La macchina di Turing e "Computing Machinery and Intelligence"

Due paper, un solo autore, quindici anni di distanza: il 1936 definisce cosa significa “calcolare”, il 1950 lo applica al pensiero. Tra questi due testi passa la linea che separa la preistoria dell’AI da tutto ciò che viene dopo.

Perché questo capitolo

Se l’intera storia dell’AI avesse un singolo asse portante, quell’asse sarebbe Alan Turing. Non perché Turing abbia “inventato” qualcosa di specifico che oggi usiamo quotidianamente, ma perché ha tracciato le due linee concettuali dentro le quali ogni discussione successiva — filosofica, matematica, ingegneristica — si svolge. La prima linea è la macchina astratta del 1936: ciò che stabilisce cosa è in principio calcolabile da un procedimento meccanico. La seconda linea è il test di imitazione del 1950: ciò che stabilisce come si possa parlare di pensiero macchina senza cadere in metafisica irrisolvibile.

Capire questi due paper non è erudizione storica facoltativa. Ogni discussione successiva sull’AI usa, consapevolmente o no, il vocabolario che Turing ha fissato: “computabile”, “decidibile”, “macchina universale”, “imitation game”. Le ricadute contemporanee — dalla discussione sulla potenza espressiva delle architetture moderne fino alle dispute giornalistiche sul “pensiero delle macchine” — vivono dentro lo schema concettuale di Turing. Quelle ricadute le tratteremo nelle sezioni dedicate; in apertura conviene partire dai due testi nel loro tempo.

C’è anche una ragione pragmatica. I due paper sono brevi (il 1950 è meno di trenta pagine), scritti con chiarezza non ostentata, ancora perfettamente leggibili. Dedicargli un capitolo significa dare al lettore gli strumenti per andare alle fonti e verificare di persona cosa Turing ha effettivamente scritto — distinguendolo da ciò che gli viene attribuito da decenni di semplificazioni popolari.

Contesto

Il panorama più ampio dei secoli che portano a Turing — Leibniz, Boole, Babbage, Lovelace, Frege, Godel — è trattato in preistoria-intelligenza. Qui ci concentriamo su Turing stesso: cosa succedeva nel suo ambiente intellettuale, dove si è formato, in quale clima ha pubblicato.

Il paper del 1936 nasce dalla crisi dei fondamenti. Nel 1928 David Hilbert al Congresso Internazionale dei Matematici di Bologna aveva posto tre domande programmatiche sulla matematica: è completa? è consistente? è decidibile? La completezza — ogni proposizione vera è dimostrabile — era stata demolita da Kurt Godel nel 1931 con il primo teorema di incompletezza. La consistenza — il sistema non deriva mai contraddizioni — era pure messa in questione dal secondo teorema di Godel. Restava aperto solo l’Entscheidungsproblem, il problema della decisione: esiste una procedura meccanica che, data una proposizione della logica del primo ordine, decide se essa è dimostrabile?

Nel 1936 la questione viene risolta due volte indipendentemente. Ad aprile Alonzo Church, a Princeton, pubblica “An Unsolvable Problem of Elementary Number Theory” sull’American Journal of Mathematics, usando il lambda calcolo come modello di calcolo. A maggio Alan Turing, a Cambridge, consegna alla London Mathematical Society il suo “On Computable Numbers, with an Application to the Entscheidungsproblem”, che usa una macchina astratta. Entrambi concludono: la risposta è no, non esiste tale procedura. Turing viene a sapere del risultato di Church mentre il proprio paper è già in bozza. Aggiunge un appendice che riconosce la priorità cronologica e si trasferisce a Princeton nel settembre 1936 per un dottorato sotto Church, discusso nel 1938.

Il paper del 1950 nasce in un contesto completamente diverso. La guerra è finita da cinque anni. Turing ha passato sei anni a Bletchley Park decrittando Enigma, lavoro che resta classificato. È ora a Manchester, dove contribuisce al progetto del Manchester Mark I, uno dei primi computer elettronici general-purpose al mondo. Per la prima volta nella storia umana, esiste hardware che realizza — imperfettamente, rumorosamente, costosamente — la macchina universale astratta. Turing non scrive più da logico puro; scrive da persona che ha visto un general-purpose computer in azione.

Mind, la rivista filosofica di Oxford dove Turing pubblica, non è una rivista tecnica di informatica (quella categoria non esiste ancora nel 1950). È la sede canonica della filosofia analitica anglosassone. Turing sceglie deliberatamente questa sede: vuole parlare ai filosofi, perché è li che si decide che cosa è legittimo dire su pensiero, mente, macchine.

L’intuizione

Angolo 1 — La macchina di Turing come definizione operativa di “algoritmo”

Prima del 1936 il termine “algoritmo” era informale. Esistevano algoritmi concreti — la divisione lunga, l’algoritmo di Euclide, il metodo di Gauss — ma “algoritmo” significava solo “procedura metodica ripetibile”. Non c’era una definizione matematica che dicesse, con precisione, cos’e un algoritmo e cosa non lo e. Hilbert aveva posto l’Entscheidungsproblem assumendo che l’idea di “procedura” fosse autoevidente. Non lo era.

La mossa di Turing è stata sostituire l’intuizione con un modello meccanico concretissimo: una macchina con nastro, testina, stato interno, tavola finita di transizioni. “Algoritmo” diventa “ciò che una macchina di Turing può eseguire”. La tesi di Church-Turing afferma che questa classe coincide con l’insieme intuitivo delle “procedure effettivamente calcolabili”. Non è un teorema — non si può dimostrare formalmente che il modello formale coincida con l’intuizione — ma una proposta di definizione che ha retto a novant’anni di verifiche.

Quella proposta è arrivata a definire la lingua franca dell’informatica. “Computabile”, “decidibile”, “Turing-completo” sono il vocabolario di quel paper. Ogni linguaggio di programmazione general-purpose, ogni modello di calcolo astratto proposto dopo — lambda calcolo, macchine a registri, sistemi di Post, automi a coda — si è rivelato equivalente in potenza a una macchina di Turing. La convergenza è così universale che la tesi di Church-Turing è diventata lo sfondo non detto di ogni discussione sulla calcolabilità.

Angolo 2 — Il test di imitazione come riformulazione empirica di “pensare”

Il problema filosofico classico è che “pensare” non ha definizione operativa. Ogni tentativo di definirlo direttamente — avere coscienza, intenzionalita, qualia, libertà — ricade in un circolo: il definiens è più oscuro del definiendum. Non riusciamo a definire “pensare” senza presupporre “mente”, non riusciamo a definire “mente” senza presupporre “coscienza”, non riusciamo a definire “coscienza” senza presupporre qualcosa di ancora più vago. Se la domanda “possono le macchine pensare?” la affrontiamo su questo terreno, non ne usciamo più.

La mossa di Turing è stata aggirare il problema. Invece di definire “pensare”, propone un test comportamentale: se una macchina interagisce testualmente in modo indistinguibile da un umano in un gioco di imitazione sufficientemente aperto e sostenuto, attribuirle il pensiero non è più irragionevole di attribuirlo all’umano. L’idea di fondo è quella che i filosofi chiamano “cortesia comportamentista”: trattiamo le altre menti come tali perché i loro comportamenti ci convincono, non perché abbiamo accesso privilegiato ai loro stati interni. Applicare la stessa cortesia a una macchina, dice Turing, è coerente.

La mossa è operativamente potente per tre ragioni. Primo, la domanda diventa falsificabile: possiamo costruire il test, eseguirlo, vedere cosa succede. Secondo, evita le questioni metafisiche irrisolvibili (cos’e la coscienza?) sostituendole con una questione pragmatica (può ingannarmi?). Terzo, è agnostica rispetto all’implementazione: non importa se la macchina “pensa davvero” come un cervello o con meccanismi completamente diversi — conta il comportamento esterno.

La riformulazione non è priva di critiche. Searle nel 1980 risponde con la stanza cinese, Block nel 1981 con la Blockhead, Chalmers nel 1996 con gli zombie filosofici. Ciascuna di queste critiche merita un capitolo a se — ne hanno uno: stanza-cinese-searle, turing-test, hard-problem-chalmers. Qui basta notare che anche i critici più forti hanno dovuto argomentare contro Turing, cioe dentro il terreno che Turing aveva definito. Prima del 1950 quel terreno non esisteva.

La meccanica

Il paper del 1936: on computable numbers

Turing consegna il paper il 28 maggio 1936, lo legge alla London Mathematical Society il 12 novembre 1936, e lo pubblica nel 1937 nei Proceedings, series 2, vol. 42, pp. 230-265. Il paper è lungo 36 pagine, scritto in inglese tecnico ma accessibile, senza notazione inutilmente opaca. Il punto centrale è costruire un modello preciso di “calcolo meccanico” e usarlo per dimostrare un risultato negativo su una questione posta da Hilbert otto anni prima.

La macchina astratta

Una macchina di Turing si definisce come una settupla:

$M = (Q, \Sigma, \Gamma, \delta, q_0, q_{\text{accept}}, q_{\text{reject}})$

dove ciascun simbolo merita una riga di prosa.

$Q$ è un insieme finito di stati interni. Intuitivamente è la “memoria di lavoro” della macchina: in ogni momento la macchina si trova in uno di questi stati, che determinano cosa farà al prossimo passo.
$\Sigma$ è l’alfabeto di input: i simboli che compaiono sul nastro all’inizio. Per una macchina binaria, $\Sigma = \{0, 1\}$ .
$\Gamma \supseteq \Sigma$ è l’alfabeto del nastro: contiene $\Sigma$ più almeno il simbolo blank $\sqcup$ , usato per le celle non ancora scritte.
$\delta : Q \times \Gamma \to Q \times \Gamma \times \{L, R\}$ è la funzione di transizione. Data la coppia (stato corrente, simbolo letto), specifica il nuovo simbolo da scrivere, la direzione di movimento della testina (left o right) e il nuovo stato.
$q_0 \in Q$ è lo stato iniziale.
$q_{\text{accept}}$ e $q_{\text{reject}}$ sono stati finali distinti che segnalano terminazione.

Turing nel paper originale non usa questa notazione settuplare. Parla di “m-configurations” per gli stati, di “squares” per le celle del nastro, di “scanned symbol” per il simbolo letto. La notazione standardizzata sopra viene stabilità decenni dopo, in particolare da Hartmanis e Stearns negli anni Sessanta. La sostanza è la stessa.

La dinamica di una macchina di Turing è una sequenza di configurazioni istantanee (stato, contenuto del nastro, posizione della testina) a partire da $(q_0, \text{input}, 0)$ , applicando $\delta$ ad ogni passo. La macchina si ferma se raggiunge uno stato finale o se $\delta$ non è definita per la coppia corrente.

Esempio di computazione: incremento unario

Per fissare le idee, costruiamo una macchina che legge un numero $n$ in rappresentazione unaria (una stringa di $n$ simboli “1”) e scrive $n+1$ . La macchina ha tre stati: $q_0$ (scansiona a destra cercando il blank), $q_1$ (ha appena scritto l’ultimo “1”), $q_{\text{halt}}$ (terminazione).

Tavola di transizione:

(q0, 1) -> (q0, 1, R) # continua a destra
(q0, _) -> (q1, 1, R) # trovato blank: scrivi 1
(q1, *) -> (q_halt, *, *) # halt

Esecuzione su input 111 (cioe $n = 3$ ):

Stato $q_0$ , testina in posizione 0. Legge “1”, scrive “1”, si sposta a destra. Nastro: 111, testina in 1.
Stato $q_0$ , testina in 1. Legge “1”, scrive “1”, si sposta a destra. Nastro: 111, testina in 2.
Stato $q_0$ , testina in 2. Legge “1”, scrive “1”, si sposta a destra. Nastro: 111, testina in 3.
Stato $q_0$ , testina in 3. Legge blank, scrive “1”, si sposta a destra, passa a $q_1$ . Nastro: 1111, testina in 4.
Stato $q_1$ . Entra in $q_{\text{halt}}$ . Ferma.

Output: 1111, cioe $n+1 = 4$ . L’esempio è elementare ma contiene tutti gli elementi: alfabeto, stati, transizioni, esecuzione passo per passo. Macchine con pochi stati aggiunti calcolano cose non banali (moltiplicazione, test di primalita, decisione di grammatiche).

La macchina universale

Il passo concettuale più importante del paper del 1936 viene dopo la definizione della macchina singola. Turing osserva che la tavola di transizione di qualsiasi macchina $M$ è un oggetto finito: la si può scrivere come stringa di simboli su un alfabeto finito. Questa stringa, che Turing chiama “Standard Description” (S.D.) della macchina, è a tutti gli effetti un dato.

Allora, dice Turing, costruiamo una macchina speciale $U$ che, avendo sul proprio nastro:

la Standard Description di una qualsiasi macchina $M$ ,
seguita dall’input $x$ per $M$ ,

simula il comportamento di $M$ su $x$ . Questa $U$ esiste (Turing la costruisce esplicitamente nel paper, tavola di transizione inclusa). Si chiama Universal Computing Machine o macchina universale di Turing.

La costruzione è laboriosa ma concettualmente lineare. $U$ legge dal nastro la descrizione di $M$ , mantiene sul nastro anche la simulazione dello stato corrente di $M$ , e per ogni passo di $M$ cerca nella descrizione la transizione appropriata, aggiorna lo stato simulato e il nastro simulato di $M$ . Al termine della simulazione (se $M$ termina) anche $U$ termina.

Il significato è immenso. Prima del 1936, l’idea di general-purpose computing non era mai stata formalizzata. I calcolatori meccanici dell’Ottocento (stepped reckoner di Leibniz, Difference Engine di Babbage) erano specializzati. L’Analytical Engine di Babbage-Lovelace era pensato come universal ma non era mai stato costruito ne descritto con precisione matematica. Turing dimostra in modo preciso che una singola macchina, con una tavola fissa di transizione, può eseguire qualsiasi altra macchina. Ogni CPU, ogni linguaggio di programmazione interpretato, ogni virtual machine è erede diretta di quella costruzione.

La dualita fondamentale che Turing introduce qui è che la descrizione di un programma è un dato come gli altri. Codice e dati vivono nello stesso spazio di simboli, manipolati dalle stesse regole. L’architettura stored-program che von Neumann formalizzerà nel 1945 per l’EDVAC è l’incarnazione hardware di questa dualita astratta del 1936.

Il problema dell’arresto

Dalla macchina universale Turing deriva un risultato di indecidibilita. Definiamo il halting problem: data una macchina $M$ e un input $x$ , decidere se $M$ si ferma su $x$ . Formalmente, esiste una macchina $H$ tale che $H(M, x) = 1$ se $M$ si ferma su $x$ , $0$ altrimenti?

Turing mostra che una tale $H$ non esiste. L’argomento è per contraddizione tramite diagonalizzazione. Assumiamo che $H$ esista. Costruiamo una nuova macchina $D$ che, dato in input il codice $\langle M \rangle$ di una macchina arbitraria:

Calcola $H(M, \langle M \rangle)$ — cioe, controlla se $M$ si ferma quando riceve in input il proprio codice.
Se il risultato è 1 (cioe $M$ si ferma sul proprio codice), $D$ entra in un loop infinito.
Se il risultato è 0 (cioe $M$ non si ferma sul proprio codice), $D$ si ferma immediatamente.

Ora chiediamo: $D$ si ferma su input $\langle D \rangle$ ? Due casi, entrambi contraddittori.

Se $D$ si ferma su $\langle D \rangle$ , allora per definizione $H(D, \langle D \rangle) = 1$ , il che significa che $D$ deve entrare in loop infinito su $\langle D \rangle$ . Contraddizione.
Se $D$ non si ferma su $\langle D \rangle$ , allora $H(D, \langle D \rangle) = 0$ , il che significa che $D$ deve fermarsi immediatamente su $\langle D \rangle$ . Contraddizione.

L’unico modo di uscire dalla contraddizione è negare l’assunzione iniziale: $H$ non esiste. Il halting problem è indecidibile.

Da qui Turing deriva l’indecidibilita dell’Entscheidungsproblem con una riduzione: se esistesse una procedura per decidere la dimostrabilita di formule del primo ordine, potremmo codificare l’halting come una formula e decidere l’halting, ma il halting è indecidibile, quindi neanche l’Entscheidungsproblem può essere decidibile.

Una nota terminologica che molti libri tralasciano: il termine “halting problem” non compare nel paper del 1936 di Turing. Turing parla del “printing problem”, formalmente equivalente ma diversamente nominato. “Halting problem” viene coniato da Martin Davis negli anni Cinquanta. La sostanza matematica è la stessa.

Il paper del 1950: computing machinery and intelligence

Turing pubblica “Computing Machinery and Intelligence” su Mind, vol. LIX, n. 236, ottobre 1950, alle pagine 433-460. Il paper è lungo 28 pagine, ma scritto con una chiarezza conversazionale che lo rende leggibile in un paio d’ore. La struttura è semplice: apre con la proposta del test, descrive la macchina universale (riassunto del 1936 adattato a un pubblico filosofico), discute in profondità nove obiezioni prevedibili, e chiude con una sezione sull’apprendimento e una previsione temporale.

L’imitation game

Turing apre così: “I propose to consider the question, ‘Can machines think?’”. Poi immediatamente dichiara la domanda mal posta, perché i termini “macchina” e “pensare” non hanno definizioni sufficientemente chiare. Se provassimo a definirli tramite l’uso comune, finiremmo con “una macchina è qualcosa che non pensa” per definizione, rendendo la domanda banalmente negativa.

Propone allora di sostituirla con una domanda operativa. Descrive un gioco a tre — l’imitation game — in due versioni successive.

Versione 1 (sezione 1 del paper). Tre attori: un uomo $A$ , una donna $B$ , un interrogatore $C$ di genere arbitrario. $C$ sta in una stanza separata e comunica con $A$ e $B$ via telescrivente. $C$ deve indovinare chi è l’uomo e chi è la donna. $A$ ha il compito di far sbagliare $C$ , cercando di convincerlo che $A$ è la donna. $B$ ha il compito di aiutare $C$ , dichiarando “sono la donna!” — ma $A$ può dire la stessa cosa, quindi la dichiarazione non aiuta molto.

Versione 2 (sezione 2 del paper). Sostituiamo $A$ con una macchina. Domanda: la macchina al posto dell’uomo induce $C$ a sbagliare con la stessa frequenza? In caso affermativo, dice Turing, attribuirle “pensiero” diventa ragionevole.

La versione 2 è quella che sopravvive nella memoria popolare. Viene spesso semplificata ulteriormente a “umano generico vs macchina”, perdendo la sfumatura di genere della versione originale. La semplificazione è didatticamente utile ma pedagogicamente rischiosa: non tutti i commentatori sanno che il test originale è costruito per analogia con un’imitazione già accettata (uomo che imita donna), non con un’identità pura.

Turing insiste su alcune caratteristiche del test.

Canale testuale: niente voce, niente immagine, niente odore. Il canale elimina tutti i segnali non-semantici (pronuncia, aspetto fisico) e costringe la valutazione sul solo contenuto simbolico.
Interrogatore umano: un essere capace di porre domande flessibili, non un test automatico pre-programmato.
Tempo sufficiente: l’articolo non fissa una durata, ma nella previsione del 2000 Turing usa “cinque minuti”. Interpretazioni moderne rigorose richiedono sessioni molto più lunghe (ore).
Nessun dominio ristretto: l’interrogatore può fare qualsiasi domanda. Poesia, matematica, narrativa, storia, humour, filosofia, attualità. Un test su dominio ristretto (chatbot di customer service) non è un test di Turing in senso stretto.

Turing fornisce un esempio di scambio tra interrogatore e macchina. L’interrogatore chiede un sonetto sul Forth Bridge. Il candidato risponde “non ho mai saputo scrivere poesia”. L’interrogatore chiede una somma: $34957 + 70764$ . Il candidato pausa 30 secondi e risponde “105621”, che è sbagliato (la somma corretta è 105721). Il candidato gioca scacchi ad alto livello, rispondendo con una mossa vincente dopo 15-30 secondi. L’errore aritmetico è deliberato: un candidato-macchina con calcolo istantaneo e perfetto sarebbe immediatamente distinguibile; inserire errori umani è parte della strategia di imitazione.

Il punto è notevole nel suo contesto. La strategia di imitazione, in Turing, include deliberatamente l’imperfezione: un candidato troppo veloce, troppo accurato, troppo deferente sarebbe immediatamente identificato. La tensione tra “potenza di calcolo” e “credibilità imitativa” è una tensione progettuale che il 1950 individua chiaramente. (Le sue ricadute nei training moderni di modelli conversazionali sono discusse in “Applicazioni pratiche”.)

Le nove obiezioni

La sezione 6 del paper — la parte più lunga e più citata — discute nove obiezioni prevedibili all’idea che una macchina possa passare il test. Turing risponde a ciascuna. Le esponiamo nell’ordine del paper, con il nome originale in inglese e la traduzione operativa.

1. The Theological Objection (obiezione teologica). Il pensiero è funzione di un’anima immortale, concessa da Dio agli umani soli. La risposta di Turing è sorprendentemente cortese ma incisiva: l’obiezione limita arbitrariamente il potere di Dio (chi siamo noi per dire che Dio non potrebbe dare un’anima a un elefante, o a una macchina, se lo volesse?). Aggiunge che argomenti strutturalmente identici sono stati usati contro il copernicanesimo, e la storia li ha condannati.

2. The “Heads in the Sand” Objection (obiezione dello struzzo). Le conseguenze di macchine pensanti sarebbero terribili, quindi speriamo di no. Risposta: un desiderio non è un argomento. Notare che questa obiezione è strutturalmente identica a molte preoccupazioni contemporanee sull’AGI, e Turing la liquida in due paragrafi scettici. Non significa che Turing ritenesse le preoccupazioni infondate — significa che il timore non è evidenza.

3. The Mathematical Objection (obiezione matematica). Basata sui teoremi di Godel, Church, Turing stesso: esistono limiti formali a ciò che un sistema formale può dimostrare. La macchina, essendo un sistema formale, ha questi limiti; gli umani no, dunque gli umani non sono macchine. Risposta: gli umani hanno limiti analoghi (errori, confusione, ignoranza); non c’è prova che siano sistemi formali consistenti. L’argomento presupporrebbe che la mente umana sia un sistema formale consistente e che la consistenza sia conoscibile dall’interno — entrambe assunzioni non ovvie. Roger Penrose riproporra l’argomento nel 1989 con “The Emperor’s New Mind”, suscitando un lungo dibattito ancora non chiuso, ma la linea di risposta di Turing è quella standard.

4. The Argument from Consciousness (argomento della coscienza). Nella formulazione di Jefferson 1949 (il discorso del Lister Medal a Manchester): una macchina può scrivere un sonetto solo se prova le emozioni di chi lo scrive. Solo chi sente può davvero pensare. Risposta di Turing: applicato coerentemente, questo argomento porta al solipsismo radicale — neghiamo la coscienza a tutti tranne noi stessi, perché solo noi abbiamo accesso diretto ai nostri stati interni. La strategia alternativa — attribuire coscienza sulla base del comportamento — è esattamente il test di imitazione. L’argomento della coscienza o porta al solipsismo o collassa nel test.

5. Arguments from Various Disabilities (argomenti da varie disabilita). “Una macchina non potrà mai X”, dove X è a scelta: essere gentile, avere senso dell’umorismo, innamorarsi, godere fragole e panna, distinguere giusto da sbagliato, commettere errori, essere soggetto del proprio pensiero, imparare dall’esperienza. Risposta: la lista è arbitraria; una volta che una macchina fa X, l’obiettore sposta il paletto. Non è un argomento ma un rifiuto a muoverlo mai. Turing nota con ironia che “essere soggetto del proprio pensiero” richiede solo un modello interno di se — cosa che anche semplici programmi ricorsivi possono avere in forma rudimentale.

6. Lady Lovelace’s Objection (obiezione di Lady Lovelace). Ada Lovelace, nelle sue note del 1843 all’Analytical Engine di Babbage, scrive: “The Analytical Engine has no pretensions whatever to originate anything. It can do whatever we know how to order it to perform”. La macchina esegue istruzioni, non crea. Risposta di Turing: dal fatto che un sistema esegue regole non segue che non possa sorprendere. I computer sorprendono i loro programmatori regolarmente, con risultati non previsti. L’obiezione confonde due affermazioni diverse: (a) il comportamento è causato dalle istruzioni, (b) il comportamento è prevedibile dalle istruzioni. La prima è vera banalmente; la seconda è falsa per sistemi abbastanza complessi. Questa è forse la risposta più seminale del paper: ogni volta che oggi qualcuno dice “l’AI non può essere davvero creativa perché fa solo ciò per cui è stata programmata”, sta ripetendo l’obiezione di Lovelace 75 anni dopo che era stata risolta.

7. Argument from Continuity in the Nervous System (argomento della continuita). I neuroni biologici operano con segnali analogici continui; i computer digitali lavorano in discreto. Quindi non possono imitarli. Risposta: la differenza è quantitativa, non qualitativa; ogni sistema analogico approssimabile digitalmente con precisione arbitraria è imitabile digitalmente. Questo punto oggi è ovvio (ogni segnale analogico si digitalizza), ma nel 1950 era sottile.

8. The Argument from Informality of Behaviour (argomento dell’informalità). Gli umani non seguono regole fisse, si adattano al contesto, improvvisano. Una macchina segue regole, dunque non può imitare l’informalità umana. Risposta: l’assenza di regole visibili non implica l’assenza di regole. Un sistema con un numero enorme di regole non linearmente combinate appare “informale” dall’esterno anche se è completamente deterministico. La risposta di Turing è strutturale, non legata a una tecnologia particolare: vale per gli automi del suo tempo come per ogni sistema complesso successivo.

9. The Argument from Extrasensory Perception (argomento dell’ESP). Se gli umani hanno capacità extrasensoriali (telepatia, precognizione), l’interrogatore può usarle per distinguersi dalla macchina. Risposta di Turing: basta mettere entrambi in una “telepathy-proof room”. Turing prende l’argomento sorprendentemente sul serio; nel 1950 la parapsicologia (Rhine a Duke University) aveva ancora credito accademico. Oggi la sezione è vista come imbarazzante e viene spesso omessa dalle citazioni, ma fa parte integrale del paper.

Child machine e apprendimento

Nella sezione 7 del paper (“Learning Machines”) Turing introduce quella che chiama “child machine”. La strategia è: invece di programmare direttamente una mente adulta, programmare un sistema minimale e sottoporlo a un processo educativo. Turing combina tre elementi:

Rinforzo: ricompense e punizioni come segnali di feedback.
Supervisione: esempi etichettati forniti dall’educatore.
Esplorazione casuale: variazione casuale delle azioni per scoprire nuove strategie.

Turing stima qualitativamente che il genoma umano contenga “a few megabytes” (in terminologia moderna) di informazione innata, e suggerisce che una child machine potrebbe partire da una base analogamente compatta. Il contenuto della mente adulta non è codificato nel genoma — è costruito dall’interazione con l’ambiente.

Questa sezione anticipa, come analogia strutturale (non filiazione ingegneristica), molte combinazioni che diverranno standard solo decenni dopo: rinforzo, supervisione, esplorazione casuale, distinzione fra contenuto innato e contenuto appreso. La corrispondenza con le tecniche di training contemporanee non è una linea di discendenza diretta — Sutton e Barto codificheranno il reinforcement learning negli anni Ottanta partendo da altre fonti — ma è una convergenza notevole. Le ricadute attuali sono discusse nelle “Applicazioni pratiche”.

La previsione del 2000

Nella sezione 6 Turing scrive:

I believe that in about fifty years’ time it will be possible to programme computers, with a storage capacity of about $10^9$ , to make them play the imitation game so well that an average interrogator will not have more than 70 per cent chance of making the right identification after five minutes of questioning.

Analisi della previsione, pezzo per pezzo.

" $10^9$ " bit di storage. In unita moderne: 125 MB. GPT-3 (2020) ha 175 miliardi di parametri in float16, cioe circa 350 GB — tre ordini di grandezza oltre la stima. Ma Turing parla di “storage capacity” in un senso ambiguo che potrebbe riferirsi a memoria di lavoro più che a pesi. La stima è qualitativamente ragionevole: macchine con “un miliardo di qualcosa” competono in compiti linguistici.
“Average interrogator”. Un interrogatore non specialista. ELIZA già nel 1966 ingannava utenti ingenui con un pattern matching elementare.
“Five minutes”. Sessione breve. Sessioni più lunghe distinguono meglio.
“70 per cent”. La macchina non deve essere perfetta: deve confondere l’interrogatore il 30% delle volte.

La previsione temporale (2000) è sbagliata di una decina d’anni nella sua forma più generosa. ELIZA ingannava negli anni Sessanta, Eugene Goostman (2014, un chatbot che simulava un tredicenne ucraino) ha rivendicato successo in una versione del Loebner Prize ma la comunità ha contestato. Modelli post-2022 (ChatGPT, Claude, Gemini) passano molte forme semplificate del test con facilita; sessioni pareggiate con interrogatori motivati restano difficili. La previsione concettuale — una macchina che confonde un interrogatore medio al 30% in 5 minuti — è stata realizzata; quella temporale no.

Esempi

Esempio 1 — Un turno di imitation game con errore deliberato

Ricostruiamo uno scambio nello stile del paper del 1950, fedele al registro di Turing.

I: Nella prima riga del vostro sonetto, c'è "Shall I compare
   thee to a summer's day". Non andrebbe meglio "a spring day"?

X: Non avrebbe metrica.

I: E "a winter's day"? La metrica torna.

X: Si, ma nessuno vuole essere paragonato a un giorno d'inverno.

I: Paragonereste Mr. Pickwick a un giorno di Natale?

X: Un po' inadeguato. Natale è un giorno specifico, non
   un tipo di tempo; Pickwick è più un'atmosfera.

I: Quanto fa 34957 + 70764?

X (pausa di 30 secondi): 105621.

Lo scambio è quasi direttamente il testo di Turing. Il candidato discute con competenza letteraria il sonetto di Shakespeare, ma sbaglia la somma (la risposta corretta è 105721). L’errore aritmetico è deliberato: se il candidato fosse perfettamente veloce e perfettamente accurato sulla matematica, l’interrogatore lo identificherebbe immediatamente come macchina. Inserire errori umani, inserire pause di “pensiero”, rispondere con modestia invece di competenza onniscente: questi sono i trucchi che Turing identifica già nel 1950 come parte della strategia di imitazione.

Nel training moderno dei modelli conversazionali (instruction tuning, RLHF, DPO) la stessa logica opera, per analogia con la strategia descritta da Turing: i modelli vengono ottimizzati per non sembrare “troppo macchina”, per esitare dove un umano esiterebbe, per ammettere ignoranza con modestia. Non è una discendenza ingegneristica diretta dal paper del 1950 — gli ingegneri di RLHF non hanno costruito la tecnica leggendo Mind — ma la struttura del problema individuata da Turing è la stessa.

Esempio 2 — Macchina di Turing vs LLM, mappatura esplicita

Confronto tabellare diretto tra la macchina di Turing e un LLM moderno.

Aspetto	Macchina di Turing	LLM moderno
Memoria dati	Nastro bidirezionalmente infinito	Context window finito (128k-1M token)
Unità di elaborazione	Testina che legge/scrive un simbolo	Attention che guarda tutti i token; generazione un token per step
Stato	Insieme finito $Q$ + contenuto nastro	Pesi fissi + attivazioni per layer
Controllo	Tavola $\delta$ di transizioni	Forward pass del transformer
Modo di “programmare”	Scrivere la tavola $\delta$	Scrivere il prompt di sistema; few-shot
Universalita	Macchina $U$ simula ogni $M$	Modello general-purpose configurato via prompt
Determinismo	Deterministico (classicamente)	Stocastico (sampling)
Terminazione	Stato $q_{\text{accept}}$	Emissione di EOS token

La mappatura non è letterale. Un LLM non emula una specifica macchina di Turing: i transformer hanno un’architettura molto diversa (layer paralleli, attention quadratica, positional encoding). Ma la struttura concettuale si preserva:

Codice e dati condividono lo spazio di memoria (context window).
La stessa macchina fisica esegue programmi molto diversi a seconda del prompt.
Il “programma” (prompt di sistema) è un dato come gli altri.

Questa struttura implica anche una vulnerabilita strutturale: prompt injection. Un attaccante che inserisce nei dati di input qualcosa che il modello interpreta come istruzione ha sfruttato la stessa dualita codice-dati che rende l’LLM universale. Le difese — delimitatori, spotlighting, schema validation — cercano di re-introdurre una separazione che architettonicamente non c’è. La radice del problema è in Turing 1936.

Sul piano teorico: Perez, Barcelo e Marinkovic nel 2019 hanno dimostrato la Turing-completezza dei transformer sotto assunzioni tecniche (precisione infinita, attention rigorosa). Merrill e Sabharwal nel 2023 hanno raffinato il risultato: senza chain-of-thought i transformer sono in classe TC0 (molto più debole), con CoT arbitrariamente lungo diventano Turing-completi. Il reasoning esplicito in tokens è letteralmente il meccanismo per avvicinare gli LLM al potere espressivo completo di una macchina universale.

Esempio 3 — L’obiezione di Lovelace nel dibattito contemporaneo

Nel 2024 un articolo di opinione su un quotidiano discute se un modello text-to-image come DALL-E 3 possa essere “davvero creativo”. L’argomento tipico: no, perché il modello ricombina pattern visti in training, non crea nulla di genuinamente nuovo; fa solo ciò per cui è stato addestrato.

Questo è letteralmente Lady Lovelace, 1843, parola per parola. “The Analytical Engine has no pretensions whatever to originate anything. It can do whatever we know how to order it to perform”. Ricombinazione di pattern, obbedienza al training, nessuna pretesa di originalità.

La risposta di Turing del 1950 è ancora valida. L’obiezione confonde due affermazioni: (a) il comportamento è causato dal training, (b) il comportamento è prevedibile dal training. La prima è vera banalmente; la seconda è falsa. I ricercatori di Anthropic, OpenAI, DeepMind sono sorpresi regolarmente da comportamenti emergenti che nessuno aveva pianificato. La sorpresa non implica libertà ontologica — implica complessità eccessiva per la predizione a priori.

Quando si discute di creativita artificiale, citare l’obiezione di Lovelace e la risposta di Turing è profilatticamente utile: evita di riargomentare da capo, da zero, cose già argomentate 75 anni fa. L’amnesia filosofica fa perdere tempo.

Esempio 4 — La child machine e il training moderno

La proposta di child machine di Turing 1950 richiede:

Un sistema di partenza minimale.
Un ambiente di apprendimento ricco.
Segnali di feedback di almeno tre tipi (supervisione, rinforzo, esplorazione).

Mappiamo sul training moderno di un LLM conversazionale.

Sistema minimale di partenza: un transformer con pesi inizializzati a random (distribuzione gaussiana centrata su zero, varianza calibrata). L’informazione “innata” è lo schema dell’architettura, non i pesi. In bit, lo schema è dell’ordine di qualche KB (definizione di layer, dimensioni, connessioni). Turing stimava “a few megabytes” per il genoma umano; lo schema di un transformer è ancora più compatto.
Ambiente di apprendimento ricco: corpus di training di trilioni di token. Il pre-training è supervisione implicita (next-token prediction), ma il segnale è estratto dal testo stesso, non da un insegnante umano.
Feedback di diverso tipo: pre-training (supervisione implicita), supervised fine-tuning (supervisione esplicita da esempi curati), RLHF (rinforzo da feedback umano), Constitutional AI (supervisione da modelli critici), agentic self-play (esplorazione).

La corrispondenza è quasi uno-a-uno. Turing nel 1950 non aveva backpropagation (Rumelhart, Hinton, Williams 1986), non aveva reti profonde addestrabili (Hinton 2006), non aveva attention (Bahdanau 2014, Vaswani 2017), non aveva GPU. Ma aveva la struttura di alto livello giusta.

Applicazioni pratiche

Tesi di Church-Turing come sfondo di ogni discussione di computabilita

Quando un ingegnere discute se un certo problema è risolvibile da un algoritmo, sta implicitamente assumendo la tesi. Quando un ricercatore AI chiede se un transformer sia “universal”, usa il vocabolario del 1936. Quando una startup discute i limiti teorici di un LLM, cita direttamente o indirettamente il halting problem. La tesi di Church-Turing non è solo un concetto storico — è la grammatica in cui l’informatica moderna pensa se stessa. Senza quella grammatica, “ti chiedo un algoritmo per X” sarebbe una richiesta semanticamente vuota.

Operativamente: quando si progetta un agente, conoscere la computabilita è utile per evitare richieste impossibili. “Decidi se questo codice Python termina su tutti gli input” è indecidibile in generale — nessun sistema lo risolve, e progettare un tool di debugging che lo prometta è ingenuita. “Verifica questa proprieta specifica per questo input specifico” è di solito decidibile. La differenza sta nella comprensione del halting problem.

Test di Turing come meme culturale e benchmark informale

Nessun laboratorio serio usa il test di Turing come benchmark primario. GPQA, MMLU, SWE-bench, tau-bench, HumanEval e altri benchmark specifici sono più informativi e più riproducibili. Ma il test sopravvive, in tre forme.

Meme culturale. Quando un giornale scrive che un sistema “ha passato il test di Turing”, il riferimento è riconoscibile dal pubblico. La formulazione è imprecisa ma la funzione comunicativa è chiara.
Arena-style evaluation. Piattaforme come LMSYS Chatbot Arena fanno rispondere due modelli in parallelo alla stessa prompt; un utente umano sceglie alla cieca il migliore. È un imitation game tra macchine invece di uomo-macchina. La logica di “giudice umano seleziona tra candidati nascosti” è la stessa.
LLM-as-judge. Quando un modello valuta l’output di un altro modello (per filtrare, classificare, rankare), si assume che sia capace di distinguere qualità. È una forma scalabile del test di Turing applicata non a “umano vs macchina” ma a “risposta di qualità alta vs bassa”.

In turing-test analizziamo i pro e i contro del test come metrica; qui basta notare che il concetto è vivo nel discorso, anche se raramente come benchmark formale.

Obiezione di Lovelace come ricorrenza in dibattiti su creativita AI

Ogni dibattito pubblico sulla creativita dell’AI ripete l’obiezione di Lovelace, spesso senza citarla. “L’AI non può essere davvero creativa perché fa solo ciò che le diciamo di fare”, “L’AI ricombina, non crea”, “Manca la vera originalità”. Turing aveva già risposto nel 1950. Chi lavora in AI dovrebbe saperlo: evita di rispondere da zero ogni volta.

La risposta pratica al grande pubblico può essere: “L’argomento è identico a uno di Ada Lovelace del 1843. Turing ci ha risposto nel 1950. Vi consiglio di leggere la sezione 6.6 del paper su Mind”. Non è un contrattacco, è un invito a partire da dove si è arrivati invece di ricominciare.

Dualita codice-dati come radice della prompt injection

La vulnerabilita di prompt injection — un attaccante inserisce in dati di input qualcosa che il modello interpreta come istruzione — è l’incarnazione moderna della dualita codice-dati della macchina universale. In un LLM, il prompt di sistema e i dati dell’utente vivono nello stesso spazio di token; il modello non distingue architetturalmente tra i due. Le difese (delimitatori, spotlighting, schema validation, prompt sanitization) re-introducono una separazione che architettonicamente non c’è.

Capire che la vulnerabilita è strutturale, non accidentale, aiuta a progettare difese realistiche. Non esiste una “patch” al problema: esiste solo una mitigazione costante. La radice è in Turing 1936. In prompt-injection-intro (in preparazione) e prompt-defense (in preparazione) discutiamo le mitigazioni pratiche.

Child machine come genitore concettuale di pre-training + RLHF

Il training moderno degli LLM ricalca quasi uno-a-uno la proposta di Turing del 1950: sistema minimale, ambiente ricco, feedback di tipi diversi. Questo non è una coincidenza — è che Turing aveva identificato la struttura di alto livello giusta. I dettagli implementativi (gradient descent, attention, RLHF con PPO, DPO, Constitutional AI) sono stati aggiunti dopo, ma la struttura macroscopica era già nel 1950.

Chi progetta un sistema di learning moderno (fine-tuning di un LLM per un dominio, RLHF custom, self-play per un agente) beneficia di conoscere la struttura originale. Molte “innovazioni” recenti sono riscoperte, sotto nuove etichette, della struttura proposta da Turing.

Dove si rompe

Mito: “Turing ha inventato il computer”

No. Turing nel 1936 definisce un modello matematico astratto. Il primo computer elettronico general-purpose è ENIAC (Mauchly ed Eckert, University of Pennsylvania, 1945). L’architettura stored-program — con memoria unica per codice e dati — è formalizzata da John von Neumann nel First Draft of a Report on the EDVAC (1945). Turing contribuisce al design del progetto ACE (Automatic Computing Engine, NPL, 1946) e alla Manchester Mark I (1948), ma queste sono una tra tante macchine dell’epoca. Colossus di Bletchley Park (1943), a cui Turing contribuisce indirettamente, è un computer speciale (decrittazione) non general-purpose. Il contributo di Turing all’hardware è significativo ma non fondativo nel senso stretto.

La macchina di Turing come modello matematico resta comunque il contributo più duraturo di Turing all’informatica. Definisce cosa è calcolabile in principio, non cosa è calcolato in pratica. Confondere le due cose fa perdere la portata del lavoro.

Mito: “La macchina di Turing è un computer”

No. Non in senso ingegneristico. È un oggetto matematico con nastro infinito (impossibile fisicamente). La sua utilità è teorica. Ogni computer fisico ha memoria finita e quindi, tecnicamente, è un automa a stati finiti (un modello di calcolo strettamente più debole della macchina di Turing).

Nella pratica la distinzione conta poco: un automa a stati finiti con abbastanza memoria simula ogni macchina di Turing entro il limite della propria memoria. La potenza del modello di Turing è che non chiude la discussione a una memoria specifica. Ci permette di ragionare di cosa è calcolabile in principio, astraendo dai limiti hardware attuali.

Mito: “Il test di Turing misura intelligenza”

No. Misura indistinguibilita comportamentale in un canale testuale. Un sistema può passare il test senza essere intelligente in senso profondo: ELIZA (Weizenbaum, 1966) — un pattern matcher elementare da 200 righe di codice che simulava un terapista rogeriano — ingannava utenti ingenui nel 1966. Un sistema può essere intelligente senza passare il test: un cane è intelligente ma non passa un test di imitazione in inglese.

Turing lo sapeva. Il test è una condizione sufficiente proposta — passarlo è una buona ragione per attribuire pensiero — ma non è necessaria. Il test è anche un test specifico, non una misura generale: misura la capacità di imitare un umano in un canale testuale, non la capacità generale di risolvere problemi.

Mito: “Passare il test equivale ad avere coscienza”

No. Turing esplicitamente nel 1950 non afferma che una macchina che passa il test abbia coscienza. Il suo argomento è più debole e più difendibile: se una macchina passa il test, negarle lo status di “pensante” diventa arbitrario quanto negarlo a un altro umano. Ma “pensante” nel senso operativo (comportamento indistinguibile) non implica “cosciente” nel senso fenomenico. La coscienza è un problema separato, che Chalmers chiamerà “hard problem” nel 1996. In hard-problem-chalmers discutiamo perché il test di Turing, anche se superato, potrebbe non bastare per attribuire coscienza.

Mito: “I teoremi di Godel dimostrano che il pensiero umano supera le macchine”

Questa è l’obiezione matematica discussa da Turing nel 1950 e rilanciata da J.R. Lucas (1961) e Roger Penrose (“The Emperor’s New Mind”, 1989). La tesi: i teoremi di Godel dicono che ogni sistema formale ha proposizioni indecidibili; gli umani possono “vedere” la verità di queste proposizioni; dunque gli umani non sono sistemi formali.

La risposta classica: (1) i teoremi di Godel si applicano a sistemi formali specifici, non alla nozione di calcolo in se; (2) “vedere” la verità della proposizione godeliana richiede di fidarsi della consistenza del sistema, e nessun sistema formale può garantire la propria consistenza dall’interno (secondo teorema); (3) gli umani commettono errori logici regolarmente, dimenticanze, contraddizioni — non si comportano come sistemi consistenti nel senso tecnico. L’argomento di Lucas-Penrose presuppone che la mente umana sia un sistema formale consistente e che la consistenza sia conoscibile dall’interno: entrambe assunzioni tutt’altro che ovvie.

Il dibattito resta aperto tra filosofi. Ma l’inferenza “Godel implica che le macchine non possono pensare” è respinta dalla maggior parte dei logici e filosofi della mente contemporanei.

Mito: “Il test di Turing è stato superato da ChatGPT”

Dipende dalla versione del test. Il test originale descritto da Turing è un gioco a tre con interrogatore motivato, sessione lunga (interpretata generosamente: ore, non minuti), domande di qualsiasi tipo, dominio aperto. Versioni semplificate — interrogatore non esperto, sessione breve, dominio ristretto — sono superate da chatbot da decenni.

ELIZA (1966): ingannava utenti ingenui in forma semplicissima.
PARRY (1972): simulava un paziente paranoico, superava test con psichiatri.
Eugene Goostman (2014): simulava un ragazzino ucraino di 13 anni, rivendicava un “33% pass rate” al Loebner Prize 2014 (contestato metodologicamente).
GPT-4 e successori (2023+): passano molti test di Turing informali in sessioni brevi.

Nessuno di questi ha passato il test di Turing nella forma rigorosa originale. La comunità AI è scettica sul test come benchmark: diventa un target da gamificare più che una misura reale. Inoltre il test non discrimina tra “imita convincentemente un umano” e “ragiona bene”: un sistema potrebbe imitare un umano medio mentre fallisce gravemente su problemi che un umano esperto risolverebbe.

Limite: la stima di memoria del 2000

La previsione di Turing di $10^9$ bit di storage è stata letta in molti modi. In senso letterale, 125 MB sono oggi irrisori; GPT-3 e oltre ne usano migliaia di volte tanto. Ma Turing non distingueva tra pesi, memoria di lavoro, e ambiente di training — la distinzione non aveva senso nel 1950. Interpretazioni caritatevoli vedono la previsione come qualitativamente corretta (“macchine grandi abbastanza per giocare l’imitation game”), non quantitativamente precisa.

La previsione temporale (2000) è sbagliata: i modelli capaci di sostenere conversazioni aperte credibili arrivano dopo il 2020. Turing non poteva prevedere i due inverni dell’AI (anni Settanta, anni Ottanta), il blocco causato dalla scarsita di compute e dati, la rivoluzione di imagenet e transformer.

Limite: la sezione ESP come debolezza datata

La nona obiezione — telepatia, ESP — oggi suona imbarazzante. Nel 1950 Rhine alla Duke University aveva ancora credito accademico per la parapsicologia; Turing non era obbligato a prenderlo sul serio, ma lo fa. La sua risposta (“basta una telepathy-proof room”) è pragmatica ma la discussione in se mostra il limite temporale del paper. Non è un problema sostanziale, ma è un promemoria: ogni testo, anche canonico, ha elementi datati.

Limite: il test presuppone umani “normali”

Il test di Turing assume che “interrogatore medio” e “umano medio” siano concetti ben definiti. Non lo sono. Un interrogatore con formazione specifica (linguistica, psicologia, logica) distingue meglio. Un umano con disabilita specifiche (afasia, cecita, tratti autistici) potrebbe non passare il test rigoroso come umano. Il test è meno universale di quanto appaia.

Block nel 1981 con la sua “Blockhead” (una lookup table massiva pre-calcolata che risponde in modo convincente a qualsiasi domanda in un intervallo di tempo) mostra un altro limite: un sistema puramente tabellare, senza nessuna “comprensione” nel senso forte, potrebbe in principio passare il test. La risposta dei difensori del test (la lookup table richiederebbe più atomi che l’universo osservabile) è pragmaticamente convincente ma teoricamente imperfetta.

Collegamenti

preistoria-intelligenza — il panorama più ampio in cui Turing si inserisce: Leibniz, Boole, Babbage, Lovelace, McCulloch-Pitts, Shannon, von Neumann. Questo capitolo è uno zoom su Turing.
dartmouth-1956 — l’evento in cui le idee di Turing vengono raccolte sotto il nome “artificial intelligence”. McCarthy legge Turing 1950 prima di proporre l’etichetta.
turing-test (Parte II) — approfondimento filosofico del test: varianti, critiche, interpretazioni contemporanee.
stanza-cinese-searle (Parte II) — la replica più famosa al test di Turing (Searle 1980). Argomenta che simulazione non implica comprensione.
ai-forte-ai-debole (Parte II) — la distinzione di Searle, costruita contro Turing.
computazionalismo (Parte II) — la tesi che il pensiero sia computazione. Turing ne è il padre implicito.
hard-problem-chalmers (Parte II) — perché il test di Turing, anche se superato, potrebbe non bastare per attribuire coscienza.
logica-proposizionale (in preparazione) (Parte VII) — il contesto formale dell’Entscheidungsproblem.
cot-intro (in preparazione) (Parte XII) — chain-of-thought come meccanismo per avvicinare gli LLM alla Turing-completezza pratica.
prompt-anatomia (in preparazione) (Parte XV) — il prompt di sistema come “descrizione di macchina” sul nastro dell’LLM-universal.
prompt-injection-intro (in preparazione) (Parte XV / XX) — la vulnerabilita strutturale derivata dalla dualita codice-dati di Turing.
storia-sintesi (Parte 0) — vista d’insieme in cui Turing occupa il nodo centrale della preistoria.
embedding-concetto (in preparazione) (Parte IV) — il sogno leibniziano di rappresentazione manipolabile, parente concettuale del test.

Per andare oltre

Alan M. Turing, “Computing Machinery and Intelligence”, Mind vol. LIX, n. 236, ottobre 1950, pp. 433-460. PDF su courses.cs.umbc.edu / mirror su loebner.net. Lettura obbligatoria. 28 pagine, prosa accessibile, contiene la discussione più pulita delle nove obiezioni classiche.
Alan M. Turing, “On Computable Numbers, with an Application to the Entscheidungsproblem”, Proceedings of the London Mathematical Society, series 2, vol. 42 (1937), pp. 230-265. PDF. Più tecnico. Le prime 10 pagine (introduzione, definizione della macchina, macchina universale) sono accessibili a un lettore con formazione in informatica; le dimostrazioni formali dell’indecidibilita richiedono pazienza e carta.
Andrew Hodges, “Alan Turing: The Enigma”, Simon & Schuster, 1983 (ristampe 2012 e 2014). Biografia definitiva. Ricostruzione meticolosa della vita e del lavoro di Turing basata su archivi primari. Lunga (circa 600 pagine) ma ricca di contesto storico insostituibile.
B. Jack Copeland (a cura di), “The Essential Turing”, Oxford University Press, 2004. Edizione critica con introduzioni alle opere principali di Turing (1936, 1948 “Intelligent Machinery”, 1950, 1951-52 BBC lectures). La fonte più autorevole per leggere Turing con contesto storico-filosofico.
Charles Petzold, “The Annotated Turing”, Wiley, 2008. Lettura commentata riga per riga del paper del 1936. Background matematico (Cantor, Godel, Hilbert) spiegato a non specialisti. Utile come ponte tra il paper originale e un lettore moderno.
Stanford Encyclopedia of Philosophy, “The Turing Test”. https://plato.stanford.edu/entries/turing-test/. Analisi filosofica rigorosa di tutte le interpretazioni del test, con bibliografia aggiornata.
Stanford Encyclopedia of Philosophy, “The Church-Turing Thesis”. https://plato.stanford.edu/entries/church-turing/. Autore: B. Jack Copeland. Discussione della tesi, distinzioni importanti (tesi classica vs tesi fisica), critiche contemporanee.