Se parliamo di Intelligenza Artificiale, la maggior parte delle persone pensa a ChatGPT, Midjourney o ai modelli che generano testo e immagini.
Ma c’è stato un tempo, e non così lontano, in cui l’IA funzionava in modo completamente diverso.
Prima dell’era del deep learning e del machine learning basato sui dati, c’era un’altra filosofia: l’IA simbolica.
Ed esiste ancora oggi, spesso in combinazione con l’approccio che la ha soppiantata, l’IA connessionista.
In questa lezione capiamo cosa sono, cosa le differenzia e perché entrambe sono ancora rilevanti.
Di cosa parleremo..
Cos’è l’IA simbolica
L’IA simbolica è l’approccio storico all’intelligenza artificiale, dominante dagli anni ’50 fino alla fine degli anni ’80. Si basa sull’idea che l’intelligenza possa essere rappresentata attraverso simboli (parole, numeri, concetti) e regole logiche per manipolarli.
Immagina un motore di ricerca che non usa machine learning ma un gigantesco elenco di regole del tipo: “Se l’utente cerca ‘mela’ e la parola ‘ricetta’ appare nello stesso contesto, allora è probabile che stia cercando informazioni sul frutto, non sull’azienda tecnologica”. Ogni regola è scritta a mano da un programmatore o da un esperto del dominio.
L’IA simbolica ha prodotto risultati importanti: i sistemi esperti degli anni ’80, capaci di diagnosticare malattie sulla base di regole codificate da medici specialisti, o i programmi di dimostrazione automatica dei teoremi.
Il punto di forza è la trasparenza: ogni decisione è spiegabile perché segue una catena di regole che puoi seguire passo-passo.
Il limite, però, è enorme: scalabilità. Scrivere a mano tutte le regole del mondo è impossibile. Per riconoscere un gatto in una foto non bastano poche regole, servono milioni di eccezioni, sfumature e casi particolari.
L’IA simbolica si è scontrata con quello che i ricercatori chiamano il “muro della conoscenza di senso comune”: cose che un bambino di tre anni sa, ma che sono quasi impossibili da codificare in regole formali.
Cos’è l’IA connessionista
L’IA connessionista, di cui le reti neurali e il deep learning sono i rappresentanti principali, adotta un approccio completamente diverso: invece di programmare regole esplicite, si costruisce una rete di unità elementari (neuroni artificiali) connesse tra loro, e si lascia che la rete impari dai dati.
Il nome “connessionista” deriva proprio da questo: l’intelligenza emerge dalle connessioni tra unità semplici, non da regole scritte da umani. Più dati dai alla rete, più connessioni si rafforzano o si indeboliscono, e più la rete diventa capace di riconoscere pattern complessi.
L’esempio più chiaro è il riconoscimento facciale: invece di scrivere regole come “se la distanza tra gli occhi è X e la forma del naso è Y”, si mostra alla rete un milione di foto di volti e lei impara autonomamente a riconoscerli. Nessuno le dice quali caratteristiche cercare, le scopre da sola.
Il punto di forza dell’IA connessionista è la sua flessibilità: può gestire dati rumorosi, immagini sfocate, linguaggio ambiguo, cose con cui l’IA simbolica fatica terribilmente.
Il suo punto debole è l’opposto: è una scatola nera. Una rete neurale che riconosce un gatto non può spiegarti perché lo ha riconosciuto. Ha imparato, ma non sa (e non può) raccontare come ha fatto.
Perché si chiamano “filosofie”
Non è un caso che si parli di filosofia. Questi due approcci non sono solo tecniche diverse: rappresentano due modi opposti di concepire l’intelligenza stessa.
L’IA simbolica assume che l’intelligenza sia manipolazione di simboli secondo regole, una posizione filosofica che affonda le radici nel razionalismo e nella logica formale. Se sai scrivere le regole giuste, hai l’intelligenza.
L’IA connessionista assume che l’intelligenza emerga da pattern di attivazione in reti di unità semplici, una visione ispirata al funzionamento del cervello biologico, dove non ci sono regole esplicite ma miliardi di neuroni che si attivano e si inibiscono a vicenda.
La differenza è la stessa tra seguire un manuale di istruzioni (simbolico) e imparare a guidare dopo mesi di pratica (connessionista). Il manuale è preciso ma rigido. La pratica è flessibile ma difficile da spiegare a parole.
Ibrido: il meglio di entrambi i mondi
Oggi la maggior parte dei sistemi di IA di successo non usa un solo approccio, ma li combina. I modelli neuro-simbolici cercano di unire la capacità di apprendimento del connessionismo con la trasparenza del simbolico.
Un esempio pratico: un assistente virtuale come Siri (prima di Gemini), Alexa o Google Home, usa reti neurali (connessioniste) per convertire la voce in testo, ma poi usa regole simboliche per interpretare il comando e decidere cosa fare. Motivo per il quale funzionavano malissimo. Ogni persona interrogava l’assistente in maniera diversa!
Il riconoscimento vocale lo fa la rete neurale, la logica dell’azione la fa il sistema simbolico.
Anche i modelli linguistici più avanzati, come GPT o Claude, sono puri modelli connessionisti, ma spesso vengono affiancati da moduli esterni simbolici: protezioni, database, motori di regole, sistemi di verifica logica. L’azienda di Elon Musk, xAI, ha dichiarato esplicitamente di puntare su un approccio ibrido per il suo modello Grok.
La lezione finale è che non c’è un approccio “giusto” in assoluto.
L’IA simbolica funziona bene dove servono trasparenza e precisione (diagnosi mediche, contratti legali, matematica formale).
L’IA connessionista domina dove servono flessibilità e gestione di dati complessi (visione artificiale, linguaggio naturale, generazione creativa).
E il futuro è probabilmente ibrido.
FAQ
L’IA simbolica è ancora usata oggi?
Sì, eccome. I sistemi esperti sono ancora usati in ambiti come la diagnostica medica, la configurazione di software complessi e l’analisi di contratti. Anche i motori di regole nei firewall e nei sistemi di cybersecurity sono esempi di IA simbolica. Semplicemente, non si chiamano più “sistemi esperti”, ma il concetto è lo stesso.
ChatGPT è simbolico o connessionista?
Puramente connessionista. È una rete neurale addestrata su enormi quantità di testo. Non ha regole esplicite scritte da umani. Tuttavia, ci sono componenti simboliche esterne: i filtri di moderazione, i sistemi di fact-checking e i moduli di sicurezza sono spesso basati su regole, non su reti neurali.
Quale approccio è migliore per imparare l’IA oggi?
Entrambi, ma con priorità diverse. Se parti da zero, il connessionismo (reti neurali, deep learning, machine learning) ti dà gli strumenti per lavorare subito. L’IA simbolica è utile da conoscere per capire i sistemi ibridi e per affrontare problemi dove serve spiegabilità. Se dovessi scegliere un ordine: prima il machine learning, poi la logica simbolica, poi gli ibridi.
L’IA simbolica può avere allucinazioni?
No, per definizione. L’IA simbolica segue regole precise: se le regole sono corrette, il risultato è corretto. Non “allucina” perché non “impara”, esegue. Se sbaglia, è perché la regola è sbagliata o mancante. Questo è il suo grande vantaggio in ambiti dove serve affidabilità assoluta.
Esistono modelli che usano entrambi gli approcci contemporaneamente?
Sì, si chiamano modelli neuro-simbolici. AlphaFold di DeepMind, che prevede la struttura delle proteine, usa una combinazione di reti neurali e regole fisiche. Anche i sistemi di guida autonoma combinano reti neurali per riconoscere ostacoli e regole simboliche per decidere le manovre.
