Noosemia L’esperienza del segno come segno di mente

 

«Il segno è un utilizzabile ontico che, in quanto è questo determinato mezzo, funge nel contempo da qualcosa che indica la struttura ontologica dell’utilizzabilità, della totalità dei rimandi e della mondità.»

— Martin Heidegger, Essere e tempo, § 17

Quando il segno diventa segno di mente

Interagire con un sistema di intelligenza artificiale generativa significa ormai confrontarsi con artefatti capaci di produrre comportamenti che appartengono a domini per lungo tempo associati quasi esclusivamente all’attività cognitiva degli esseri viventi. Una risposta può cogliere un’implicazione rimasta inespressa, recuperare un particolare introdotto molti turni prima, riconoscere un equivoco che l’interlocutore non aveva segnalato, abbandonare una strategia inefficace o coordinare una successione di operazioni verso un risultato concreto. Nessuna di queste manifestazioni consente, se considerata isolatamente, di stabilire che cosa avvenga realmente all’interno del sistema, né autorizza a trasferire, senza ulteriori argomenti, alla macchina concetti quali comprensione, intenzione o coscienza nel significato che essi assumono quando vengono riferiti all’esperienza umana. Può tuttavia verificarsi, dal punto di vista di chi interagisce con il sistema, qualcosa di più circoscritto e proprio per questo teoricamente più accessibile. Una risposta, una correzione o una sequenza di azioni cessano a un certo momento di essere esperite soltanto come effetti di un processo computazionale e acquistano il valore di manifestazioni dalle quali sembra possibile inferire che qualcosa abbia compreso, riconosciuto, ricordato oppure modificato intenzionalmente il proprio comportamento. È entro questa trasformazione che si colloca la noosemia. Il termine è stato introdotto da De Santis e Rizzi (2025) nel quadro dell’interazione umano–AI; nel presente sviluppo viene assunto in una formulazione più circoscritta come l’esperienza del segno come segno di mente.

Lo sviluppo recente dei grandi modelli linguistici ha reso tale passaggio particolarmente evidente. In una versione preregistrata del Turing Test a tre interlocutori, Jones e Bergen (2026) hanno mostrato che GPT-4.5, nella condizione con un prompt che gli assegnava un profilo conversazionale umano, veniva giudicato umano nel 73% delle conversazioni di cinque minuti. Il risultato appartiene a una configurazione sperimentale precisa e non costituisce una dimostrazione della presenza di comprensione o coscienza; mostra tuttavia con notevole chiarezza quanto segni linguistici artificialmente generati possano sostenere inferenze forti sulla natura della loro sorgente. Da una prospettiva differente, Colombatto e Fleming (2024) hanno rilevato che il 67% dei partecipanti attribuiva a ChatGPT una probabilità superiore a zero di possedere coscienza fenomenica, senza che ciò equivalesse a ritenerla probabile o accertata. Lavori successivi hanno inoltre mostrato che differenti forme di attribuzione mentale si associano in maniera diversa alla propensione ad accettare i suggerimenti di un modello: le attribuzioni legate all’intelligenza predicevano una maggiore accettazione dei consigli, mentre quelle legate all’esperienza tendevano nella direzione opposta (Colombatto et al., 2025). Kleinert et al. (2026) hanno infine osservato che risposte prodotte da sistemi artificiali potevano generare elevata vicinanza interpersonale quando venivano presentate come provenienti da esseri umani, mentre l’etichettatura della sorgente come artificiale riduceva, senza annullarla, la costruzione di tale vicinanza.

Ciò che accomuna fenomeni tanto differenti non risiede nella correttezza delle attribuzioni compiute dagli utenti, bensì nel fatto che comportamenti artificialmente prodotti siano ormai entrati nel campo delle manifestazioni attraverso cui gli esseri umani inferiscono comprensione, agency, intenzione e, in alcune circostanze, esperienza soggettiva. La questione che qui interessa precede quindi il giudizio sulla verità di tali inferenze e riguarda il momento nel quale qualcosa che appare acquista, per chi lo osserva, un valore ulteriore rispetto alla propria semplice presenza.

La noosemia prende forma precisamente nella distanza che separa ciò che appare da ciò che viene inferito. Una risposta contestualmente appropriata, la revisione spontanea di una soluzione o la continuità di una strategia nel tempo appartengono anzitutto alla sfera di ciò che l’interlocutore può osservare. Il loro statuto cambia quando tali manifestazioni vengono lette come tracce di un’attività cognitiva che non si offre direttamente all’esperienza. Il passaggio può essere rappresentato nella forma:

manifestazione osservabile → segno di attività noetica → attribuzione noetica,

purché la semplicità dello schema non nasconda la complessità della relazione. Il termine «mente» conserva una forza intuitiva che sarebbe improprio sacrificare e rimane per questa ragione nella formula sintetica della noosemia; sul piano teorico è tuttavia preferibile parlare di attività noetica, lasciando aperto se ciò che viene attribuito debba corrispondere a una mente sostanzialmente simile alla nostra, a una forma cognitiva differente oppure a una sovrainterpretazione del comportamento osservato.

Una parte di questo spazio concettuale è già occupata da termini consolidati. L’antropomorfismo riguarda il modo in cui caratteristiche umane vengono attribuite a entità che umane non sono; la mind perception studia quali capacità mentali vengano attribuite a differenti target, le condizioni che modulano tali attribuzioni e le conseguenze che ne derivano; l’intentional stance di Dennett descrive una strategia interpretativa mediante la quale credenze, desideri e intenzioni vengono attribuiti a un sistema quando tale vocabolario rende più efficace la comprensione o la previsione del suo comportamento (Dennett, 1987; Epley et al., 2007; Gray et al., 2007; Waytz et al., 2010). La noosemia non si propone di sostituire questi concetti. Il suo interesse risiede nel selezionare un livello differente, quello nel quale una manifestazione assume per l’interprete lo statuto di segno evidenziale di attività noetica.

La lunga via verso il calcolabile

La Grecia antica costituisce una delle matrici fondamentali della tradizione intellettuale attraverso cui l’Occidente ha elaborato forme specifiche di teoria, argomentazione, dimostrazione e ricerca delle cause. Una simile affermazione perde però consistenza non appena venga trasformata nel racconto di una razionalità comparsa improvvisamente nel Mediterraneo e assente altrove. Le culture mesopotamiche ed egizie avevano sviluppato tradizioni matematiche e astronomiche di notevole complessità molto prima dell’età classica greca, mentre la tradizione indiana avrebbe elaborato autonomamente forme sofisticate di logica, epistemologia e teoria dell’inferenza (Matilal, 1998; Neugebauer, 1969; Robson, 2008). La Cina offre a sua volta una storia scientifica, matematica, medica e tecnologica che rende improponibile qualsiasi identificazione immediata fra razionalità tecnico-scientifica e un’unica origine occidentale (Lloyd & Sivin, 2002; Needham, 1954).

Karl Jaspers collocava infatti Grecia, India, Cina, Persia e antico Israele entro la pluralità dell’Achsenzeit, l’«età assiale», riconoscendo in differenti regioni del mondo antico trasformazioni della riflessività umana che non potevano essere ricondotte a una sola origine occidentale (Jaspers, 1953). Gli studi comparativi di Lloyd e Sivin hanno mostrato a loro volta quanto sia più fecondo ricostruire le differenze fra Grecia e Cina attraverso le istituzioni del sapere, le forme della controversia, le pratiche professionali e i rapporti con l’autorità, evitando di attribuire a intere civiltà essenze cognitive immutabili (Lloyd & Sivin, 2002). Il vasto programma avviato da Joseph Needham con Science and Civilisation in China conduce nella stessa direzione. Il problema successivamente divenuto celebre come «Needham Question» riguarda le ragioni per cui la particolare configurazione della scienza matematizzata moderna conobbe in Europa una traiettoria differente da quella sviluppatasi in Cina, dopo secoli nei quali quest’ultima aveva espresso capacità scientifiche e tecnologiche di altissimo livello (Needham, 1954, 1969).

La genealogia che conduce all’intelligenza artificiale deve essere compresa, di conseguenza, come una traiettoria selezionata entro una storia assai più ramificata, nella quale porzioni progressivamente più ampie del reale vengono rese suscettibili di descrizione formale. Sul piano filosofico Edmund Husserl interpreta la nascita dell’atteggiamento teoretico greco come uno dei momenti costitutivi della genealogia spirituale dell’Europa e individua nella matematizzazione galileiana della natura una trasformazione decisiva del modo in cui il reale diventa oggetto della conoscenza scientifica (Husserl, 1970). Koyré descriverà la rivoluzione scientifica come una trasformazione della struttura stessa del cosmo, nel corso della quale uno spazio qualitativamente differenziato lascia progressivamente posto a un universo geometrizzato e matematicamente trattabile (Koyré, 1957). Si tratta di interpretazioni filosofiche e storiografiche determinate, che non possono essere convertite nella storia unica della modernità scientifica; permettono tuttavia di cogliere un mutamento profondo nel rapporto fra conoscenza e mondo, rivelando problematiche epistemiche ben prima della comparsa dei moderni sistemi di IA generativa.

Con Cartesio, la materia viene pensata attraverso l’estensione e i fenomeni corporei attraverso figura, posizione e movimento, mentre la relazione istituita fra algebra e geometria mostra con particolare efficacia come configurazioni spaziali possano essere tradotte in relazioni simboliche suscettibili di manipolazione matematica (La Géométrie, Descartes, 1637/1954; Principia philosophiae, Descartes, 1644/1985). Dire che Cartesio renda il mondo «computabile» significherebbe imporre retrospettivamente al XVII secolo una categoria appartenente a una storia successiva; è invece possibile riconoscere nel suo programma una delle trasformazioni attraverso cui la rappresentazione matematica acquisisce un ruolo sempre più esteso nella descrizione della natura.

Leibniz sposta ulteriormente l’orizzonte quando l’aspirazione alla formalizzazione investe il ragionamento. I progetti della characteristica universalis e del calculus ratiocinator, dispersi in una pluralità di scritti e mai realizzati nella forma di un unico sistema compiuto, esprimono l’idea di una notazione capace di rappresentare concetti e di un calcolo capace di operare, almeno idealmente, sulle relazioni che li connettono (Leibniz, 1966). Fra Leibniz e l’intelligenza artificiale contemporanea si apre una distanza teorica e tecnologica enorme; emerge tuttavia un passaggio concettuale nel quale alcune operazioni tradizionalmente comprese entro il dominio del ragionare vengono pensate come suscettibili di una rappresentazione simbolica sufficientemente rigorosa da permettere trasformazioni regolate.

Con Alan Turing, tra i pionieri dell’era dell’IA, cambia lo statuto stesso del problema. Nel 1936 la nozione di computabilità riceve una caratterizzazione matematica di straordinaria generalità attraverso il modello che porterà il suo nome (macchina di Turing), permettendo di delimitare formalmente la classe delle procedure eseguibili da una macchina astratta (Turing, 1936). Quel lavoro non sostiene che la mente umana sia una macchina e non formula una teoria computazionale della coscienza. Negli anni immediatamente successivi, tuttavia, la formalizzazione comincia a investire domini sempre più prossimi alle attività tradizionalmente associate alla cognizione. McCulloch e Pitts (1943) descrivono eventi neuronali idealizzati attraverso un «calcolo logico», Claude Shannon (1948) costruisce una teoria matematica dell’informazione e Norbert Wiener (1948) sviluppa nella cibernetica un vocabolario capace di descrivere organismi e macchine attraverso concetti di regolazione, feedback e comunicazione. Nella proposta di Dartmouth del 1955, che avrebbe preparato l’incontro dell’estate successiva, McCarthy et al. (1955) assumono esplicitamente come programma di ricerca l’ipotesi che aspetti dell’apprendimento e dell’intelligenza possano essere descritti con sufficiente precisione da consentire a una macchina di simularli.

Tale traiettoria non coincide con una progressione uniforme della formalizzazione simbolica e proprio la storia dell’intelligenza artificiale ne rivela le fratture. Dreyfus contestò alcune delle assunzioni dell’IA simbolica insistendo, attraverso Martin Heidegger e Merleau-Ponty, sul carattere situato, corporeo e pratico dell’intelligenza e sulla difficoltà di ricondurre il sapere umano a un repertorio esplicito di rappresentazioni e regole (Dreyfus, 1992). Il deep learning modifica il quadro tecnico entro cui un dominio può essere reso computazionalmente trattabile, poiché l’apprendimento da dati attraverso le reti neurali artificiali permette al sistema di acquisire rappresentazioni e regolarità senza che tutta la conoscenza necessaria venga specificata a priori da un programmatore (Goodfellow et al., 2016). L’architettura Transformer introdotta da Vaswani et al. (2017) e la successiva crescita dei modelli linguistici autoregressivi (Large Language Models, LLM) su vasta scala mostrano come il linguaggio possa essere trattato attraverso rappresentazioni numeriche distribuite e regolarità apprese mediante ottimizzazione statistica su grandi quantità di dati (Brown et al., 2020; Vaswani et al., 2017).

Per la genealogia qui proposta, questa trasformazione modifica anche il significato assunto dalla formalizzazione. La continuità non va ricercata immaginando un’architettura Transformer alla base di un LLM come una realizzazione tardiva del calculus ratiocinator leibniziano, poiché le differenze fra i due paradigmi sarebbero troppo profonde. Essa si colloca a un livello più generale, nella possibilità crescente di rendere matematicamente trattabili domini che comprendono linguaggio, immagini, decisioni e comportamenti un tempo accessibili soltanto attraverso l’attività cognitiva di organismi viventi.

È soltanto dopo avere seguito questa traiettoria che la riflessione di Heidegger sulla tecnica acquista il proprio significato per il nostro percorso (De Santis, 2021). Heidegger non costituisce un ulteriore anello della storia tecnico-scientifica e non può essere utilizzato come se avesse anticipato gli LLM. La sua domanda riguarda il tipo di rapporto con il reale che la tecnica moderna rende possibile. Nel Gestell, termine che resiste a un equivalente italiano univoco, il reale viene sollecitato a presentarsi come qualcosa di ordinabile e disponibile, mentre nel Bestand assume la forma di una riserva pronta all’impiego (Die Frage nach der Technik, Heidegger, 1954/1977). Nella riflessione tarda, la cibernetica compare inoltre all’interno della diagnosi della trasformazione delle scienze e della fine della filosofia (Das Ende der Philosophie und die Aufgabe des Denkens, Heidegger, 1964/1972).

Yuk Hui ha ripreso questa interrogazione per contestare l’idea che una simile storia della tecnica possa essere trasformata in una necessità universale e, attraverso il concetto di cosmotechnics, ha proposto di pensare una pluralità delle relazioni possibili fra tecnica, cosmologia e ordine morale (Hui, 2016). La traiettoria che conduce alla computazione contemporanea può così essere riconosciuta come profondamente radicata nella storia scientifica e filosofica occidentale senza essere confusa con un destino in senso fatalista della razionalità umana, mentre l’intelligenza artificiale che ne è emersa appartiene ormai a un fenomeno planetario che attraversa tradizioni, economie e culture differenti.

Ciò che interessa alla noosemia comincia esattamente nel punto in cui questa genealogia cambia direzione.

Il ritorno del segno dalla macchina

Per secoli, il movimento seguito dalla nostra genealogia procede dall’esperienza verso la formalizzazione e dalla formalizzazione verso la macchina. Fenomeni naturali vengono tradotti in strutture matematiche, relazioni logiche assumono la forma di sistemi simbolici, procedure vengono caratterizzate computazionalmente e attività sempre più prossime al linguaggio e alla cognizione diventano suscettibili di trattamento algoritmico. Con l’intelligenza artificiale contemporanea, tuttavia, la macchina comincia a restituire all’essere umano configurazioni appartenenti allo stesso dominio simbolico attraverso cui gli esseri umani riconoscono ordinariamente l’attività cognitiva degli altri. Il movimento assume così una forma circolare che può essere condensata nella successione:

 mente → formalizzazione → computazione → segno artificiale → mente percepita.

Una forma elementare di questorovesciamento era già inscritta nel modo in cui Turing affrontò nel 1950 la domanda «Can machines think?». La formulazione gli appariva troppo ambigua per essere assunta direttamente e l’imitation game, alla base del famoso Test di Turing, trasferiva il problema entro una situazione nella quale l’interrogatore poteva conoscere l’altro soltanto attraverso le risposte linguistiche che riceveva. Non vedeva il corpo dell’interlocutore, non accedeva al meccanismo responsabile della risposta e non osservava direttamente alcuno stato mentale. Egli disponeva di manifestazioni linguistiche e, a partire da queste, formulava un giudizio sulla natura della sorgente (Turing, 1950). Sarebbe anacronistico attribuire a Turing una teoria semiotica della mente o leggere nel suo esperimento la noosemia già formulata;  tuttavia la struttura epistemica dell’imitation game rimane significativa, perché l’accesso all’entità viene sostituito dall’accesso alle sue manifestazioni, quindi a ciò che appare.

ELIZA, annoverato come il primo chat bot della storia sviluppato nel 1966 da Joseph Weizenbaum, rese evidente pochi anni dopo quanto l’inferenza potesse oltrepassare il meccanismo che aveva prodotto i segni. Il programma di Weizenbaum operava attraverso procedure linguistiche relativamente semplici e riusciva tuttavia a suscitare in alcuni utenti attribuzioni di comprensione e partecipazione personale molto più ricche delle procedure realmente implementate nel codice di ELIZA (Weizenbaum, 1966, 1976). La successiva letteratura ha ricostruito proprio attorno a questa discrepanza ciò che sarebbe diventato noto come ELIZA effect (Natale, 2021). La distanza fra ELIZA e i moderni modelli linguistici è troppo grande perché quel precedente possa spiegare l’interazione contemporanea; ciò che rimane comparabile è la struttura del problema. Un comportamento viene osservato, acquista significato per l’interprete e diventa il punto di partenza per un’inferenza rivolta a una proprietà della sorgente che non è immediatamente accessibile.

I sistemi generativi e agentici ampliano il repertorio delle manifestazioni capaci di entrare in questa relazione. Approcci che combinano ragionamento linguistico e azione mostrano come ai soli output testuali possano affiancarsi uso di strumenti, acquisizione di informazioni dall’ambiente, pianificazione e revisione di strategie (Yao et al., 2023). In un’interazione prolungata, ciò che viene interpretato non coincide più con una singola frase. L’utente costruisce progressivamente una rappresentazione della sorgente alla luce di una storia nella quale una correzione può modificare il significato attribuito a un errore precedente e la persistenza di una strategia può suggerire una continuità che nessuna risposta isolata avrebbe potuto esprimere.

A questo punto, prima di seguire la manifestazione fino al segno che l’interprete vi riconosce, occorre soffermarsi sull’altro lato della relazione. I sistemi di IA generativa contemporanei apprendono regolarità da dati e le impiegano in situazioni che non coincidono con gli esempi dai quali sono state ricavate (Goodfellow et al., 2016; Vapnik, 1995). La distanza fra osservato e nuovo caso riapre, in forma matematica e tecnologica, un problema assai più antico della computazione. Riguarda la possibilità di oltrepassare ciò che è dato conservando un rapporto giustificabile con ciò che può essere conosciuto.

Dal dato a ciò che non è ancora dato

Il termine epistḗmē (ἐπιστήμη, «conoscenza, sapere, competenza») deriva da epístamai (ἐπίσταμαι, «sapere, conoscere, essere competente»). La documentazione lessicografica mostra un campo semantico che comprende familiarità con una materia, comprensione e abilità, prima e accanto agli usi filosofici più tecnici (Liddell et al., 1996). Sarebbe quindi improprio ricavare una teoria della conoscenza dalla sola scomposizione etimologica della parola. È la storia degli usi a conferirle densità filosofica. Nella Repubblica V Platone distingue epistḗmē da dóxa (δόξα, «opinione, credenza») e collega la prima a ciò che è, entro una costruzione la cui interpretazione rimane discussa nella letteratura contemporanea (Fine, 1990; Plato, 2013a). Già questo scarto impedisce di identificare epistḗmē con il semplice possesso di informazioni. Nel suo uso filosoficamente più impegnativo entra in gioco la qualità del rapporto fra chi conosce, ciò che viene conosciuto e le condizioni che rendono fondata quella conoscenza.

Negli Analitici posteriori Aristotele rende questa esigenza particolarmente stringente. Si possiede epistḗmē in senso pieno quando si conosce la causa per cui un fatto è tale e si comprende che esso non può essere altrimenti; la dimostrazione costituisce perciò una forma paradigmatica di sapere scientifico (Post. an. I.2; Aristotle, 1960; Bronstein, 2016). La dimostrazione, tuttavia, presuppone principi che non possono essere ottenuti mediante una regressione indefinita di dimostrazioni. Nel celebre finale del secondo libro, Aristotele ricostruisce un percorso nel quale dalla percezione si forma la memoria, dalla ripetizione delle memorie l’esperienza e dall’esperienza emerge l’universale, fino all’apprensione dei principi attraverso un processo che egli riconduce all’induzione (Post. an. II.19; Aristotle, 1960). Senza trasformare Aristotele in un reale precursore dell’apprendimento automatico, appare qui una tensione destinata a riemergere molte volte nella storia del pensiero. Il sapere aspira a una validità che eccede il particolare, mentre il suo accesso al mondo comincia dall’incontro con casi particolari.

Molti secoli dopo, Hume porta questa distanza al centro dell’epistemologia moderna. Le inferenze riguardanti questioni di fatto ci conducono continuamente oltre ciò che memoria e sensi offrono nell’esperienza presente, eppure nessuna serie di casi osservati implica deduttivamente che i casi non ancora osservati debbano comportarsi nello stesso modo. Hume non contesta il fatto che tali inferenze avvengano. Ne interroga il fondamento e mostra la difficoltà di giustificare mediante ragione dimostrativa il passaggio dal passato al futuro, dall’osservato al non osservato (Hume, 1748/2007). Il noto problema dell’induzione nasce precisamente in questa apertura. Una regolarità ricavata dall’esperienza può orientare una previsione e sostenerla con forza crescente senza trasformarla, per ciò stesso, in una conseguenza logicamente necessaria.

È in questa distanza fra il particolare esperito e la pretesa di un sapere che ecceda il particolare che la lettura di Emanuele Severino dell’epistḗmē introduce una prospettiva ulteriore che si rivela oltremodo fruttuosa. In Severino il termine riceve una determinazione filosofica che va distinta dalla sua semplice storia lessicale. L’epistḗmē designa il progetto di un sapere capace di imporsi come incontrovertibile e di sottrarre il divenire all’imprevedibilità che, nella sua ricostruzione, accompagna la nascita della filosofia. La stabilità del sapere diventa così anche una forma di rimedio, poiché conoscere il senso e le cause di ciò che accade significa ricondurre l’evento entro un ordine capace di resistere alla smentita (Severino, 2009, pp. 11–12; Caiano, 2025). Questa lettura lascia invariato il piano filologico stabilito in precedenza e non autorizza a dedurre una teoria della conoscenza dalla morfologia di epistḗmē. Mostra piuttosto come il termine possa essere assunto filosoficamente per nominare l’aspirazione occidentale a un sapere necessario e stabile.

Nella stessa genealogia, la scienza contemporanea segna quello che Severino interpreta come il «tramonto dell’epistḗmē». Il sapere scientifico rinuncia progressivamente alla pretesa di definitività e incontrovertibilità e riconosce il carattere ipotetico, revisionabile e fallibile delle proprie costruzioni (Severino, 2004; Caiano, 2025). Senza assumere l’intero impianto ontologico severiniano, questa distinzione offre una cerniera utile per comprendere il regime epistemico entro cui opera l’apprendimento automatico. Qui l’affidabilità assume una forma diversa dalla necessità della conclusione e viene espressa attraverso la possibilità di controllare, sotto determinate assunzioni, quanto una regola ricavata da un campione finito mantenga validità su casi non osservati (Vapnik, 1995). Il passaggio dall’incontrovertibile al probabilistico lascia dunque aperta la domanda su come si oltrepassi ciò che è dato, trasformandone le condizioni formali e rendendo l’incertezza una componente esplicita del sapere.

La moderna teoria statistica dell’apprendimento (statistical learning theory) trasferisce una parte di questa tensione entro un quadro prettamente matematico. Un algoritmo riceve un campione finito di dati, seleziona una regola entro una classe di funzioni e viene valutato per la capacità di mantenere buone prestazioni su dati estranei al campione osservato. La differenza fra errore di addestramento ed errore di generalizzazione rende formalmente visibile la distanza fra ciò su cui il sistema ha appreso e ciò su cui dovrà operare. Vapnik ha formalizzato condizioni sotto le quali l’apprendimento da dati empirici può controllare tale distanza, ponendo la generalizzazione al centro della teoria (Vapnik, 1995). Harman e Kulkarni ne hanno mostrato il dialogo con il problema filosofico dell’induzione (Harman & Kulkarni, 2007). La formalizzazione statistica non dissolve il problema humeano. Offre, bensì, condizioni, assunzioni e garanzie probabilistiche entro cui un metodo induttivo può essere giudicato affidabile.

Il deep learning conserva tale struttura e ne modifica profondamente la scala rappresentazionale. Una rete profonda apprende dai dati attraverso l’ottimizzazione di un elevato numero di parametri e costruisce rappresentazioni distribuite capaci di organizzare regolarità a più livelli, senza richiedere che le caratteristiche rilevanti siano tutte specificate anticipatamente dal progettista (Goodfellow et al., 2016). La capacità di generalizzare rimane il criterio che separa l’adattamento ai dati di addestramento dall’apprendimento utile, mentre le reti neurali contemporanee hanno mostrato comportamenti che rendono insufficiente una trasposizione troppo semplice delle intuizioni classiche sul rapporto fra complessità del modello e sovradattamento (Zhang et al., 2017). Il problema epistemico conserva dunque la propria forma generale e acquista una geometria assai più difficile da ricostruire. Dai dati viene estratta una struttura parametrica che dovrà produrre risposte pertinenti in regioni dello spazio dei casi mai incontrate nella medesima configurazione durante l’addestramento. Questo è un punto fondamentale per affrontare la discussione sui moderni LLM e il loro utilizzo come strumenti cognitivi che coordinano strumenti, pianificano azioni e operano all’interno di contesti computazionali (Yao et al., 2023).

Infatti, con i Transformer, alla base degli LLM, questa dinamica entra direttamente nel dominio del linguaggio. L’architettura introdotta da Vaswani et al. (2017) consente di modellare relazioni contestuali attraverso il meccanismo di attenzione, mentre i grandi modelli linguistici autoregressivi apprendono a stimare distribuzioni condizionali del tipo P(xₜ | x₁, …, xₜ₋₁), producendo una continuazione alla volta sulla base del contesto disponibile (Brown et al., 2020). Ridurre questo processo alla formula «predice il token successivo» lascia però inespressa la quantità di struttura che deve essere utilizzata affinché quella predizione riesca su domini linguistici molto differenti. Regolarità sintattiche, semantiche, pragmatiche e fattuali diventano disponibili entro rappresentazioni distribuite altamente astratte che possono sostenere compiti nuovi e adattamenti al contesto. L’apprendimento nel contesto (in-context learning) rende particolarmente evidente questa capacità. Xie et al. (2022) hanno mostrato, entro un modello teorico specifico basato su distribuzioni latenti, che alcune forme di apprendimento nel contesto possono essere interpretate come inferenza bayesiana implicita. Il risultato è significativo come spiegazione possibile entro condizioni determinate e non va trasformato in una teoria generale del funzionamento di ogni LLM.

È nella distanza fra probabilità generativa e verità che il tema delle cosiddette «allucinazioni» acquista il suo significato epistemico più preciso. L’obiettivo autoregressivo di base premia la capacità di assegnare elevata probabilità alle continuazioni compatibili con la distribuzione appresa (Brown et al., 2020); non contiene, da solo, una procedura che verifichi la corrispondenza di ogni proposizione con lo stato del mondo. TruthfulQA ha mostrato sperimentalmente come un modello possa riprodurre false credenze diffuse nei testi e generare risposte false che risultano plausibili rispetto alla distribuzione di addestramento (Lin et al., 2022). La letteratura sulle allucinazioni distingue oggi, fra le altre dimensioni, l’aderenza fattuale (factuality) e la fedeltà al contesto o alle istruzioni (faithfulness), riconducendo le possibili cause a molteplici fasi che comprendono dati, addestramento e inferenza (Huang et al., 2025; Ji et al., 2023). L’errore generativo rende così visibile un limite più generale. Plausibilità linguistica, capacità di generalizzazione e verità proposizionale possono divergere. Concentrarsi esclusivamente sull’errore rischia di occultare la struttura inferenziale che lo rende possibile insieme alle prestazioni corrette.

Nei sistemi agentici la stessa questione si estende dalla produzione di enunciati alla concatenazione di decisioni e azioni. Un modello può formulare un piano, interrogare una fonte esterna, usare uno strumento e rivedere la strategia alla luce di nuove informazioni, costruendo cicli nei quali inferenza linguistica e interazione con l’ambiente si condizionano reciprocamente (Yao et al., 2023). L’evidenza esterna può correggere la generazione, mentre un errore assunto come premessa può propagarsi lungo la sequenza operativa. L’estensione operativa e l’intreccio con l’ambiente mutano il quadro, ma la dipendenza da regolarità apprese e da inferenze applicate oltre i casi osservati conserva continuità con il problema precedente.

Una distinzione recente consente di precisare ulteriormente il passaggio dalla qualità dell’output al valore epistemico che esso può assumere per chi lo utilizza. Loru et al. (2025) hanno proposto il termine «epistemia» per descrivere una condizione nella quale, nei processi valutativi affidati agli LLM, la plausibilità superficiale può sostituire la verifica e l’apparenza di un giudizio coerente può essere sostenuta da associazioni lessicali e regolarità statistiche apprese anziché dai criteri normativi che sembrerebbe esprimere. Il fenomeno non coincide quindi con la semplice falsità dell’output: anche una valutazione corretta può risultare epistemicamente fragile quando la forma persuasiva viene assunta come garanzia del processo che l’ha prodotta. In un successivo sviluppo, Bini e Quattrociocchi (2026) distinguono l’«epistemic pareidolia», intesa come tendenza a proiettare capacità epistemiche su entità che producono output formalmente allineati attraverso processi che gli autori qualificano come non epistemici, dall’epistemia che tale meccanismo può favorire, quando la plausibilità diventa criterio operativo per attribuire comprensione in luogo del ragionamento fondato su evidenze. La distinzione sposta così l’attenzione dall’errore in quanto tale al rapporto fra forma del segno, affidabilità attribuita e condizioni che giustificano il giudizio.

È a questo livello che il problema epistemico incontra nuovamente la noosemia. Entro il quadro qui proposto, nell’interazione con un sistema generativo, l’epistemia può così essere collocata come una configurazione determinata del campo noosemico, quella nella quale la manifestazione viene assunta specificamente come segno di competenza epistemica e la plausibilità acquista una forza evidenziale che può eccedere quanto il processo consenta di stabilire. Una medesima manifestazione può essere considerata, da un lato, l’esito di un processo che generalizza a partire da regolarità apprese e, dall’altro, la premessa di un’inferenza mediante cui l’interprete attribuisce alla sorgente comprensione, memoria, intenzione o altra attività noetica. La successione può allora essere estesa nella forma:

dati → modello → manifestazione → interprete → attività noetica attribuita.

I due passaggi inferenziali rimangono distinti. Una risposta corretta può rafforzare l’esperienza noosemica senza stabilire quale ontologia cognitiva debba essere attribuita alla macchina; un errore può indebolirla senza descrivere esaurientemente ciò che il sistema ha appreso o le capacità che conserva. Se il problema dell’epistḗmē riguarda le condizioni nelle quali è possibile oltrepassare ciò che è immediatamente dato mantenendo un rapporto con il vero, la noosemia introduce una distanza ulteriore. Dalle manifestazioni della macchina si tenta ora di risalire al genere di attività che potrebbe averle prodotte. Il problema della conoscenza torna così a incontrare il problema del segno.

Il segno e ciò che non appare

Il termine sêma (σῆμα, «segno, contrassegno») appartiene allo strato più antico della lingua letteraria greca e possiede già nell’epica un campo semantico ampio (Liddell et al., 1996). Durante i giochi funebri in onore di Patroclo, Nestore indica ad Antiloco un punto della pista che dovrà riconoscere e gli dice sêma dé toi eréō mál’ ariphradés, oudé se lḗsei (σῆμα δέ τοι ἐρέω μάλ’ ἀριφραδές, οὐδέ σε λήσει, «ti indicherò un segno chiaramente riconoscibile, e non ti sfuggirà»; Il. 23.326, Homer, 1999). La presenza materiale del segno non ne esaurisce la funzione, poiché quel particolare deve poter essere riconosciuto da qualcuno e acquistare significato entro una condotta.

Nell’Odissea questa relazione acquista una potenza ulteriore quando Penelope riconosce definitivamente Odisseo attraverso la conoscenza del letto matrimoniale costruito intorno al tronco di un ulivo. Ella parla di sḗmat’ ariphradéa (σήματ’ ἀριφραδέα, «segni inequivocabili»; Od. 23.225, Homer, 1995b), perché i particolari descritti da Odisseo acquistano forza probatoria entro una conoscenza condivisa che pochi altri potrebbero possedere. Il segno non stabilisce autonomamente la propria evidenza, poiché il suo valore dipende dalla relazione fra ciò che viene mostrato, la realtà alla quale rinvia e l’interprete che dispone delle condizioni per comprenderlo. Nagy (1983) ha discusso sistematicamente il rapporto fra sêma e nóēsis nella poesia greca arcaica.

Lo stesso termine può trasferirsi sul piano filosofico, in quanto nel frammento B8 di Parmenide, lungo la via dell’essere compaiono sḗmata pollà mál’ (σήματα πολλὰ μάλ’, «moltissimi segni»; Parmenide B8, in Laks & Most, 2016b), caratteristiche attraverso cui viene articolato ciò che può essere affermato dell’essere. Il passo impedisce di confinare sêma entro la materialità del contrassegno.

All’interno della stessa famiglia lessicale, il verbo sēmaínein (σημαίνειν, «indicare, dare segno, significare») rende dinamica la relazione. Nel frammento B93 di Eraclito, il signore dell’oracolo di Delfi oúte légei oúte krýptei allà sēmaínei (οὔτε λέγει οὔτε κρύπτει ἀλλὰ σημαίνει, «né dice né nasconde, ma dà segno»; Eraclito B93, in Laks & Most, 2016a). Fra l’enunciazione esplicita e l’occultamento si apre una forma nella quale qualcosa si manifesta senza essere consegnato immediatamente all’interprete.

Il termine sēmeîon (σημεῖον, «segno, indizio») appartiene alla stessa famiglia e condivide con sêma un’estesa regione semantica (Liddell et al., 1996). Una contrapposizione fra un sêma concreto e un sēmeîon astratto introdurrebbe nel lessico antico una rigidità che la storia degli usi non giustifica. Il tratto che interessa emerge piuttosto da uno spostamento di baricentro, poiché sēmeîon diventa particolarmente produttivo nei linguaggi epistemici della medicina, della storiografia, della retorica e della logica, dove un fenomeno osservabile può essere assunto come indizio di qualcosa che non si presenta direttamente all’esperienza (Allen, 2001; Manetti, 1993).

Il Prorrhetic II del Corpus Hippocraticum rende questa struttura particolarmente chiara quando l’autore afferma egṑ dè toiaûta mèn ou manteúsomai, sēmeîa dè gráphō hoîsi chrḕ tekmaíresthai (ἐγὼ δὲ τοιαῦτα μὲν οὐ μαντεύσομαι, σημεῖα δὲ γράφω οἷσι χρὴ τεκμαίρεσθαι, «io però non farò divinazioni di questo genere; scrivo invece i segni dai quali occorre inferire»; Prorrhetic II, in Hippocrates, 1995). L’opposizione fra divinazione e inferenza assegna al segno una funzione epistemica precisa.

Aristotele porterà ulteriormente questo rapporto entro una teoria dell’inferenza. Di fatto, nella Retorica e negli Analitici primi, la relazione fra sēmeîon e conclusione viene analizzata secondo differenti gradi di necessità, mentre il tekmḗrion (τεκμήριον, «prova conclusiva») designa il segno capace di sostenere una conclusione necessaria (Rhet. 1.2, 1357b; Aristotle, 1938, 2020; Allen, 2001). Per la noosemia, tale distinzione possiede un valore che supera la semplice analogia linguistica. Un comportamento può essere esperito come segno di attività mentale senza che da ciò discenda automaticamente la fondatezza dell’inferenza compiuta dall’interprete.

Vedere, riconoscere, comprendere

La famiglia di nóos (νόος, «intendimento, facoltà di comprendere»), noûs (νοῦς, «intelletto»), noeîn (νοεῖν, «cogliere, comprendere, pensare») e nóēsis (νόησις, «intellezione, attività noetica») attraversa una trasformazione semantica complessa. Nóos e noûs appartengono allo stesso lessema, essendo noûs la forma attica contratta; il mutamento filosoficamente significativo deve quindi essere cercato negli usi che la famiglia assume fra l’epica e la filosofia e nella progressiva specializzazione di nóēsis entro il lessico dell’attività intellettiva (Lesher, 1981; Liddell et al., 1996; Stella, 2021).

Nel proemio dell’Odissea, l’eroe errante è colui che pollôn d’ anthrṓpōn íden ástea kaì nóon égnō (πολλῶν δ’ ἀνθρώπων ἴδεν ἄστεα καὶ νόον ἔγνω, «vide le città di molti uomini e ne conobbe il nóos»; Od. 1.3, Homer, 1995a). Conservare nóos nella traduzione evita di ridurre a una sola parola italiana un campo che può comprendere intendimento, disposizione e orientamento cognitivo. Il parallelismo fra íden (ἴδεν, «vide») ed égnō (ἔγνω, «conobbe, comprese») colloca il conoscere gli altri entro un mondo di manifestazioni osservabili.

Anche noeîn conserva negli usi arcaici questa prossimità fra accorgersi, riconoscere e comprendere. La lessicografia documenta valori che si estendono dalla percezione e dall’osservazione al comprendere con la mente, mentre Liddell et al. (1996), Lesher (1981) e Stella (2021) hanno approfondito, da prospettive differenti, la relazione fra percezione, conoscenza e nóos nel greco arcaico.

Con Parmenide il noeîn entra esplicitamente nel problema dell’essere. Il celebre tò gàr autò noeîn estín te kaì eînai (τὸ γὰρ αὐτὸ νοεῖν ἐστίν τε καὶ εἶναι, per il quale una delle possibili rese letterali è «infatti, lo stesso è pensare ed essere») appartiene a un passo la cui struttura sintattica e interpretazione filosofica sono oggetto di un dibattito secolare; ciò che possiamo affermare con prudenza è che il frammento mette esplicitamente in relazione noeîn ed eînai (Parmenide B3, in Laks & Most, 2016b).

Con Anassagora, il noûs assume una configurazione ulteriore. La proposizione pánta diekósmēse noûs (πάντα διεκόσμησε νοῦς, «l’intelletto ordinò tutte le cose») attribuisce al noûs una funzione cosmologica e ordinatrice (Anassagora B12, in Laks & Most, 2016c).

Platone e Aristotele contribuiscono successivamente a stabilizzare un vocabolario nel quale nóēsis assume un significato sempre più tecnico. Nella linea divisa della Repubblica, Platone colloca la nóēsis al livello cognitivo più elevato, distinguendola dalla diánoia, dalla pístis e dall’eikasía (Resp. 511d–e; Plato, 2013b). Nel terzo libro del De anima, Aristotele analizza la facoltà mediante cui l’anima conosce e comprende (De an. III.4; Aristotle, 1957), mentre nella Metafisica l’espressione nóēsis noḗseōs (νόησις νοήσεως, «intellezione dell’intellezione») appartiene alla descrizione del pensiero divino (Metaph. XII.9, 1074b34; Aristotle, 1935).

Un episodio dell’Iliade introduce in questa genealogia una risonanza particolarmente suggestiva. Nel diciottesimo canto Efesto viene assistito da figure auree artificialmente fabbricate e simili a giovani donne viventi. Omero scrive chrýseiai zōêisi neḗnisin eoikuîai; têis en mèn nóos estì metà phresín, en dè kaì audḕ kaì sthénos, athanátōn dè theôn ápo érga ísasin (χρύσειαι ζωῇσι νεήνισιν εἰοικυῖαι· τῇς ἐν μὲν νόος ἐστὶ μετὰ φρεσίν, ἐν δὲ καὶ αὐδὴ καὶ σθένος, ἀθανάτων δὲ θεῶν ἄπο ἔργα ἴσασιν, «auree, simili a giovani donne viventi; in esse vi è nóos nel loro intimo, e vi sono anche voce e forza; e dagli dèi immortali hanno appreso le arti»; Il. 18.417–421, Homer, 1999). Assimilare queste figure ai robot contemporanei trasformerebbe il mito in una profezia tecnologica che il testo non contiene; rimane tuttavia filologicamente notevole che l’epica attribuisca nóos a entità fabbricate che parlano, agiscono e manifestano competenze.

Noosemia: dare un nome al fenomeno

«Noosemia» è un neologismo moderno di formazione dotta, costruito mediante formanti di ascendenza greca e non ereditato come tale dal lessico greco antico (De Santis & Rizzi, 2025; Liddell et al., 1996). Sul piano morfologico può essere analizzata attraverso il formante noo-, appartenente alla famiglia moderna di termini costruiti su nóos/noûs, e il formante «-semia», presente in vocaboli come «polisemia» e «monosemia». La documentazione lessicografica italiana collega «polisemia» al tema di sēmaínein (σημαίνειν, «significare»), mentre «noologia» documenta autonomamente il formante moderno derivato da nóos (Istituto della Enciclopedia Italiana, n.d.-a, n.d.-b, n.d.-c). Per l’uso italiano qui adottato, la pronuncia può essere resa graficamente come «Noosemìa», sul modello prosodico di «polisemìa» e «monosemìa», mentre la forma internazionale rimane «Noosemia». La genealogia concettuale della noosemia è però più ampia della semplice segmentazione morfologica, perché mette deliberatamente in relazione la famiglia del segno con quella dell’attività noetica.

Il termine è stato formalmente introdotto da De Santis e Rizzi nel 2025 nel contesto dell’interazione fra esseri umani e sistemi di IA generativa (De Santis & Rizzi, 2025). La definizione qui sviluppata ne precisa il centro teorico facendo della relazione semiotica la struttura fondamentale del fenomeno. La noosemia è il fenomeno relazionale e semiotico mediante il quale una manifestazione osservabile acquista, nell’esperienza e nell’interpretazione di un soggetto entro un determinato contesto, il valore di segno evidenziale di un’attività noetica attribuita alla sorgente della manifestazione. Nella forma più compatta sotto il profilo teorico, Noosemia = l’esperienza del segno come segno di mente.

La sequenza:

manifestazione → segno noosemico → attività noetica attribuita

rende visibile il passaggio elementare, mentre la linearità dello schema non deve nascondere la rete di condizioni entro cui esso si realizza. Una stessa manifestazione può assumere un valore noosemico diverso per interpreti differenti, il contesto può orientarne la lettura e la storia precedente dell’interazione modifica continuamente il significato attribuito a ciò che viene osservato. La noosemia possiede perciò carattere relazionale, intensità e temporalità. Queste proprietà appartengono al framework teorico qui proposto e dovranno essere sottoposte, qualora si voglia trasformarle in costrutti misurabili, a una successiva operazionalizzazione empirica.

Il linguaggio costituisce oggi uno dei veicoli più potenti attraverso cui questa esperienza prende forma, ma non ne delimita il dominio. La revisione di un piano può essere esperita come segno di agency, il recupero pertinente di un’informazione precedente come indizio di continuità cognitiva, un’autocorrezione come manifestazione di controllo metacognitivo e l’adattamento alla prospettiva dell’interlocutore come segno della capacità di rappresentarne conoscenze e intenzioni. La noosemia può quindi riguardare agenti software, robot, sistemi multi-agente (Wooldridge, 2009) e altre forme di artefatto capaci di produrre comportamenti interpretabili in termini cognitivi.

Proprio questa possibilità la distingue dall’antropomorfismo. Attribuire attività noetica a qualcosa non richiede che gli venga attribuita una psicologia umana. Un interprete può giudicare che un sistema comprenda una struttura o persegua un obiettivo e, nello stesso tempo, ritenere che la forma eventualmente assunta dalla sua cognizione sia radicalmente diversa da quella biologica. L’antropomorfismo può facilitare, orientare o amplificare l’esperienza noosemica, mentre non ne costituisce una condizione necessaria (Epley et al., 2007).

Più impegnativo è il confronto con la mind perception, perché questa letteratura studia già quali facoltà mentali vengano attribuite a differenti target, quali condizioni modulino tali attribuzioni e quali conseguenze esse producano (Gray et al., 2007; Waytz et al., 2010). La specificità della noosemia non può dunque essere collocata genericamente nella domanda su come nasca l’attribuzione mentale. Essa riguarda piuttosto il livello nel quale una manifestazione viene assunta come segno evidenziale di un’attività noetica. La mind perception analizza l’attribuzione mentale; la noosemia tematizza lo statuto semiotico-evidenziale, in un contesto multidisciplinare, della manifestazione attraverso cui quell’attribuzione trova un supporto.

Anche l’intentional stance appartiene a un piano vicino e tuttavia distinto. Dennett (1987) descrive una strategia attraverso cui un sistema viene trattato come agente razionale, attribuendogli credenze, desideri e intenzioni quando una simile descrizione permette di prevederne efficacemente il comportamento. L’esperienza noosemica può rendere spontaneamente plausibile l’adozione di quella strategia, mentre una precedente disposizione a interpretare intenzionalmente il sistema può, a sua volta, modificare il significato attribuito alle manifestazioni successive.

Il paradigma CASA mostra da un’altra prospettiva quanto una risposta sociale e un’attribuzione mentale possano dissociarsi. Gli esperimenti classici sui Computers Are Social Actors mostrarono che gli utenti possono applicare ai computer regole e aspettative normalmente utilizzate nelle relazioni sociali, mentre Nass e Moon interpretarono successivamente parte di queste risposte attraverso processi relativamente automatici e mindless (Nass et al., 1994; Nass & Moon, 2000). Il concetto di social presence, introdotto originariamente nello studio delle telecomunicazioni, riguarda invece il grado in cui l’altro acquista salienza come presenza sociale entro un mezzo di comunicazione (Short et al., 1976). Risposta sociale, social presence e noosemia possono sovrapporsi empiricamente senza identificarsi.

La coscienza percepita occupa una regione ancora diversa. Un soggetto può ritenere che un sistema abbia compreso un problema senza pensare che provi qualcosa, oppure attribuirgli memoria e pianificazione mantenendo interamente sospeso il giudizio sulla sua esperienza fenomenica. Per questa ragione la noosemia non coincide con il dibattito contemporaneo sulla machine consciousness, nel quale la questione riguarda se e secondo quali criteri un sistema artificiale possa possedere esperienza cosciente (Butlin et al., 2023; Chalmers, 2023). Il problema noosemico si colloca logicamente prima, nel momento in cui determinate manifestazioni vengono assunte come segni di attività cognitiva.

Da questa separazione deriva la neutralità ontologica che il concetto di noosemia deve conservare. Un’esperienza noosemica non dimostra che una mente sia presente e non dimostra che l’interprete stia subendo un’illusione. Essa descrive la relazione attraverso cui una manifestazione viene assunta come segno di attività noetica, mentre una seconda domanda riguarda la corrispondenza fra l’attività attribuita e le proprietà effettive della sorgente. L’antica distinzione fra sēmeîon e tekmḗrion ricorda che possedere un segno non equivale ad avere raggiunto una prova necessaria (Allen, 2001).

L’ELIZA effect può essere collocato entro questa distinzione come una configurazione nella quale l’elevato valore noosemico del comportamento si accompagna a un’attribuzione che eccede le capacità effettive della sorgente (Natale, 2021; Weizenbaum, 1976). Si tratta di una reinterpretazione di quel fenomeno entro il framework qui proposto. La noosemia possiede un’estensione più ampia, perché comprende anche situazioni nelle quali l’attribuzione risulti proporzionata alle capacità funzionali del sistema o nelle quali la questione rimanga teoricamente aperta.

Anche la metafora della pareidolia deve essere utilizzata con prudenza. La pareidolia facciale, studiata sperimentalmente attraverso la percezione di configurazioni facciali in stimoli ambigui, riguarda la percezione di pattern significativi là dove lo stimolo non contiene effettivamente l’oggetto riconosciuto (Liu et al., 2014). Nel caso dell’intelligenza artificiale, invece, molte proprietà che suscitano attribuzioni mentali sono realmente presenti sul piano comportamentale; il problema riguarda ciò che tali proprietà autorizzino a inferire circa la sorgente che le produce. Identificare la noosemia con una «pareidolia della mente» introdurrebbe quindi nella definizione proprio quella presunzione di errore che il concetto deve lasciare aperta. L’epistemic pareidolia proposta da Bini e Quattrociocchi (2026) occupa, in questo senso, una regione determinata. Precisamente, essa descrive i casi nei quali l’attribuzione riguarda specificamente capacità epistemiche ed è già interpretata come eccedente rispetto a ciò che i processi sottostanti consentono di stabilire, senza che tale caratterizzazione debba essere estesa all’esperienza noosemica in quanto tale.

Il segno e l’altra mente

La questione raggiunge così un livello che oltrepassa l’intelligenza artificiale e conduce al problema più generale delle altre menti. La filosofia ha tradizionalmente discusso sotto questa denominazione il problema di come conosciamo ciò che altri pensano o sentono e, in una formulazione ancora più radicale, di come possiamo giustificare l’attribuzione stessa di una mente agli altri (Avramides, 2001). Nell’esperienza ordinaria non osserviamo direttamente la comprensione, il dolore, il desiderio o l’intenzione altrui. Vediamo corpi e gesti, ascoltiamo parole, osserviamo esitazioni e correzioni, riconosciamo continuità e variazioni del comportamento e, attraverso queste manifestazioni, costruiamo una rappresentazione dell’altro come soggetto capace di conoscere, ricordare, volere e soffrire.

L’intelligenza artificiale non introduce per la prima volta questa struttura e tuttavia ne modifica profondamente le condizioni epistemiche. Alcune classi di manifestazioni che per lungo tempo abbiamo incontrato quasi esclusivamente come prodotti di organismi biologici possono ora essere prodotte da artefatti «artificiali». Il linguaggio coerente non garantisce più un parlante umano, una risposta sensibile al contesto non implica una biografia, una dichiarazione metacognitiva non assicura l’esistenza di un’esperienza interiore corrispondente e una sequenza orientata verso uno scopo non permette, da sola, di concludere che dietro di essa esista qualcosa di analogo al desiderio umano. È entro questa regione che la noosemia trova il proprio oggetto più generale. Comprendere come una manifestazione acquisti valore di evidenza mentale significa interrogare gli elementi che ne rafforzano o indeboliscono la capacità noosemica, il ruolo esercitato dal contesto e dalla storia dell’interazione, la relazione fra la forza fenomenologica del segno e la validità epistemica della conclusione. La noosemia non decide se la macchina possieda una mente, bensì rende visibile il passaggio attraverso cui la domanda sulla mente della macchina diventa possibile.

Anche Turing può essere riletto, dopo questo percorso, sotto una luce differente. L’imitation game non risolveva il problema metafisico della mente artificiale e costruiva tuttavia una situazione nella quale il giudizio sulla sorgente doveva essere formulato attraverso le sue manifestazioni (Turing, 1950). Oltre settant’anni dopo, quella configurazione non appartiene più soltanto a un esperimento concettuale: sistemi capaci di combinare produzione linguistica, acquisizione di informazioni e azione costituiscono ormai una possibilità tecnologica concreta (Yao et al., 2023).

La genealogia del termine permette allora di ritornare al punto iniziale con un significato più preciso. Il sēmeîon (σημεῖον, «segno, indizio») appartiene a una storia nella quale ciò che appare può diventare il punto di partenza di un’inferenza verso ciò che non appare; la nóēsis (νόησις, «intellezione, attività noetica») appartiene a una storia nella quale il riconoscere, il comprendere e il pensare vengono progressivamente condotti dentro una teoria dell’attività intellettiva. L’artefatto contemporaneo produce manifestazioni e l’interprete può assumere quelle manifestazioni come segni di qualcosa appartenente alla sfera noetica. Due genealogie antiche tornano così a incontrarsi nel punto in cui una lunga storia della formalizzazione sembra ripiegarsi sul proprio percorso, seguendo la sequenza:

mente → formalizzazione → computazione → segno artificiale → mente percepita.

Per millenni abbiamo riconosciuto le altre menti attraverso le loro manifestazioni. L’intelligenza artificiale rende oggi possibile una situazione nella quale alcune delle manifestazioni più potenti della vita cognitiva possono provenire da sorgenti la cui relazione con ciò che chiamiamo «mente» rimane controversa. La noosemia dà un nome al momento in cui il segno acquista il valore di segno di mente mentre rimane ancora indeterminato ciò che, dietro quel segno, possa legittimamente essere chiamato mente. È proprio qui che la formula iniziale, dopo l’intero percorso genealogico, cessa di funzionare come una semplice definizione e torna a farsi problema. Quando un segno appare come segno di mente, che cosa abbiamo realmente conosciuto della sua sorgente?

Riferimenti bibliografici

Allen, J. (2001). Inference from signs: Ancient debates about the nature of evidence. Oxford University Press.

Aristotle. (1935). Metaphysics, Volume II: Books 10–14. Oeconomica. Magna Moralia (H. Tredennick & G. C. Armstrong, Trans.). Harvard University Press.

Aristotle. (1938). Categories. On interpretation. Prior analytics (H. P. Cooke & H. Tredennick, Trans.). Harvard University Press.

Aristotle. (1957). On the soul. Parva naturalia. On breath (W. S. Hett, Trans.). Harvard University Press.

Aristotle. (1960). Posterior analytics. Topica (H. Tredennick & E. S. Forster, Trans.). Harvard University Press.

Aristotle. (2020). Art of rhetoric (J. H. Freese, Trans.; G. Striker, Rev.). Harvard University Press.

Avramides, A. (2001). Other minds. Routledge.

Bini, G., & Quattrociocchi, W. (2026). Epistemia in the classroom: The problem of evidence of understanding in education in the age of generative AI. AI & Society. https://doi.org/10.1007/s00146-026-03227-y

Bronstein, D. (2016). Aristotle on knowledge and learning: The Posterior Analytics. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780198724902.001.0001

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.

Butlin, P., Long, R., Elmoznino, E., Bengio, Y., Birch, J., Constant, A., Deane, G., Fleming, S. M., Frith, C., Ji, X., Kanai, R., Klein, C., Lindsay, G., Michel, M., Mudrik, L., Peters, M. A. K., Schwitzgebel, E., Simon, J., & VanRullen, R. (2023). Consciousness in artificial intelligence: Insights from the science of consciousness. arXiv:2308.08708. https://doi.org/10.48550/arXiv.2308.08708

Caiano, P. (2025). Pensiero isolante, nichilismo e destino: Prospettive storico-teoriche sull’essenza della matematica nel pensiero di Emanuele Severino. Nóema, (16), 193–219. https://doi.org/10.54103/2239-5474/28939

Chalmers, D. J. (2023). Could a large language model be conscious? arXiv. https://doi.org/10.48550/arXiv.2303.07103

Colombatto, C., Birch, J., & Fleming, S. M. (2025). The influence of mental state attributions on trust in large language models. Communications Psychology, 3, 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, intelligenza artificiale. Un connubio perfetto. Aracne – Genzano, Roma.

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.

Descartes, R. (1954). The geometry of René Descartes (D. E. Smith & M. L. Latham, Trans.). Dover. (Original work published 1637)

Descartes, R. (1985). Principles of philosophy. In J. Cottingham, R. Stoothoff, & D. Murdoch (Trans.), The philosophical writings of Descartes (Vol. 1, pp. 177–292). Cambridge University Press. (Original work published 1644). https://doi.org/10.1017/CBO9780511805042.007

Dreyfus, H. L. (1992). What computers still can’t do: A critique of artificial reason. MIT Press.

Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. https://doi.org/10.1037/0033-295X.114.4.864

Fine, G. (1990). Knowledge and belief in Republic V–VII. In S. Everson (Ed.), Epistemology: Companions to Ancient Thought (Vol. 1, pp. 85–115). Cambridge University Press.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

Gray, H. M., Gray, K., & Wegner, D. M. (2007). Dimensions of mind perception. Science, 315(5812), 619. https://doi.org/10.1126/science.1134475

Harman, G., & Kulkarni, S. (2007). Reliable reasoning: Induction and statistical learning theory. MIT Press.

Heidegger, M. (1972). The end of philosophy and the task of thinking. In On time and being (J. Stambaugh, Trans., pp. 55–73). Harper & Row. (Original work published 1964)

Heidegger, M. (1977). The question concerning technology. In The question concerning technology and other essays (W. Lovitt, Trans., pp. 3–35). Harper & Row. (Original work published 1954)

Hippocrates. (1995). Places in man. Glands. Fleshes. Prorrhetic 1–2. Physician. Use of liquids. Ulcers. Haemorrhoids and fistulas (P. Potter, Ed. & Trans.). Harvard University Press.

Homer. (1995a). Odyssey, Volume I: Books 1–12 (A. T. Murray, Trans.; G. E. Dimock, Rev.). Harvard University Press.

Homer. (1995b). Odyssey, Volume II: Books 13–24 (A. T. Murray, Trans.; G. E. Dimock, Rev.). Harvard University Press.

Homer. (1999). Iliad, Volume II: Books 13–24 (A. T. Murray, Trans.; W. F. Wyatt, Rev.). Harvard University Press.

Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2025). A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions. ACM Transactions on Information Systems, 43(2), Article 42, 1–55. https://doi.org/10.1145/3703155

Hui, Y. (2016). The question concerning technology in China: An essay in cosmotechnics. Urbanomic.

Hume, D. (2007). An enquiry concerning human understanding (P. Millican, Ed.). Oxford University Press. (Original work published 1748)

Husserl, E. (1970). The crisis of European sciences and transcendental phenomenology (D. Carr, Trans.). Northwestern University Press.

Istituto della Enciclopedia Italiana. (n.d.-a). Monosemìa. In Vocabolario Treccani. https://www.treccani.it/vocabolario/monosemia/

Istituto della Enciclopedia Italiana. (n.d.-b). Noologia. In Vocabolario Treccani. https://www.treccani.it/vocabolario/noologia/

Istituto della Enciclopedia Italiana. (n.d.-c). Polisemìa. In Vocabolario Treccani. https://www.treccani.it/vocabolario/polisemia/

Jaspers, K. (1953). The origin and goal of history (M. Bullock, Trans.). Routledge & Kegan Paul. (Original work published 1949)

Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Article 248, 1–38. https://doi.org/10.1145/3571730

Jones, C. R., & Bergen, B. K. (2026). Large language models pass a standard three-party Turing test. Proceedings of the National Academy of Sciences, 123(21), e2524472123. https://doi.org/10.1073/pnas.2524472123

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, 23. https://doi.org/10.1038/s44271-025-00391-7

Koyré, A. (1957). From the closed world to the infinite universe. Johns Hopkins University Press.

Laks, A., & Most, G. W. (Eds. & Trans.). (2016a). Early Greek philosophy, Volume III: Early Ionian thinkers, Part 2. Harvard University Press.

Laks, A., & Most, G. W. (Eds. & Trans.). (2016b). Early Greek philosophy, Volume V: Western Greek thinkers, Part 2. Harvard University Press.

Laks, A., & Most, G. W. (Eds. & Trans.). (2016c). Early Greek philosophy, Volume VI: Later Ionian and Athenian thinkers, Part 1. Harvard University Press.

Leibniz, G. W. (1966). Logical papers: A selection (G. H. R. Parkinson, Ed. & Trans.). Clarendon Press.

Lesher, J. H. (1981). Perceiving and knowing in the Iliad and Odyssey. Phronesis, 26(1), 2–24. https://doi.org/10.1163/156852881X00105

Liddell, H. G., Scott, R., Jones, H. S., & McKenzie, R. (1996). A Greek-English lexicon (9th ed., with revised supplement). Clarendon Press.

Lin, S., Hilton, J., & Evans, O. (2022). TruthfulQA: Measuring how models mimic human falsehoods. In S. Muresan, P. Nakov, & A. Villavicencio (Eds.), Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 3214–3252). Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.acl-long.229

Liu, J., Li, J., Feng, L., Li, L., Tian, J., & Lee, K. (2014). Seeing Jesus in toast: Neural and behavioral correlates of face pareidolia. Cortex, 53, 60–77. https://doi.org/10.1016/j.cortex.2014.01.013

Lloyd, G. E. R., & Sivin, N. (2002). The way and the word: Science and medicine in early China and Greece. Yale University Press.

Loru, E., Nudo, J., Di Marco, N., Santirocchi, A., Atzeni, R., Cinelli, M., Cestari, V., Rossi-Arnaud, C., & Quattrociocchi, W. (2025). The simulation of judgment in LLMs. Proceedings of the National Academy of Sciences of the United States of America, 122(42), e2518443122. https://doi.org/10.1073/pnas.2518443122

Manetti, G. (1993). Theories of the sign in classical antiquity (C. Richardson, Trans.). Indiana University Press.

Matilal, B. K. (1998). The character of logic in India. State University of New York Press.

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. Dartmouth College.

McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 115–133. https://doi.org/10.1007/BF02478259

Nagy, G. (1983). Sēma and Noēsis: Some illustrations. Arethusa, 16, 35–55.

Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, 56(1), 81–103. https://doi.org/10.1111/0022-4537.00153

Nass, C., Steuer, J., & Tauber, E. R. (1994). Computers are social actors. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (pp. 72–78). ACM. https://doi.org/10.1145/191666.191703

Natale, S. (2021). The ELIZA effect: Joseph Weizenbaum and the emergence of chatbots. In Deceitful media: Artificial intelligence and social life after the Turing Test (pp. 50–67). Oxford University Press. https://doi.org/10.1093/oso/9780190080365.003.0004

Needham, J. (1954). Science and civilisation in China. Volume 1: Introductory orientations. Cambridge University Press.

Needham, J. (1969). The grand titration: Science and society in East and West. George Allen & Unwin.

Neugebauer, O. (1969). The exact sciences in antiquity (2nd ed.). Dover.

Plato. (2013a). Republic, Volume I: Books 1–5 (C. Emlyn-Jones & W. Preddy, Eds. & Trans.). Harvard University Press.

Plato. (2013b). Republic, Volume II: Books 6–10 (C. Emlyn-Jones & W. Preddy, Eds. & Trans.). Harvard University Press.

Robson, E. (2008). Mathematics in ancient Iraq: A social history. Princeton University Press.

Severino, E. (2004). La filosofia dai Greci al nostro tempo. La filosofia contemporanea. BUR.

Severino, E. (2009). Discussioni intorno al senso della verità. Edizioni ETS.

Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27, 379–423, 623–656. https://doi.org/10.1002/j.1538-7305.1948.tb01338.x; https://doi.org/10.1002/j.1538-7305.1948.tb00917.x

Short, J., Williams, E., & Christie, B. (1976). The social psychology of telecommunications. Wiley.

Stella, F. (2021). Noos e noein da Omero a Platone. Presses universitaires de Franche-Comté.

Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 42, 230–265. https://doi.org/10.1112/plms/s2-42.1.230

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433

Vapnik, V. N. (1995). The nature of statistical learning theory. Springer. https://doi.org/10.1007/978-1-4757-2440-0

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.

Waytz, A., Gray, K., Epley, N., & Wegner, D. M. (2010). Causes and consequences of mind perception. Trends in Cognitive Sciences, 14(8), 383–388. https://doi.org/10.1016/j.tics.2010.05.006

Weizenbaum, J. (1966). ELIZA: A computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36–45. https://doi.org/10.1145/365153.365168

Weizenbaum, J. (1976). Computer power and human reason: From judgment to calculation. W. H. Freeman.

Wiener, N. (1948). Cybernetics, or control and communication in the animal and the machine. The Technology Press; John Wiley & Sons.

Wooldridge, M. (2009). An introduction to multiagent systems (2nd ed.). Wiley.

Xie, S. M., Raghunathan, A., Liang, P., & Ma, T. (2022). An explanation of in-context learning as implicit Bayesian inference. The Tenth International Conference on Learning Representations. https://openreview.net/forum?id=RdJVFCHjUMI

Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. The Eleventh International Conference on Learning Representations.

Zhang, C., Bengio, S., Hardt, M., Recht, B., & Vinyals, O. (2017). Understanding deep learning requires rethinking generalization. International Conference on Learning Representations. https://openreview.net/forum?id=Sy8gdB9xx