Cognizione umana e intelligenza artificiale: cosa dice la scienza sulle differenze

Due modi di elaborare il mondo

Chiedere a un’intelligenza artificiale di scrivere un testo o rispondere a una domanda produce, molto spesso, un risultato fluido e convincente. Ma “fluido” non equivale a “uguale a come ragiona un umano”. La scienza cognitiva studia mente e intelligenza incrociando filosofia, psicologia, neuroscienze e informatica. Da anni mette a confronto il modo in cui un cervello umano elabora informazioni e il modo in cui lo fanno le reti neurali dei moderni modelli linguistici (LLM). Le somiglianze di superficie ci sono; quelle di sostanza restano, al 2026, in gran parte da verificare.

Imparare con pochi dati o con moltissimi

La differenza più citata riguarda il modo in cui si acquisisce il linguaggio. Un LLM costruisce le proprie capacità analizzando statistiche di ricorrenza su centinaia di miliardi di parole di testo. Un bambino raggiunge una competenza linguistica paragonabile con un’esposizione molto più piccola, applicando quelli che i ricercatori chiamano “principi strutturati”: non impara solo per accumulo, ma sembra portarsi dietro vincoli che guidano l’apprendimento fin dall’inizio. In letteratura questo scarto si chiama “poverty of the stimulus”, povertà dello stimolo — il segnale linguistico a disposizione di un bambino è, in proporzione, molto meno ricco dei corpora su cui si allena un modello, eppure basta.

C’è anche una differenza di scopo. Un umano impara il linguaggio comunicando attivamente: chiede, esprime bisogni, corregge il tiro in base alle reazioni di chi ascolta. Un LLM, nella fase di addestramento, è soprattutto un ricevitore passivo di testo grezzo, ottimizzato a prevedere la parola successiva. Sono due obiettivi di apprendimento diversi, non solo due velocità diverse dello stesso processo.

Esempio pratico: un bambino che sente per la prima volta la parola “morbido” toccando un cuscino la collega subito a una sensazione fisica precisa. Un modello linguistico che incontra “morbido” in un testo lo collega solo ad altre parole che compaiono spesso vicino a esso — non ha un cuscino da toccare, e questo limite ha un nome preciso: manca il grounding, l’ancoraggio all’esperienza reale.

Architetture agli antipodi

Al di là del “cosa” si impara, cambia radicalmente anche il “come” è costruito il sistema che impara. Uno studio del 2026 pubblicato su Communications Psychology mette a confronto punto per punto le due architetture:

I modelli più grandi arrivano, al 2026, a scale che vanno da miliardi a migliaia di miliardi di parametri, distribuiti su decine o centinaia di strati — l’ennesimo terreno su cui il paragone diretto col cervello umano, che non funziona per “parametri” nello stesso senso, va preso con cautela. Chi vuole capire come sono fatte concretamente queste reti può partire dal funzionamento di base di una rete neurale o dal percorso più ampio del machine learning.

Dove il ragionamento dei modelli mostra crepe

Due punti deboli emergono con una certa costanza negli studi che confrontano modelli linguistici e cognizione umana. Il primo è la comprensione della pragmatica sociale: i modelli faticano a cogliere le sfumature di parole il cui significato cambia a seconda del contesto sociale in cui vengono pronunciate. Il secondo è il senso comune fisico — le intuizioni quasi automatiche di un umano su peso, spazio e causalità quotidiana — che rappresentazioni costruite solo su testo colgono con minore sicurezza.

A questo si aggiunge una fragilità più sottile: un semplice cambio nella formulazione di una domanda, o l’aggiunta di un dettaglio irrilevante, può far crollare in modo brusco l’accuratezza di un modello su un compito che prima svolgeva senza problemi. Lo stesso vale per i problemi logici costruiti su uno schema mai incontrato in addestramento, anche quando la struttura è identica a quella di esercizi già risolti correttamente: la generalizzazione, in questi casi, resta parziale. Una ricerca condotta con la magnetoencefalografia, confrontando le risposte cerebrali umane con le rappresentazioni interne dei modelli durante l’ascolto di storie, suggerisce però che un addestramento mirato su questi due fronti — sociale/emotivo e senso comune fisico — può avvicinare le risposte dei modelli a quelle umane: il divario, insomma, non sembra incolmabile per principio, ma richiede lavoro specifico, non solo più dati generici.

Il dibattito, ancora aperto, sulla coscienza

Resta poi la domanda più difficile: un sistema del genere può essere, in qualche misura, cosciente? Uno studio del 2024 propone una griglia per classificare le diverse teorie della coscienza lungo due assi — se la coscienza dipenda da una struttura fisica o da una funzione, e se richieda fenomeni semplici o complessi — passando in rassegna posizioni distanti tra loro, dalla teoria dell’informazione integrata (che lega la coscienza umana al grado di interconnessione dell’informazione nel cervello) alle teorie del pensiero di ordine superiore (per cui basta un pensiero, esso stesso non cosciente, rivolto a un contenuto di primo livello). La conclusione degli autori è esplicita: allo stato delle conoscenze al 2026 è prematuro affermare o escludere che un LLM possa essere cosciente. Finché le teorie della coscienza non sono verificabili empiricamente in modo condiviso, sostengono, trarre conclusioni in un senso o nell’altro resterebbe un esercizio non scientifico.

C’è poi un fattore che complica ulteriormente la valutazione: gli LLM sono progettati da persone, addestrati su testi scritti da persone e perfezionati per riprodurre tratti tipicamente umani. Alcuni ricercatori lo descrivono come un “circolo ricorsivo di antropomorfismo”: più un modello imita bene il modo di esprimersi umano, più diventa difficile distinguere una capacità cognitiva reale della macchina dalla semplice proiezione psicologica di chi la usa. È un motivo in più — tra i tanti — per trattare con cautela sia gli entusiasmi sia le liquidazioni sbrigative sul tema, e per continuare a distinguere, quando si parla di intelligenza artificiale generativa, cosa un algoritmo sta effettivamente facendo sotto il cofano da cosa sembra che stia facendo agli occhi di chi legge l’output.