Fabio Ciotti
Il 3 settembre 2026 OpenAI ha presentato l’ultima evoluzione della sua famiglia di modelli linguistici neurali, GPT-6, denominato Astra (OpenAI 2026), proseguendo la successione di entità cosmiche che, nella precedente iterazione (GPT-5.6), passava da Luna, Terra e Sol. Come di consueto, il rilascio del modello è stato accompagnato dalla pubblicazione di una serie di risultati sperimentali e benchmark che documentano l’avanzamento delle capacità del nuovo modello. Ma al solito entusiasmo del marketing e al profluvio di valori lusinghieri ottenuti nei test (in particolare i risultati nel benchmark ARC-AGI 3 hanno suscitato molto stupore, e non poche precisazioni, ma ne parleremo più avanti), questa volta si è aggiunta una dichiarazione molto netta da parte del presidente dell’azienda californiana, Greg Brockman, che ha sentenziato: «Welcome to the AGI era» (Fried 2026). Una simile dichiarazione ha ovviamente scatenato un vivacissimo dibattito su tutte le piattaforme social, i concentratori di blog, e la pubblicistica specializzata, al solito articolata tra chi dice «no», chi «sì ma» e chi invece consente entusiasticamente.
Non voglio entrare nel merito della correttezza dell’affermazione, di sicuro la qualità delle prestazioni del modello e le applicazioni indipendenti che già mostrano il suo elevatissimo livello in ambito matematico e scientifico testimoniano che siamo di fronte a un ennesimo passo in avanti nello sviluppo di questi sistemi intelligenti artificiali. Né qui intendo porre l’attenzione sul fatto che Astra renda molto meno perspicue e ricche le tracce testuali rese disponibili all’utente dei processi di reasoning, rendendo se possibile ancora meno perspicui i processi di generazione linguistica e l’interpretabilità complessiva del modello (anche se non è chiaro il perché, si vedano ad esempio le note di Sebastian Raschka sul fatto che l’architettura a Looped Transformers non spiega di per sé questa modifica del comportamento pubblico del modello: il riuso degli strati non implica la soppressione della catena di ragionamento visibile, Raschka 2026). La visibilità di queste tracce va comunque distinta dalla loro fedeltà ai processi generativi «token per token» che producono la risposta: una spiegazione più estesa non garantisce, da sola, una maggiore interpretabilità del modello.
Vorrei piuttosto dedicare alcune riflessioni al termine Artificial General Intelligence, AGI, che la comunità di sviluppatori e in parte di teorici e filosofi dell’AI ha iniziato a usare da qualche anno per denotare l’avvento di sistemi artificiali intelligenti almeno human level. Perché credo che il termine AGI, che svolge un gran lavoro in termini di marketing, dal punto di vista filosofico non aggiunga molto alla discussione. Potremmo infatti domandarci che cosa si intenda e quali condizioni dovrebbero rendere giustificata l’attribuzione di un’intelligenza «generale» a un sistema artificiale; e che cosa aggiunge questa determinazione al concetto di intelligenza? Si badi, è pacifico che possiamo riconoscere l’importanza dei risultati nei vari benchmark e nelle applicazioni di alto livello di questo come di altri modelli frontier come Fable e Mythos, ma io credo che non sia concettualmente necessario assumere che essi individuino una discontinuità teorica corrispondente alla discontinuità annunciata sul piano tecnologico. La mia ritrosia verso il termine AGI riguarda infatti il rapporto fra un insieme di capacità osservabili, i concetti con cui le descriviamo e le inferenze che riteniamo legittime da ricavare dalla loro misurazione. La tesi che intendo avanzare è che l’aggettivo «generale», pur potendo ricevere definizioni comparative e operative utili, non costituisca di per sé una categoria filosoficamente distinta di intelligenza; e che il suo impiego, quando questa distinzione viene invece asserita, rischi di reintrodurre una concezione essenzialista dell’intelligenza, assumendo la generalità come requisito dal quale dipenderebbe ogni autentica attribuzione di capacità intelligenti. La critica riguarda questo impiego del concetto, anche quando il presupposto rimane implicito nell’enfasi che lo accompagna; riconoscere un agente come intelligente è invece compatibile con il possesso di combinazioni differenti e parziali di capacità. Nelle prossime righe provo a fornire alcuni argomenti a sostegno di queste mie tesi.
Il termine AGI acquista visibilità come programma di ricerca molto prima dell’era dei modelli neurali profondi, con la pubblicazione del volume Artificial General Intelligence, curato da Ben Goertzel e Cassio Pennachin nel 2007, indicando la costruzione di sistemi dotati di capacità cognitive ampie e trasferibili fra domini differenti (Goertzel e Pennachin 2007). Secondo la ricostruzione di Goertzel, fu Shane Legg (poi co-fondatore di DeepMind) a proporre la formula nel 2002, durante la preparazione del volume; nella stessa ricostruzione Goertzel segnala un uso precedente dell’espressione da parte di Mark Gubrud, nel 1997 (Goertzel 2014, nota 2). La sua adozione rispondeva dunque all’esigenza di distinguere un orientamento della ricerca AI dalle applicazioni specialistiche dell’intelligenza artificiale (Goertzel 2014, § 1). In questa fase erano già presenti approcci neurali e programmi di ricerca ambiziosi, mentre la specifica traiettoria dei transformer e degli LLM non si era ancora sviluppata e il dibattito sull’AGI riguardava una nicchia della ricerca. Gli eventi che sono seguiti alla pubblicazione del famigerato «Attention Is All You Need» (Vaswani et al. 2017) e la nascita di GPT hanno cambiato le carte in tavola e il termine AGI è stato assunto dalla comunità AI neurale (e soprattutto dalle aziende che ci hanno fatto la fortuna) come termine che indica l’obiettivo ormai prossimo (anzi, secondo la dichiarazione di Brockman richiamata sopra, già conseguito) di un approccio che ha sbaragliato tutta la tradizione precedente di orientamento simbolico formale, con buone ragioni.
Ne è conseguita una certa elaborazione teorica volta ad aggiornare le definizioni di AGI, producendo così una dispersione di definizioni di diversa solidità teorica e traducibilità operazionale, e questa varietà è quella che mi ha condotto a maturare una certa diffidenza sulla produttività filosofica e scientifica della nozione. Ad esempio, nella Charter di OpenAI, l’AGI viene caratterizzata come un insieme di sistemi altamente autonomi che superino gli esseri umani nella maggior parte del lavoro economicamente rilevante (OpenAI s.d.); nelle «Three Observations» di Sam Altman, invece, il riferimento è alla capacità di affrontare problemi progressivamente più complessi, a livello umano, in molti campi (Altman 2025). Le due formulazioni selezionano proprietà differenti: autonomia, estensione dei domini e rendimento economico nella prima; complessità dei problemi, ampiezza delle competenze e confronto con le capacità umane nella seconda. Anche il termine di paragone cambia, poiché raggiungere un livello umano e superarlo non sono condizioni equivalenti. Dario Amodei, in «Machines of Loving Grace», preferisce parlare di «powerful AI» e descrive sistemi dotati di competenze superiori a quelle di esperti eminenti, capaci di operare autonomamente e riproducibili su vasta scala, fino alla formula «a country of geniuses in a datacenter» (Amodei 2024). Qui la caratterizzazione incorpora anche la velocità di esecuzione e la moltiplicazione degli agenti: proprietà che possono trasformare radicalmente gli effetti sociali di una tecnologia, ma che occorre distinguere dalle proprietà cognitive del singolo sistema. Documenti programmatici e interventi personali dei dirigenti delineano dunque obiettivi diversi, la cui convergenza sotto la stessa sigla non ne dimostra l’equivalenza concettuale. Demis Hassabis, che ha avuto una notevole oscillazione tra ottimismo e pessimismo sulla data dell’avvento dell’AGI, per parte sua propone come prova dell’AGI la capacità di un sistema, addestrato sulle conoscenze disponibili fino al 1911, di elaborare autonomamente la relatività generale, formulata da Einstein nel 1915. Il criterio attribuisce dunque un ruolo decisivo alla capacità di produrre innovazioni scientifiche paragonabili a quelle dei maggiori scienziati della storia (Hassabis 2026).
Gli articoli più strettamente di ricerca mirano a rendere questa discussione più precisa. Nel lavoro sui «Levels of AGI», Meredith Ringel Morris e gli altri autori di Google DeepMind distinguono l’ampiezza delle capacità dal livello delle prestazioni, articolando quest’ultimo mediante confronti con le distribuzioni di competenza umana e trattando separatamente l’autonomia (Morris et al. 2024; un’analisi compatibile con la posizione qui sostenuta). Il successivo «Measuring Progress Toward AGI: A Cognitive Framework», di Ryan Burnell et al., propone dieci facoltà cognitive e un protocollo di valutazione volto a produrre profili differenziati delle capacità dei sistemi (Burnell et al. 2026). Anche «A Definition of AGI», di Dan Hendrycks e collaboratori, ricorre alla tradizione psicometrica, in particolare al modello Cattell–Horn–Carroll, per specificare i domini di competenza e i riferimenti umani (Hendrycks et al. 2025; per il modello Cattell–Horn–Carroll, si veda McGrew 2009). Questi tentativi mostrano che sotto l’etichetta AGI può svolgersi un lavoro metodologico effettivo, e sarebbe improprio assimilarli, senza ulteriori distinzioni, alla comunicazione commerciale. Tuttavia, proprio la loro articolazione e diffrazione, oltre che la tendenza accumulatoria che le caratterizza, rendono apparente quanto la specificazione della nozione richieda di stabilire quali e quante capacità considerare, come campionare i compiti, quale popolazione umana adottare come riferimento se si intende usare l’intelligenza umana come baseline di riferimento, e quale relazione istituire fra i risultati locali e il giudizio complessivo.
La generalità può designare l’estensione dei domini in cui un agente opera, oppure la sua capacità di apprendere compiti nuovi e di trasferire conoscenze tra contesti. In queste accezioni essa individua dimensioni rispetto alle quali possiamo formulare confronti significativi; tuttavia, dall’ampiezza delle prestazioni non segue l’unità dei meccanismi che le producono, e dalla flessibilità di un comportamento non segue l’esistenza di una soglia naturale oltre la quale l’intelligenza cambierebbe di statuto. Peraltro, quando attribuiamo intelligenza a una persona, la capacità di adattarsi, di mettere in relazione informazioni eterogenee e di riformulare un problema è già parte di ciò che prendiamo in considerazione. L’aggettivo generale rende esplicite alcune di queste aspettative, ma questo non è condizione sufficiente ad assumere che esso denoti una qualità distinguibile dell’essere intelligenti, né a giustificarne l’esigenza concettuale. Resta possibile costruire una classificazione che distingua sistemi specialistici da sistemi capaci di operare in molti domini; ciò che richiede un argomento aggiuntivo è il passaggio da questa distinzione a una contrapposizione fra due generi di intelligenza. Inoltre, la competenza specialistica può essere intelligente anche quando non si accompagna alla flessibilità richiesta da una particolare definizione di AGI: l’estensione di una capacità e il suo carattere intelligente sono questioni connesse, ma non coincidenti.
Faccio queste osservazioni perché, a ben vedere, questa difficoltà era ben presente nella considerazione del fondatore dell’AI come programma scientifico, Alan Turing. All’inizio di «Computing Machinery and Intelligence», come ben noto, egli osserva che definire «macchina» e «pensare» attraverso gli usi ordinari condurrebbe a far dipendere la risposta da un sondaggio sulle opinioni, e per questo propone di sostituire la domanda se le macchine possano pensare con quella relativa al gioco dell’imitazione. Ma è ben consapevole che l’intelligenza è una capacità a largo raggio e infatti nel descrivere il gioco chiarisce come l’interrogazione debba riguardare ambiti differenti dell’attività umana (include anche domande matematiche, prevedendo che la macchina possa introdurre errori deliberati per evitare di essere riconosciuta); il canale linguistico consente di metterli in relazione e di giudicare l’interlocutore (Turing 1950, 433–435, 448–449). Nella lettura esigente di questa proposta, una conversazione non circoscritta artificialmente nei contenuti permette di interrogare la coerenza delle risposte, di introdurre variazioni e di verificare se quanto affermato in un contesto sia utilizzabile in un altro. Un sistema dovrebbe quindi sostenere una pratica in cui conoscenze, inferenze e interpretazioni vengono continuamente ricombinate. La flessibilità che si invoca per definire l’AGI era già implicata nell’architettura epistemica del test di Turing e della sua idea di intelligenza, dove la conversazione costituiva un mezzo per esplorare una pluralità di capacità e le loro relazioni, senza doverne stabilire preliminarmente una definizione esaustiva. È in questo senso che considero concettualmente pleonastica la qualificazione di «generale»: la flessibilità che essa richiama appartiene già alla concezione dell’intelligenza messa alla prova dal gioco, pur potendo essere precisata e graduata per costruire confronti empirici.
A fronte delle molte critiche a cui il test è stato soggetto nel corso dei decenni (e in particolare dell’argomento della stanza cinese di Searle (1980), diretto contro la sufficienza dell’esecuzione di un programma per la comprensione e, per questa via, contro la sufficienza della prestazione come criterio della comprensione stessa), Dennett, in un articolo intitolato «Can Machines Think?», mette in evidenza quanto sia articolato e profondo il gioco immaginato da Turing definendolo «a cannily chosen test of more general intelligence» e collega il suo superamento alla capacità di compiere «indefinitely many other clearly intelligent actions» (Dennett 1985, 124). L’argomento si fonda sulla «quick-probe assumption»: una prova sufficientemente esigente dovrebbe essere altamente indicativa del possesso di capacità ulteriori rispetto a quelle direttamente osservate. Dennett insiste anche sull’asimmetria della conclusione, poiché il fallimento della prova non implica il fallimento in altre attività intelligenti (Dennett 1985, 124). Il punto riguarda dunque il valore probatorio di un’interazione capace di sollecitare connessioni impreviste fra competenze, e la difficoltà di soddisfarne le richieste mediante risposte circoscritte a un repertorio specialistico. Possiamo riconoscere in questa impostazione una ragione per prendere sul serio il test: l’indeterminatezza degli argomenti affrontabili consente all’interrogazione di seguire le conseguenze delle risposte, mettendo alla prova la capacità dell’agente di conservarne e modificarne coerentemente il significato.
Pochi anni dopo, Dennett, discutendo il successo di Deep Blue contro Kasparov, torna sul tema delle versioni impoverite del test, discutendo le restrizioni introdotte nelle varie competizioni che erano state messe in opera per implementare il gioco di Turing, identificando come tali restrizioni apparentemente innocenti potessero favorire una sopravvalutazione dei programmi messi alla prova (Dennett 1997). La sua difesa consente quindi di distinguere la forza della proposta da quella di ogni protocollo che ne adotti il nome. Anche una simile difesa, tuttavia, deve mantenere il proprio carattere empirico: il nesso fra successo conversazionale e altre capacità può essere corroborato o indebolito dall’osservazione dei sistemi, e non può essere garantito ridefinendo retrospettivamente il «vero» superamento del test come il superamento da parte di un agente già riconosciuto intelligente. Una procedura pubblicamente specificata, sufficientemente ampia e rigorosa, potrebbe fornire ragioni molto forti per attribuire intelligenza a una macchina, ma la forza di tali ragioni non dipende dall’individuazione di una natura essenziale del pensiero. Credo che il grande contributo della linea di riflessione che da Turing arriva a Dennett (ma vi aggiungerei anche il magistero del secondo Wittgenstein e di Ryle, per le affinità con questa impostazione metodologica) consista proprio nell’aver mostrato come si possa sostenere l’efficacia di un criterio di attribuzione senza trasformarlo in una teoria ontologica completa sulla natura dell’intelligenza.
L’aggettivo generale lascia inoltre sostanzialmente intatta l’indeterminazione del sostantivo che qualifica. Le definizioni di intelligenza elaborate nella psicologia, nelle scienze cognitive e nella filosofia selezionano proprietà differenti, quali apprendimento, adattamento, ragionamento, comprensione, pianificazione e capacità di conseguire scopi; e anche quando impiegano gli stessi termini possono attribuire loro ruoli teorici diversi, talché qualsiasi sovrapposizione non individuerebbe un nucleo comune necessario e sufficiente. Il fatto che una capacità ricorra in molte descrizioni dell’intelligenza non dimostra che tutte le altre siano riducibili a essa. Né l’eventuale individuazione di processi condivisi eliminerebbe automaticamente le distinzioni funzionali fra le attività che tali processi rendono possibili. Dobbiamo quindi tenere separata la domanda sulle proprietà che scegliamo per classificare un comportamento da quella sui meccanismi che lo producono e da quella sulle condizioni in cui siamo disposti a riconoscerlo come intelligente.
Con questo non voglio sostenere che occorra rinunciare tout court alle definizioni, ma che il loro ruolo è piuttosto epistemologico che ontologico. Da questo punto di vista la nozione carnapiana di esplicazione consente di preservarne l’utilità metodologica senza attribuire loro il compito di scoprire un significato essenziale già contenuto nel linguaggio ordinario. Un concetto inizialmente impreciso, l’explicandum, viene sostituito da un explicatum costruito per svolgere determinati compiti teorici; la sua adeguatezza dipende dalla relazione con gli usi di partenza e dalla precisione, dalla fecondità e dalla semplicità della nuova formulazione (Carnap [1950] 1962, 3–8, §§ 2–3). Applicata all’intelligenza, questa impostazione consente di ridurre l’indeterminazione quanto basta per formulare ipotesi condivise, confrontare modelli e organizzare esperimenti, senza rendere per questo le definizioni arbitrarie e strumentalistiche: possiamo discuterne la pertinenza rispetto al fenomeno, la capacità di sostenere inferenze controllabili e l’utilità per la ricerca. La richiesta di esplicitare gli scopi della definizione introduce quindi un vincolo metodologico, poiché rende valutabile il rapporto fra la scelta concettuale e il lavoro che essa dovrebbe consentire. Abbiamo una sorta di protocollo epistemologico in cui cooperano tre operazioni spesso sovrapposte: l’esplicazione precisa il concetto, l’operazionalizzazione lo collega a procedure e indicatori osservabili, la validazione esamina se quelle procedure giustifichino le inferenze per cui vengono impiegate. Un indicatore può essere numericamente preciso e riproducibile, pur rappresentando in modo inadeguato la capacità che si intende studiare; oppure può essere appropriato a una capacità circoscritta e venire esteso impropriamente a un giudizio complessivo sull’agente. Nel caso dell’AGI, questa seconda possibilità assume particolare rilievo. Si definisce una proprietà attraverso un insieme di prove, si accerta che un sistema soddisfa la definizione e poi si torna a usare l’intelligenza generale con il carico di aspettative che il termine possedeva prima della precisazione. Il significato stipulato e quello più ampio non diventano equivalenti in virtù del nome comune.
La serie di benchmark ARC costituisce un esempio paradigmatico di questo processo di affinamento. Nel progetto di François Chollet, l’interesse si sposta dalle competenze già acquisite all’efficienza con cui un sistema può acquisirne di nuove, tenendo conto delle conoscenze iniziali e dell’esperienza disponibile (Chollet 2019). ARC-AGI-3 sviluppa questa impostazione mediante ambienti interattivi astratti, nei quali l’agente deve esplorare, individuare regolarità e obiettivi e pianificare le azioni. Il punteggio considera l’efficienza delle interazioni rispetto a un riferimento umano: il numero di azioni impiegate costituisce una misura dell’esperienza richiesta, distinta dal tempo complessivo e dal costo computazionale (ARC Prize Foundation 2026, § 4). Ad esempio per il modello Astra, ARC Prize riporta sull’insieme Semi-Private un punteggio del 62,7% con il proprio ambiente di harnessing standard (livello di ragionamento max) e del 99,9% con il Provider Adapter (livello high), un harnessing avanzato sviluppato da OpenAI che ottimizza i processi di memorizzazione dei processi e dei task eseguiti (la soluzione esternalista usata per rendere continua l’azione degli agenti AI, in attesa che qualcuno trovi una soluzione architetturale al problema dell’apprendimento continuo), poiché è in grado di conservare lo stato interno del ragionamento tra richieste e gestisce la compressione del contesto. I responsabili della fondazione che gestisce il benchmark, uno dei moloch più temuti dai produttori di modelli linguistici, riconoscono il grande progresso, ma sintomaticamente precisano che la saturazione del benchmark non equivale alla dimostrazione dell’AGI (Kamradt 2026). La differenza fra le configurazioni mostra anche perché la descrizione dell’apparato sperimentale è parte del significato del risultato: ciò che viene misurato è un sistema individuato attraverso il modello e le condizioni nelle quali gli viene consentito di operare.
Se tuttavia il risultato nel test ARC, che possiamo considerare pienamente certificato, lascia aperta la questione dell’AGI, occorre chiarire quale contenuto venga attribuito a questa nozione oltre alle capacità misurate. La difficoltà concettuale emerge quando la generalità, già implicata nella flessibilità dell’agire intelligente, viene invocata come qualcosa di ulteriore che dovrebbe conferire alle prestazioni il loro autentico carattere intelligente, senza specificare in che cosa consista e come riconoscerla. In questo uso enfatico ed esplicativamente indeterminato, l’AGI rischia di diventare una sorta di flogisto dell’AI: un principio postulato per spiegare le capacità osservate, la cui attribuzione resta però priva di criteri indipendenti da quelle stesse capacità. L’efficienza nell’apprendimento di ambienti nuovi fornisce un’evidenza pertinente di una capacità importante, ma l’estensione di tale evidenza al possesso di comprensione sociale, al giudizio pratico o all’elaborazione di problemi aperti dipende da ulteriori relazioni empiriche e teoriche. Al contrario se scegliamo di definire l’AGI in termini di conformità a un determinato insieme di protocolli per valutare la sussistenza di capacità determinate, il sistema che lo soddisfa possiede le proprietà così definite, ma, a quanto pare, questo non elimina la controversia circa ciò che siamo autorizzati ad inferire a questa conclusione riguardo la sua intelligenza.
Il problema della validazione del giudizio di intelligenza o intenzionalità, peraltro, non è limitato solo ai sistemi artificiali e ai benchmark con cui sono misurati. La scelta di considerare prioritaria o caratteristica o di particolare rilievo teorico, una determinata funzione cognitiva può risultare limitativa anche quando individua una capacità molto ampia, intuitivamente presente in ogni comportamento intelligenti. SI prenda ad esempio la facoltà di previsione, alla quale le teorie del predictive processing attribuiscono un ruolo centrale nella spiegazione della percezione e dell’azione: il cervello viene descritto come un sistema che genera aspettative e le rivede in relazione agli scarti rispetto agli stimoli ricevuti (Clark 2013). Anche l’addestramento degli LLM autoregressivi, notoriamente, impiega un obiettivo predittivo, consistente nella ottimizzazione della stima sulla continuazione di sequenze linguistiche (Brown et al. 2020). Questa affinità, si badi, richiede di distinguere il livello del meccanismo computazionale da quello delle funzioni esercitate dall’agente, poiché il ricorso alla previsione può contribuire ad attività diverse senza esaurirne la descrizione, altrimenti avrebbe ragione i fautori delle teorie deflazionistiche sull’IA. Ma, si potrebbe osservare, muoversi in un ambiente complesso comporta anche la selezione delle informazioni pertinenti, la formulazione di scopi e la costruzione di alternative d’azione: una teoria che assuma la previsione come principio generale deve spiegare come queste attività siano realizzate e coordinate. L’immaginazione controfattuale è dunque parte integrante di tale articolazione, perché comprende la previsione delle conseguenze insieme alla variazione delle condizioni da cui esse dipendono. La costruzione di alternative richiede di selezionare gli aspetti da modificare e i vincoli da conservare in relazione agli scopi del progetto; le conseguenze previste possono poi suggerire una revisione delle ipotesi, attraverso aggiustamenti reciproci fra immaginazione e valutazione. La teoria causale offre strumenti per precisare alcune delle inferenze coinvolte, distinguendo l’associazione fra eventi, gli effetti di un intervento e gli esiti controfattuali rispetto a ciò che è avvenuto (Shpitser e Pearl 2008). Questa distinzione riguarda le informazioni e le assunzioni richieste dalle inferenze; per spiegare la progettazione occorre inoltre rendere conto della produzione delle alternative che vengono sottoposte a valutazione. Previsione e immaginazione possono essere realizzate attraverso processi computazionali comuni e rimanere funzionalmente distinguibili per il contributo che danno all’attività dell’agente.
Quanto abbiamo discusso finora, a mio parere, suggerisce di considerare l’intelligenza attraverso un repertorio aperto di capacità e delle loro forme di cooperazione, del quale agenti differenti possono realizzare combinazioni parziali altrettanto legittime. Il riconoscimento dell’intelligenza non richiede che ciascun agente possieda tutte le facoltà del repertorio, comprese quelle caratteristiche dell’esperienza umana. Negli esseri umani anche la comprensione e la regolazione delle emozioni, la formazione di scopi durevoli e la revisione dei propri progetti rispetto a valori e relazioni contribuiscono all’orientamento dell’azione. Nel confronto con gli LLM, la capacità di elaborare piani rispetto a un obiettivo assegnato va esaminata insieme alla possibilità di formulare e rivedere autonomamente scopi di più ampio respiro; analogamente, la competenza nel riconoscere e descrivere emozioni solleva la questione del rapporto fra queste prestazioni e la regolazione affettiva dell’attività. Le relazioni fra tali capacità possono variare fra individui, pratiche culturali e specie, e il confronto con agenti artificiali estende ulteriormente lo spazio delle organizzazioni possibili. La nozione wittgensteiniana di somiglianze di famiglia consente di descrivere affinità parziali e sovrapposte fra queste forme d’intelligenza, mantenendo aperta l’indagine sulle caratteristiche che condividono (Wittgenstein 1953, §§ 65–67; Raatzsch 1993, 50–73). A bene vedere, entro questo quadro, anche una capacità generale può essere studiata come risultato del coordinamento fra facoltà, secondo modalità e gradi differenti.
L’attribuzione di prestazioni «superumane» richiede a sua volta di specificare quali capacità vengano confrontate e rispetto a chi. Superare la media di un campione, il migliore specialista in una prova o una collettività dotata di strumenti corrisponde a risultati diversi, che dipendono dal compito e dalle condizioni di riferimento. Anche entro uno stesso dominio, l’eccellenza presenta dimensioni distinguibili: nelle attività matematiche, ad esempio, risolvere un problema, formularne uno nuovo e valutarne l’interesse comporta capacità il cui rapporto deve essere esaminato; nella narrazione, i criteri della valutazione dipendono anche da pratiche interpretative e convenzioni culturali. La costruzione di un indice complessivo richiede perciò di assegnare un peso alle diverse prestazioni e di stabilire quanto un vantaggio possa compensare una difficoltà. L’ordinamento ottenuto incorpora queste scelte, mentre il confronto fra profili permette di conservare informazioni sulle differenze fra gli agenti e sulla composizione delle loro competenze.
Il funzionalismo metodologico e la diffidenza verso qualsiasi tentazione verso l’essenziale, l’originario, il genuino, che qui, come in molte altre occasioni, propongo, assume come oggetto di analisi prima le capacità esercitate da un agente, poi il loro coordinamento e infine i processi che le rendono possibili. La generalità come proprietà di questa organizzazione può emergere ex post, senza presupporre un’essenza separata che fondi genericamente il comportamento intelligente. L’utilità delle definizioni di AGI è dunque limitata al lavoro metodologico e sperimentale che permettono di svolgere: le prestazioni degli LLM forniscono già materiale per questa ricerca e ragioni per riconoscerne l’intelligenza in numerose attività. Una concezione plurale del mentale permette di sviluppare tali attribuzioni attraverso confronti determinati, considerando la varietà dei livelli di organizzazione e delle forme di realizzazione dell’intelligenza.
Ma alla fine di questa composita e anche un po’ rizomatica argomentazione, possiamo rispondere alla domanda se Astra sia finalmente un’AGI? Non lo so, ma per scrivere queste note ho fatto una lunga conversazione con lei (lui, essa…?) e in generale era contraria a molti dei miei argomenti e li riteneva non conclusivi… giudicate voi!
Bibliografia
Altman, Sam. 2025. “Three Observations.” 9 febbraio.
Amodei, Dario. 2024. “Machines of Loving Grace.” Ottobre.
ARC Prize Foundation. 2026. ARC-AGI-3: A New Challenge for Frontier Agentic Intelligence. Rapporto tecnico, 22 aprile.
Brown, Tom B., Benjamin Mann, Nick Ryder, et al. 2020. “Language Models Are Few-Shot Learners.” arXiv:2005.14165.
Burnell, Ryan, Yumeya Yamamori, Orhan Firat, et al. 2026. “Measuring Progress Toward AGI: A Cognitive Framework.” Preprint, 27 maggio. arXiv:2605.28405.
Carnap, Rudolf. (1950) 1962. Logical Foundations of Probability. 2ª ed. Chicago: University of Chicago Press.
Chollet, François. 2019. “On the Measure of Intelligence.” Preprint. arXiv:1911.01547.
Clark, Andy. 2013. “Whatever Next? Predictive Brains, Situated Agents, and the Future of Cognitive Science.” Behavioral and Brain Sciences 36, n. 3: 181–204.
Dennett, Daniel C. 1985. “Can Machines Think?” In How We Know, a cura di Michael Shafto, 121–145. San Francisco: Harper & Row.
Dennett, Daniel C. 1997. “Can Machines Think? Deep Blue and Beyond.” ICCA Journal 20, n. 4: 215–223.
Fried, Ina. 2026. “‘Welcome to the AGI Era,’ OpenAI Says as GPT-6 Astra Debuts.” Axios, 3 settembre.
Goertzel, Ben. 2014. “Artificial General Intelligence: Concept, State of the Art, and Future Prospects.” Journal of Artificial General Intelligence 5, n. 1: 1–46.
Goertzel, Ben, e Cassio Pennachin, a cura di. 2007. Artificial General Intelligence. Berlin e Heidelberg: Springer.
Hassabis, Demis. 2026. Intervento in “Fireside Chat: Sir Demis Hassabis and Prof Govindan Rangarajan.” Indian Institute of Science, 17 febbraio.
Hendrycks, Dan, Dawn Song, Christian Szegedy, et al. 2025. “A Definition of AGI.” Preprint. arXiv:2510.18212.
Kamradt, Greg. 2026. “OpenAI’s GPT-6 Astra on ARC-AGI-3.” ARC Prize, 3 settembre.
McGrew, Kevin S. 2009. “CHC Theory and the Human Cognitive Abilities Project: Standing on the Shoulders of the Giants of Psychometric Intelligence Research.” Intelligence 37, n. 1: 1–10.
Morris, Meredith Ringel, Jascha Sohl-Dickstein, Noah Fiedel, Tris Warkentin, Allan Dafoe, Aleksandra Faust, Clement Farabet e Shane Legg. 2024. “Position: Levels of AGI for Operationalizing Progress on the Path to AGI.” In Proceedings of the 41st International Conference on Machine Learning, a cura di Ruslan Salakhutdinov et al., 36308–36321. Proceedings of Machine Learning Research 235. PMLR.
OpenAI. s.d. “OpenAI Charter.” Consultato il 9 settembre 2026.
OpenAI. 2026. “GPT-6 Astra: A New Generation of Intelligence.” 3 settembre.
Raatzsch, Richard. 1993. “Philosophical Investigations 65ff: On Family Resemblance.” In Essays on Wittgenstein, a cura di Peter Philipp e Richard Raatzsch, 50–73. Working Papers from the Wittgenstein Archives at the University of Bergen 6. Bergen: Università di Bergen.
Raschka, Sebastian. 2026. “OpenAI Astra and Looped Transformers.” 2 settembre.
Searle, John R. 1980. “Minds, Brains, and Programs.” Behavioral and Brain Sciences 3, n. 3: 417–424.
Shpitser, Ilya, e Judea Pearl. 2008. “Complete Identification Methods for the Causal Hierarchy.” Journal of Machine Learning Research 9: 1941–1979.
Turing, Alan M. 1950. “Computing Machinery and Intelligence.” Mind 59, n. 236: 433–460.
Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser e Illia Polosukhin. 2017. “Attention Is All You Need.” In Advances in Neural Information Processing Systems 30. Curran Associates.
Wittgenstein, Ludwig. 1953. Philosophical Investigations. Traduzione di G. E. M. Anscombe. Oxford: Basil Blackwell.
