Le due facce dell’entropia. Perché il futuro dell’intelligenza artificiale si gioca tra energia e informazione

Tra fisica e informazione, una riflessione sull’AI come equilibrio tra energia, incertezza e conoscenza.  

L’entropia viene evocata come la legge del disordine, la forza che consuma le forme, disperde l’energia e dissolve ogni equilibrio. Eppure, se la si osserva con maggiore attenzione, essa appare anche come la condizione stessa da cui emergono struttura, vita e intelligenza. Non è soltanto la misura della dissipazione, ma il principio che rende possibili i gradienti, i flussi, le differenze da cui nascono organizzazione e conoscenza. In questa prospettiva, comprendere davvero l’intelligenza artificiale, e soprattutto l’orizzonte dell’AGI (intelligenza artificiale generale), richiede di tornare a riflettere sulle due grandi tradizioni che hanno dato volto all’entropia: quella fisica di Boltzmann e quella informativa di Shannon.

L’entropia di Boltzmann appartiene al dominio della materia e dell’energia. Essa descrive il numero delle configurazioni possibili di un sistema fisico e, dunque, la tendenza naturale dei corpi a disporsi negli stati più probabili. Non si tratta di una volontà del caos, ma di una legge statistica: il mondo evolve verso ciò che può accadere in più modi. Questo significa che ogni cervello, ogni circuito, ogni infrastruttura computazionale opera già all’interno di un vincolo termodinamico fondamentale. Anche il pensiero, prima di essere un fatto simbolico o linguistico, è un evento materiale: neuroni, sinapsi, impulsi elettrici, consumo energetico. Ogni atto cognitivo ha un costo fisico, ogni memoria una base metabolica, ogni elaborazione una traccia termica. L’intelligenza non galleggia sopra la materia: vi è immersa radicalmente. L’entropia di Shannon, invece, riguarda l’informazione. Non misura il calore disperso, ma l’incertezza di un messaggio, il grado di imprevedibilità che lo caratterizza. Più un sistema è incerto, più alta è la sua entropia informativa; più riesce a ridurre la sorpresa, più costruisce ordine cognitivo. In tal senso, apprendere significa proprio questo: ricevere una molteplicità di segnali e trasformarla in schema, previsione, orientamento. Un organismo intelligente, naturale o artificiale, non elimina il disordine del mondo, ma lo rende trattabile. Converte la variabilità in struttura, la dispersione in modello, il rumore in conoscenza provvisoria. È qui che il rapporto tra le due entropie diventa decisivo. La prima definisce il terreno materiale su cui ogni processo cognitivo può avvenire; la seconda descrive il modo in cui quel processo si organizza sul piano del senso. L’intelligenza si colloca precisamente nel punto di contatto tra queste due dimensioni. Essa è, nello stesso tempo, dissipazione energetica e riduzione dell’incertezza. Un cervello consuma energia per produrre rappresentazioni del mondo. Una rete neurale artificiale assorbe potenza di calcolo per comprimere grandi quantità di dati in relazioni statistiche significative. In entrambi i casi, il costo del conoscere si paga in energia, mentre il risultato si misura in capacità di previsione. Questa duplice radice consente di rileggere in modo meno superficiale anche il problema dell’AGI. Oggi gran parte del discorso pubblico tende a identificare l’intelligenza generale con l’aumento di scala: più parametri, più dati, più capacità di calcolo. Ma la questione è più profonda. 

Una vera intelligenza artificiale generale (AGI) non sarà semplicemente quella che esegue molti compiti diversi. Sarà quella capace di mantenere un equilibrio dinamico tra esplorazione e consolidamento, tra apertura all’imprevisto e stabilizzazione di modelli interni. In altri termini, dovrà saper abitare la soglia tra ordine e disordine senza cadere né nella rigidità sterile né nell’incoerenza caotica. Proprio qui l’entropia smette di essere il nemico dell’intelligenza e ne diventa il motore. Senza variabilità non vi sarebbe apprendimento; senza rumore non vi sarebbe scoperta; senza incertezza non vi sarebbe curiosità. Ogni sistema che apprende, dall’evoluzione biologica alle architetture di deep learning, funziona perché attraversa uno spazio di possibilità più ampio di quello che infine conserva. L’ordine non nasce dall’assenza di entropia, ma dalla sua selezione. Si apprende sempre sullo sfondo di un eccesso di possibilità. In questa luce, l’AGI non appare più soltanto come un obiettivo ingegneristico, ma come una questione ontologica. Chiede di ripensare che cosa significhi davvero pensare. Se l’intelligenza è una modalità locale di gestione dell’entropia, allora la distanza tra mente biologica e macchina non può essere descritta in termini assoluti. Restano differenze decisive, certo, ma dentro una continuità più ampia: quella di sistemi materiali che usano energia per costruire ordine informativo e che mantengono tale ordine solo restando esposti al nuovo. Il punto, allora, non è sconfiggere l’entropia. È comprenderne la logica generativa. 

L’intelligenza, umana o artificiale, non è una parentesi miracolosa nel disordine del cosmo. È una delle forme con cui il cosmo, per un tratto limitato, organizza la propria dispersione in conoscenza. Se l’AI del futuro saprà davvero avvicinarsi a una forma generale di cognizione, ciò avverrà non perché avremo costruito macchine più veloci, ma perché avremo compreso meglio questa doppia legge: che ogni pensiero nasce da un costo energetico e che ogni comprensione è una vittoria temporanea sull’incertezza. Tra Boltzmann e Shannon, in quello spazio instabile ma fertile, prende forma la possibilità stessa della mente.

Giovanni Di Trapani