Altri Economisti » Saggi in evidenza » Saggi, articoli su riviste. Krugman ed altri » Selezione del Mese
Il soffitto che nessuno sta costruendo. L’impalcatura su cui nessuno sta costruendo. DI LASALLE BROWNE (dal sito di LaSalle Browne, 8 luglio 2026)
Jul 08, 2026
The Ceiling Nobody Is Building For. The Scaffolding Nobody Is Building On
Before You Read
The debate about AI and human intelligence has been asking the wrong question.
The concern is not that AI will make us less intelligent. Intelligence is a capacity. It does not atrophy because you used a smarter tool.
The deeper concern is this: we are building the most powerful cognitive scaffolding in human history without asking what it can and cannot support.
This essay argues that what is actually becoming scarce is not intelligence but the ceiling of critical thinking. The ability to reason across scales, domains, and time horizons simultaneously. Current AI architecture cannot scaffold that ceiling. The conditions we are building right now will determine if that capacity flourishes in humans or quietly disappears.
Not a technology problem. A design problem. And one we are entirely capable of solving if we choose to see it clearly.
A reader recently pushed back on something I wrote about intelligence becoming abundant.
“I don’t think intelligence will ever become abundant,” they said. “Too many people are outsourcing their thinking and losing intelligence.”
It’s a common sentiment. And it comes from a real place of concern. But it contains a conflation that, if left unexamined, leads us to completely the wrong conclusion about what AI is actually doing to human cognition.
So let me try to untangle it. Starting with four concepts that almost everyone in this conversation uses as though they mean the same thing.
Four Concepts. Not One.
Computation is the execution of operations according to a mathematical framework. It is what machines do extraordinarily well. It is not, by itself, intelligence.
Intelligence is broader. It’s the ability to gather useful information from the environment, create models, and pursue goals while facing constraints. Also, it involves adjusting those models as reality shifts.
Reasoning is the ability to organize intelligence into logical thought. To move from observation to inference. To build chains of implication that hold under scrutiny.
Critical thinking is the deliberate application of reasoning to assumptions, evidence, and competing perspectives. Not simply possessing intelligence or being capable of reasoning. Choosing to interrogate both. Questioning what you think you know. Recognizing tradeoffs. Integrating multiple perspectives into coherent judgment.
These four concepts are related. They build on each other. But they are not the same thing. Conflating them has led much of the current AI conversation to mistake extraordinary progress in one domain, statistical computation, for progress across the entire landscape of intelligence.
That mistake has consequences.
Two Parallel Hierarchies.
The confusion runs deeper than semantics. It is structural.
Intelligence and critical thinking do not sit on a single ladder. They belong to two parallel hierarchies that develop in tandem and interact at every level.
The first is the capacity hierarchy. Largely biological, mostly inherited, and slow to change. Raw capacity provides the substrate. Working memory organizes it. Pattern recognition extracts structure. Abstract reasoning manipulates that structure across domains. The ceiling of this hierarchy is set largely by biology and develops slowly over a lifetime.
The second is the development hierarchy. Mostly learned, mostly environmental, and fast to change. Reasoning coordinates raw capacity into logical thought. Critical thinking coordinates reasoning into evaluated judgment. Systems thinking coordinates critical thinking across interacting parts. Multi-scale thinking coordinates systems thinking across different levels of organization and timescales. At the highest level, adaptive reasoning coordinates all of the above while preserving coherence as the environment changes.
Here is the insight that changes everything.
Each level of the development hierarchy does not simply add to the previous one. It coordinates it. Reasoning does not replace raw capacity. It organizes it. Critical thinking does not replace reasoning. It directs it. Systems thinking integrates critical thinking across a wider field. Multi-scale thinking holds multiple systems in simultaneous tension. Adaptive reasoning preserves coherence across all of it while the environment keeps changing.
This is the same pattern we have been arguing about intelligence throughout this series. Intelligence is not recursive computation. It is recursive coordination. Each level coordinates what came before it into a higher order of organization.
This is also why people conflate intelligence with critical thinking. The two hierarchies develop in tandem and couple at every level. Raw capacity enables reasoning. Working memory enables critical thinking. Pattern recognition enables systems thinking. Abstract reasoning enables multi-scale thinking. They travel together so consistently that separating them feels artificial.
But the separation matters. Because they respond very differently to tools, environments, and conditions.
A capacity is relatively stable. It does not atrophy because you used a smarter tool. A skill is practiced. It can be developed deliberately. And it can erode through disuse.
Conflating the two leads to the wrong diagnosis. And the wrong diagnosis leads to the wrong response.
We Have Been Here Before.
When calculators became common in the 1970s and 80s, educators raised similar concerns. People are outsourcing arithmetic. They will lose the ability to think mathematically.
What actually happened is more interesting. And more complicated.
Calculators did not eliminate mathematics.
They changed where mathematics began.
Before calculators, mathematics began with arithmetic. After calculators, it could begin with structure, relationship, and pattern. The floor moved. The ceiling rose. More people achieved levels of mathematical thinking that were once out of reach, not despite the tool, but because of it.
AI may not eliminate thinking.
It changes where thinking begins.
That is either the most dangerous thing happening right now or the most generative. Possibly both simultaneously. It depends entirely on what we build above the new beginning.
The scaffolding does not determine what gets built. But it determines what is possible to build.
The honest caveat: mathematical thinking did not automatically redistribute upward for everyone. It shifted benefits upward for those in settings that required and valued higher-order engagement. For those in environments that did not, the calculator simply replaced a skill without developing anything above it.
AI will follow the same pattern. The question is not whether the tool is dangerous. It is whether we are building the conditions that push people toward the ceiling rather than leaving them at the new floor.
The Rendering Problem.
When thinking spans multiple domains simultaneously, systems architecture, evolutionary biology, geopolitics, industrial strategy, the bottleneck is not the thinking. It is translation. How can you show real multi-scale complexity in simple writing while keeping the important connections clear?
This is a structural feature of complex thought, not a personal quirk. The more domains a line of reasoning crosses, the harder it is to present it clearly. It becomes challenging to maintain its depth and complexity without flattening what makes it interesting.
The essays in this series are a lived example. The link between infrastructure economics, evolutionary biology, math theory, and cognitive science doesn’t easily fit into one discipline or language. AI has been a genuine translation partner in that process. Not a replacement for the thinking. A bridge between the complexity of the thought and the accessibility of the prose.
But the value AI provides as a translation partner depends entirely on what the human brings to the exchange. Genuine multi-scale thinking gets translated. Shallow engagement gets reflected back faster and more fluently than ever before.
This is why the degradation the commenter fears is genuinely possible. It shows up in specific failure modes: when AI generates fluent output without the reasoning process that should precede it, when speed of production substitutes for quality of thought, and when smoothness of prose creates the illusion of understanding where none exists.
The contrast between organizations getting this right and wrong is already visible.
A global strategy firm directs junior analysts to use AI for simple tasks. This includes gathering market data, spotting patterns, and summarizing trends. These tasks are at the basic levels of the development hierarchy. Senior strategists stay clear of that level. They focus on multi-horizon scenario planning, cross-domain stress testing, and what-if reasoning for different futures. AI handles the floor. Human judgment is preserved and developed at the ceiling. The two layers are structurally coupled rather than substituted for each other.
A second firm, operating in the same competitive environment, simply accelerated content production across the board. More reports. Faster turnaround. Higher output volume. The prose got smoother. The reasoning got shallower. Within eighteen months their senior strategists were producing analysis that clients described as increasingly difficult to distinguish from AI output. The ceiling had quietly collapsed toward the floor.
Same tool. Same competitive pressure. Different conditions. Different outcomes.
The scaffolding did not determine what got built. But it determined what the people inside each organization were becoming.
What Is Actually Becoming Scarce.
Not intelligence. And not critical thinking in its basic form.
At the floor of the development hierarchy: reasoning and basic critical thinking. The ability to organize thought logically, interrogate assumptions, and weigh evidence. AI does not obviously threaten these, though it can atrophy them through the failure modes described above.
But the development hierarchy has a ceiling. And that ceiling is what is genuinely becoming scarce.
As I argued in the second essay in this series, The Scarcity After Intelligence, what gets selected for in an intelligence-rich environment is not raw capability but adaptive capacity. The ability to remain coherent and functional while the environment transforms around you.
The upper register of the development hierarchy is the ability to coordinate across scales simultaneously. To reason from specific detail to systemic pattern without losing either. To hold short term pressures and long term consequences in simultaneous view. To know which frame applies to which level of a problem. To preserve coherence while continuously reorganizing understanding as the environment changes.
This is adaptive reasoning. The ceiling of the development hierarchy. Rare not because it is mysterious but because the conditions that develop it are rare. Most environments reward clear reasoning within a single domain while coherent coordination across many domains simultaneously goes largely undeveloped.
Why does AI make this scarcity more acute? Because AI handles the lower levels of the development hierarchy with increasing competence. It can reason within a domain, apply critical thinking to a defined problem, even perform certain forms of systems thinking within a bounded context. It can’t yet coordinate well across different types of problems at the same time. It struggles to balance between levels without collapsing into a single perspective.
As AI commoditizes everything below the ceiling, the premium on everything above it rises sharply.
The reader who outsources their thinking to AI is not losing intelligence. They are failing to develop the ceiling of the hierarchy that will matter most in the world being built around us.
Why Current AI Is Incomplete. Not Wrong. Incomplete.
Most critics sense a limitation in current AI without being able to name it. The limitation is not poor design. It is that current AI is built on a mathematically coherent but incomplete foundation.
Smooth curves. Probability distributions. Matrix operations. Linear geometry. Extraordinarily powerful tools. But they share a hidden assumption: that the phenomena worth modeling are continuous, describable within a single consistent mathematical language, and scalable along a single axis.
Every mathematical framework illuminates certain aspects of reality while necessarily obscuring others. Differential equations describe continuous dynamics. Graph theory captures relationships. Topology preserves structure through transformation. Each is powerful. None is universal.
Biology makes this vivid. In The Cambrian Explosion of Minds, I argued, based on Michael Levin’s research, that biological intelligence computes simultaneously across different scales. It relies on multiple memory architectures that do not share a common representational language. Jablonka and Lamb showed that biological systems share adaptive knowledge through four inheritance systems. These systems work at different speeds. No single continuous mathematical framework describes this fully.
Current AI represents only one region of this much larger landscape. One mathematical language scaled impressively. The incompleteness is not a flaw to be patched. It is a structural feature of building within a single mathematical paradigm. Current AI can scaffold the lower levels of the development hierarchy more readily than the upper ones. It struggles to connect the different thinking areas needed for adaptive reasoning.
This is where the interpretive layer described in The Scarcity After Intelligence becomes essential scaffolding for the ceiling.
Raw AI output generates landscapes of possibility. Data patterns. Synthesized analysis. Predicted trajectories. But landscapes without interpretation are not knowledge. They are terrain.
What bridges the gap between the instrumental layer and the upper levels of the development hierarchy are functions like counterfactual exploration, asking what would have to be true for this to be wrong. Synthesis across hyperspaces, holding multiple possibility landscapes in simultaneous view. And foresight, projecting not just where a trajectory leads but how the landscape itself is changing beneath it.
These are not incremental improvements to current AI. They are a different kind of cognitive operation entirely. One that requires moving between mathematical languages rather than scaling within one.
The gap is not a failure of ambition. It is a structural feature of where we are in the development of cognitive architectures. And naming it clearly is the first step toward building the bridges that close it.
This is also why the Cambrian Explosion of intelligent forms from Part I may not be accidental or merely ecological. Different forms of intelligence may need to exist because no single mathematical framework is sufficient to instantiate the full range of intelligence. The diversity may be a structural requirement.
AI is not becoming intelligence. It is becoming part of the scaffolding from which future forms of intelligence may eventually emerge. The quality of that scaffolding will determine which human cognitive capacities get developed and which get quietly left behind.
The Deeper Pattern.
Return to the development hierarchy. Each level coordinates the previous one. Reasoning coordinates raw capacity. Critical thinking coordinates reasoning. Systems thinking coordinates critical thinking. Multi-scale thinking coordinates systems thinking. Adaptive reasoning coordinates multi-scale thinking.
That pattern is not just a feature of human cognitive development. It is a claim about the nature of intelligence itself.
Intelligence is not recursive computation. It is recursive coordination. The relationships between levels, the translation mechanisms, the coupling between what is being coordinated, may be more fundamental than any individual level.
Biology’s trajectory supports this. Intelligence across living systems appears to be a function of computation, communication, coordination, and likely other factors we have not yet identified. Current AI optimizes computation impressively. It is only beginning to develop the communication and coordination architectures that the upper levels of the development hierarchy require.
What those architectures look like is the question the next essay will explore.
Which Brings Us Back To The Real Question.
Not whether AI makes us smarter or dumber. That framing is too simple and too static.
The relationship between AI and human cognition is conditional and bidirectional. It can enhance both capacity and capability under the right conditions. It can degrade both under the wrong ones. The question is which direction we choose to design toward.
Building the right conditions requires three things.
First, we must establish structural coupling between human judgment and AI output rather than substituting one for the other. The strategy firm routing senior thinkers into multi-horizon scenario planning while AI handles routine synthesis is building this deliberately. In contrast, the firm accelerating output across the board is substituting speed for depth and calling it progress.
Second, incentive systems that reward reasoning process not just fluent output. The conditions that shape the ceiling of the development hierarchy need friction, pushback, and real intellectual resistance. They do not follow the path of least cognitive resistance.
Third, we must provide deliberate exposure to problems that require coordination across scales. The upper levels of the development hierarchy work in environments that need coherent reasoning across different frames at once. They are rewarded for managing tensions between various problem levels.
Raw capacity is not scarce. The scarcity lies in the conditions that develop the ceiling of the hierarchy built on top of it.
It is the ability to coordinate thinking across scales, To hold complexity without collapsing it. To build bridges between levels of understanding that most people keep in separate rooms.
Those capabilities have always been rare. They are about to become the most valuable thing a person or organization can develop.
The question is not whether AI changes where thinking begins.
It does. That is already decided.
The question is what we choose to build above the new beginning.
Whether we build the conditions that cultivate the ceiling, or the conditions that make it unnecessary, is entirely up to us.
Il soffitto che nessuno sta costruendo. L’impalcatura su cui nessuno sta costruendo.
Prima di leggere
Il dibattito sull’intelligenza artificiale e sull’intelligenza umana si è posto la domanda sbagliata.
La preoccupazione non è che l’intelligenza artificiale ci renda meno intelligenti. L’intelligenza è una capacità. Non si atrofizza solo perché si usa uno strumento più sofisticato.
La preoccupazione più profonda è questa: stiamo costruendo l’impalcatura cognitiva più potente della storia umana senza chiederci cosa possa e cosa non possa supportare.
Questo saggio sostiene che ciò che sta realmente diventando scarso non è l’intelligenza, bensì il limite del pensiero critico. La capacità di ragionare simultaneamente su diverse scale, ambiti e orizzonti temporali. L’attuale architettura dell’intelligenza artificiale non è in grado di fornire tale supporto. Le condizioni che stiamo creando ora determineranno se questa capacità fiorirà negli esseri umani o scomparirà silenziosamente.
Non è un problema tecnologico. È un problema di progettazione. E siamo perfettamente in grado di risolverlo se scegliamo di vederlo con chiarezza.
Un lettore ha recentemente contestato un mio scritto sulla crescente abbondanza di intelligenza.
“Non credo che l’intelligenza diventerà mai abbondante”, essi affermano. “Troppe persone esternalizzano il proprio pensiero e perdono intelligenza.”
È un’opinione diffusa. E nasce da una reale preoccupazione. Ma contiene una confusione che, se non analizzata a fondo, ci porta a conclusioni completamente errate su ciò che l’intelligenza artificiale sta effettivamente facendo alla cognizione umana.
Quindi, proviamo a fare chiarezza. Partiamo da quattro concetti che quasi tutti in questa conversazione usano come se avessero lo stesso significato.
Quattro concetti. Non uno solo.
Il calcolo è l’esecuzione di operazioni secondo uno schema matematico. È ciò che le macchine sanno fare in modo straordinario. Non è, di per sé, intelligenza.
L’intelligenza ha un significato più ampio. Comprende la capacità di raccogliere informazioni utili dall’ambiente, creare modelli e perseguire obiettivi pur dovendo affrontare dei vincoli. Inoltre, implica la capacità di adattare tali modelli al mutare della realtà.
Il ragionamento è la capacità di organizzare l’intelligenza in un pensiero logico. Di passare dall’osservazione all’inferenza. Di costruire catene di implicazioni che reggano a un esame critico.
Il pensiero critico è l’applicazione consapevole del ragionamento a presupposti, prove e prospettive contrastanti. Non si tratta semplicemente di possedere intelligenza o di essere capaci di ragionare. Significa scegliere di mettere in discussione entrambi. Mettere in discussione ciò che si crede di sapere. Riconoscere i compromessi. Integrare molteplici prospettive in un giudizio coerente.
Questi quattro concetti sono correlati. Si basano l’uno sull’altro. Ma non sono la stessa cosa. Confonderli ha portato gran parte del dibattito attuale sull’IA a scambiare gli straordinari progressi in un ambito specifico, il calcolo statistico, per progressi nell’intero panorama dell’intelligenza artificiale.
Quell’errore ha delle conseguenze.
Due gerarchie parallele.
La confusione va ben oltre la semplice questione semantica. È di natura strutturale.
Intelligenza e pensiero critico non si trovano sullo stesso piano. Appartengono a due gerarchie parallele che si sviluppano in parallelo e interagiscono a ogni livello.
La prima è la gerarchia delle capacità. È in gran parte biologica, perlopiù ereditaria e lenta a cambiare. La capacità grezza fornisce il substrato. La memoria di lavoro lo organizza. Il riconoscimento di schemi estrae la struttura. Il ragionamento astratto manipola tale struttura in diversi ambiti. Il limite massimo di questa gerarchia è determinato in gran parte dalla biologia e si sviluppa lentamente nel corso della vita.
Il secondo livello è la gerarchia dello sviluppo. È prevalentemente appreso, influenzato dall’ambiente e soggetto a rapidi cambiamenti. Il ragionamento coordina la capacità grezza in pensiero logico. Il pensiero critico coordina il ragionamento in giudizio valutato. Il pensiero sistemico coordina il pensiero critico tra le parti interagenti. Il pensiero multiscala coordina il pensiero sistemico attraverso diversi livelli organizzativi e scale temporali. Al livello più alto, il ragionamento adattivo coordina tutti i livelli precedenti, preservando la coerenza al variare dell’ambiente.
Ecco l’intuizione che cambia tutto.
Ogni livello della gerarchia di sviluppo non si limita ad aggiungersi al precedente, ma lo coordina. Il ragionamento non sostituisce la capacità pura, ma la organizza. Il pensiero critico non sostituisce il ragionamento, ma lo dirige. Il pensiero sistemico integra il pensiero critico in un campo più ampio. Il pensiero multiscala mantiene in tensione simultaneamente più sistemi. Il ragionamento adattivo preserva la coerenza complessiva, anche in un ambiente in continua evoluzione.
Questo è lo stesso schema di cui abbiamo parlato a proposito dell’intelligenza in tutta questa serie [2]. L’intelligenza non è calcolo ricorsivo, bensì coordinamento ricorsivo. Ogni livello coordina ciò che lo ha preceduto in un ordine di organizzazione superiore.
Questo è anche il motivo per cui si tende a confondere l’intelligenza con il pensiero critico. Le due gerarchie si sviluppano in parallelo e si intrecciano a ogni livello. La capacità innata permette il ragionamento. La memoria di lavoro permette il pensiero critico. Il riconoscimento di schemi permette il pensiero sistemico. Il ragionamento astratto permette il pensiero multiscala. Viaggiano così costantemente insieme che separarle appare artificioso.
Ma la distinzione è importante. Perché reagiscono in modo molto diverso agli strumenti, agli ambienti e alle condizioni.
Una capacità è relativamente stabile. Non si atrofizza solo perché si usa uno strumento più sofisticato. Un’abilità, invece, si pratica. Può essere sviluppata intenzionalmente. E può deteriorarsi per inutilizzo.
Confondere le due cose porta a una diagnosi errata. E una diagnosi errata porta a una risposta errata.
Ci siamo già stati.
Quando le calcolatrici si diffusero negli anni ’70 e ’80, gli educatori sollevarono preoccupazioni simili. Le persone stavano esternalizzando l’aritmetica. Avrebbero perso la capacità di pensare in modo matematico.
Ciò che è realmente accaduto è più interessante. E più complicato.
Le calcolatrici non hanno eliminato la matematica.
Hanno cambiato il punto di partenza della matematica.
Prima delle calcolatrici, la matematica iniziava con l’aritmetica. Dopo le calcolatrici, ha potuto iniziare con la struttura, la relazione e lo schema. Il pavimento si è abbassato. Il soffitto si è alzato. Un numero maggiore di persone ha raggiunto livelli di pensiero matematico un tempo irraggiungibili, non nonostante lo strumento, ma grazie ad esso.
L’intelligenza artificiale potrebbe non eliminare il pensiero.
Cambia il punto di partenza del pensiero.
Questa è o la cosa più pericolosa che sta accadendo in questo momento, oppure la più feconda. Forse entrambe contemporaneamente. Dipende interamente da cosa costruiremo sopra questo nuovo inizio.
L’impalcatura non determina cosa viene costruito, ma determina cosa è possibile costruire.
Un’onesta precisazione: il pensiero matematico non ha automaticamente portato a una ridistribuzione dei benefici verso l’alto per tutti. Ha spostato i vantaggi verso l’alto per coloro che si trovavano in contesti che richiedevano e valorizzavano un coinvolgimento di ordine superiore. Per coloro che si trovavano in ambienti diversi, la calcolatrice ha semplicemente sostituito un’abilità senza sviluppare nulla di più avanzato.
L’intelligenza artificiale seguirà lo stesso schema. La questione non è se lo strumento sia pericoloso, ma se stiamo creando le condizioni che spingono le persone verso il limite massimo invece di lasciarle al livello successivo.
Il problema del rendering [3].
Quando il pensiero abbraccia simultaneamente più ambiti – architettura dei sistemi, biologia evolutiva, geopolitica, strategia industriale – il collo di bottiglia non è il pensiero in sé, ma la traduzione. Come si può rappresentare una reale complessità multiscala in un linguaggio semplice, mantenendo al contempo chiari i collegamenti importanti?
Questa è una caratteristica strutturale del pensiero complesso, non una peculiarità personale. Più ambiti attraversa una linea di ragionamento, più difficile diventa presentarla con chiarezza. Diventa una sfida mantenerne la profondità e la complessità senza appiattirne ciò che la rende interessante.
I saggi di questa serie ne sono un esempio concreto. Il legame tra economia delle infrastrutture, biologia evolutiva, teoria matematica e scienze cognitive non si presta facilmente a essere racchiuso in un’unica disciplina o linguaggio. L’intelligenza artificiale si è rivelata un valido strumento di traduzione in questo processo, non un sostituto del pensiero, ma un ponte tra la complessità dell’idea e l’accessibilità della prosa.
Ma il valore che l’IA offre come partner di traduzione dipende interamente da ciò che l’essere umano apporta allo scambio. Un pensiero autentico e multiscalare viene tradotto. Un coinvolgimento superficiale viene restituito più velocemente e in modo più fluido che mai.
Ecco perché il degrado temuto dal commentatore è effettivamente possibile. Si manifesta in specifiche modalità di fallimento: quando l’IA genera un output fluido senza il processo di ragionamento che dovrebbe precederlo, quando la velocità di produzione sostituisce la qualità del pensiero e quando la scorrevolezza della prosa crea l’illusione di una comprensione laddove non esiste.
Il contrasto tra le organizzazioni che gestiscono correttamente questa situazione e quelle che sbagliano è già evidente.
Una società di consulenza strategica globale incarica gli analisti junior di utilizzare l’intelligenza artificiale per compiti semplici. Questi includono la raccolta di dati di mercato, l’individuazione di modelli e la sintesi di tendenze. Tali compiti si collocano ai livelli base della gerarchia di sviluppo. Gli strateghi senior si tengono al di fuori di questo livello, concentrandosi sulla pianificazione di scenari a orizzonti temporali multipli, sui test di stress intersettoriali e sul ragionamento “what-if” per diversi scenari futuri. L’intelligenza artificiale gestisce il livello base, mentre il giudizio umano viene preservato e sviluppato al livello superiore. I due livelli sono strutturalmente interconnessi, anziché sostituirsi a vicenda.
Una seconda azienda, operante nello stesso contesto competitivo, ha semplicemente accelerato la produzione di contenuti in ogni ambito. Più report. Tempi di consegna più rapidi. Volume di produzione maggiore. La prosa si è fatta più scorrevole. Il ragionamento più superficiale. Nel giro di diciotto mesi, i loro strateghi senior producevano analisi che i clienti descrivevano come sempre più difficili da distinguere dai risultati dell’intelligenza artificiale. Il soffitto era crollato silenziosamente verso il pavimento.
Stesso strumento. Stessa pressione competitiva. Condizioni diverse. Risultati diversi.
Le impalcature non hanno determinato ciò che è stato costruito. Ma hanno determinato ciò che le persone all’interno di ciascuna organizzazione stavano diventando.
Cosa sta realmente diventando scarso?
Non l’intelligenza. E nemmeno il pensiero critico nella sua forma più elementare.
Alla base della gerarchia dello sviluppo: ragionamento e pensiero critico di base. La capacità di organizzare il pensiero in modo logico, mettere in discussione le ipotesi e valutare le prove. L’intelligenza artificiale non minaccia in modo evidente queste capacità, sebbene possa atrofizzarle attraverso le modalità di fallimento descritte in precedenza.
Ma la gerarchia dello sviluppo ha un limite. Ed è proprio quel limite che sta diventando davvero scarso.
Come ho sostenuto nel secondo saggio di questa serie, “La scarsità dopo l’intelligenza”, ciò che viene selezionato in un ambiente ricco di intelligenza non è la pura capacità, bensì la capacità di adattamento. La capacità di rimanere coerenti e funzionali mentre l’ambiente circostante si trasforma.
Il livello più alto della gerarchia dello sviluppo è la capacità di coordinarsi simultaneamente su diverse scale. Ragionare dal dettaglio specifico al modello sistemico senza perdere di vista nessuno dei due. Tenere in considerazione simultaneamente le pressioni a breve termine e le conseguenze a lungo termine. Sapere quale quadro di riferimento si applica a quale livello di un problema. Preservare la coerenza riorganizzando continuamente la comprensione al variare dell’ambiente.
Questo è il ragionamento adattivo. Il livello più alto della gerarchia dello sviluppo. Raro non perché misterioso, ma perché sono rare le condizioni che lo favoriscono. La maggior parte degli ambienti premia il ragionamento chiaro all’interno di un singolo dominio, mentre il coordinamento coerente tra molti domini simultaneamente rimane in gran parte non sviluppato.
Perché l’IA rende questa scarsità più acuta? Perché l’IA gestisce i livelli inferiori della gerarchia di sviluppo con crescente competenza. È in grado di ragionare all’interno di un dominio, applicare il pensiero critico a un problema definito e persino eseguire alcune forme di pensiero sistemico in un contesto circoscritto. Non è ancora in grado di coordinarsi efficacemente tra diversi tipi di problemi contemporaneamente. Fatica a trovare un equilibrio tra i vari livelli senza collassare in un’unica prospettiva.
Man mano che l’intelligenza artificiale trasforma in merce tutto ciò che si trova al di sotto di una certa soglia, il valore di tutto ciò che si trova al di sopra di essa aumenta vertiginosamente.
Il lettore che delega il proprio pensiero all’intelligenza artificiale non sta perdendo intelligenza. Sta piuttosto trascurando di sviluppare il livello più alto della gerarchia che conterà di più nel mondo che si sta costruendo intorno a noi.
Perché l’IA attuale è incompleta. Non sbagliata. Semplicemente incompleta.
La maggior parte dei critici percepisce un limite nell’intelligenza artificiale attuale, pur senza riuscire a definirlo con precisione. Il limite non risiede in una cattiva progettazione, bensì nel fatto che l’IA attuale si basa su fondamenta matematicamente coerenti ma incomplete.
Curve morbide. Distribuzioni di probabilità. Operazioni con matrici. Geometria lineare. Strumenti straordinariamente potenti. Ma condividono un presupposto implicito: che i fenomeni degni di essere modellati siano continui, descrivibili all’interno di un unico linguaggio matematico coerente e scalabili lungo un singolo asse.
Ogni quadro matematico illumina certi aspetti della realtà, oscurandone necessariamente altri. Le equazioni differenziali descrivono dinamiche continue. La teoria dei grafi cattura le relazioni. La topologia preserva la struttura attraverso le trasformazioni. Ognuno di essi è potente. Nessuno è universale.
La biologia lo dimostra chiaramente. In “The Cambrian Explosion of Minds” [4], ho sostenuto, basandomi sulla ricerca di Michael Levin, che l’intelligenza biologica elabora simultaneamente informazioni su scale diverse. Si basa su molteplici architetture di memoria che non condividono un linguaggio rappresentazionale comune. Jablonka e Lamb hanno dimostrato che i sistemi biologici condividono conoscenze adattive attraverso quattro sistemi di ereditarietà. Questi sistemi operano a velocità diverse. Nessun singolo quadro matematico continuo è in grado di descrivere completamente questo fenomeno.
L’IA attuale rappresenta solo una parte di questo panorama ben più ampio. Un linguaggio matematico che si è sviluppato in modo impressionante. L’incompletezza non è un difetto da correggere, bensì una caratteristica strutturale della costruzione all’interno di un singolo paradigma matematico. L’IA attuale riesce a supportare più facilmente i livelli inferiori della gerarchia di sviluppo rispetto a quelli superiori. Fatica a connettere le diverse aree di pensiero necessarie per il ragionamento adattivo.
È qui che lo strato interpretativo descritto in “La scarsità dopo l’intelligenza” diventa un’impalcatura essenziale per il soffitto.
L’output grezzo dell’IA genera paesaggi di possibilità. Modelli di dati. Analisi sintetizzate. Traiettorie previste. Ma i paesaggi senza interpretazione non sono conoscenza. Sono terreno.
Ciò che colma il divario tra il livello strumentale e i livelli superiori della gerarchia di sviluppo sono funzioni come l’esplorazione controfattuale, che si interroga su cosa dovrebbe essere vero affinché ciò sia sbagliato. La sintesi attraverso gli iperspazi, che mantiene in vista simultaneamente molteplici scenari di possibilità. E la lungimiranza, che proietta non solo dove conduce una traiettoria, ma anche come il panorama stesso si sta modificando al di sotto di essa.
Non si tratta di miglioramenti incrementali all’IA attuale. Rappresentano un tipo di operazione cognitiva completamente diverso, che richiede il passaggio tra linguaggi matematici anziché la scalabilità all’interno di uno solo.
Questo divario non è dovuto a una mancanza di ambizione. È una caratteristica strutturale del punto in cui ci troviamo nello sviluppo delle architetture cognitive. E nominarlo chiaramente è il primo passo per costruire i ponti che lo colmeranno.
Questo spiega anche perché l’esplosione cambriana delle forme intelligenti descritta nella Parte I potrebbe non essere casuale o semplicemente ecologica. L’esistenza di diverse forme di intelligenza potrebbe essere necessaria perché nessun singolo quadro matematico è sufficiente a rappresentare l’intera gamma dell’intelligenza. Tale diversità potrebbe essere un requisito strutturale.
L’intelligenza artificiale non si sta trasformando in intelligenza. Sta diventando parte dell’impalcatura da cui potrebbero emergere in futuro forme di intelligenza. La qualità di tale impalcatura determinerà quali capacità cognitive umane verranno sviluppate e quali rimarranno silenziosamente in secondo piano.
Lo schema più profondo.
Ritorno alla gerarchia dello sviluppo. Ogni livello coordina quello precedente. Il ragionamento coordina la capacità grezza. Il pensiero critico coordina il ragionamento. Il pensiero sistemico coordina il pensiero critico. Il pensiero multiscala coordina il pensiero sistemico. Il ragionamento adattivo coordina il pensiero multiscala.
Questo schema non è solo una caratteristica dello sviluppo cognitivo umano. È un’affermazione sulla natura stessa dell’intelligenza.
L’intelligenza non è calcolo ricorsivo. È coordinamento ricorsivo. Le relazioni tra i livelli, i meccanismi di traduzione, l’accoppiamento tra ciò che viene coordinato, potrebbero essere più fondamentali di qualsiasi singolo livello.
La traiettoria della biologia lo conferma. L’intelligenza nei sistemi viventi sembra essere una funzione di calcolo, comunicazione, coordinamento e probabilmente altri fattori che non abbiamo ancora identificato. L’IA attuale ottimizza il calcolo in modo impressionante. Sta solo ora iniziando a sviluppare le architetture di comunicazione e coordinamento richieste dai livelli superiori della gerarchia di sviluppo.
Il prossimo saggio si propone di rispondere alla domanda che meglio descrive l’aspetto di queste architetture.
Il che ci riporta alla vera domanda.
Non si tratta di stabilire se l’IA ci renda più intelligenti o più stupidi. Questa impostazione è troppo semplicistica e statica.
La relazione tra intelligenza artificiale e cognizione umana è condizionata e bidirezionale. Nelle giuste condizioni, può potenziare sia le capacità che le competenze, mentre in quelle sbagliate può comprometterle. La questione è quale direzione scegliamo di orientare nella progettazione.
Per creare le condizioni ideali sono necessarie tre cose.
Innanzitutto, dobbiamo stabilire un collegamento strutturale tra il giudizio umano e l’output dell’IA, anziché sostituire l’uno con l’altro. La società di consulenza strategica che impiega pensatori esperti nella pianificazione di scenari a lungo termine, mentre l’IA si occupa della sintesi di routine, sta costruendo questo collegamento in modo deliberato. Al contrario, la società che accelera la produzione in tutti i settori sta sacrificando la profondità a favore della velocità, chiamando questo progresso.
In secondo luogo, i sistemi di incentivazione premiano il processo di ragionamento e non solo la fluidità di esecuzione. Le condizioni che definiscono il limite massimo della gerarchia dello sviluppo richiedono attrito, resistenza e una reale opposizione intellettuale. Non seguono il percorso di minore resistenza cognitiva.
In terzo luogo, dobbiamo fornire un’esposizione mirata a problemi che richiedono coordinamento su diverse scale. I livelli superiori della gerarchia dello sviluppo operano in ambienti che necessitano di un ragionamento coerente in diverse prospettive contemporaneamente. Vengono premiati per la capacità di gestire le tensioni tra i vari livelli di risoluzione dei problemi.
La capacità in sé non è scarsa. La scarsità risiede nelle condizioni che creano il limite massimo della gerarchia che si erge al di sopra di essa.
È la capacità di coordinare il pensiero su diverse scale, di gestire la complessità senza ridurla a un livello elementare, di costruire ponti tra livelli di comprensione che la maggior parte delle persone tiene separati.
Queste capacità sono sempre state rare. Stanno per diventare la risorsa più preziosa che una persona o un’organizzazione possa sviluppare.
La questione non è se l’intelligenza artificiale cambi il punto di partenza del pensiero.
Lo fa, questo è già deciso.
La questione è cosa scegliamo di costruire sopra questo nuovo inizio.
Sta a noi decidere se creare le condizioni che alimentano il concetto di “soffitto basso” o quelle che lo rendono superfluo.
[1] LaSalle Browne è un saggista, stratega aziendale, imprenditore e “quantum thinker” specializzato nell’analisi di sistemi complessi, intelligenza artificiale, robotica e organizzazione strategica. È noto in particolare per la pubblicazione di saggi e approfondimenti focalizzati sul futuro della tecnologia e sui risvolti socio-economici del progresso computazionale.
[2] Questo saggio è il terzo di una serie. Siamo partiti da questo scritto, perché siamo arrivati in ritardo a questo autore, ci sembra che esso si regga abbastanza comprensibilmente per suo conto e probabilmente mette a fuoco il tema attualmente più dibattuto. Con un approccio che pare assai convincente.
[3] Il termine rendering (letteralmente “restituzione grafica” o “resa”) indica il processo informatico che trasforma un modello tridimensionale geometrico in un’immagine bidimensionale realistica o fotorealistica. In parole semplici, è l’equivalente digitale di scattare una fotografia a un oggetto o a un ambiente che ancora non esiste nella realtà, ma che è stato pianificato al computer.
[4] E’ il primo dei tre saggi.
L’esplosione cambriana è un evento straordinario avvenuto circa 538 milioni di anni fa in cui si è verificata l’improvvisa comparsa e la rapidissima diversificazione della maggior parte dei gruppi di animali complessi (phyla) noti oggi. Questo fenomeno, definito anche come il “Big Bang biologico”, segna il passaggio cruciale da organismi preminentemente semplici, unicellulari o a corpo molle, a creature pluricellulari con strutture anatomiche articolate.
Il termine “esplosione” non indica una detonazione fisica, ma la velocità geometrica ed evolutiva con cui queste nuove specie sono apparse nei registri fossili. Sebbene sia avvenuta in un arco di tempo stimato tra i 13 e i 25 milioni di anni (un battito di ciglia per la storia della Terra), ha cambiato per sempre il volto biologico del pianeta.
By mm
E' possibile commentare l'articolo nell'area "Commenti del Mese"