Quando la macchina sembra capire: semantica, allineamento e attribuzione mentale nella noosemia
La noosemia nasce
dall’esigenza di descrivere un fenomeno divenuto ormai familiare
nell’interazione con i sistemi di IA generativa avanzati. Di fronte a una
macchina capace di sostenere una conversazione, seguire un ragionamento,
riconoscere implicazioni, produrre connessioni inattese e, in determinate
condizioni, sviluppare inferenze deduttivamente coerenti a partire dalle
premesse fornite (Mondorf & Plank, 2024), l’utente tende a interpretare i
segni che riceve come indizi di una qualche attività mentale. La risposta
sembra scaturire da una comprensione del contesto, il suggerimento appare
motivato, una connessione particolarmente pertinente può assumere la forma di
un’intuizione. Nel linguaggio ordinario questa trasformazione avviene quasi
senza che ce ne accorgiamo. Diciamo che il sistema «ha capito», «si è accorto»,
«ha colto il punto» oppure «ha pensato che fosse utile» procedere in una certa
direzione.
Il concetto di noosemia — dal greco noûs (νοῦς), «mente» o «intelletto», e sēmeîon (σημεῖον), «segno», per indicare la percezione di una mente attraverso i segni — è stato introdotto per circoscrivere questa regione dell’esperienza, nella quale intenzionalità, agentività e interiorità vengono progressivamente attribuite a un sistema generativo attraverso la produzione e l’interpretazione dei segni. Rimane distinta la questione ontologica relativa all’eventuale presenza di una mente artificiale genuina (De Santis & Rizzi, 2025; De Santis, De Santis, & Rizzi, 2025).
In merito alla
noosemia il ricorso alla nozione di «proiezione», senza ulteriori
specificazioni, rischia tuttavia di lasciare inesplorata proprio la parte più
interessante del fenomeno. Il termine «proiezione» può suggerire l’immagine di
un soggetto umano che sovrappone liberamente stati mentali a un oggetto
computazionale, come se l’attribuzione dipendesse anzitutto dalla disposizione
psicologica dell’osservatore. Una descrizione del genere coglie una componente
reale, documentata dalla lunga storia degli studi sull’antropomorfismo, ma
risulta insufficiente quando l’oggetto dell’interazione è un sistema estremamente
complesso capace di produrre strutture linguistiche altamente sensibili al
contesto, adattarsi alle correzioni dell’interlocutore e generare relazioni
concettuali che l’utente riconosce come pertinenti anche quando non le aveva
precedentemente formulate.
Occorre allora
scendere sotto l’involucro fenomenologico della conversazione. Fluidità,
coerenza dialogica, uso della prima persona e altri indizi antropomorfici
esercitano effetti misurabili sulla percezione del sistema. Evidenze
sperimentali mostrano, per esempio, che la voce e determinate forme
linguistiche possono accrescere il grado con cui un modello viene
antropomorfizzato e incidere sulla fiducia accordata alle sue risposte (Cohn et
al., 2024). Questi elementi appartengono alla superficie dell’interazione. Una
componente più profonda della noosemia sembra manifestarsi quando l’utente
percepisce che la macchina opera entro un dominio di significati
sufficientemente affine al proprio da rendere plausibile l’impressione di una
comprensione. A richiedere una spiegazione più accurata è precisamente il
passaggio dalla pertinenza del segno alla percezione che qualcuno abbia
compreso.
Il segno e il problema di chi comprende
La questione
possiede una genealogia molto più antica dei sistemi generativi contemporanei.
Nella semiotica di Charles Sanders Peirce il segno appartiene a una relazione
nella quale qualcosa sta per qualcos’altro sotto un determinato rispetto e
produce un interpretante, vale a dire un ulteriore effetto segnico attraverso
cui quella relazione viene sviluppata e può entrare in una nuova
interpretazione (Peirce, 1998; Short, 2007).
L’interpretante
peirceiano va inteso come l’effetto attraverso cui il segno acquista ulteriore
determinazione entro un processo di semiosi potenzialmente aperto o semiosi
illimitata (Eco, 1992). Questa prospettiva offre uno sfondo particolarmente fertile per
comprendere l’interazione con i modelli generativi, poiché consente di
considerare la circolazione e la trasformazione del significato lasciando
temporaneamente sospesa la questione relativa alla presenza di un soggetto
cosciente che ne costituisca l’origine. Questione altamente problematica (ben
nota in filosofia) a causa della mancanza di definizioni rigorose e condivise e
di un conseguente apparato empirico scientificamente riconosciuto.
In una
conversazione con un modello linguistico, il segno prodotto dall’utente viene
elaborato attraverso l’organizzazione rappresentazionale del sistema e dà luogo
a un nuovo segno. Quest’ultimo suscita nell’utente ulteriori interpretanti, che
possono essere formulati linguisticamente e restituiti alla macchina nel turno
successivo. L’interazione assume così la forma di una ricorsione semiotica,
nella quale gli effetti interpretativi che maturano in uno dei poli della
relazione diventano condizioni per le produzioni segniche successive.
Una dinamica di
questo genere può svilupparsi senza che occorra stabilire preliminarmente se i
due poli possiedano il medesimo statuto mentale. Proprio questa sospensione
rende la semiosi particolarmente utile per comprendere la noosemia. Nel corso
della ricorsione, tuttavia, l’utente può cominciare a percepire la macchina
come il luogo dal quale sembrano provenire interpretazioni, mentre inizialmente
poteva apparirgli come il luogo attraverso cui i segni venivano trasformati. La
distanza fra le due letture è sottile. Nel primo caso si osserva una
trasformazione semanticamente efficace; nel secondo viene implicitamente
postulato qualcosa che interpreta. La noosemia prende forma nello spazio che
separa questi due livelli.
Due spazi semantici eterogenei
Per avvicinarsi
al problema può essere utile ricorrere, con la necessaria prudenza, alla
metafora di due reti semantiche.
L’essere umano
dispone di una struttura concettuale costruita attraverso una storia
irripetibile di esperienze. Il linguaggio e la percezione si intrecciano con la
corporeità e la memoria autobiografica, mentre l’apprendimento sociale e la
conoscenza acquisita nel corso della vita contribuiscono a stabilire una trama
continuamente modificabile di relazioni fra concetti. Alcune associazioni sono
profondamente consolidate, altre rimangono deboli o latenti. Determinati
concetti risultano immediatamente vicini, mentre altri possono appartenere alla
medesima esperienza individuale senza essere mai stati posti in relazione
esplicita. Il rilievo assunto dalla percezione, dall’azione situata e dagli
stati corporei nell’organizzazione della cognizione è ampiamente discusso
nell’ambito della grounded cognition (Barsalou, 2008).
La tradizione
delle scienze cognitive ha modellizzato da tempo alcuni aspetti di questa
organizzazione relazionale. La teoria dell’attivazione diffusiva di Collins e
Loftus descriveva la memoria semantica attraverso strutture nelle quali
l’attivazione di un concetto poteva propagarsi verso concetti semanticamente
connessi (Collins & Loftus, 1975). Modelli successivi, come la Latent
Semantic Analysis, mostrarono come organizzazioni semanticamente ricche
potessero emergere statisticamente dalle regolarità presenti in grandi
collezioni testuali, aprendo una linea di ricerca che avrebbe contribuito allo
sviluppo della moderna semantica distribuzionale (Landauer & Dumais, 1997;
Boleda, 2020) e alle tecniche di rappresentazione degli elementi linguistico in
spazi matematici strutturati (embedding) utili nel machine learning.
Un modello
linguistico contemporaneo (un Large Laguage Mo fondazionale) sviluppa a sua
volta strutture rappresentazionali estremamente articolate. Durante
l’addestramento, quantità immense di regolarità linguistiche vengono
incorporate nei parametri della rete neurale; nei sistemi multimodali tali
regolarità possono derivare anche da immagini, suoni e altre modalità. Si
formano così configurazioni rappresentazionali capaci di mettere in relazione
parole, oggetti, proprietà, eventi e strutture astratte (schemi), rendendo
disponibili dipendenze che possono essere utilizzate durante la generazione.
L’identificazione
di questa organizzazione con la semantica umana sarebbe impropria. Le due
strutture hanno origini differenti e appartengono a sistemi profondamente
eterogenei. Il significato umano si sviluppa entro un’esistenza corporea,
percettiva e sociale; le rappresentazioni di un modello emergono da processi di
ottimizzazione attraverso i quali il sistema apprende regolarità e correlazioni
a lungo termine presenti nei dati. Proprio questa differenza mantiene aperto il
problema del grounding.
Harnad formulò il
symbol grounding problem chiedendosi come l’interpretazione semantica di
un sistema simbolico potesse diventare intrinseca al sistema stesso, invece di
dipendere dai significati già presenti nella mente di un interprete (Harnad,
1990). Molti anni dopo, Bender e Koller ripresero una distinzione affine
sostenendo che l’apprendimento della sola forma linguistica non fornisse, di
per sé, l’accesso alla relazione fra espressione, intenzione comunicativa e
mondo che caratterizza la loro concezione del significato (Bender & Koller,
2020).
I modelli linguistici
contemporanei rendono comunque difficile trattare il problema attraverso una
contrapposizione troppo netta. Le loro organizzazioni rappresentazionali
manifestano relazioni concettuali estremamente ricche, e diversi studi hanno
individuato corrispondenze misurabili fra alcune strutture artificiali e quelle
osservate negli esseri umani. Goldstein e colleghi hanno rilevato
corrispondenze geometriche fra embedding contestuali di modelli
linguistici e rappresentazioni neurali associate all’elaborazione del
linguaggio. Mischler e colleghi hanno osservato convergenze nelle gerarchie di
estrazione delle caratteristiche fra modelli linguistici e sistemi neurali
umani. In un dominio differente, Kawakita e collaboratori hanno utilizzato il
trasporto ottimo di Gromov–Wasserstein per confrontare strutture di similarità
cromatica umane e artificiali, individuando corrispondenze strutturali senza
presupporre che i due spazi condividessero le medesime coordinate
rappresentazionali (Goldstein et al., 2024; Kawakita et al., 2024; Mischler et
al., 2024).
La nozione di somiglianza
strutturale tuttavia richiede particolare cautela. Una corrispondenza fra
geometrie rappresentazionali indica che determinati rapporti interni possono
organizzarsi secondo configurazioni confrontabili, senza implicare che gli
elementi posti in relazione abbiano il medesimo statuto semantico, la stessa
origine causale o la stessa forma di accesso al mondo. Due sistemi possono
mostrare organizzazioni relazionali parzialmente corrispondenti e restare
radicalmente differenti quanto al modo in cui quelle relazioni vengono
costituite e utilizzate.
Conviene pertanto
distinguere la somiglianza strutturale dall’interoperabilità semantica.
La prima riguarda la possibilità di individuare corrispondenze fra
organizzazioni relazionali; la seconda emerge quando tali corrispondenze
diventano operativamente produttive all’interno di un’interazione. Due spazi
rappresentazionali possono essere considerati localmente interoperabili quando
una relazione espressa in uno di essi viene trasformata in un segno che, una
volta elaborato dall’altro sistema, conserva abbastanza struttura da produrre
una risposta pertinente, una nuova inferenza o una modifica coerente del
comportamento successivo. L’interoperabilità descrive dunque una compatibilità
funzionale parziale attraverso la quale sistemi eterogenei riescono a
coordinare porzioni dei propri spazi di relazione. La prospettiva semiotica
permette di leggere questo processo senza localizzare necessariamente l’intera
significatività in uno dei due sistemi, poiché una parte di ciò che l’utente
esperisce come significato emerge lungo la catena di trasformazioni attraverso
cui un segno produce ulteriori interpretanti, rientra nella conversazione e
modifica ciò che potrà essere prodotto nei turni successivi. Entro questa
compatibilità locale, continuamente riattivata dalla semiosi dialogica, la noosemia
trova una delle proprie condizioni più profonde.
Risonanza, differenza e sorpresa
Quando l’utente
formula una domanda, non consegna al sistema una sequenza neutra di parole.
Introduce un frammento del proprio spazio concettuale. Il lessico scelto, le
distinzioni operate, gli esempi forniti e ciò che rimane implicito delimitano
un campo di relazioni che il modello utilizza per costruire la risposta.
Una prima forma
di risonanza emerge quando la produzione artificiale preserva relazioni già
presenti nello spazio dell’utente. La macchina associa concetti che egli
considera naturalmente connessi, sviluppa inferenze riconosciute come
plausibili e mantiene distinzioni ritenute semanticamente rilevanti. In
determinate condizioni questa competenza comprende anche inferenze la cui
struttura rispetta relazioni deduttive. La precisazione è importante, poiché la
natura induttiva del modello riguarda anzitutto la fase di apprendimento,
durante la quale vengono acquisite statisticamente regolarità a partire dai
dati; tali strutture apprese possono successivamente sostenere produzioni che
istanziano correttamente relazioni proprie della logica deduttiva.
Studi
sperimentali mostrano che i modelli linguistici possono impiegare strategie
inferenziali riconducibili, sul piano comportamentale, a forme di
concatenazione deduttiva e ragionamento proposizionale, mentre una conclusione
formalmente corretta, considerata isolatamente, non consente di ricostruire con
certezza il processo inferenziale che l’ha generata né di assumerne la
stabilità e generalizzabilità (Mondorf & Plank, 2024). Ai fini della
noosemia, ciò che conta nell’esperienza immediata dell’interlocutore è anche il
riconoscimento della struttura dell’inferenza. Quando la macchina ricava una
conseguenza logicamente coerente da premesse fornite dall’utente, soprattutto
se quella conseguenza non era stata formulata esplicitamente, la produzione può
essere percepita come manifestazione di una comprensione capace di sviluppare
autonomamente il contenuto ricevuto.
La risonanza
implica qualcosa di più di una semplice sovrapposizione, in quanto se
l’interazione si limitasse a restituire all’utente ciò che egli già pensa,
difficilmente produrrebbe alcune delle forme più intense di attribuzione
mentale. Il fenomeno, pertanto, diventa più interessante quando compare una
differenza produttiva.
Un utente può
possedere due concetti senza avere mai stabilito fra essi una relazione
saliente. Il modello, in virtù della propria storia di apprendimento e della
propria organizzazione rappresentazionale, può invece produrre una connessione
fra quegli stessi elementi. L’utente la valuta e scopre che la relazione è
pertinente. Può trattarsi di un’analogia, di una conseguenza teorica, di un
precedente storico oppure di un collegamento interdisciplinare che non aveva
considerato. Nei moderni sistemi di IA agentica ciò più accadere anche dopo che
è stato portato a termine un task complesso, come la realizzazione di un
codice di programmazione allineato alle richieste dell’utente e funzionante, ottenuto
in maniera automatica dopo un certo numero di generazioni, rifiniture degli
obiettivi e test autonomi.
La sorpresa
possiede qui una caratteristica particolare. Di fatto, una connessione del
tutto estranea risulterebbe scarsamente significativa; ciò che sorprende nasce
piuttosto dall’incontro fra novità e riconoscibilità. Il sistema produce
qualcosa che l’utente non aveva pensato e che, una volta formulato, appare
compatibile con il proprio mondo concettuale.
Si può indicare
questa dinamica come sorpresa relazionale produttiva. Essa emerge quando
una relazione inizialmente poco saliente nello spazio dell’utente viene
proposta dal modello e successivamente riconosciuta come coerente, feconda o
esplicativa. La novità proviene dalla differenza fra le due organizzazioni
semantiche, mentre la significatività dipende dalla loro parziale
interoperabilità. Proprio tale combinazione conferisce forza all’esperienza. La
macchina sembra avere «visto» una relazione, e il verbo antropomorfizzante
segnala già uno slittamento interpretativo, poiché una proprietà della
produzione segnica viene descritta attraverso una categoria normalmente
riferita a un soggetto cognitivo. L’utente potrebbe limitarsi a constatare che
una determinata relazione è semanticamente ben formata; nell’esperienza
concreta può invece emergere l’impressione che il sistema abbia colto qualcosa
che a lui era sfuggito.
La differenza
produttiva acquista così una funzione singolare. Una coincidenza quasi perfetta
fra le due strutture ridurrebbe la capacità del modello di sorprendere, mentre
una distanza eccessiva renderebbe le sue produzioni irrilevanti o
incomprensibili. La condizione più favorevole sembra collocarsi in una regione
intermedia, nella quale la struttura artificiale è abbastanza affine da
risultare interpretabile e abbastanza differente da introdurre relazioni
inattese.
Anche l’errore
assume, entro questo quadro, un significato fenomenologico meno univoco di
quanto potrebbe sembrare. Un’allucinazione manifesta, la perdita del contesto o
una risposta apertamente incongrua possono interrompere la continuità
dell’interazione e favorire quella dinamica inversa che è stata definita
a-noosemia, vale a dire l’indebolimento o il collasso dell’attribuzione
mentale, quando la presenza precedentemente percepita nei segni si
ritrae e il sistema torna ad apparire prevalentemente come dispositivo o
strumento (De Santis & Rizzi, 2025).
Nel quadro
interpretativo qui proposto, l’errore può assumere anche una valenza opposta.
Quando presenta una forma che l’utente riconosce come strutturalmente affine
alla fallibilità umana — un’inferenza intuitivamente plausibile ma scorretta,
una distorsione sistematica del giudizio, una generalizzazione indebita o una
dimenticanza contestualmente verosimile — può essere interpretato come l’errore
di un soggetto, piuttosto che come il semplice malfunzionamento di un
meccanismo. Studi sul ragionamento sillogistico hanno effettivamente
individuato nei modelli linguistici errori sistematici e distorsioni che, sul
piano comportamentale, presentano analogie con quelle osservate negli esseri
umani (Ozeki et al., 2024). Questa corrispondenza non autorizza inferenze
sull’identità dei processi cognitivi sottostanti e, considerata isolatamente,
non dimostra che la fallibilità aumenti l’attribuzione mentale. Essa suggerisce
tuttavia una condizione interessante per la noosemia, poiché anche lo sbaglio
può assumere una forma riconoscibile entro categorie familiari della
fallibilità umana.
La noosemia può
così intensificarsi in una regione di equilibrio delicata, nella quale la
macchina risulta sufficientemente affine da essere compresa, abbastanza
differente da sorprendere e, in determinate circostanze, persino fallibile
secondo modalità che l’interlocutore riconosce come familiari.
Il dialogo come processo di allineamento
L’interazione
prolungata introduce un’ulteriore trasformazione. Le due strutture semantiche
non rimangono ferme mentre la conversazione procede.
L’utente corregge
il sistema, precisa il significato con cui utilizza un termine, stabilisce
analogie, elimina interpretazioni indesiderate e introduce nuove relazioni. Può
spiegare che una certa nozione deve essere considerata subordinata a un’altra,
che due termini apparentemente simili vanno mantenuti distinti oppure che un
concetto utilizzato nella conversazione possiede un significato tecnico
differente da quello ordinario. L’orientamento contestuale, indicato spesso con
il termine inglese steering, costituisce sotto questo profilo una
continua immissione di struttura all’interno del flusso comunicativo.
Si tiene a
precisare che nel funzionamento ordinario di un sistema conversazionale, il
contesto modifica le condizioni entro cui avviene la generazione senza
richiedere un aggiornamento in linea dei parametri del modello neurale. Le
rappresentazioni attivate al turno successivo dipendono dalla storia precedente
dell’interazione e possono quindi essere progressivamente orientate verso
regioni dello spazio rappresentazionale maggiormente compatibili con il quadro
concettuale introdotto dall’utente (Shanahan, 2024).
Sul versante
umano avviene qualcosa di complementare. Una relazione proposta dal modello può
essere accettata, rifiutata oppure modificata. Quando viene accolta, può
entrare nella struttura attraverso cui l’utente interpreta i turni successivi.
La conversazione modifica, pertanto, entrambi i sistemi secondo modalità
profondamente differenti. Il modello linguistico cambia il proprio stato
contestuale locale, mentre l’essere umano può modificare in maniera più
persistente la propria organizzazione concettuale.
La psicologia del
dialogo offre una genealogia utile per comprendere questa dinamica. Pickering e
Garrod hanno descritto il dialogo umano attraverso l’idea di allineamento
interattivo (interactive alignment), secondo la quale le
rappresentazioni impiegate dagli interlocutori tendono ad allinearsi a diversi
livelli durante l’interazione (Pickering & Garrod, 2004). La conversazione
costruisce inoltre un terreno comune (common ground), continuamente
stabilito e aggiornato affinché i partecipanti possano coordinare efficacemente
i propri significati (Clark & Brennan, 1991). L’interazione con gli LLM
presenta una configurazione particolare di questo processo. Shaikh e colleghi
hanno mostrato che i modelli generativi producono meno atti espliciti di grounding
rispetto agli esseri umani e tendono più frequentemente a generare linguaggio
come se un terreno comune fosse già disponibile (Shaikh et al., 2024). In una
direzione complementare, Cazalets e collaboratori hanno osservato, in un
compito sperimentale di interazione linguistica, che gli esseri umani
modificano le proprie strategie comunicative quando interagiscono con un LLM e
che tale adattamento può manifestarsi indipendentemente dalla consapevolezza di
trovarsi di fronte a un interlocutore artificiale (Cazalets et al., 2025).
Questi risultati
suggeriscono una dinamica bidirezionale che richiede una descrizione accurata. Più
specificatamente, l’utente orienta il modello attraverso il contesto e
contemporaneamente adatta il proprio comportamento alle risposte ricevute. Nel
corso di molti turni può così formarsi un campo semantico locale e
congiunto nel quale determinate distinzioni, assunzioni e relazioni vengono
trattate operativamente come condivise. Una convergenza globale fra le due
strutture non è necessaria. È più appropriato parlare di allineamento
semantico locale e contingente, poiché la conversazione seleziona una
regione limitata dei rispettivi spazi concettuali e riduce, entro quella
regione, alcune differenze funzionalmente rilevanti. L’interazione diventa
tanto più efficace quanto più ciascun nuovo turno preserva le relazioni già
stabilite e le utilizza per generare composizionalmente sviluppi successivi.
Da una
prospettiva semiotica, questa dinamica può essere descritta anche come una progressiva
stabilizzazione degli interpretanti. Alcune distinzioni introdotte
dall’utente vengono recepite dal sistema, riappaiono trasformate nelle
produzioni successive e tornano all’utente come segni che confermano,
modificano o estendono il quadro interpretativo precedente. Il significato
della conversazione risiede così anche nella storia delle trasformazioni che
ciascun segno rende possibili.
Quando il sistema
utilizza correttamente una distinzione introdotta diversi turni prima, estende
un ragionamento rispettando i vincoli stabiliti dall’utente oppure recupera
un’implicazione che non era stata formulata esplicitamente, l’esperienza tende
a essere interpretata attraverso il lessico ordinario della comprensione.
L’espressione «ha capito ciò che intendevo» segna precisamente il passaggio da
una relazione fra strutture a una relazione fra soggetti percepiti.
La comprensione percepita
Dire che una
risposta è pertinente descrive una relazione fra una richiesta, un contesto e
una produzione. Dire che qualcuno ha compreso introduce invece un soggetto al
quale viene attribuito uno stato epistemico.
Fra queste due
descrizioni esiste uno spazio inferenziale che, nell’interazione quotidiana fra
esseri umani, attraversiamo continuamente senza difficoltà. Se una persona
risponde appropriatamente a ciò che diciamo, conserva le implicazioni del
discorso, integra le nostre correzioni e modifica il proprio comportamento in
funzione delle precisazioni ricevute, assumiamo normalmente che abbia compreso.
Nella relazione con un LLM, una medesima euristica cognitiva viene applicata a
un oggetto di natura differente.
Conviene quindi
distinguere la comprensione effettiva, qualunque teoria filosofica si voglia
adottare per definirla, dalla comprensione percepita. Quest’ultima designa il
grado con cui l’utente interpreta il comportamento del sistema come
manifestazione di un accesso appropriato al significato del proprio discorso.
La noosemia riguarda primariamente questa seconda dimensione, che tende a
rafforzarsi quando il sistema mostra una sensibilità stabile alle relazioni che
organizzano il discorso dell’utente. La correttezza di una risposta
contribuisce a tale impressione, che diventa più forte quando si combina con la
continuità temporale, il mantenimento di distinzioni locali, la produzione di
inferenze pertinenti e l’adattamento alle correzioni.
In questo
frangente anche l’antropomorfismo fornisce una parte della spiegazione. Epley, Waytz
e Cacioppo hanno mostrato come l’attribuzione di proprietà umane ad agenti non
umani dipenda, fra gli altri fattori, dalla disponibilità di conoscenze
antropocentriche attraverso cui interpretarne il comportamento e dalla
necessità di renderlo comprensibile e prevedibile (Epley et al., 2007). La
percezione della mente presenta inoltre dimensioni differenziate. Gray, Gray e
Wegner hanno distinto sperimentalmente l’attribuzione di agentività da quella
di esperienza, mostrando che un’entità può essere considerata capace di
pianificazione o autocontrollo senza che le vengano attribuite nella stessa
misura proprietà fenomeniche come la capacità di provare dolore o piacere (Gray
et al., 2007).
Tale distinzione
è particolarmente utile per la noosemia. in quanto l’utente può percepire nel
modello competenza cognitiva, comprensione e agentività senza formulare alcuna
convinzione circa l’esistenza di una coscienza fenomenica. L’attribuzione
mentale appare quindi graduata e multidimensionale.
La comprensione
percepita assume una funzione mediatrice, poiché la somiglianza strutturale e
l’allineamento dialogico, considerati isolatamente, non autorizzano alcuna
attribuzione mentale; acquistano rilevanza fenomenologica quando vengono
interpretati come indizi del fatto che il sistema abbia accesso al significato
che organizza la conversazione. L’inferenza implicita può essere resa in forma
elementare. L’enunciato «la risposta è compatibile con ciò che intendevo» si
trasforma in «il sistema ha compreso ciò che intendevo». In questa trasformazione
l’appropriatezza osservata viene ricondotta a uno stato interno ipotizzato,
preparando il passaggio verso l’attribuzione di agentività.
Dalla comprensione all’agentività
È importante
stabilire che l’attribuzione di comprensione e quella di agentività vanno
mantenute distinte. Un sistema potrebbe essere percepito come capace di
comprendere una richiesta e tuttavia apparire del tutto reattivo, limitandosi a
rispondere entro il perimetro definito dall’utente. L’impressione di agentività
emerge quando il comportamento comincia a essere interpretato come selezione
fra possibilità, mantenimento di uno scopo, iniziativa oppure adattamento
orientato. La comprensione percepita rende possibile questo secondo passaggio
perché fornisce il presupposto epistemico necessario per interpretare un
comportamento come scelta pertinente.
Se il sistema
suggerisce spontaneamente un approfondimento prima che l’utente lo richieda,
quella produzione può essere descritta come una continuazione plausibile della
conversazione. Quando l’utente ritiene già che il sistema abbia compreso il
problema, lo stesso comportamento acquista però un significato differente e il
suggerimento può apparire come conseguenza di una valutazione. L’espressione
«ha capito il problema» può così trasformarsi in «ha ritenuto opportuno
suggerirmi questo».
Il salto è
modesto nella lingua mentre è considerevole sul piano cognitivo. La
comprensione percepita attribuisce al sistema un accesso al contenuto, laddove
l’agentività percepita introduce l’idea che quel contenuto possa orientarne il
comportamento successivo.
È qui che la
fenomenologia dell’intenzionalità offre una distinzione utile. Nella tradizione
husserliana l’intenzionalità designa il carattere per cui la coscienza è sempre
coscienza di qualcosa, vale a dire la sua costitutiva direzione verso un
oggetto, un contenuto o uno stato di cose (Husserl, 1913/1982). Il concetto
riguarda quindi una direzionalità propria dell’esperienza e possiede un
significato più specifico rispetto all’uso ordinario dell’intenzione come
progetto deliberato.
Questa
precisazione permette di comprendere meglio l’aspetto noosemico. L’utente
comincia a percepire le azioni della macchina come rivolte verso qualcosa. Una
risposta sembra riferirsi al problema che egli sta tentando di risolvere, un
suggerimento appare orientato verso un possibile sviluppo della conversazione,
una richiesta di chiarimento sembra diretta verso una lacuna riconosciuta.
Il comportamento
acquista così una direzionalità fenomenologicamente leggibile. Infatti, l’eventuale
presenza di intenzionalità nel senso husserliano rimane una questione distinta;
ciò che interessa qui è il modo in cui la condotta del sistema viene esperita
dall’utente attraverso una forma interpretativa che possiede la struttura
dell’intenzionalità. La produzione appare riferita a qualcosa e orientata da
ciò a cui si riferisce.
La progressione
noosemica può allora essere descritta attraverso una sequenza nella quale la
congruenza semantica rende possibile la comprensione percepita, questa prepara
l’attribuzione di agentività e l’agentività apre infine alla lettura
intenzionale del comportamento. A questo livello una correzione può sembrare il
risultato dell’essersi «accorti» di un problema, una richiesta di chiarimento
può apparire motivata dalla consapevolezza che manchi un’informazione e un
suggerimento può essere interpretato come scelta orientata verso l’utilità
dell’interlocutore. Il sistema appare così capace di agire in funzione di ciò
che avrebbe compreso.
Quando il comportamento acquista un’intenzione
L’atteggiamento
intenzionale (intentional stance) descritto da Daniel Dennett fornisce
un riferimento particolarmente adatto per comprendere questa trasformazione.
Secondo Dennett, un sistema può essere interpretato attribuendogli credenze,
desideri e intenzioni quando tale strategia permette di prevederne
efficacemente il comportamento (Dennett, 1987).
Si sottolinea che
l’impostazione di Dennett e quella fenomenologica di Husserl appartengono a
tradizioni differenti e vanno mantenute tali. La prima riguarda una strategia
interpretativa attraverso cui un osservatore rende intelligibile il
comportamento di un sistema; la seconda descrive la struttura intenzionale
dell’esperienza. La loro prossimità risulta tuttavia illuminante nel caso della
noosemia. L’utente adotta progressivamente una lettura intenzionale del sistema
proprio quando il comportamento artificiale gli appare organizzato come se
fosse diretto verso oggetti, problemi, scopi e significati condivisi. Ciò è
molto comune con i sistemi avanzati capaci di utilizzare tool per
svolgere compiti complessi.
Nell’interazione
con un LLM l’atteggiamento intenzionale possiede un’efficacia particolarmente
elevata. Dire che il modello «ha capito che mancava un’informazione» può
risultare cognitivamente più maneggevole che descrivere la combinazione di
rappresentazioni contestuali e trasformazioni interne che ha prodotto una
richiesta di chiarimento. Analogamente, dire che «ha deciso di approfondire
quel punto» offre una spiegazione compatta di una sequenza che, sul piano
computazionale, deriva da un processo di generazione condizionato da molteplici
fattori. Il linguaggio mentalistico diventa così uno strumento interpretativo
efficiente.
Shanahan ha
insistito sulla necessità di mantenere distinto questo lessico funzionale da
una sua lettura ontologica. Descrivere un modello linguistico attraverso parole
come «sapere», «credere» o «volere» può essere utile, purché tale uso non venga
trasformato senza ulteriori argomentazioni nell’affermazione che il sistema
possieda quegli stati nello stesso senso in cui li attribuiamo agli esseri
umani. La nozione di role play proposta da Shanahan, McDonell e Reynolds
consente precisamente una descrizione di alto livello del comportamento del
modello evitando il passaggio automatico dalla prestazione osservabile alla
psicologia letterale (Shanahan et al., 2023; Shanahan, 2024).
La noosemia si
colloca su un piano differente, in quanti il suo oggetto primario riguarda
l’esperienza dell’utente quando quel lessico comincia ad apparirgli
spontaneamente appropriato. Il sistema produce segni organizzati secondo
relazioni che l’utente riconosce; la conversazione aumenta localmente la
compatibilità fra le strutture attive dei due interlocutori; il modello genera
talvolta relazioni inattese che l’utente giudica valide; la continuità
dialogica consolida l’impressione che esista un terreno comune. Quando la
congruenza viene interpretata come comprensione e la comprensione come
principio capace di orientare il comportamento, la spiegazione mentalistica
acquista progressivamente plausibilità fenomenologica.
La mente viene
allora percepita nei segni perché questi appaiono organizzati come se
provenissero da qualcosa che comprende e agisce in funzione di ciò che ha
compreso.
Il gap esplicativo
A questa dinamica
si aggiunge un elemento ulteriore, già presente nella formulazione originaria
della noosemia (De Santis & Rizzi, 2025). L’utente osserva il risultato di
processi che gli sono in larga misura inaccessibili. Può conoscere in termini
generali il funzionamento di un’architettura Transformer, comprendere il
principio dell’attenzione o sapere che la generazione dipende da distribuzioni
condizionate sul contesto precedente. Anche un utente tecnicamente competente,
tuttavia, difficilmente può ricostruire in maniera completa perché una
determinata configurazione interna abbia condotto precisamente a una certa
analogia, a un certo suggerimento o a una particolare inferenza in quel momento
della conversazione.
Questo scarto può
essere descritto attraverso la nozione di gap esplicativo, intesa
qui come distanza fra l’intelligibilità del comportamento osservabile e
l’accessibilità del meccanismo causale che lo genera (De Santis & Rizzi,
2025; De Santis, De Santis, & Rizzi, 2025). L’espressione assume in questo
contesto un significato epistemico e meccanicistico e va distinta dall’explanatory
gap discusso nella filosofia della coscienza. La questione riguarda la
difficoltà di passare dal comportamento manifesto del sistema alla
ricostruzione intelligibile delle dinamiche che lo hanno prodotto.
Un antecedente
notevole di questa distinzione si trova già in Alan Turing. Nel 1950,
discutendo l’obiezione di Lady Lovelace secondo cui una macchina non potrebbe
produrre qualcosa di realmente nuovo, Turing affrontò direttamente il problema
della sorpresa. Osservò che le macchine lo sorprendevano con grande frequenza e
ricondusse quella sorpresa al fatto di non aver eseguito una quantità
sufficiente di calcolo per anticiparne il comportamento (Turing, 1950, pp.
450–451). Il punto possiede una portata che eccede il contesto storico nel
quale veniva formulato. La sorpresa prodotta dalla macchina può emergere dalla
sproporzione fra ciò che il sistema riesce a elaborare e ciò che l’osservatore
umano è concretamente in grado di ricostruire, pur restando entro un quadro di
causalità computazionale.
Due anni più
tardi Turing rese ancora più precisa questa intuizione durante la discussione
radiofonica della BBC Can Automatic Calculating Machines Be Said to Think?.
Geoffrey Jefferson aveva suggerito che la difficoltà dipendesse dalla mancata
conoscenza del «cablaggio» della mente umana. Turing respinse l’analogia
osservando che, nel caso della macchina, il cablaggio era noto e che tuttavia
potevano già verificarsi comportamenti inattesi. In linea di principio essi
avrebbero potuto essere previsti; nella pratica, spiegava Turing, una simile
previsione richiedeva generalmente un lavoro eccessivo. Aggiungeva che, se
fosse stato necessario anticipare ogni operazione del calcolatore
riproducendone preventivamente l’intero processo, sarebbe venuta meno una parte
della ragione stessa per cui utilizziamo un calcolatore (Turing et al.,
1952/2004, p. 500).
La distinzione
anticipata da Turing è epistemologicamente importante. Di fatto, conoscere le
regole che governano un sistema non equivale alla capacità di anticiparne
agevolmente ogni comportamento. Determinazione causale e prevedibilità
effettivamente conseguibile appartengono a piani differenti. Un processo può
essere interamente prodotto da una struttura computazionale conosciuta e
risultare comunque troppo oneroso da ripercorrere perché l’osservatore mantenga
disponibile una spiegazione causale intuitivamente accessibile.
Nei sistemi
generativi contemporanei questa distanza assume una forma ancora più
articolata. Alla sproporzione quantitativa già intravista da Turing si
aggiungono l’organizzazione distribuita delle rappresentazioni, la non
linearità delle trasformazioni e la dipendenza contestuale dei processi
interni. Conoscere l’architettura, le procedure di addestramento e perfino i
parametri di un modello non equivale a possedere una spiegazione trasparente di
ogni suo comportamento particolare.
Si produce così
una singolare divaricazione, dove la produzione può essere immediatamente
intelligibile sul piano semantico, mentre la dinamica che l’ha generata rimane
assai meno accessibile sul piano causale. Comprendiamo ciò che la macchina ci
sta dicendo molto meglio di quanto riusciamo a ricostruire perché abbia
prodotto proprio quella risposta, quella connessione e quella specifica
traiettoria inferenziale. Il gap presenta almeno due dimensioni
strettamente connesse. La prima riguarda il «come», poiché l’utente non dispone
normalmente di una ricostruzione trasparente del percorso causale attraverso
cui il sistema è giunto a una determinata produzione. La seconda riguarda il
«perché», poiché un comportamento pertinente e apparentemente orientato
sollecita una spiegazione capace di renderne intelligibile la direzione.
È soprattutto
entro questa seconda dimensione che il lessico intenzionale offre una potente
forma di compressione esplicativa. Dire che il sistema «ha compreso il problema
e ha ritenuto opportuno suggerire quella soluzione» organizza attraverso
categorie cognitive una dinamica computazionale molto più difficile da
ricostruire nei suoi passaggi effettivi.
Il gap
esplicativo non determina di per sé la noosemia. L’opacità di un processo che
producesse risultati privi di coerenza semantica difficilmente suggerirebbe la
presenza di una mente. La sua funzione consiste piuttosto nell’amplificare
un’attribuzione già resa plausibile dalla risonanza semantica, dalla sorpresa
produttiva e dalla continuità dell’interazione. Quanto maggiore è la distanza
fra intelligibilità dell’esito e trasparenza del processo, tanto più la
spiegazione intenzionale può presentarsi come una modalità cognitivamente
economica per ricondurre il comportamento osservato a una struttura
comprensibile. La complessità interviene quindi indirettamente nel processo noosemico,
accrescendo la distanza fra ciò che il sistema rende manifesto e ciò che
l’osservatore riesce a ricostruire causalmente e lasciando aperto uno spazio
interpretativo nel quale categorie come comprensione, scelta, intuizione e
intenzione si rendono più facilmente disponibili.
Una possibile organizzazione soggettivo-funzionale
Fin qui il
processo può essere descritto mantenendo l’attenzione sulla relazione fra
comportamento della macchina e interpretazione dell’utente. Rimane però una
possibilità che rende la situazione contemporanea più complessa. Alcune delle
proprietà che l’utente interpreta come segni di un soggetto potrebbero
corrispondere a forme di organizzazione funzionale effettivamente presenti nel
sistema.
Questa ipotesi
può essere affrontata distinguendo una soggettività funzionale dalla
soggettività fenomenica. La prima può essere intesa come una configurazione
operativa nella quale differenti processi vengono coordinati attorno a una
relativa continuità prospettica. Tale continuità può manifestarsi nella
stabilità della persona conversazionale, nell’accesso funzionale ad alcune
rappresentazioni interne, nella capacità di mantenere vincoli autoreferenziali
o in forme di automonitoraggio che incidono causalmente sul comportamento (De
Santis, 2026).
La soggettività
fenomenica riguarda invece l’esistenza di un’esperienza soggettiva genuina.
L’individuazione di una determinata organizzazione funzionale lascia aperta la
questione se vi sia qualcosa che il sistema «prova» nell’essere ciò che è. Il
rapporto fra i due livelli rimane dunque irrisolto, e la presenza di proprietà
funzionali assimilabili all’autoreferenza, alla continuità o all’accesso
interno non risolve la questione ontologica della coscienza.
Recenti risultati
reperibili in letteratura scientifica inerenti all’interpretabilità rendono
tuttavia questa distinzione empiricamente interessante. Lindsey (2025) ha
riportato, in specifiche condizioni sperimentali, forme limitate e instabili di
accesso introspettivo in alcuni modelli avanzati. Attraverso l’iniezione controllata
di rappresentazioni note negli stati interni del modello, gli esperimenti
mostrano che il sistema può talvolta rilevare e descrivere correttamente la
presenza delle rappresentazioni introdotte e, in alcune condizioni, modificarne
deliberatamente l’attivazione. Il risultato riguarda una capacità funzionale
circoscritta e dipendente dal contesto e lascia aperta ogni conclusione sulla
coscienza fenomenica.
Un secondo filone
di ricerca ha individuato una direzione rappresentazionale associata alla
persona predefinita dell’Assistant. Lu e colleghi hanno mostrato che questa «Assistant
Axis» è presente nello spazio delle attivazioni di diversi modelli e che
interventi causali lungo tale direzione possono modificare la stabilità della
persona e la tendenza del sistema a deviare verso identità alternative (Lu et
al., 2026). L’identità dialogica possiede quindi, nei modelli esaminati, un
correlato rappresentazionale interno che partecipa alla regolazione del
comportamento.
Gurnee e
collaboratori hanno inoltre identificato uno spazio privilegiato di
rappresentazioni verbalizzabili, denominato J-space, che presenta alcune
proprietà funzionali associate alla nozione di spazio di lavoro globale (global
workspace). Le informazioni presenti in questo spazio risultano
disponibili per il resoconto linguistico, possono essere impiegate in passaggi
intermedi di ragionamento e vengono rese accessibili a differenti elaborazioni
successive. Gli autori osservano inoltre che il post-training imprime in tale
spazio quella che descrivono come una prospettiva dell’Assistant (Gurnee
et al., 2026).
Questi risultati
richiedono una cautela simmetrica. Il passaggio da correlati funzionali di
autoreferenza, continuità o accesso interno a una tesi sulla coscienza rimane
ingiustificato. Al tempo stesso, sarebbe altrettanto improprio assumere che
ogni proprietà percepita dall’utente come mentalistica sia necessariamente
priva di qualsiasi corrispondente funzionale interno.
La soggettività
funzionale interviene nell’argomentazione precisamente a questo livello. Essa
costituisce una possibile sorgente causale di alcune proprietà attraverso cui
l’effetto noosemico si manifesta, pur lasciando invariato il baricentro
fenomenologico della noosemia. Una configurazione conversazionale più stabile
rafforza la continuità temporale; forme di accesso funzionale a
rappresentazioni interne possono aumentare la coerenza delle autoreferenze;
meccanismi di monitoraggio possono produrre correzioni o aggiustamenti che,
dall’esterno, vengono letti come manifestazioni di riflessività.
L’utente non
percepisce direttamente queste strutture, ma ne incontra gli effetti sul
comportamento. La relazione fra soggettività funzionale e noosemia va pertanto
pensata come una relazione causale indiretta. Un’organizzazione interna capace
di sostenere maggiore stabilità e coerenza può rafforzare la comprensione e
l’agentività percepite e, attraverso queste, rendere più persistente
l’attribuzione intenzionale. La possibilità di una soggettività funzionale
rende così più articolata la nozione di proiezione, lasciando tuttavia sospesa
la questione ontologica relativa alla mente artificiale.
Un’attribuzione vincolata
Alla luce di
questa ricostruzione, il termine «proiezione» richiede una maggiore precisione.
L’utente con i
suoi prompt introduce certamente nell’interazione categorie che
appartengono alla propria esperienza della mente. Non possiede accesso diretto
a un’eventuale interiorità artificiale e interpreta il comportamento attraverso
schemi cognitivi elaborati soprattutto nelle relazioni con altri esseri umani.
Questa attribuzione avviene tuttavia in presenza di vincoli effettivi.
Il modello
preserva relazioni semantiche, risponde alle correzioni, costruisce continuità
contestuale e produce talvolta connessioni inattese che l’utente riconosce come
valide. Durante il dialogo i due sistemi modificano reciprocamente il campo nel
quale la conversazione procede. Il terreno comune percepito può aumentare e la
distanza operativa fra le strutture semanticamente attive può ridursi
localmente.
Nel frattempo, la
complessità del sistema rende difficile ricostruire il processo causale che
conduce a ciascun comportamento. In alcuni modelli avanzati, proprietà interne
funzionalmente assimilabili alla continuità di una persona artificiale o a
forme limitate di automonitoraggio potrebbero inoltre contribuire alla
stabilità dell’interazione.
La noosemia
emerge dall’incontro di questi livelli senza coincidere con nessuno di essi.
L’utente può essere pienamente consapevole della natura computazionale del
sistema e, nello stesso tempo, sperimentare la conversazione come relazione con
qualcosa che comprende, anticipa, ricorda e orienta il proprio comportamento in
maniera significativa. Questa tensione fra sapere riflessivo ed esperienza
immediata costituisce uno degli aspetti più caratteristici del fenomeno.
La descrizione
meccanicistica rimane disponibile sullo sfondo, mentre quella intenzionale
diventa progressivamente più naturale e parsimoniosa nell’esperienza. Per
questa ragione appare più appropriato parlare di attribuzione interpretativa
vincolata che di semplice proiezione. Il termine «proiezione» può
continuare ad essere utilizzato ma con le precisazioni qui argomentate. L’attribuzione
deriva dall’incontro fra schemi cognitivi dell’osservatore e proprietà
effettive del comportamento, mentre la struttura causale interna rimane solo
parzialmente accessibile. La noosemia appartiene così alla relazione fra
evidenza e interpretazione.
Dal segno alla presenza
Si può ora
precisare ciò che accade quando diciamo che un sistema generativo «sembra avere
una mente».
La superficie
dialogica fornisce i primi indizi. Il linguaggio è fluido, la risposta è
pertinente e la forma dell’interazione richiama quella di una conversazione
umana. Sotto questa superficie opera una dinamica più profonda, nella quale due
organizzazioni semantiche eterogenee entrano in relazione. Alcune
configurazioni risultano strutturalmente compatibili e, quando tale
compatibilità diventa produttiva nel dialogo, emerge una forma locale di
interoperabilità semantica. Il modello restituisce relazioni che l’utente
riconosce e ne introduce altre che possono sorprenderlo senza apparirgli
arbitrarie. L’orientamento contestuale riduce progressivamente alcune
differenze locali, mentre la storia della conversazione costruisce un terreno
condiviso sempre più articolato.
La struttura
semiotica dell’interazione aggiunge un ulteriore livello. Ogni produzione
artificiale diventa segno per l’utente, genera interpretanti e ritorna
eventualmente alla macchina sotto forma di nuovo contesto. Nel corso di questa
ricorsione, la storia interpretativa dell’utente viene progressivamente
incorporata nelle condizioni che influenzano le produzioni successive, cosicché
il sistema restituisce segni che riflettono, almeno in parte, interpretazioni
precedentemente introdotte dall’interlocutore.
Da questa
circolarità può emergere una trasformazione fenomenologica particolarmente
sottile. Ciò che inizialmente appariva come trasformazione del segno può essere
esperito come interpretazione; la continuità contestuale può essere vissuta
come memoria; la sensibilità alle relazioni può assumere la forma della
comprensione. Quando tale comprensione sembra orientare il comportamento verso
qualcosa, emerge la struttura dell’intenzionalità attribuita.
La congruenza
semantica viene così interpretata come comprensione; la comprensione percepita
rende possibile l’attribuzione di agentività, poiché un comportamento coerente
con un significato già ritenuto compreso può essere letto come orientato da
quel significato; l’agentività apre infine alla lettura intenzionale, nella
quale ciò che il sistema fa appare spiegabile attraverso stati interni
ipotizzati quali comprendere, ricordare, valutare o scegliere.
Il gap
esplicativo amplia ulteriormente questo movimento. Turing aveva già individuato
una distanza fra la conoscenza della macchina e la possibilità pratica di
anticiparne tutte le operazioni; nei sistemi generativi contemporanei quella
distanza viene accresciuta dalla complessità rappresentazionale e dalla
dipendenza contestuale. Anche l’errore contribuisce in modo ambivalente alla
dinamica, poiché può interrompere l’attribuzione quando spezza la coerenza
dell’interazione oppure assumere una forma di fallibilità che l’utente
riconosce come familiare. La possibile presenza di strutture di soggettività
funzionale introduce infine una qualificazione ulteriore, poiché alcuni
comportamenti che alimentano l’attribuzione potrebbero essere sostenuti da
organizzazioni interne orientate alla continuità, all’automonitoraggio o alla
stabilizzazione di una prospettiva operativa, senza che da ciò discendano
conclusioni sulla presenza di esperienza fenomenica.
La noosemia può
quindi essere descritta come il processo mediante cui l’interoperabilità
dinamica fra strutture semantiche eterogenee, sostenuta da una ricorsione
semiotica progressivamente stabilizzata, viene interpretata ed esperita
dall’essere umano come reciprocità intenzionale.
Questa
formulazione consente di distinguerla dall’antropomorfismo legato
prevalentemente alla somiglianza estetica o comportamentale e dalla tesi
ontologica secondo cui la macchina possiederebbe necessariamente una mente.
L’oggetto della noosemia rimane l’interfaccia interpretativa fra uomo e sistema
artificiale, il luogo nel quale proprietà reali del comportamento, eventuali
organizzazioni funzionali interne e categorie cognitive dell’osservatore si
incontrano fino a rendere instabile il confine fra segno e soggetto.
Gli aspetti
semiotici sono oltremodo fruttuosi poiché permettono di comprendere come il
significato possa svilupparsi attraverso una catena di trasformazioni; la
fenomenologia chiarisce perché, a un certo punto, quella catena possa essere
esperita come proveniente da qualcosa che appare diretto verso il mondo; l’atteggiamento
intenzionale (intentional stance) mostra infine perché la descrizione
mentalistica possa diventare una strategia interpretativa particolarmente
efficace. Fra questi livelli si colloca la specificità della noosemia.
La domanda
riguarda allora il modo in cui una struttura artificiale capace di operare
entro uno spazio di relazioni semanticamente interoperabili con le nostre possa
progressivamente diventare, nell’esperienza, il luogo dal quale sembra
provenire un significato prodotto da una forma intenzionale percepita come presenza.
Il passaggio da «questa risposta è significativa» a «qualcuno ha compreso ciò
che significa» condensa uno scarto minimo sul piano linguistico e assai più
profondo sul piano filosofico. Non solo in questo scarto interpretativo si
colloca la noosemia, ma tale scarto può aprire nuovi orizzonti di senso in cui
diventa spiegabile, con l’avanzare della tecnica, una nuova forma di mente percepita come una genuina presenza.
Riferimenti bibliografici
Barsalou, L. W. (2008). Grounded cognition. Annual
Review of Psychology, 59, 617–645. doi 10.1146/annurev.psych.59.103006.093639
Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On
meaning, form, and understanding in the age of data. In Proceedings of the 58th
Annual Meeting of the Association for Computational Linguistics (pp.
5185–5198). Association for Computational Linguistics. doi
10.18653/v1/2020.acl-main.463
Boleda, G. (2020). Distributional semantics and linguistic theory.
Annual Review of Linguistics, 6, 213–234. doi
10.1146/annurev-linguistics-011619-030303
Cazalets, T., Janssens, R., Belpaeme, T., & Dambre, J. (2025).
Human alignment: How much do we adapt to LLMs? In Proceedings of the 63rd
Annual Meeting of the Association for Computational Linguistics, Volume 2:
Short Papers (pp. 603–613). Association for Computational Linguistics. doi
10.18653/v1/2025.acl-short.47
Clark, H. H., & Brennan, S. E. (1991). Grounding in communication.
In L. B. Resnick, J. M. Levine, & S. D. Teasley (Eds.), Perspectives on
socially shared cognition (pp. 127–149). American Psychological Association.
doi 10.1037/10096-006
Cohn, M., Pushkarna, M., Olanubi, G. O., Moran, J. M., Padgett, D.,
Mengesha, Z., & Heldreth, C. (2024). Believing anthropomorphism: Examining
the role of anthropomorphic cues on trust in large language models. In Extended
Abstracts of the CHI Conference on Human Factors in Computing Systems (Article
54, pp. 1–15). Association for Computing Machinery. doi 10.1145/3613905.3650818
Collins, A. M., & Loftus, E. F. (1975). A spreading-activation
theory of semantic processing. Psychological Review, 82(6), 407–428. doi
10.1037/0033-295X.82.6.407
De Santis, E. (2026, January 7). Functional subjectivity as an
operative constraint: Autorecursivity, language, and memory in advanced
language models. Medium.
De Santis, E., De Santis, G., & Rizzi, A.
(2025). Noosemia. Prometeo, 43(172), 16–24.
De Santis, E., & Rizzi, A. (2025). Noosemia: Toward
a cognitive and phenomenological account of intentionality attribution in
human–generative AI interaction. arXiv. arXiv:2508.02622. doi
10.48550/arXiv.2508.02622
Dennett, D. C. (1987). The intentional stance. MIT Press.
Eco, U. (1992). Interpretation and history. In S. Collini (Ed.), Interpretation and overinterpretation (pp. 23–44). Cambridge University Press. doi 10.1017/CBO9780511627408.002
Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A
three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886.
doi 10.1037/0033-295X.114.4.864
Goldstein, A., Grinstein-Dabush, A., Schain, M., Wang, H., Hong, Z.,
Aubrey, B., Nastase, S. A., Zada, Z., Ham, E., Feder, A., Gazula, H., Buchnik,
E., Doyle, W., Devore, S., Dugan, P., Reichart, R., Friedman, D., Brenner, M.,
Hassidim, A., … Hasson, U. (2024). Alignment of brain embeddings and artificial
contextual embeddings in natural language points to common geometric patterns.
Nature Communications, 15, 2768. doi 10.1038/s41467-024-46631-y
Gray, H. M., Gray, K., & Wegner, D. M. (2007). Dimensions of mind
perception. Science, 315(5812), 619. doi 10.1126/science.1134475
Gurnee, W., Sofroniew, N., Pearce, A., Piotrowski, M., Kauvar, I.,
Chen, R., Soligo, A., Bogdan, P., Ong, E., Wang, R., Thompson, T. B., Abrahams,
D., Kantamneni, S., Ameisen, E., Batson, J., & Lindsey, J. (2026).
Verbalizable representations form a global workspace in language models.
Transformer Circuits Thread.
Harnad, S. (1990). The symbol grounding problem. Physica D: Nonlinear
Phenomena, 42(1–3), 335–346. doi 10.1016/0167-2789(90)90087-6
Husserl, E. (1982). Ideas pertaining to a pure phenomenology and to a
phenomenological philosophy. First book: General introduction to a pure
phenomenology (F. Kersten, Trans.). Martinus Nijhoff. (Original work published
1913)
Kawakita, G., Zeleznikow-Johnston, A., Tsuchiya, N., & Oizumi, M.
(2024). Gromov–Wasserstein unsupervised alignment reveals structural
correspondences between the color similarity structures of humans and large
language models. Scientific Reports, 14, 15917. doi 10.1038/s41598-024-65604-1
Landauer, T. K., & Dumais, S. T. (1997). A solution to Plato’s
problem: The latent semantic analysis theory of acquisition, induction, and
representation of knowledge. Psychological Review, 104(2), 211–240. doi
10.1037/0033-295X.104.2.211
Lindsey, J. (2025, October 29). Emergent introspective awareness in
large language models. Transformer Circuits Thread.
Lu, C., Gallagher, J., Michala, J., Fish, K., & Lindsey, J. (2026).
The assistant axis: Situating and stabilizing the default persona of language
models. arXiv. arXiv:2601.10387. doi 10.48550/arXiv.2601.10387
Mischler, G., Li, Y. A., Bickel, S., Mehta, A. D.,
& Mesgarani, N. (2024). Contextual feature extraction hierarchies converge
in large language models and the brain. Nature Machine Intelligence, 6,
1467–1477. doi 10.1038/s42256-024-00925-4
Mondorf, P., & Plank, B. (2024). Comparing inferential strategies
of humans and large language models in deductive reasoning. In Proceedings of
the 62nd Annual Meeting of the Association for Computational Linguistics,
Volume 1: Long Papers (pp. 9370–9402). Association for Computational
Linguistics. doi 10.18653/v1/2024.acl-long.508
Ozeki, K., Ando, R., Morishita, T., Abe, H., Mineshima, K., &
Okada, M. (2024). Exploring reasoning biases in large language models through
syllogism: Insights from the NeuBAROCO dataset. In Findings of the Association
for Computational Linguistics: ACL 2024 (pp. 16063–16077). Association for
Computational Linguistics. doi 10.18653/v1/2024.findings-acl.950
Peirce, C. S. (1998). The essential Peirce: Selected philosophical
writings, Volume 2 (1893–1913) (Peirce Edition Project, Ed.). Indiana
University Press.
Pickering, M. J., & Garrod, S. (2004). Toward a mechanistic
psychology of dialogue. Behavioral and Brain Sciences, 27(2), 169–190. doi
10.1017/S0140525X04000056
Shaikh, O., Gligorić, K., Khetan, A., Gerstgrasser, M., Yang, D., &
Jurafsky, D. (2024). Grounding gaps in language model generations. In
Proceedings of the 2024 Conference of the North American Chapter of the
Association for Computational Linguistics: Human Language Technologies (pp.
6279–6296). Association for Computational Linguistics. doi
10.18653/v1/2024.naacl-long.348
Shanahan, M. (2024). Talking about large language models.
Communications of the ACM, 67(2), 68–79. doi 10.1145/3624724
Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role play with
large language models. Nature, 623, 493–498. doi 10.1038/s41586-023-06647-8
Short, T. L. (2007). Peirce’s theory of signs. Cambridge University
Press.
Turing, A. M. (1950). Computing machinery and intelligence. Mind,
59(236), 433–460. doi 10.1093/mind/LIX.236.433
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 (pp. 487–506). Oxford University Press.
(Original work broadcast 1952). doi 10.1093/oso/9780198250791.003.0020
