponde a ciò che la genealogia turingiana aveva già suggerito:
l’attribuzione non risiede integralmente nell’oggetto né integralmente
nell’osservatore, ma dipende dalla relazione fra le proprietà di entrambi e
dalle condizioni nelle quali essi interagiscono.
Uno degli studi più vicini a questo problema è
quello di Jacobs, Pazhoohi e Kingstone (2026). Attraverso quattro esperimenti
con differenti modalità di esposizione a ChatGPT, LLaMA e Claude, gli autori
hanno osservato che l’esposizione agli LLM può aumentare le attribuzioni di
mente sia nella dimensione dell’agency,
intesa come capacità di agire, sia in quella dell’experience, riferita alla capacità di avere esperienze o
sensazioni. L’effetto varia con il tipo di esposizione e con le differenze
individuali; maggiore esperienza precedente con gli LLM e maggiore disposizione
all’antropomorfizzazione risultano associate a più elevate attribuzioni
mentali.
Il risultato è significativo perché mostra
sperimentalmente che non basta specificare le caratteristiche del sistema.
Invero, conta chi lo osserva e come
avviene l’interazione.
Wu e Shen (2026) hanno affrontato la questione
da una prospettiva complementare, proponendo un modello della machine agency attribution articolato in
tre fasi. Nella fase percettiva l’utente riconosce nel sistema comportamento
indipendente e orientamento allo scopo; nella fase inferenziale attribuisce una
mente agentiva e stati mentali; nella fase valutativa giudica la capacità
dell’agente di esercitare influenza. Due survey sono state utilizzate per
sviluppare le misure e un esperimento per verificare le relazioni fra i
livelli. L’inferenza di stati mentali rafforza la relazione fra il
comportamento agentivo percepito e il giudizio di capacità agentiva.
Il passaggio dal comportamento osservato
all’inferenza mentale occupa precisamente una delle regioni che interessano la
Noosemia. Il framework noosemico vi aggiunge una domanda ulteriore: come viene vissuta questa transizione
quando il comportamento è costituito da segni linguistici (in senso comunicativo
e generale) che sembrano rispondere, comprendere e rilanciare?
Altri studi consentono di affrontare un
problema ancora più vicino alla distinzione fra ontologia ed esperienza: che
cosa accade quando l’utente sa di
avere davanti un sistema artificiale?
Castiello e colleghi (2026) hanno manipolato
il profilo psicologico manifestato linguisticamente da GPT-4 e GPT-4.1 in tre
esperimenti. I partecipanti erano pienamente consapevoli di interagire con un
sistema artificiale; ciononostante, tendevano ad affiliarsi maggiormente con
l’LLM quando la psicologia espressa attraverso il linguaggio risultava simile
alla propria. Nell’esperimento preregistrato, un modello istruito a
rispecchiare il profilo Big Five [1]
del partecipante produceva maggiore affiliazione rispetto a un modello che ne
esprimeva il profilo inverso.
Il risultato è teoricamente importante perché
mostra che la conoscenza esplicita dell’artificialità non annulla
necessariamente la risposta sociale e relazionale. In termini noosemici
possiamo affermare: sapere che la
controparte è una macchina non implica cessare di reagire ai suoi segni come a
quelli di un interlocutore.
Kleinert e colleghi (2026), in due esperimenti
randomizzati e double-blind condotti su 492 partecipanti impegnati in
interazioni emotivamente coinvolgenti, hanno mostrato che un LLM può generare
una forte esperienza di vicinanza interpersonale. Presentarlo esplicitamente
come AI riduceva l’effetto rispetto alla condizione nella quale veniva
presentato come umano, ma non cancellava semplicemente la dimensione
relazionale dell’interazione.
Qui la distinzione fra due livelli diventa
particolarmente chiara: conoscenza
epistemica dell’artificialità e risposta
fenomenologica durante il dialogo non coincidono.
Anche le differenze individuali contano. Di
fatto, Folk, Heine e Dunn (2025), in due esperimenti con un totale di 1.274
partecipanti, hanno mostrato che la propensione ad antropomorfizzare la
tecnologia contribuisce a spiegare quanto socialmente connessi gli utenti si
sentano dopo una conversazione con un chatbot. Gli stessi autori
suggeriscono che, per alcune persone, l’artificialità costituisca una barriera
difficilmente superabile, mentre per altre possa risultare molto meno
rilevante.
L’eco del Turing del 1948, quindi, è evidente,
in quanto proprietà dell’oggetto e caratteristiche dell’osservatore partecipano
entrambe al giudizio.
La letteratura recente consente inoltre di
raffinare il significato stesso di «mente attribuita». Colombatto e Fleming
(2024), studiando 300 partecipanti statunitensi, hanno trovato che il 67%
attribuiva almeno una possibilità non nulla di coscienza fenomenica a ChatGPT;
tali attribuzioni variavano, fra l’altro, con la frequenza d’uso del sistema.
Il dato non dimostra naturalmente alcuna coscienza della macchina, al
contrario, mostra l’esistenza empiricamente misurabile di un’attribuzione di
coscienza.
Un lavoro successivo di Colombatto, Birch e
Fleming (2025) ha mostrato ancora più chiaramente che le attribuzioni mentali
non costituiscono un blocco indifferenziato. Le capacità attribuite agli LLM
tendono a organizzarsi attorno a dimensioni differenti, fra cui intelligence ed experience, e tali attribuzioni intrattengono relazioni diverse con
la fiducia e l’accettazione dei suggerimenti del sistema.
Questa multidimensionalità è particolarmente
importante per la Noosemia. Un utente può attribuire al sistema comprensione,
capacità di ragionamento, intenzione o agentività mantenendo molto bassa
l’attribuzione di esperienza fenomenica e senza arrivare in alcun modo alla
conclusione «questa macchina è cosciente». La Noosemia deve quindi evitare una
concezione monolitica dell’attribuzione mentale poiché intelligenza percepita, comprensione, agentività, esperienza e
coscienza costituiscono dimensioni distinguibili.
Questi studi non «dimostrano la Noosemia», bensì
mostrano qualcosa di metodologicamente più interessante e solido. Una
letteratura sperimentale sviluppatasi indipendentemente dal framework misura
già molti dei fenomeni che esso tenta di organizzare, fra cui mind perception, agency attribution, experience
attribution, antropomorfismo, affiliazione, connessione sociale, fiducia e
attribuzione di coscienza.
La possibile funzione teorica della Noosemia
consiste allora nel verificare se esista, nell’epoca dei sistemi di IA
generativa, una configurazione sufficientemente specifica da attraversare
questi costrutti senza coincidere con nessuno di essi. In tal maniera potremmo constatare
l’esperienza nella quale una prestazione
semiotica dialogica, coerente, contestuale e significativamente sorprendente
viene interpretata come segno di mente. Su questo terreno un neologismo
quale Noosemia può trasformarsi in programma scientifico.
Non sarebbe sufficiente constatare che gli
esseri umani antropomorfizzano le macchine. Sappiamo che il fenomeno è noto da
molto tempo. Occorrerà, altresì, mostrare che la combinazione di continuità
dialogica, significazione contestuale, sorpresa intelligibile, opacità
epistemica e attribuzione mentale caratteristica dell’interazione con sistemi
generativi possiede una struttura empiricamente riconoscibile e una sufficiente
validità discriminante rispetto ai costrutti confinanti.
La questione diventa ancora più interessante
per l’A-Noosemia. Un autentico esperimento a-noosemico non dovrebbe limitarsi a
chiedere, al termine dell’interazione, quanto un soggetto abbia
antropomorfizzato una macchina. Dovrebbe misurare l’attribuzione nel tempo,
osservando che cosa accade quando intervengono eventi capaci di perturbare la
costruzione precedente: perdita di contesto, allucinazione evidente, risposta
meccanicamente ripetitiva, contraddizione oppure una manipolazione che renda il
comportamento più facilmente prevedibile e causalmente leggibile.
L’oggetto diventerebbe allora una traiettoria di attribuzione, una
dinamica in cui si riscontra l’emergere della mente percepita, la sua eventuale
stabilizzazione e il suo possibile collasso. È notevole che una simile agenda
sperimentale riconduca ancora una volta a Turing. Nel 1948 la scoperta delle
regole poteva ridurre la «tentazione di immaginare intelligenza» (Turing,
1948/2004b, p. 431, traduzione nostra); nel 1952 vedere causa ed effetto poteva
dissolvere forme di pensiero apparente in inferenze meccaniche (unimaginative donkey-work). Ciò che
allora era un’intuizione filosofica può oggi essere convertito in un’ipotesi
sperimentale.
Quando la mente si ritira dal segno
Possiamo ora tornare alle domande con cui
abbiamo iniziato.
La Noosemia non nasce dall’idea ingenua che
una macchina linguisticamente sofisticata debba possedere una mente. Nasce da
una constatazione più circoscritta e, forse, più difficile: anche quando sospendiamo il giudizio sulla
mente della macchina, resta da spiegare perché il suo comportamento possa
essere esperito come mentalmente significativo.
Una specifica interpretazione del pensiero di
Turing offre a questa domanda una genealogia particolarmente feconda. Nel 1948
l’attribuzione di intelligenza dipendeva tanto dalle proprietà dell’oggetto
quanto dallo stato mentale e dalla formazione dell’osservatore; la possibilità
di spiegare e prevedere il comportamento riduceva la tentazione di immaginarvi
intelligenza. Nello stesso testo, una semplice paper machine poteva già produrre la sensazione di misurarsi con
«qualcosa di vivo» (Turing, 1948/2004b, p. 412, traduzione nostra). Nel 1950 la
continuità di risposte satisfactory and
sustained diventava rilevante per distinguere una prestazione significativa
da un semplice artificio, mentre la sorpresa nasceva dalla distanza fra ciò che
la macchina produceva e ciò che l’essere umano era in grado di anticipare. Nel
1951 una macchina deterministica poteva «apparire» come se disponesse di libero
arbitrio e produrre conseguenze che il programmatore non aveva previsto. Nel
1952, infine, la trasparenza della catena causale poteva modificare fino a
dissolverlo ciò che in precedenza veniva chiamato pensiero.
Abbiamo visto che Proudfoot ha proposto di
interpretare questa costellazione attraverso la response-dependence. Wheeler, dal canto suo, ne ha accettato
l’intuizione generale introducendo però una distinzione decisiva fra risposta
dell’osservatore e natura sottostante della proprietà, attraverso il modello di
reference-fixing. La discussione
impedisce così di trasformare la risposta dell’interrogatore in un semplice
sinonimo della realtà ontologica della mente.
La Noosemia può collocarsi proprio in questo
spazio.
Non ci dice che, se una macchina sembra
comprendere, allora comprende. Non ci dice nemmeno che ogni attribuzione
mentale sia necessariamente illusoria. La Noosemia si occupa di un problema
preliminare: come si forma l’esperienza
della mente nell’interazione con un sistema artificiale?
I Large Language Models hanno ormai reso questa
domanda quotidiana.
Sappiamo che dall’altra parte dello schermo
non si trova un essere umano. Conosciamo almeno in termini generali la natura
artificiale del sistema. Eppure continuiamo a domandargli che cosa «pensa»,
perché «ha scelto» una determinata strada, se «ha davvero capito» un
argomento. Talvolta la continuità del dialogo, la pertinenza della risposta e
la sorpresa prodotta da una connessione inattesa rendono temporaneamente poco
saliente la distanza fra questo linguaggio intenzionale e il substrato
computazionale sottostante. In altri momenti accade il contrario: una risposta
sbagliata, meccanica o incoerente spezza il campo interpretativo, e
l’interlocutore scompare lasciando nuovamente davanti a noi lo strumento.
La Noosemia
e l’A-Noosemia descrivono i due
movimenti di questa oscillazione: la
mente che emerge dal segno e la mente che dal segno si ritira.
Forse è precisamente qui che il Turing Test
conserva, a più di settant’anni di distanza, la propria vitalità filosofica.
Non perché il XXI secolo abbia semplicemente bisogno di una competizione per
stabilire se una macchina possa essere scambiata per una persona. La domanda si
è spostata, in quanto sempre più spesso sappiamo già che si tratta di una
macchina, e dobbiamo comprendere perché i suoi segni continuino, in determinate
condizioni, a presentarci la forma di una mente. In termini jaspersiani (Psicologia
delle visioni del mondo; Jaspers, 1919/1950) possiamo affermare che tale
forma è un involucro; tuttavia, la distinzione tra involucro e contenuto
si fa sempre più sfumata e intercambiabile. Più l’utente nota che l’IA funziona
anche su task complessi, più la forma strumentale si mescola alla percezione di
una entità indipendente (e il problema della coscienza diventa sempre più
ingarbugliato).
Così il problema sottostante riguarda
l’intelligenza artificiale, certamente, ma riguarda con altrettanta profondità
noi stessi. La questione diventa capire quali
indizi sono sufficienti perché riconosciamo una mente. Quale parte di quel
riconoscimento appartiene a ciò che osserviamo e quale alla struttura
cognitiva, culturale ed epistemica attraverso cui lo osserviamo?
Turing aveva cominciato a formulare questa
domanda quando i computer digitali occupavano intere stanze e le reti neurali
artificiali erano realizzate anche come dispositivi analogici. L’intelligenza
artificiale generativa ha portato la domanda in quel luogo dove soggetto e
oggetto non sono separabili.
Riferimenti bibliografici
Ameisen, E.,
Lindsey, J., Pearce, A., Gurnee, W., Turner, N. L., Chen, B., Citro, C.,
Abrahams, D., Carter, S., Hosmer, B., Marcus, J., Sklar, M., Templeton, A.,
Bricken, T., McDougall, C., Cunningham, H., Henighan, T., Jermyn, A., Jones,
A., ... Batson, J. (2025). Circuit tracing: Revealing computational graphs in
language models. Transformer Circuits
Thread.
https://transformer-circuits.pub/2025/attribution-graphs/methods.html
Bricken, T.,
Templeton, A., Batson, J., Chen, B., Jermyn, A., Conerly, T., Turner, N., Anil,
C., Denison, C., Askell, A., Lasenby, R., Wu, Y., Kravec, S., Schiefer, N.,
Maxwell, T., Joseph, N., Hatfield-Dodds, Z., Tamkin, A., Nguyen, K., ... Olah,
C. (2023). Towards monosemanticity: Decomposing language models with dictionary
learning. Transformer Circuits Thread.
https://transformer-circuits.pub/2023/monosemantic-features/index.html
Castiello, S., Pitliya, R. J., Lametti, D.
R., & Murphy, R. A. (2026). Affiliation
in human-AI interactions is based on shared psychological traits. Communications Psychology, 4, Article
93. https://doi.org/10.1038/s44271-026-00433-8
Colombatto, C.,
Birch, J., & Fleming, S. M. (2025). The influence of mental state
attributions on trust in large language models. Communications Psychology, 3, Article 84.
https://doi.org/10.1038/s44271-025-00262-1
Colombatto, C.,
& Fleming, S. M. (2024). Folk psychological attributions of consciousness
to large language models. Neuroscience of
Consciousness, 2024(1), niae013. https://doi.org/10.1093/nc/niae013
De Santis, E.
(2021). Umanità, complessità e intelligenza artificiale.
Un connubio perfetto. Aracne.
De Santis, E. (2023). Apocalissi digitali
e alchimie artificiali. Il linguaggio nell’epoca della sua riproducibilità
tecnica. Prometeo, 163, 32–41.
De Santis, E. (2025a, August 10). Il Fedro di Platone, Joseph Weizenbaum e la
noosemia al tempo dell’IA generativa. AION-Research.
https://www.aionresearch.it/2025/08/il-fedro-di-platone-joseph-weizenbaum-e.html
De Santis, E.
(2025b, December 27). Noosemia. A che punto siamo? AION-Research.
https://www.aionresearch.it/2025/12/questo-articolo-e-una-rielaborazione.html
De Santis, E.
(2026a, February 5). Moltbook oltre il parlante. Linguaggio emergente, agenti artificiali e
nuove forme di mondo digitale. AION-Research.
https://www.aionresearch.it/2026/02/moltbook-oltre-il-parlante-linguaggio.html
De Santis, E.
(2026b, May 29). Prima
della Seemingly Conscious AI: la Noosemia come teoria dell’attribuzione mentale
nell’IA generativa. AION-Research.
https://www.aionresearch.it/2026/05/prima-della-seemingly-conscious-ai-la.html
De Santis, E., De Santis, G., & Rizzi,
A. (2025). Noosemia. Prometeo, 43(172), 16–24.
De Santis, E., Martino, A., & Rizzi,
A. (2024). Human versus machine
intelligence: Assessing natural language generation models through complex
systems theory. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 46(7), 4812–4829.
https://doi.org/10.1109/TPAMI.2024.3358168
De Santis, E., & Rizzi, A. (2025). Noosemia:
Toward a cognitive and phenomenological account of intentionality attribution
in human-generative AI interaction. arXiv:2508.02622. https://doi.org/10.48550/arXiv.2508.02622
Dennett, D. C.
(1987). The intentional stance. MIT
Press.
Folk, D., Heine,
S. J., & Dunn, E. W. (2025). Individual differences in anthropomorphism
help explain social connection to AI companions. Scientific Reports, 15, Article 36548.
https://doi.org/10.1038/s41598-025-19212-2
Goldberg, L. R.
(1990). An alternative “description of personality”: The Big-Five factor
structure. Journal of Personality and
Social Psychology, 59(6), 1216–1229.
https://doi.org/10.1037/0022-3514.59.6.1216
Holtzman, A.,
West, P., & Zettlemoyer, L. (2025). Generative models as a complex systems
science: How can we make sense of large language model behavior? Journal of Social Computing, 6(2),
75–94. https://doi.org/10.23919/JSC.2025.0009
Jacobs, O.,
Pazhoohi, F., & Kingstone, A. (2026). Attributing mind to large language
models: The effect of exposure and individual differences. International Journal of Social Robotics, 18(1), Article 16.
https://doi.org/10.1007/s12369-025-01337-z
Jaspers, K. (1950). Psicologia delle visioni del mondo (V. Loriga, Trad.). Astrolabio.
(Opera originale pubblicata nel 1919).
Kleinert, T., Waldschütz, M., Blau, J.,
Heinrichs, M., & Schiller, B. (2026). AI outperforms humans in establishing interpersonal closeness in
emotionally engaging interactions, but only when labelled as human. Communications Psychology, 4, Article
23. https://doi.org/10.1038/s44271-025-00391-7
Lewis, C. I.
(1929). Mind and the world-order: Outline
of a theory of knowledge. Charles Scribner’s Sons.
Li, Y., Qin, X.,
Yam, K. C., Gray, K., Cheng, X., Wen, J., & Lai, X. (2026). Mind perception
of artificial intelligence: A systematic review. Information Processing & Management, 63(7), 104820.
https://doi.org/10.1016/j.ipm.2026.104820
Pettit, P. (1991).
Realism and response-dependence. Mind,
100(4), 587–626.
Proudfoot, D.
(2013). Rethinking Turing’s test. The
Journal of Philosophy, 110(7), 391–411.
https://doi.org/10.5840/jphil2013110722
Proudfoot, D.
(2020). Rethinking Turing’s test and the philosophical implications. Minds and Machines, 30(4), 487–512.
https://doi.org/10.1007/s11023-020-09534-7
Proudfoot, D.
(2022). An analysis of Turing’s criterion for ‘thinking’. Philosophies, 7(6), 124.
https://doi.org/10.3390/philosophies7060124
Schaeffer, R.,
Miranda, B., & Koyejo, S. (2023). Are emergent abilities of large language
models a mirage? Advances in Neural Information Processing Systems, 36.
https://doi.org/10.52202/075280-2425
Turing, A. M.
(1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433
Turing, A. M.
(2004a). Can digital computers think? In B. J. Copeland (Ed.), The essential Turing: Seminal writings in
computing, logic, philosophy, artificial intelligence, and artificial life plus
the secrets of Enigma (pp. 482–486). Oxford University Press. (Original
work broadcast 1951).
Turing, A. M.
(2004b). Intelligent machinery. In B. J. Copeland (Ed.), The essential Turing: Seminal writings in computing, logic, philosophy,
artificial intelligence, and artificial life plus the secrets of Enigma
(pp. 410–432). Oxford University Press. (Original work written 1948).
Turing, A. M.,
Braithwaite, R. B., Jefferson, G., & Newman, M. H. A. (2004). Can automatic
calculating machines be said to think? In B. J. Copeland (Ed.), The essential Turing: Seminal writings in
computing, logic, philosophy, artificial intelligence, and artificial life plus
the secrets of Enigma (pp. 494–506). Oxford University Press. (Original
work broadcast 1952).
Wei, J., Tay, Y.,
Bommasani, R., Raffel, C., Zoph, B., Borgeaud, S., Yogatama, D., Bosma, M.,
Zhou, D., Metzler, D., Chi, E. H., Hashimoto, T., Vinyals, O., Liang, P., Dean,
J., & Fedus, W. (2022). Emergent abilities of large language models. Transactions on Machine Learning Research.
Wheeler, M.
(2020). Deceptive appearances: The Turing Test, response-dependence, and
intelligence as an emotional concept. Minds
and Machines, 30(4), 513–532. https://doi.org/10.1007/s11023-020-09533-8
Wu, Y., &
Shen, F. (2026). Machine agency attribution in human-AI interaction: Developing
and validating an analytical framework. Journal
of Computer-Mediated Communication, 31(3), zmag009.
https://doi.org/10.1093/jcmc/zmag009
Zhao, H., Chen,
H., Yang, F., Liu, N., Deng, H., Cai, H., Wang, S., Yin, D., & Du, M.
(2024). Explainability for large language models: A survey. ACM Transactions on Intelligent Systems and
Technology, 15(2), Article 20, 1–38. https://doi.org/10.1145/3639372
[1] Il modello Big Five descrive la personalità attraverso cinque ampie
dimensioni: apertura all’esperienza, coscienziosità, estroversione,
gradevolezza e nevroticismo (Goldberg, 1990).
