Pensiamo correttamente all'intelligenza artificiale?

Il suo punto di vista sfida le ipotesi convenzionali su come le macchine elaborano le informazioni e se i loro output riflettono una comprensione genuina o un semplice riconoscimento di modelli sofisticati. Questo dibattito ha guadagnato urgenza poiché i grandi modelli linguistici (LLM) influenzano sempre più la ricerca scientifica, le decisioni politiche e la vita quotidiana. La discussione si concentra sul fatto che questi sistemi ragionino veramente o semplicemente simulino il ragionamento attraverso tecniche statistiche. Mitchell evidenzia i limiti dei quadri esistenti per valutare la cognizione delle macchine.

Gli strumenti psicologici tradizionali utilizzati per valutare l'intelligenza negli esseri umani, come i test di risoluzione dei problemi o le osservazioni comportamentali, sono inadatti per analizzare il funzionamento interno dell'IA. Questi modelli operano attraverso reti neurali complesse che mancano di trasparenza, rendendo difficile determinare se le loro risposte derivano dalla comprensione effettiva o dalla mimetizzazione algoritmica. Questa ambiguità ha profonde implicazioni per il modo in cui la società dovrebbe regolamentare e fidarsi delle tecnologie AI.

L'episodio, pubblicato il 23 luglio 2026, segna il seguito di una precedente intervista con Mitchell del 2021, poco dopo il lancio di ChatGPT. A quel tempo, Mitchell aveva già espresso preoccupazioni per il divario tra intelligenza umana e macchina. Ora, con i sistemi di intelligenza artificiale più avanzati che mai, le sue opinioni hanno assunto un nuovo significato.

Durante l'intervista, Mitchell ha discusso di come i ricercatori potrebbero applicare intuizioni dalla psicologia dello sviluppo per interpretare meglio il comportamento dell'IA. Ad esempio, gli studi su come i bambini acquisiscono il linguaggio e risolvono i problemi potrebbero informare le strategie per valutare se i sistemi di IA si impegnano in processi simili. Tuttavia, ha messo in guardia contro la sovrastimazione delle capacità dei modelli attuali, citando esempi storici come le abilità matematiche di un cavallo addestrato nei primi anni del 1900, che in seguito si è rivelato essere il risultato dell'intervento umano piuttosto che dell'intelligenza innata.

Mitchell ha proposto sei principi guida per valutare la cognizione delle macchine, tra cui l'importanza della trasparenza, della riproducibilità e dell'allineamento con il ragionamento umano. Ha sostenuto che fino a quando questi criteri non saranno soddisfatti, i sistemi di IA rimangono inaffidabili come strumenti decisionali. Questa posizione contrasta con alcuni leader del settore che sostengono una maggiore dipendenza dall'IA a causa della sua efficienza e scalabilità.

Nel corso della conversazione, Mitchell ha sottolineato che la sfida risiede non solo nel migliorare le prestazioni dell'IA, ma anche nel perfezionare il nostro quadro concettuale per la comprensione dell'intelligenza stessa. Ha suggerito che il perseguimento della creazione di macchine veramente intelligenti potrebbe richiedere un cambiamento fondamentale nel modo in cui definiamo e misuriamo la cognizione. Ciò include ripensare i benchmark tradizionali e abbracciare approcci interdisciplinari che integrano intuizioni dalla neuroscienza, dalla filosofia e dalla teoria computazionale. Tali sforzi, ritiene, sono essenziali per garantire che l'IA si sviluppi in modi che beneficiano l'umanità piuttosto che minarla.

L'episodio si è concluso con Mitchell che ha espresso ottimismo per i progressi futuri, pur riconoscendo la complessità del compito da svolgere. Mentre l'IA continua ad evolversi, la necessità di metodi di valutazione rigorosi diventa sempre più pressante.