di Marco Vergeat* | L’Intelligenza Artificiale non si governa imparando soltanto a usare gli strumenti. Per Alberto Sangiovanni Vincentelli, la vera questione è comprenderne i fondamenti, esercitare pensiero critico e non perdere il legame tra scienza, tecnologia e cultura umanistica.
È da questa prospettiva che prende forma il dialogo con una delle figure di riferimento mondiali nel campo dell’innovazione tecnologica e della progettazione elettronica. Titolare della cattedra Edgar and Harold Buttner di Ingegneria Elettrica e Informatica presso l’Università della California, Berkeley, e membro del laboratorio Bair, Berkeley Artificial Intelligence Research, Alberto Sangiovanni Vincentelli è autore o coautore di oltre mille articoli scientifici, 17 libri e 3 brevetti, ha attraversato ricerca, università e impresa lasciando un segno profondo in ciascuno di questi ambiti.
Professore, lei ha attraversato diversi mondi, ricerca, università e impresa. Oggi tutti parlano di AI, spesso senza conoscerne davvero la natura. Di che cosa stiamo parlando?
Prima di tutto bisogna conoscere la storia e la struttura profonda delle tecnologie. Spesso, soprattutto in Europa, tendiamo a vedere soltanto la punta dell’iceberg: l’interfaccia, l’applicazione, il servizio finale che arriva all’utente. Ma sotto quella superficie esiste un ecosistema estremamente complesso fatto di semiconduttori, server, infrastrutture di comunicazione, software, investimenti enormi, ricerca scientifica e catene globali di fornitura. Per questo, quando parliamo di sovranità tecnologica, dobbiamo essere molto precisi.
Una completa autosufficienza è difficile da raggiungere in un mondo in cui la tecnologia nasce da una rete globale di competenze. Il concetto più realistico è quello di indipendenza strategica e soprattutto di resilienza: la capacità di assorbire perturbazioni, reagire alle crisi e mantenere il controllo degli elementi critici delle catene del valore.
Lo stesso vale per l’Intelligenza Artificiale: per comprenderla davvero bisogna guardare alla sua evoluzione storica. Non è una tecnologia nata improvvisamente negli ultimi anni. Le sue radici risalgono a molto tempo fa: già prima della Seconda Guerra Mondiale si rifletteva sul rapporto tra calcolo e intelligenza, e il test di Turing del dopoguerra pose una delle domande fondamentali su cosa significhi per una macchina mostrare un comportamento intelligente. Il punto è che questi sistemi, per quanto potenti, non offrono una garanzia matematica che il risultato prodotto sia corretto. Generano risposte sulla base dei dati, delle correlazioni e delle strutture apprese durante l’addestramento. Qui emerge una delle grandi questioni scientifiche aperte. Funzionano, questo è evidente.
Ma dal punto di vista scientifico non abbiamo ancora una comprensione completa del perché funzionino così bene. Ed è proprio questa una delle grandi sfide della ricerca: trasformare una tecnologia estremamente efficace in una disciplina pienamente compresa, controllabile e affidabile.
Quindi il rischio è fidarsi perché la risposta sembra sempre plausibile?
Esatto. È proprio qui che rischiamo di farci ingannare. Questi modelli sono straordinariamente efficaci nel generare risposte convincenti, coerenti e apparentemente autorevoli. Ma dobbiamo ricordare un principio fondamentale: plausibile non significa vero. A me è capitato persino che ChatGpt mi attribuisse il Premio Nobel 2026. La risposta era falsa, ma non era casuale: era una deduzione apparentemente ragionevole. È così che nascono molte allucinazioni dell’Intelligenza Artificiale: informazioni costruite in modo elegante, scritte molto bene, ma prive di una verifica sul loro contenuto. La forma può essere perfetta, mentre la sostanza può essere errata.
Per questo, quando insegniamo l’AI, non dobbiamo limitarci a spiegare come utilizzarla. Dobbiamo insegnare che cosa questi modelli possono fare, quali sono i loro limiti e soprattutto quali conclusioni possiamo o non possiamo trarre dai loro risultati. Qui entra in gioco il pensiero critico. Non bisogna mai prendere una risposta per oro colato: bisogna capire il modello sottostante, conoscere le ipotesi su cui si basa e avere gli strumenti per chiedersi: “Perché questa risposta dovrebbe essere corretta? Quali sono le evidenze? Quali sono i limiti?”
Io dico spesso ai miei studenti che il mio obiettivo non è insegnare semplicemente una tecnica, ma insegnare come affrontare un problema. Le tecnologie cambiano continuamente: se insegniamo soltanto come usare uno strumento o come scrivere il prompt migliore, domani arriva un nuovo modello e quella conoscenza può diventare obsoleta. Quello che rimane sono i fondamenti: matematica, fisica, capacità di astrazione, metodo scientifico. Bisogna imparare a imparare. Se hai basi solide, quando arriva una nuova tecnologia puoi studiarla, comprenderla in profondità e usarla per creare qualcosa di nuovo. Il valore non è conoscere solo lo strumento di oggi, ma avere la capacità di padroneggiare quello di domani.
Anche il successo di Nvidia, in fondo, racconta qualcosa di questa storia?
Certamente questa storia racconta anche il ruolo della fortuna nell’innovazione tecnologica. Ma la fortuna da sola non basta: bisogna trovarsi nella posizione giusta per riconoscerla e avere la capacità di trasformarla in un’opportunità. Nvidia nasce come azienda dedicata alla progettazione di Gpu, le Graphics Processing Units: processori concepiti inizialmente per accelerare la grafica, generare immagini e migliorare l’esperienza visiva, in particolare nel mondo dei videogiochi. Così una tecnologia nata per risolvere un problema apparentemente diverso — la grafica digitale — si è trovata improvvisamente al centro della rivoluzione dell’Intelligenza Artificiale. Un’architettura progettata per manipolare immagini è diventata il motore computazionale capace di addestrare ed eseguire modelli di AI con miliardi di parametri.
È stata fortuna? Certamente, in parte. Molte grandi innovazioni nascono anche dall’incontro tra una tecnologia disponibile e un bisogno emergente. Ma la fortuna favorisce chi ha costruito competenze profonde e sa riconoscere il momento in cui un’idea può cambiare scala. Nvidia non ha soltanto avuto la fortuna di trovarsi nel posto giusto al momento giusto: ha avuto la capacità di capire dove stava andando il mondo e di adattarsi più rapidamente degli altri.
Arriviamo al lavoro. Crede che l’AI farà sparire alcune professioni?
L’automazione, per sua natura, sostituisce alcune forme di lavoro umano. Ma questo non è un fenomeno nuovo: accompagna tutta la storia della tecnologia. All’inizio della rivoluzione industriale i luddisti distruggevano i telai meccanici perché vedevano nelle macchine una minaccia: permettevano di produrre di più, più velocemente e con meno persone. In un certo senso, nel mondo della progettazione elettronica abbiamo vissuto una trasformazione analoga. Con lo sviluppo dell’automazione della progettazione dei circuiti integrati e la nascita di aziende come Cadence e Synopsys, abbiamo sostituito molte attività manuali con strumenti software capaci di affrontare una complessità impossibile per l’uomo. La differenza è che quegli strumenti erano basati su algoritmi deterministici, fondati su matematica, fisica e modelli rigorosi, non su metodi probabilistici come molti sistemi di Intelligenza Artificiale attuali.
Naturalmente questa evoluzione ha trasformato il lavoro. Figure come i layout artist, che disegnavano manualmente le geometrie dei circuiti integrati, o molti logic designer, che ottimizzavano manualmente le reti logiche, sono progressivamente scomparse nella loro forma originaria. Ma le competenze di quelle persone non sono sparite: si sono evolute. Molti professionisti si sono spostati verso attività di livello superiore, più creative, dove erano richiesti capacità di progettazione, comprensione del sistema e giudizio ingegneristico. Con l’Intelligenza Artificiale la questione è simile, ma cambia la velocità della trasformazione e cambia la platea coinvolta.
Oggi l’automazione non riguarda soltanto il lavoro manuale o tecnico: investe anche molte professioni intellettuali, i cosiddetti “colletti bianchi”. Attività ripetitive di analisi, verifica, classificazione o controllo formale possono essere svolte da sistemi di AI. Per controllare se un documento contiene una certa informazione, ad esempio, non è sempre necessario l’intervento diretto di una persona. Ma dobbiamo ricordare una distinzione fondamentale: questi sistemi non producono una verità matematica. Un algoritmo deterministico fornisce un risultato derivato da regole precise e verificabili; un modello linguistico genera invece una risposta basata su correlazioni e probabilità. Può essere estremamente utile e potente, ma richiede ancora capacità critica, verifica e responsabilità umana.
E poi arriva la physical AI…
Il passo successivo sarà la Physical AI, che rappresenta in qualche modo l’evoluzione di un concetto che alcuni di noi hanno introdotto diversi anni fa: i Cyber-Physical Systems. Si tratta di sistemi in cui il mondo fisico e quello computazionale sono profondamente integrati: automobili, treni, aerei, robot e infrastrutture che non sono più semplicemente controllati da componenti elettroniche, ma incorporano capacità decisionali e forme crescenti di intelligenza.
La differenza oggi è che la componente “cyber”, cioè la parte che osserva, interpreta e governa il comportamento del sistema fisico, viene sempre più spesso realizzata attraverso l’Intelligenza Artificiale. È ciò che vediamo nelle automobili autonome, nei droni intelligenti, nella robotica avanzata e in tutti quei sistemi capaci di percepire l’ambiente, prendere decisioni e agire direttamente nel mondo reale. Questo passaggio avrà inevitabilmente conseguenze anche sul lavoro e sulla società. Ma il problema non è fermare l’automazione.
La storia dell’umanità è sempre stata una storia di strumenti creati per ampliare le nostre capacità: fare meglio, con maggiore efficienza, con meno fatica e a costi inferiori. La vera sfida è la velocità della trasformazione. La tecnologia, la scienza e l’economia sono sistemi adattativi: nel tempo trovano nuovi equilibri, generano nuove opportunità e ridefiniscono il ruolo delle persone. La domanda cruciale è se la società, le istituzioni e il sistema educativo saranno capaci di evolvere con la stessa rapidità. Non dobbiamo solo costruire macchine più intelligenti, ma progettare un ecosistema in cui AI, sistemi fisici e capacità umane possano coesistere e potenziarsi reciprocamente.
In tale scenario, dove resta il valore dell’umano?
L’Intelligenza Artificiale è uno strumento straordinario, ma non possiede il monopolio della verità: può proporre risposte potenti, ma non necessariamente corrette. Per questo il ruolo dell’essere umano diventa ancora più importante. Avremo sempre bisogno di persone capaci di giudicare, interpretare e validare ciò che la macchina produce. Il nostro valore non sarà misurato dalla capacità di competere con un algoritmo nella quantità di informazioni elaborate o nella velocità di calcolo. Le macchine vinceranno inevitabilmente su quel terreno.
Il contributo umano risiede invece nella capacità di formulare il problema giusto, costruire astrazioni significative, comprendere il contesto, collegare discipline diverse e porre domande nuove. Il pensiero critico diventa quindi l’elemento essenziale dell’innovazione. Per affrontare sistemi sempre più complessi non basta una preparazione esclusivamente tecnica: serve una cultura capace di integrare matematica, scienza, tecnologia e discipline umanistiche in una visione complessiva.
La progettazione è, in fondo, un processo filosofico oltre che tecnico: l’ingegnere crea prima un mondo astratto, un modello ideale della realtà; poi deve trasformarlo in qualcosa che possa esistere, confrontandosi con i vincoli imposti dalla fisica, dalla tecnologia e dalla società. L’astrazione è il ponte tra l’idea e il mondo reale. Senza una riflessione profonda su concetti come il tempo, la causalità, la rappresentazione e la conoscenza, molte innovazioni tecnologiche non sarebbero possibili. La filosofia non è lontana dall’ingegneria: è uno degli strumenti che ci aiuta a progettare meglio il futuro.
* L’intervista è un estratto di quanto pubblicato sul numero di luglio della rivista formaFuturi di Asfor e sul numero di settembre della rivista Forme
Chi è Alberto Sangiovanni VincentelliAlberto Sangiovanni Vincentelli è uno dei massimi esperti |
mondiali di progettazione elettronica e innovazione tecnologica. Professore della cattedra Edgar and Harold Buttner di Ingegneria Elettrica e Informatica presso l’Università della California, Berkeley, è tra i protagonisti della trasformazione che ha portato la progettazione dei circuiti integrati dall’artigianato all’automazione industriale. Co-fondatore di Cadence Design Systems e Synopsys, aziende leader globali nell’Electronic Design Automation, ha contribuito allo sviluppo degli strumenti che hanno reso possibile la progettazione dei chip più avanzati al mondo. Membro del laboratorio Berkeley Artificial Intelligence Research, è autore o coautore di oltre mille pubblicazioni scientifiche, 17 libri e 3 brevetti. Fellow dell’Ieee e dell’Acm, è membro della National Academy of Engineering e dell’American Academy of Arts and Sciences. Scienziato, imprenditore e docente, ha dedicato la propria carriera alla costruzione di ponti tra ricerca, industria e formazione, promuovendo una visione dell’innovazione fondata su rigore scientifico, pensiero critico e integrazione tra cultura tecnologica e umanistica.
