Il computazionalismo: la mente come computazione su rappresentazioni

Il computazionalismo classico voleva la mente come sistema di simboli formali manipolati da regole sintattiche. Il deep learning ha vinto senza simboli espliciti. Eppure il computazionalismo non è morto: si è esteso, e oggi è la cornice tacita di quasi tutta la ricerca sull’intelligenza artificiale.

Perché questo capitolo

“A physical symbol system has the necessary and sufficient means for general intelligent action.” Allen Newell e Herbert Simon, marzo 1976, Communications of the ACM. È il testo della Turing Award lecture congiunta — un evento raro nella storia del premio, che di solito va a un singolo destinatario. Sotto l’austerità della frase si nasconde una scommessa filosofica enorme: l’intelligenza, qualunque cosa essa sia, è manipolazione di simboli. Non è “anche” manipolazione di simboli. Non è “in parte” manipolazione di simboli. È, necessariamente e sufficientemente, manipolazione di simboli. Cinquant’anni dopo, sappiamo che la metà “necessità” della scommessa è probabilmente persa: le reti neurali profonde producono comportamento intelligente senza simboli espliciti. La metà “sufficienza” tiene meglio. E la tesi più generale di cui la PSSH era una versione forte — il computazionalismo — è ancora la cornice implicita entro cui si fa AI.

Il computazionalismo è, in una formulazione operativa, la tesi che la mente esegue computazioni su rappresentazioni interne. Tutto il resto del computazionalismo è commentario: cosa siano le rappresentazioni, che tipo di computazione sia, quale ruolo abbiano le strutture sintattiche, come si distingua una computazione “vera” da una mera somiglianza interpretativa. Il capitolo segue il commentario, partendo dalla forma che la tesi ha preso negli anni Sessanta-Settanta in dialogo simultaneo fra filosofia della mente (Putnam, Fodor) e ricerca AI (Newell, Simon, McCarthy), passando per le critiche storiche (Searle, Smolensky, Brooks, van Gelder, Penrose), fino alla forma estesa che la tesi ha oggi nell’era del deep learning.

Il capitolo presuppone la lettura di funzionalismo, perché il computazionalismo è una species del funzionalismo: tutti i computazionalisti sono funzionalisti, ma non viceversa. La distinzione è sottile e va tenuta ferma per non confondere due tesi che nei manuali a volte si sovrappongono. Presuppone anche stanza-cinese-searle, perché l’argomento di Searle è il bersaglio diretto del computazionalismo forte di Fodor; e ai-forte-ai-debole, perché la posizione “Strong AI” che Searle attacca è precisamente la lettura computazionalista del funzionalismo.

Va dichiarato in apertura un fatto storiografico importante. Il computazionalismo come tesi filosofica e l’AI simbolica come programma di ricerca tecnologico sono nati insieme negli anni Cinquanta-Sessanta, in dialogo costante. Hanno condiviso autori (Newell, Simon, McCarthy, Minsky), istituzioni (MIT, Carnegie Mellon, Stanford), riviste (Artificial Intelligence, Cognition), conferenze. Per quattro decenni sono apparsi come due facce della stessa medaglia. È solo dopo la rivoluzione del deep learning (post-2012) che la distinzione è diventata cruciale: l’AI simbolica come programma è marginalizzata, ma il computazionalismo come tesi filosofica sopravvive in forma estesa. Senza tenere ferma la distinzione, il dibattito contemporaneo diventa illeggibile. Il capitolo dedica spazio sistematico a questa distinzione perché è la sorgente di metà dei fraintendimenti che si leggono in giro su “AI e filosofia della mente”.

Contesto

Il computazionalismo non nasce nel 1960 dal nulla. Ha anticipazioni concettuali che vanno indietro di tre secoli e mezzo, e ha filiazioni tecniche dirette del Novecento. Va distinto con cura cosa è una cosa e cosa è l’altra.

Anticipazioni concettuali (non filiazioni dirette)

Thomas Hobbes (filosofo inglese, 1588-1679), nel Leviathan (1651), Parte I, capitolo 5, scrive che “Reasoning is nothing but reckoning”. Reckoning è il termine inglese antico per “computare, fare di conto”. Hobbes sostiene che pensare è eseguire operazioni di addizione e sottrazione su nomi e proposizioni. È un’anticipazione concettuale notevole del computazionalismo: il pensiero come calcolo. Va però marcato come analogia retrospettiva, non come filiazione storica diretta. Hobbes non aveva la nozione di sistema formale, di macchina di Turing, di rappresentazione interna in senso contemporaneo. Il fatto che la sua formulazione anticipi Newell-Simon è interessante storiograficamente, ma il computazionalismo del Novecento non discende testualmente da Hobbes.

Gottfried Wilhelm Leibniz (filosofo e matematico tedesco, 1646-1716), nella seconda metà del Seicento, sogna due strumenti correlati: la characteristica universalis, un linguaggio simbolico universale in cui ogni concetto possa essere rappresentato senza ambiguità, e il calculus ratiocinator, un sistema di regole per manipolare i simboli del linguaggio universale e risolvere meccanicamente le dispute filosofiche. La famosa frase di Leibniz: “Quando sorgeranno controversie, non ci sarà più bisogno di disputare tra due filosofi più di quanto ce ne sia per due calcolatori. Basterà infatti che essi prendano in mano la penna, si siedano al loro abaco e si dicano l’un l’altro: ‘Calculemus!’”. Anche qui: anticipazione concettuale potente del computazionalismo (pensiero come manipolazione di simboli su un linguaggio formale), ma non filiazione storica diretta. Trattato in dettaglio in preistoria-intelligenza.

Filiazioni tecniche dirette

George Boole (matematico inglese, 1815-1864), in An Investigation of the Laws of Thought (Walton & Maberly, 1854), formalizza algebricamente la logica proposizionale. Il titolo dichiara l’ambizione: trovare le “leggi del pensiero” come sistema algebrico. Filiazione tecnica: senza algebra di Boole non c’è logica formale moderna, senza logica formale moderna non c’è macchina di Turing, senza macchina di Turing non c’è computazionalismo formalizzato.

Gottlob Frege (matematico e filosofo tedesco, 1848-1925), in Begriffsschrift (Nebert, 1879), introduce la logica predicativa formale (la logica con quantificatori “per ogni x” ed “esiste x”). Filiazione tecnica diretta verso il primo Novecento (Russell, Whitehead, Hilbert, Gödel, Turing).

Alan Turing (matematico britannico, 1912-1954), in “On Computable Numbers, with an Application to the Entscheidungsproblem” (Proceedings of the London Mathematical Society, 1936), formalizza la macchina di Turing come modello universale di computazione. Filiazione tecnica diretta: senza Turing, niente computazionalismo formale. Trattato in dettaglio in turing-macchina-mente.

Warren McCulloch (neurofisiologo americano, 1898-1969) e Walter Pitts (logico americano, 1923-1969), in “A Logical Calculus of the Ideas Immanent in Nervous Activity” (Bulletin of Mathematical Biophysics, 1943), descrivono il neurone come gate logico booleano. È un tentativo precoce di unificare cervello e logica formale. Filiazione tecnica per il connessionismo, ma anche per il computazionalismo: mostra che, in linea di principio, il cervello potrebbe essere visto come un sistema logico.

Norbert Wiener (matematico americano, 1894-1964), in Cybernetics (MIT Press, 1948), introduce il framework dei sistemi di controllo, feedback, informazione. Antecedente trasversale: la cibernetica influenza più l’embodied cognition e il dynamicism che il computazionalismo classico, ma fornisce vocabolario che entrambi i filoni useranno.

Nascita del computazionalismo come tesi filosofica

Sullo sfondo di queste filiazioni, il computazionalismo si articola fra il 1960 e il 1976 in tre gesti distinti.

Hilary Putnam (filosofo americano, 1926-2016), in “Minds and Machines” (in Sidney Hook ed., Dimensions of Mind, NYU Press, 1960), introduce il machine functionalism: gli stati mentali sono stati di una macchina di Turing. È la prima formulazione esplicita della tesi computazionalista in filosofia analitica. La posizione viene articolata ulteriormente in “Psychological Predicates” (1967, poi noto come “The Nature of Mental States”). Trattato in funzionalismo.

Jerry Fodor (filosofo americano, 1935-2017), in The Language of Thought (Crowell, 1975), articola la Computational-Representational Theory of Mind (CRTM), spesso abbreviata in CTM (Computational Theory of Mind). Tesi: la mente è un sistema computazionale che opera su rappresentazioni con struttura linguistica (sintassi composizionale, semantica composizionale). Le rappresentazioni costituiscono un “Mentalese” o “Language of Thought” (LOT).

Allen Newell (informatico americano, 1927-1992) e Herbert Simon (economista e informatico americano, 1916-2001), nella Turing Award lecture congiunta del 1975 (pubblicata in CACM marzo 1976 col titolo “Computer Science as Empirical Inquiry: Symbols and Search”), formulano la Physical Symbol System Hypothesis (PSSH): un sistema fisico di simboli ha i mezzi necessari e sufficienti per l’azione intelligente generale. La PSSH è la versione AI-orientata del computazionalismo, formulata come ipotesi empirica falsificabile.

Zenon Pylyshyn (psicologo cognitivo canadese, 1937-2022), in Computation and Cognition (MIT Press, 1984), dà al computazionalismo una formulazione metodologica per la cognitive science: il livello cognitivo è autonomo dal livello neurale, ed è il livello a cui le leggi cognitive si formulano.

David Marr (neuroscienziato computazionale britannico, 1945-1980) in Vision (Freeman, 1982, postumo) introduce i tre livelli di analisi (computazionale, algoritmico, implementazionale) che daranno al computazionalismo un metodo di ricerca produttivo, esportabile fuori dall’AI simbolica.

In parallelo, l’AI simbolica degli anni Cinquanta-Ottanta (Logic Theorist 1956, GPS 1957, SHRDLU 1970, MYCIN 1972, trattata in ai-simbolica-anni-60) costituisce il programma di ricerca tecnologico associato al computazionalismo. Va distinto: il computazionalismo è una tesi filosofica, l’AI simbolica è un programma di ricerca. Ci sono computazionalisti che non lavorano in AI simbolica (Marr, Pylyshyn moderato), e c’è AI simbolica fatta senza impegno computazionalista esplicito (programmazione applicata). Le due cose convergono storicamente ma non sono identiche.

Differenza chiave dal funzionalismo

Il lettore arriva da funzionalismo e si chiede: “ma allora che differenza c’è?”. La risposta secca: il funzionalismo dice che gli stati mentali sono ruoli causali realizzabili in più sostrati. Il computazionalismo aggiunge che quei ruoli causali sono specificamente operazioni formali (sintattiche) su rappresentazioni mentali. Tutti i computazionalisti sono funzionalisti — accettano la multiple realizability, accettano la priorità del ruolo sul sostrato. Non tutti i funzionalisti sono computazionalisti: si può accettare il funzionalismo e rifiutare l’idea che i ruoli funzionali siano computazionali. Searle 1992 è un esempio: gli stati mentali sono ruoli causali, ma quei ruoli richiedono i giusti poteri causali biologici, non semplici operazioni formali su simboli.

In pratica, nella letteratura il termine “funzionalismo computazionale” è quasi sinonimo di “computazionalismo”, perché la versione più forte e più discussa del funzionalismo è quella di Fodor. Ma la distinzione concettuale resta importante: senza tenerla ferma, ogni dibattito su “la macchina pensa” diventa una palude.

L’intuizione

Due angoli per il computazionalismo, complementari ma con accenti diversi.

Angolo 1 — Tecnico: la mente come computer che processa rappresentazioni

Per chi ha scritto codice, l’intuizione computazionalista ha un’analogia immediata. Un programma di chess engine come Stockfish ha rappresentazioni interne della scacchiera (struttura dati: matrice 8x8 di pezzi), ha operazioni che trasformano queste rappresentazioni (generate_moves, evaluate_position, alpha_beta_search), e produce comportamento osservabile (la mossa scelta in output). Ciò che il programma “sa” della scacchiera è codificato nelle rappresentazioni; ciò che il programma “pensa” è la sequenza di operazioni che esegue su quelle rappresentazioni.

Il computazionalismo dice che la mente è così. Ha rappresentazioni interne (di volti, di parole, di intenzioni altrui, di traiettorie di oggetti, di proposizioni), ha operazioni che trasformano queste rappresentazioni (attenzione, inferenza, recupero da memoria, planning), e produce comportamento osservabile (movimenti, parole, decisioni). Ciò che la mente “sa” è codificato nelle sue rappresentazioni; ciò che la mente “pensa” è la sequenza di operazioni che esegue su quelle rappresentazioni.

Va marcato il registro della connessione: è un’analogia operativa che cattura l’intuizione, non una filiazione tecnica diretta né un’equivalenza fra mente umana e Stockfish. Il computazionalismo come tesi non dice “la mente è Stockfish”, dice qualcosa di più astratto e generale. L’analogia funziona per fare passare l’idea, ma va tenuta nel suo registro.

L’idea chiave (Fodor): le operazioni cognitive sono truth-preserving in virtù della loro struttura formale. Esempio: dato il modus ponens (regola di inferenza che dice: da P e da P-implica-Q, deriva Q), la verità si preserva non perché il sistema “sappia” cosa significano P e Q, ma perché la regola formale è progettata in modo che, sotto un’interpretazione standard dei simboli, la conclusione sia vera quando le premesse lo sono. La macchina è un’istanziazione fisica di una manipolazione formale che, sotto interpretazione, preserva il contenuto. È il cuore tecnico del computazionalismo: separare la sintassi (la forma dei simboli e le regole che la trasformano) dalla semantica (il contenuto, ciò di cui i simboli sono “circa”), e mostrare che la sintassi può “tracciare” la semantica.

Angolo 2 — Strategico: substrato-indipendenza ed esportabilità della mente

Il secondo angolo è più astratto e ha implicazioni filosofiche e ingegneristiche enormi. Se la mente è computazione, allora ciò che la identifica è la sua struttura computazionale, non il suo sostrato fisico. La stessa computazione può essere implementata su silicio, su tessuto biologico, su un nastro di Turing immaginario, su popolazioni di formiche addestrate. Tutti questi sistemi, in linea di principio, possono avere gli stessi stati mentali.

Questa è la multiple realizability computazionale. È più forte della multiple realizability funzionalista generica: non solo i ruoli causali sono multiplicemente realizzabili (questo lo dice già il funzionalismo), ma le operazioni computazionali sono multiplicemente realizzabili. Lo stesso programma gira su Intel x86, ARM, RISC-V, FPGA, e (almeno in linea di principio) su un cervello biologico. La differenza non è di natura, è di velocità, efficienza, costo energetico.

L’implicazione strategica: la mente è esportabile. Se si capisce abbastanza il programma che la mente esegue, lo si può eseguire altrove. È la premessa filosofica implicita di tutto il programma “Strong AI” (trattato in ai-forte-ai-debole). Senza computazionalismo, la Strong AI non ha fondamento metafisico. Con computazionalismo, è una conseguenza naturale.

Va anche detto, con disciplina: il computazionalismo non implica automaticamente che la Strong AI sia pratica. La sufficienza filosofica non garantisce la fattibilità ingegneristica. Newell e Simon predissero nel 1957 che entro dieci anni un computer sarebbe stato campione del mondo di scacchi: vero solo nel 1997 (Deep Blue, trattato in deep-blue-1997), quaranta anni dopo. Il computazionalismo come tesi filosofica è compatibile con qualsiasi tempistica realizzativa.

La meccanica

Sei sotto-sezioni: tesi base e distinzione dal funzionalismo; Language of Thought; Physical Symbol System Hypothesis; Marr’s three levels; argomenti pro; argomenti contro.

Tesi base

Il computazionalismo, nella sua versione minima, asserisce due cose congiuntamente.

Prima asserzione: gli stati mentali sono stati computazionali. Sono cioè stati di un sistema che esegue operazioni computazionali (trasformazioni regolate da algoritmi su strutture di dati).

Seconda asserzione: questi stati computazionali operano su rappresentazioni. Una rappresentazione è una struttura interna al sistema che “sta per” qualcosa nel mondo (un oggetto, un evento, un’altra rappresentazione, una proposizione). Le operazioni computazionali sono definite sulla forma delle rappresentazioni (la loro sintassi), e producono trasformazioni che, sotto interpretazione, preservano il contenuto (la loro semantica).

In una formula minima: la mente è $C(R)$ , dove $C$ è un insieme di operazioni computazionali e $R$ è un insieme di rappresentazioni interne. La cognizione è il dispiegamento di $C$ su $R$ .

In parole povere, questo dice che pensare è eseguire computazioni su strutture interne che hanno contenuto. È la versione filosofica della frase “la mente è un computer”, ma con due qualificazioni importanti: (i) “computer” qui non significa necessariamente architettura di von Neumann o macchina di Turing seriale — può essere qualunque sistema che esegua computazioni, incluse reti neurali distribuite; (ii) “rappresentazione” qui non significa necessariamente simbolo discreto alla Fodor — può essere un pattern di attivazione distribuito su un vettore.

Va osservato un punto sottile sulla seconda asserzione. Le rappresentazioni computazionali sono doppie: hanno una faccia sintattica (la loro forma fisica/strutturale, accessibile al sistema che esegue le operazioni) e una faccia semantica (il contenuto, ciò di cui sono “circa”, che il sistema in quanto tale non “vede”). Il computazionalismo afferma che le operazioni sono definite sulla faccia sintattica, ma — in virtù della progettazione del sistema — preservano relazioni vere a livello semantico. È il punto tecnico più sottile della tesi e quello più attaccato dai critici (Searle in primis): se il sistema opera solo sulla sintassi, in che senso “sa” qualcosa della semantica? Risposta computazionalista classica: non occorre che il sistema “sappia” la semantica per il sistema-in-quanto-tale; basta che le operazioni siano truth-preserving sotto interpretazione. Risposta searleana: questo non basta, perché manca l’intenzionalità intrinseca.

Distinzione dal funzionalismo

Riprendendo la sezione di contesto: il funzionalismo (Putnam 1960-67, Armstrong 1968, Lewis 1972) dice che gli stati mentali sono ruoli causali realizzabili in più sostrati. Il computazionalismo aggiunge che i ruoli causali sono specificamente operazioni computazionali su rappresentazioni.

Conseguenza: ogni computazionalista accetta la multiple realizability, l’autonomia del livello cognitivo dal livello neurale, l’idea che mente possa essere realizzata in sostrati artificiali. Ma un funzionalista può accettare tutto questo senza impegnarsi al fatto che i ruoli causali siano computazionali. Lo si può fare in due modi: (i) negando che le operazioni mentali siano formali (Searle 1992: sono operazioni con poteri causali biologici specifici); (ii) negando che il livello giusto di descrizione sia computazionale (alcuni dynamicist e embodied theorist).

Questo è il punto che il polish del capitolo va a verificare con maggiore cura. Lo scivolamento tipico è: un autore parte dicendo “il funzionalismo dice X”, a metà testo dice “quindi la mente è computazione”, e a fine testo dice “la mente è LOT”. Tre tesi distinte (multiple realizability, computazione, simboli linguistici) trattate come la stessa cosa.

Tre versioni interne del computazionalismo

Nei venti anni 1960-1980, il computazionalismo si articola in tre versioni distinte, ciascuna con il suo livello di impegno ontologico e con i suoi proponenti.

Versione moderata (Marr 1982). Il computazionalismo come metodologia. Non assume LOT, non assume simboli classici, non si impegna sulla forma delle rappresentazioni. Dice solo: per studiare un sistema cognitivo, bisogna analizzarlo a tre livelli (computazionale, algoritmico, implementazionale), e il livello computazionale è autonomo e prioritario. Compatibile con connessionismo, deep learning, embodied cognition. È la versione che ha avuto più successo come infrastruttura scientifica. È anche la versione meno controversa filosoficamente, perché si impegna a poco oltre alla legittimità della cognitive science come disciplina autonoma dalla neuroscienza.

Versione intermedia (Newell-Simon 1976). Il computazionalismo come ipotesi empirica sulla cognizione. La PSSH dice: i sistemi che esibiscono intelligenza generale sono physical symbol systems. È un’ipotesi falsificabile, formulata esplicitamente come tale da Newell-Simon. È più impegnativa di Marr (si impegna sulla natura simbolica delle rappresentazioni) ma meno radicale di Fodor (non si impegna su una struttura linguistica composizionale specifica del Mentalese). Storicamente è la versione che ha animato il programma di ricerca dell’AI simbolica per quattro decenni, e che il deep learning ha (almeno nella sua metà necessità) probabilmente falsificato.

Versione forte (Fodor 1975). Il computazionalismo come tesi filosofica radicale sulla natura del pensiero. Il LOT è un linguaggio del pensiero con sintassi e semantica composizionali, su cui le operazioni cognitive sono manipolazioni formali strutturate. Si impegna sulla natura linguistica delle rappresentazioni mentali. È la versione filosoficamente più ambiziosa e quella più attaccata negli anni 1985-2010. È anche la versione che il deep learning ha più chiaramente smentito come teoria della cognizione naturale (i LLM operano su embedding distribuiti, non su simboli linguistici classici).

Le tre versioni non sono incompatibili. Marr è compatibile con Newell-Simon (la PSSH è un’ipotesi al livello computazionale di Marr). Newell-Simon è compatibile con Fodor (il LOT è un modo specifico di articolare un physical symbol system). Ma sono ordinate per impegno crescente. Un computazionalista contemporaneo tipico (Piccinini, ad esempio) accetta Marr in pieno, accetta Newell-Simon nella versione modificata che include reti neurali come computazione, e respinge Fodor come teoria della cognizione naturale.

Language of Thought (Fodor 1975)

La versione più forte del computazionalismo è quella di Jerry Fodor in The Language of Thought (Crowell, 1975). Tre tesi.

Prima tesi: il pensiero è computazione.

Seconda tesi: la computazione è eseguita su rappresentazioni mentali strutturate. Queste rappresentazioni costituiscono un “linguaggio del pensiero” o Mentalese o LOT.

Terza tesi: il LOT ha sintassi e semantica analoghe a quelle dei linguaggi naturali. In particolare, ha sintassi composizionale (le rappresentazioni complesse sono costruite da rappresentazioni più semplici mediante regole sintattiche) e semantica composizionale (il significato di una rappresentazione complessa è funzione del significato delle sue parti e del modo in cui sono composte).

Tre fenomeni che il LOT, secondo Fodor, spiega in modo elegante.

Produttività: il pensiero è produttivo. Possiamo pensare un numero infinito di pensieri diversi a partire da risorse mentali finite (un vocabolario di concetti finito, un insieme finito di regole composizionali). La produttività è una proprietà tipica dei linguaggi composizionali. Il LOT la spiega per costruzione: un sistema simbolico con regole ricorsive genera infiniti enunciati a partire da finiti elementi.

Sistematicità: la capacità di pensare un certo pensiero implica la capacità di pensare pensieri sistematicamente correlati. Chi pensa “John ama Mary” può pensare “Mary ama John”. Le due capacità non sono indipendenti. La sistematicità è una proprietà tipica dei linguaggi composizionali. Il LOT la spiega: la struttura composizionale rende automaticamente disponibili le permutazioni delle parti.

Composizionalità: il significato di un pensiero complesso è funzione del significato delle sue parti. È una proprietà tipica dei linguaggi composizionali. Il LOT la spiega per costruzione.

L’argomento di Fodor è popperianamente forte: fa predizioni empiriche (la cognizione esibirà sistematicità e composizionalità sistematiche). Diventerà l’arma centrale di Fodor-Pylyshyn 1988 contro il connessionismo.

Physical Symbol System Hypothesis (Newell-Simon 1976)

La formulazione AI-orientata del computazionalismo è la Physical Symbol System Hypothesis di Allen Newell e Herbert Simon, presentata nella Turing Award lecture congiunta del 1975 (pubblicata in “Computer Science as Empirical Inquiry: Symbols and Search”, CACM vol. 19, n. 3, marzo 1976, pp. 113-126).

Un physical symbol system è, nella loro definizione, un sistema fisico capace di:

Designation: i simboli stanno per (designano) qualcosa nel mondo. Possono designare oggetti, eventi, processi, altri simboli.
Interpretation: il sistema può eseguire processi che il simbolo designa. Se un simbolo designa “calcola la somma”, il sistema può, leggendo quel simbolo, eseguire la somma.

La PSSH stessa, citata letteralmente: “A physical symbol system has the necessary and sufficient means for general intelligent action”.

Due metà.

Necessità: niente intelligenza generale senza manipolazione di simboli. Qualunque sistema esibisca intelligenza generale deve, sotto qualche descrizione, essere un sistema di simboli fisici.

Sufficienza: dato un sistema simbolico abbastanza ricco, l’intelligenza generale è raggiungibile. Non serve nulla di più che simboli e operazioni su di essi.

Newell e Simon presentano la PSSH esplicitamente come ipotesi empirica, non a priori: “computer science is an empirical inquiry”. È falsificabile in linea di principio. E va considerata con attenzione perché, nel 2026, sappiamo bene quale parte ha tenuto e quale no.

La metà necessità è probabilmente falsificata. Il deep learning ha mostrato che intelligenza generale (intesa come capacità di risolvere problemi cognitivi in domini variati) può emergere senza simboli espliciti nel senso classico. Le reti neurali profonde non manipolano simboli alla Newell-Simon: manipolano vettori di attivazione distribuiti. Eppure producono comportamento che, a qualunque test ragionevole, conta come “intelligente”.

La metà sufficienza tiene meglio. I sistemi simbolici classici degli anni Settanta-Ottanta hanno effettivamente dimostrato capacità impressionanti in domini formalizzati (logica, gioco, diagnosi medica esperta, configurazione di sistemi). Hanno fallito fuori dai domini formalizzati, ma questo è un fallimento di scalabilità ingegneristica, non un controesempio diretto alla sufficienza filosofica.

I computazionalisti contemporanei (Piccinini 2015, vedi sotto) mantengono la tesi più debole: l’intelligenza richiede computazione, non necessariamente simboli classici. La PSSH è considerata superata, ma il computazionalismo come tesi generale è considerato ancora vivo.

Marr’s three levels (1982)

David Marr (1945-1980), neuroscienziato computazionale britannico, muore di leucemia a 35 anni nel 1980. Il suo libro Vision è pubblicato postumo nel 1982 (Freeman). È diventato il framework metodologico standard per la cognitive science computazionale, esportato fuori dalla visione e applicato a quasi ogni dominio cognitivo. Marr propone tre livelli di analisi per qualunque sistema cognitivo.

Livello computazionale (top): cosa il sistema fa, perché lo fa, qual è il problema computazionale risolto. Specificazione astratta del compito. Esempio per la visione: estrarre una rappresentazione 3D del mondo a partire dall’informazione 2D delle retine. Esempio per il linguaggio: associare a ogni stringa di parole una struttura grammaticale e semantica.

Livello algoritmico-rappresentazionale (middle): come il sistema fa quello che fa, con quali rappresentazioni intermedie e con quali algoritmi. Esempio per la visione (Marr): primal sketch (caratteristiche locali: edge, blob, terminazioni), 2.5D sketch (orientazioni e profondità relative dal punto di vista dell’osservatore), 3D model (rappresentazione object-centered).

Livello implementazionale (bottom): in quale sostrato fisico il sistema è realizzato. Per il cervello: neuroni, sinapsi, neurotrasmettitori. Per il computer: transistor, gate logici, RAM.

Marr argomenta che il livello computazionale è il più importante perché definisce cosa il sistema fa. Senza capire il problema, è impossibile capire la soluzione (il livello algoritmico) e i meccanismi che la implementano (il livello implementazionale). Marr usa l’analogia: per capire come funziona una piuma di un uccello in volo, bisogna prima capire il problema dell’aerodinamica del volo, poi vedere quale soluzione la piuma offre, e solo dopo studiarne il dettaglio biologico.

Marr’s three levels pyramid: triangular pyramid divided into three horizontal layers; top layer (smallest, narrow) labeled “Computational level: WHAT the system does and WHY (the problem)”; middle layer labeled “Algorithmic-representational level: HOW (algorithms and representations)”; bottom layer (widest) labeled “Implementational level: physical substrate (neurons, silicon)”; right side annotation: “the upper level constrains the lower, but the lower does not determine the upper”; example annotations on each level for vision: top “extract 3D structure from 2D retinal images”, middle “primal sketch -> 2.5D sketch -> 3D model”, bottom “neural pathways from retina through V1, V2, V4”; subtitle reads “Marr 1982: methodological framework for cognitive science”

Marr è considerato la versione moderata del computazionalismo. Non assume LOT alla Fodor. Non si impegna su simboli classici alla Newell-Simon. È compatibile con connessionismo e deep learning (al livello algoritmico, le rappresentazioni intermedie possono essere distribuite). Dà al computazionalismo un metodo di ricerca produttivo, esportabile a comunità scientifiche diverse: la psicologia cognitiva lavora al livello algoritmico, l’AI al livello computazionale, le neuroscienze al livello implementazionale. Tre comunità distinte ma comunicanti, ciascuna con un livello di analisi proprio.

L’eredità di Marr è enorme. La metodologia dei tre livelli è diventata talmente standard che spesso non si riconosce più come “computazionalista”: è semplicemente “il modo di fare cognitive science”. È il caso paradigmatico di una tesi filosofica diventata infrastruttura tacita di un campo scientifico.

Argomenti pro-computazionalismo

Quattro argomenti hanno reso il computazionalismo la cornice dominante in cognitive science e in AI tra il 1960 e il 1990, e in forma estesa ancora oggi.

Successo dell’AI simbolica nei domini formalizzati. DENDRAL (chimica organica, 1965-70), MYCIN (diagnosi medica di infezioni batteriche, 1972-80), SHRDLU (comprensione del linguaggio naturale in microworld a blocchi, 1970), GPS (general problem solver, 1957-59), Logic Theorist (dimostrazione automatica di teoremi di logica, 1956). Questi sistemi hanno mostrato che simboli + ricerca euristica funzionano per problemi non banali. Il computazionalismo offre un framework che spiega questi successi: i sistemi sono intelligenti perché manipolano simboli secondo regole formali. Va notato: il successo era confinato a domini formalizzati. Fuori dai microworld, l’AI simbolica ha fallito (trattato in secondo-inverno-ai). Ma per il computazionalismo come tesi filosofica, basta il successo qualitativo a fornire evidenza positiva.

Sistematicità del pensiero (Fodor-Pylyshyn 1988). Argomento famoso contro il connessionismo, che diventa anche argomento positivo per il LOT. Tesi: la sistematicità del pensiero (e del linguaggio) richiede strutture composizionali. Le reti neurali con rappresentazioni distribuite non hanno (in linea di principio, secondo Fodor-Pylyshyn) struttura composizionale, quindi non possono spiegare la sistematicità. Il LOT, per costruzione, la spiega. Il paper di riferimento è Jerry Fodor e Zenon Pylyshyn, “Connectionism and Cognitive Architecture: A Critical Analysis”, Cognition vol. 28, 1988, pp. 3-71. Va detto: la premessa “le reti neurali non possono in linea di principio avere composizionalità” è stata contestata (Smolensky 1990 con tensor product representations, e oggi LLM moderni con composizionalità emergente parziale), ma l’argomento resta canonico.

Multiple realizability. Stessa computazione su sostrati diversi. È un argomento ereditato dal funzionalismo (Putnam 1967), ma per il computazionalismo specifico assume una forma più forte: la stessa computazione può essere implementata su Intel x86, su ARM, su un cervello biologico, su un nastro di Turing, su popolazioni di formiche. Tutti questi sistemi, in linea di principio, possono avere gli stessi stati mentali. Trattato in funzionalismo per la versione generale.

Modello scientifico produttivo (Marr’s three levels). Permette ricerca produttiva a livelli distinti: cognitive psychology al livello algoritmico, AI al livello computazionale, neuroscienze al livello implementazionale. Tre comunità scientifiche distinte ma comunicanti. La metodologia ha attraversato cinquant’anni e resta standard. È un argomento meta: il computazionalismo è una buona tesi perché ha generato un programma di ricerca produttivo, indipendentemente da se la sua versione forte sia letteralmente vera.

Autonomia della psicologia cognitiva. Argomento tecnico-metodologico. Senza computazionalismo (o almeno senza funzionalismo computazionale), la psicologia cognitiva dovrebbe ridursi alla neuroscienza: ogni spiegazione psicologica dovrebbe essere riducibile a spiegazione in termini neurali. Con il computazionalismo, la psicologia cognitiva ha un livello di descrizione autonomo (il livello computazionale di Marr) che cattura generalizzazioni vere ma non riducibili al livello neurale. Esempio: la legge di Stroop (un soggetto è più lento a nominare il colore della scritta quando la parola scritta è il nome di un colore diverso) è una generalizzazione cognitiva valida che non si formula bene al livello neurale. Il computazionalismo dà legittimità ontologica al livello cognitivo.

Convergenza inter-substrato. Argomento meno discusso ma importante. Sistemi computazionali implementati in sostrati molto diversi (biologici, in silicio, in logica simbolica) tendono a convergere su soluzioni simili per problemi cognitivi simili. Esempio: convolutional neural networks per la visione hanno strutture (filtri locali, gerarchia di astrazione) che ricordano l’organizzazione della corteccia visiva primaria (V1, V2, V4, IT). Non è una coincidenza secondo il computazionalismo: il problema computazionale (estrarre struttura da input visivo) ha vincoli che rendono certe soluzioni efficienti, e sostrati diversi convergono su quelle soluzioni. È un argomento abduttivo, non deduttivo, ma costituisce evidenza positiva indiretta per la priorità del livello computazionale.

Pro/anti arguments map: 2x2 table; left column “PRO computationalism”, right column “ANTI computationalism”; top half labeled “Empirical arguments”, bottom half labeled “Conceptual arguments”; pro-empirical cell: “AI symbolic success in formalized domains (DENDRAL, MYCIN, Logic Theorist)”; pro-conceptual cell: “systematicity and compositionality of thought (Fodor-Pylyshyn 1988); multiple realizability; Marr methodological success”; anti-empirical cell: “AI symbolic failure outside microworlds (second AI winter); deep learning success without explicit symbols”; anti-conceptual cell: “Chinese Room (Searle 1980); Searle’s Wall (Searle 1992); dynamicism (van Gelder 1995); embodied cognition (Brooks 1991, Varela-Thompson-Rosch 1991); Penrose Goedelian argument”; subtitle reads “the historical balance of arguments around computationalism”; clean editorial style

Argomenti contro

Sei critiche maggiori. Non vanno equilibrate artificialmente: il dibattito ha visto, negli ultimi quarant’anni, più critiche serie che difese serie, e il computazionalismo classico ne è uscito ridimensionato. La forma estesa del computazionalismo (vedi sezione “Eredità oggi”) sopravvive bene; la forma classica (LOT alla Fodor) è marginalizzata.

Stanza Cinese (Searle 1980). Sintassi non è semantica. La manipolazione formale di simboli non genera comprensione. Il bersaglio diretto del Chinese Room Argument è la “Strong AI” funzionalista-computazionale di Schank e Fodor. Trattato in stanza-cinese-searle. Risposte computazionaliste (Systems Reply, Robot Reply, Brain Simulator Reply) e contro-risposte di Searle costituiscono un dibattito cinquantennale ancora aperto.

Connessionismo (Smolensky 1988). Paul Smolensky (linguista e scienziato cognitivo americano, 1955-) in “On the Proper Treatment of Connectionism” (Behavioral and Brain Sciences vol. 11, 1988, pp. 1-23) introduce il concetto di livello subsimbolico: rappresentazioni distribuite, non riducibili a simboli classici. Critica fondamentale al computazionalismo classico (LOT): la cognizione non opera su simboli alla Fodor, opera su pattern di attivazione su unità subsimboliche. Risposta computazionalista classica (Fodor-Pylyshyn 1988): il connessionismo o è implementazione di livello classico (e allora va bene come implementazione, ma il livello cognitivo resta simbolico), oppure non spiega sistematicità (e allora è inadeguato come teoria della cognizione). Risposta connessionista (Smolensky 1990 con tensor product representations): le reti distribuite possono avere struttura composizionale emergente. Dibattito riaperto e radicalmente trasformato dal deep learning post-2012.

Embodied cognition (Brooks 1991, Varela-Thompson-Rosch 1991). Rodney Brooks (informatico americano, 1954-), in “Intelligence Without Representation” (Artificial Intelligence vol. 47, 1991, pp. 139-159), introduce la subsumption architecture per la robotica: comportamento intelligente che emerge dall’accoppiamento sensori-motori-ambiente, senza rappresentazioni interne complesse. Slogan famoso: “the world is its own best model”. Francisco Varela (biologo cileno, 1946-2001), Evan Thompson (filosofo canadese, 1962-), Eleanor Rosch (psicologa americana, 1938-), in The Embodied Mind (MIT Press, 1991), articolano la enactive cognition: la cognizione emerge dall’accoppiamento attivo di un organismo con il suo ambiente. Critica al “cognitivismo astratto” (sinonimo di computazionalismo classico): il cervello non è un computer disincarnato che opera su rappresentazioni; è un organo di un corpo che agisce nel mondo, e la cognizione emerge dall’accoppiamento sensori-motori-ambiente. Risposta computazionalista contemporanea: la cognizione embodied è anch’essa computazione (sui sensori, sugli attuatori, sull’accoppiamento). Embodied cognition non confuta il computazionalismo, lo integra. Ma il computazionalismo “puro interno” (LOT classico) ne esce indebolito.

Dynamicism (van Gelder 1995). Tim van Gelder (filosofo australiano, 1962-), in “What Might Cognition Be, If Not Computation?” (Journal of Philosophy vol. 92, 1995, pp. 345-381), propone la cognizione come sistema dinamico continuo, descritto da equazioni differenziali, non da manipolazione discreta di simboli. Esempio canonico: il governatore centrifugo di Watt (1788). Il problema: regolare la velocità di una macchina a vapore. Soluzione computazionale immaginaria: un controller digitale che misura la velocità, calcola la deviazione dal target, calcola il controllo, agisce. Soluzione dinamica reale di Watt: un meccanismo continuo (sfere rotanti che alzano un braccio collegato a una valvola) che regola la valvola in modo continuo, senza separazione netta fra “input”, “computazione”, “output”. Tesi van Gelder: la cognizione è come il governatore di Watt, non come il controller digitale. È processo continuo, accoppiato, dinamico. Risposta computazionalista: il dynamicism descrive (al massimo) il livello implementazionale di Marr; il computazionalismo descrive il livello algoritmico. Sono complementari, non alternativi. Per van Gelder, però, il computazionalismo è un modello sbagliato della cognizione, non solo un livello diverso.

Argomento gödeliano di Penrose (1989, 1994). Roger Penrose (fisico matematico britannico, 1931-) in The Emperor’s New Mind (Oxford University Press, 1989) e Shadows of the Mind (Oxford University Press, 1994) propone un argomento gödeliano contro il computazionalismo. Tesi: i teoremi di incompletezza di Kurt Gödel (logico austriaco, 1906-1978; teoremi pubblicati nel 1931) mostrano che il pensiero matematico umano supera qualunque sistema formale dato. Quindi la mente umana non può essere un sistema formale, quindi non può essere un sistema computazionale. Penrose specula inoltre che la coscienza richieda processi fisici non computazionali, candidando i microtubuli neuronali come substrato di effetti quantistici (in cooperazione con l’anestesista Stuart Hameroff). Critica: l’argomento gödeliano è contestato. Hilary Putnam (1995), Daniel Dennett (1995), e altri argomentano che dal teorema di Gödel non si deduce che la mente non sia un sistema formale, ma solo che, se lo è, non può conoscere completamente il proprio sistema. La parte sui microtubuli quantistici è considerata speculativa dalla maggioranza dei neuroscienziati. Posizione minoritaria, da menzionare per completezza.

Block’s Chinese Nation e Blockhead (Block 1978, 1981). Ned Block (filosofo americano, 1942-) ha sviluppato due controesempi famosi al funzionalismo computazionale, particolarmente rilevanti per il computazionalismo. Il primo, “Chinese Nation” o “China Brain” (in “Troubles with Functionalism”, 1978), immagina la popolazione cinese (allora un miliardo di persone) organizzata in modo da realizzare i ruoli funzionali di un singolo cervello umano: ciascun cinese gioca il ruolo di un neurone, comunica con gli altri tramite radio, e l’intera popolazione realizza per un’ora le computazioni di una mente. Per il computazionalismo (e il funzionalismo computazionale), questa popolazione organizzata avrebbe stati mentali — proverebbe dolore, vedrebbe colori, sentirebbe il gusto del tè. L’intuizione di Block è che questa conclusione sia assurda: una popolazione organizzata non ha esperienze fenomeniche. Il secondo, “Blockhead” (in “Psychologism and Behaviorism”, 1981), immagina una lookup table gigantesca che, per ogni input linguistico, restituisce l’output linguistico appropriato (perché tutti gli output corretti sono stati pre-calcolati e memorizzati). Blockhead supererebbe il Turing Test, ma intuitivamente non capisce nulla. È un attacco al computazionalismo nella misura in cui questo identifica intelligenza con appropriatezza input-output. Risposte computazionaliste: la lookup table non è la giusta organizzazione computazionale; conta non solo cosa si calcola, ma come.

Searle’s Wall (Searle 1992). John Searle, in The Rediscovery of the Mind (MIT Press, 1992), capitolo 9, formula un argomento di indeterminatezza della computazione. Tesi: “computation is in the eye of the beholder”. Qualunque sistema fisico abbastanza complesso è interpretabile come implementazione di qualche computazione. Esempio: il muro davanti a Searle implementa qualche programma (basta un’interpretazione adeguata che mappi le configurazioni molecolari del muro su stati computazionali). Conseguenza: dire che il cervello è un computer non dice nulla di sostanziale. Il computazionalismo si svuota di contenuto. L’argomento è tecnicamente serio. Hilary Putnam stesso, in Representation and Reality (MIT Press, 1988), aveva sviluppato indipendentemente un argomento simile (l’argomento dell’indeterminatezza della computazione). Il fatto che il fondatore del funzionalismo (Putnam) e il suo avversario storico (Searle) convergano sull’argomento è indicatore della sua serietà. Risposta computazionalista contemporanea: Gualtiero Piccinini (filosofo italo-americano, 1970-) in Physical Computation (Oxford University Press, 2015) argomenta che non qualunque sistema fisico realizza qualunque computazione. Solo i sistemi meccanicisticamente organizzati per manipolare vehicle (i corrispettivi fisici dei simboli) secondo regole sensitive ai vehicle e indipendenti da altre proprietà sono computer in senso proprio. Il muro non è un computer in questo senso. Riformulazione del computazionalismo che cerca di parare l’attacco di Searle e Putnam.

Esempi

Tre esempi concreti per fissare le idee.

Esempio 1 — Modus ponens nel Mentalese

Il pensiero “se piove, prendo l’ombrello; piove; quindi prendo l’ombrello” decomposto in stile LOT.

Il sistema cognitivo ha tre rappresentazioni mentali (simboli del Mentalese):

$R_1$ : “se piove, allora prendo l’ombrello” (forma sintattica: $P \rightarrow Q$ , dove $P$ è “piove” e $Q$ è “prendo l’ombrello”)
$R_2$ : “piove” (forma sintattica: $P$ )
$R_3$ : la conclusione che il sistema deve generare

Il sistema esegue una operazione formale (modus ponens) che, date $R_1$ e $R_2$ con quelle forme sintattiche, produce $R_3 = Q$ (“prendo l’ombrello”). L’operazione è definita sulla forma dei simboli, non sul loro contenuto. Eppure, sotto interpretazione standard (in cui $P$ rappresenta lo stato del mondo “sta piovendo” e $Q$ rappresenta l’azione “prendere l’ombrello”), la conclusione è vera quando le premesse lo sono. La sintassi traccia la semantica.

In parole povere: il sistema “non sa” cosa significhi piovere, ma manipolando i simboli secondo regole formali ottiene comunque una conclusione che, sotto interpretazione, è giusta. È il cuore tecnico del computazionalismo classico. È anche, esattamente, il bersaglio della Stanza Cinese di Searle: la manipolazione formale produce comportamento corretto, ma non genera (secondo Searle) comprensione del piovere o dell’ombrello.

Esempio 2 — Marr’s three levels applicato alla visione stereoscopica

Il problema: dato un input visivo binoculare (due immagini 2D leggermente diverse, una per ciascun occhio), il cervello produce una rappresentazione 3D del mondo. Come funziona?

Livello computazionale. Il problema è: ricostruire la profondità degli oggetti scene a partire dalla disparità binoculare (la differenza fra la posizione di un oggetto nelle due immagini retiniche). Formalmente: dato un punto nella scena 3D, le sue proiezioni nelle due retine differiscono di una quantità che dipende dalla distanza del punto dall’osservatore. Invertendo la relazione, si può dedurre la distanza dalla disparità.

Livello algoritmico. Marr e Tomaso Poggio (informatico italo-americano, 1947-), in “Cooperative Computation of Stereo Disparity” (Science vol. 194, 1976, pp. 283-287), propongono un algoritmo specifico: trovare per ogni feature in un’immagine la feature corrispondente nell’altra (correspondence problem), calcolare la disparità per ciascun matching, ricostruire la profondità. Le rappresentazioni intermedie sono il primal sketch (caratteristiche locali) e la mappa di disparità.

Livello implementazionale. Nel cervello umano, l’elaborazione stereoscopica è realizzata dai neuroni binoculari della corteccia visiva primaria (V1), in particolare in popolazioni di “disparity-tuned cells” identificate da David Hubel e Torsten Wiesel negli anni Sessanta-Settanta. In silicio, può essere realizzata da algoritmi di stereo matching su GPU.

Lo stesso problema (livello computazionale) ammette diversi algoritmi (livello algoritmico) e diverse implementazioni (livello implementazionale). I tre livelli sono autonomi ma vincolati: l’algoritmo deve risolvere il problema specificato in alto, l’implementazione deve eseguire l’algoritmo specificato in mezzo. Modello canonico di analisi computazionalista.

Esempio 3 — Sistematicità: chi pensa “John ama Mary” può pensare “Mary ama John”

L’argomento di Fodor-Pylyshyn 1988 in forma operativa.

Si consideri un soggetto cognitivo che ha la capacità di pensare il pensiero “John ama Mary”. Secondo Fodor-Pylyshyn, questo soggetto ha necessariamente anche la capacità di pensare “Mary ama John”. Le due capacità non sono indipendenti.

Perché? Perché entrambi i pensieri sono costruiti dalle stesse parti (le rappresentazioni mentali di “John”, “Mary”, “ama”) combinate in modi diversi. Se il sistema cognitivo dispone delle parti e delle regole composizionali per metterle insieme (in stile LOT), allora dispone automaticamente di entrambe le combinazioni. La sistematicità è una conseguenza della struttura composizionale.

L’argomento positivo per il LOT: la cognizione esibisce sistematicità (osservazione empirica della psicologia cognitiva). Il LOT spiega la sistematicità per costruzione. Quindi il LOT è (un’inferenza alla migliore spiegazione) la teoria giusta della cognizione.

L’argomento negativo contro il connessionismo: le reti neurali con rappresentazioni distribuite non hanno (in linea di principio, secondo Fodor-Pylyshyn) struttura composizionale. Non possono quindi spiegare la sistematicità. Quindi non possono essere la teoria giusta della cognizione.

Quaranta anni dopo, lo stato dell’arte è più sfumato. I LLM moderni (decoder-only transformer addestrati su scala) esibiscono sistematicità parziale ma non perfetta. Riescono a generalizzare composizionalmente in molti casi, falliscono in altri (test di compositional generalization come SCAN, COGS). Il dibattito Fodor-Pylyshyn vs Smolensky resta aperto, in forma trasformata: non più “LOT vs reti neurali statiche”, ma “compositionality emergente in transformer scalati: quanto e quando?”.

Esempio 4 — Un LLM moderno: computazione senza simboli classici

Un confronto operativo per fissare la distinzione fra computazionalismo classico e esteso. Si consideri come un sistema simbolico classico anni Settanta e un LLM moderno gestiscono la frase “John ama Mary”.

Sistema simbolico classico (stile SHRDLU/Schank, anni 1970). Il sistema contiene un parser che decompone la frase in struttura sintattica esplicita (soggetto: JOHN; verbo: LOVE; oggetto: MARY). I simboli JOHN, LOVE, MARY sono token discreti collegati a un database di conoscenza (frame, script): JOHN ha proprietà (umano, maschio, attore), LOVE è una relazione (predicato a due argomenti, di tipo emozionale, asimmetrica), MARY ha proprietà (umano, femmina, oggetto della relazione). L’interpretazione è una struttura simbolica esplicita. Operazioni successive (per esempio, rispondere a “chi ama Mary?”) consistono nella consultazione e manipolazione di questa struttura.

LLM moderno (stile GPT-4 / Claude, 2023-2026). Il sistema riceve la frase come sequenza di tokens (subword units, prodotti dal tokenizer BPE). I tokens vengono trasformati in embedding (vettori di alta dimensione, tipicamente 4096-12288 dim). I 32-128 layer di transformer applicano attention e feedforward, trasformando questi vettori in modo che le rappresentazioni interne contengano informazione su soggetto, oggetto, relazione, ma in forma distribuita su tutto lo spazio di embedding, non in slot simbolici espliciti. Per rispondere a “chi ama Mary?”, il sistema genera token a token in base ai pattern statistici appresi.

I due sistemi sono entrambi computazione, ma di tipo diverso. Il classico opera su simboli discreti con struttura esplicita; il moderno opera su vettori continui con struttura distribuita. Il classico è facile da interpretare (puoi leggere lo stato del sistema simbolicamente) ma fragile (fallisce fuori dal dominio formalizzato); il moderno è robusto su domini larghi ma difficile da interpretare (la mech interp cerca di renderlo interpretabile a posteriori). Entrambi soddisfano la tesi computazionalista generale, ma solo il classico soddisfa la tesi LOT alla Fodor.

Aneddoti documentati

Quattro frammenti storici che danno carne al dibattito.

Newell-Simon Turing Award congiunta 1975

L’ACM Turing Award è il “Premio Nobel” dell’informatica, istituito nel 1966. Va, di norma, a un singolo destinatario per anno. Nel 1975 viene assegnato congiuntamente a Allen Newell e Herbert Simon “in recognition of their joint scientific efforts extending over twenty years, initially in collaboration with J.C. Shaw at the RAND Corporation, and subsequently with numerous faculty and student colleagues at Carnegie-Mellon University”. È uno dei pochissimi Turing Award congiunti della storia (gli altri sono casi specifici come Diffie-Hellman 2015 e Hinton-LeCun-Bengio 2018). La lecture congiunta, pubblicata nel marzo 1976 col titolo “Computer Science as Empirical Inquiry: Symbols and Search”, è il manifesto del computazionalismo AI-orientato e contiene la formulazione canonica della PSSH. Aneddoto correlato: Simon nel 1957, in un convegno di operations research, predice “within ten years a digital computer will be the world’s chess champion”. Vero solo nel 1997, quaranta anni dopo (Deep Blue, trattato in deep-blue-1997). Predizioni computazionaliste hanno errato sui tempi, non sulla direzione qualitativa.

Fodor anti-connessionismo per tutta la carriera

Jerry Fodor è stato anti-connessionismo aggressivo per tutta la carriera. Fodor-Pylyshyn 1988 “Connectionism and Cognitive Architecture” è un attacco frontale che ha definito il dibattito per quindici anni. Successive battaglie di Fodor: contro Steven Pinker e contro il programma di “modularità massiva” della psicologia evoluzionistica in The Mind Doesn’t Work That Way (MIT Press, 2000), il cui titolo è una citazione ironica del libro di Pinker How the Mind Works (1997). Fodor muore nel novembre 2017, anno post-AlphaGo (2016, trattato in alphago-2016) e in piena rivoluzione transformer (Vaswani et al. “Attention is All You Need”, giugno 2017). Non vede la fioritura dei LLM (ChatGPT è di novembre 2022). Domanda lecita: se Fodor fosse vissuto fino al 2026, cosa avrebbe detto dei LLM? Non lo sapremo. La sua posizione era irriducibile fino alla morte: il LOT classico è la teoria giusta della cognizione, comunque vada il deep learning ingegneristicamente.

Marr morto giovane, eredità enorme

David Marr muore nel novembre 1980 a 35 anni di leucemia, prima della pubblicazione di Vision. Il libro esce postumo nel 1982 (Freeman) curato dai colleghi del MIT (in particolare Tomaso Poggio). L’influenza è sproporzionata rispetto alla brevità della vita produttiva di Marr: praticamente ogni manuale di vision computazionale parte dai tre livelli, e il framework è esportato a tutti i sotto-campi della cognitive science computazionale. La metodologia Marr è diventata talmente standard che spesso non viene più riconosciuta come “computazionalista”: è semplicemente “il modo di fare cognitive science seria”. È il caso paradigmatico di una posizione filosofica che diventa infrastruttura tacita di un campo scientifico.

Searle vs Putnam sull’indeterminatezza, convergenza inattesa

Hilary Putnam, in Representation and Reality (MIT Press, 1988), e John Searle, in The Rediscovery of the Mind (MIT Press, 1992), sviluppano indipendentemente argomenti convergenti contro il computazionalismo computazionale forte. L’argomento è quello dell’indeterminatezza: dato un sistema fisico abbastanza complesso, non c’è in generale un fatto univoco su quale computazione esso esegua. Putnam lo sviluppa in chiave logico-tecnica (theorema di realizzabilità), Searle in chiave fenomenologico-intuitiva (Searle’s Wall). Il fatto che il fondatore del funzionalismo computazionale (Putnam, machine functionalism 1960) e il suo avversario storico (Searle, Chinese Room 1980) convergano, partendo da posizioni opposte, sull’argomento dell’indeterminatezza è indicatore della sua serietà filosofica. Putnam è stato, fra gli anni Settanta e Novanta, uno dei pochi filosofi novecenteschi ad attaccare pubblicamente le proprie tesi precedenti in modo argomentato. Trattato per la parte funzionalista in funzionalismo, sezione “Autocritica di Putnam”.

Computationalism timeline of key authors and works: horizontal arrow from 1936 to 2026; key milestones plotted as labeled markers; 1936 “Turing — On Computable Numbers”; 1943 “McCulloch-Pitts — neuron as logical gate”; 1948 “Wiener — Cybernetics”; 1956 “Newell-Simon — Logic Theorist”; 1960 “Putnam — Minds and Machines (machine functionalism)”; 1967 “Putnam — Psychological Predicates”; 1975 “Fodor — Language of Thought”; 1976 “Newell-Simon — PSSH (Turing Award lecture)”; 1980 “Searle — Chinese Room”; 1982 “Marr — Vision (posthumous)”; 1984 “Pylyshyn — Computation and Cognition”; 1988 “Fodor-Pylyshyn — Connectionism critique; Putnam — Representation and Reality (autocritique)”; 1988 “Smolensky — proper treatment of connectionism”; 1991 “Brooks — Intelligence Without Representation”; 1992 “Searle — Rediscovery of the Mind (Searle’s Wall)”; 1995 “van Gelder — dynamicism”; 2012 “AlexNet — deep learning revolution”; 2015 “Piccinini — Physical Computation (mechanistic)”; 2017 “Vaswani et al. — transformers”; 2022 “ChatGPT”; 2024-26 “mech interp finds circuits in LLMs”; subtitle reads “fifty years of debate, in one image”

Eredità oggi

[DATATO 2026-04] Lo stato del dibattito computazionalista nel 2026 è il seguente.

La forma classica del computazionalismo (LOT alla Fodor, simboli espliciti alla Newell-Simon) è marginalizzata nella ricerca AI mainstream. Il deep learning ha vinto la battaglia ingegneristica senza simboli classici: i LLM moderni, le reti convoluzionali per visione, i transformer multimodali, sono tutti sistemi computazionali, ma non simbolici nel senso degli anni Settanta.

La forma estesa del computazionalismo è invece la cornice tacita di quasi tutta la ricerca AI. La quasi totalità dei ricercatori assume implicitamente che la mente sia qualche tipo di computazione, anche se non simbolica classica. I LLM computano su tokens (unità lessicali subword) e su embedding (vettori in spazi continui di alta dimensione). L’attention è computazione (somma pesata di valori). Il forward pass è computazione (sequenza di trasformazioni matriciali). Il computazionalismo come tesi generale (“la mente computa”) sopravvive bene, anzi è rafforzato dal fatto che sistemi computazionali producono comportamento intelligente.

La mechanistic interpretability (mech interp), campo di ricerca nato intorno al 2020-2022 (Anthropic, OpenAI, MIT, vari gruppi accademici), cerca di identificare “circuiti” — pattern computazionali identificabili e interpretabili — dentro le reti neurali. È una forma di rivincita parziale del computazionalismo classico in chiave ingegneristica: anche dentro reti distribuite, emergono strutture computazionali identificabili (induction heads, copy heads, name-mover heads, induction circuits). Il livello computazionale di Marr ritorna come livello di interpretazione delle reti, non come livello di progettazione esplicita. Trattato in mech-interp-intro (in preparazione) e attention-heads-circuits (in preparazione).

L’embodied AI è cresciuta come sub-campo, soprattutto nella robotica (foundation models per robotica, computer use agents, vision-language-action models). Non come opposizione al computazionalismo, ma come sua estensione: l’embodied AI è anch’essa computazione, su sensori e attuatori invece che su tokens puri.

Gualtiero Piccinini, in Physical Computation: A Mechanistic Account (Oxford University Press, 2015), ha proposto la riformulazione filosofica più solida del computazionalismo contemporaneo, il mechanistic computationalism. Tesi: un sistema fisico esegue una computazione se e solo se è meccanicisticamente organizzato per manipolare vehicle (i corrispettivi fisici dei simboli, intesi in senso ampio) secondo regole sensitive ai vehicle e indipendenti da altre proprietà fisiche. Questa riformulazione cerca di parare gli attacchi di Searle (Wall) e di Putnam (indeterminatezza), distinguendo computazione “vera” da computazione meramente attribuita.

Quattro fatti recenti danno la temperatura del dibattito.

Primo: il successo dei LLM ha messo in seria difficoltà la tesi di Fodor-Pylyshyn 1988 secondo cui solo sistemi simbolici classici potevano esibire sistematicità. I LLM esibiscono sistematicità parziale — non perfetta, certamente fallibile in test specifici (SCAN, COGS, varianti di compositional generalization), ma molto superiore a quella che Fodor-Pylyshyn ritenevano in linea di principio possibile per reti distribuite. Il dibattito si è spostato da “le reti possono o no” a “quanta e quando”.

Secondo: la mech interp ha trovato dentro le reti neurali strutture computazionali identificabili (induction heads di Anthropic 2022, name-mover heads di OpenAI 2023, circuiti di indirect object identification, mover-detector circuits, sparse autoencoder features mono-semantiche). È una rivincita parziale del computazionalismo classico in chiave inversa: non si progettano simboli espliciti, ma si trovano strutture computazionali identificabili dentro reti addestrate. Il livello computazionale di Marr ritorna come livello di reverse engineering.

Terzo: la robotica con foundation models (RT-1, RT-2, OpenVLA, Pi-Zero, RFM-1) ha rivitalizzato l’interesse per l’embodied cognition, ma in chiave esplicitamente computazionale. I vision-language-action models computano azioni motorie a partire da percezione visiva e istruzione linguistica. Sono computazione embodied. La distinzione fra computazionalismo e embodied AI, netta negli anni Novanta, oggi è sfumata.

Quarto: la corrente neuro-simbolica (DeepMind con AlphaGeometry e AlphaProof, MIT-IBM Watson AI Lab, vari gruppi accademici) cerca di combinare reti neurali e ragionamento simbolico esplicito. È un ritorno parziale del computazionalismo classico, ma in chiave ibrida: il sistema neurale fa la percezione e l’intuizione, il sistema simbolico fa il ragionamento formale rigoroso. Trattato in neuro-simbolico (capitolo futuro Parte VII).

[DATATO 2026-04] Il bilancio storico al 2026: il computazionalismo classico è perso, il computazionalismo esteso è egemone. L’AI moderna lavora dentro un computazionalismo esteso senza nominarlo. La domanda filosofica non è più “la mente è computazione?” (la risposta operativa è sì), ma “quale tipo di computazione?”.

Perché importa ancora in pratica

Per uno sviluppatore o un ricercatore applicato nel 2026, il valore del computazionalismo non è decidere se Fodor avesse ragione in tutto. È conservare tre abitudini di pensiero che restano operative anche dopo la sconfitta dell’AI simbolica classica.

La prima abitudine è pensare in termini di rappresentazioni interne. Anche un LLM end-to-end non lavora “direttamente sul mondo”: lavora su token, embedding, stati latenti, cache, memorie esterne, tool outputs. Il lessico è cambiato, ma la disciplina resta: quando un sistema fallisce, chiedersi quale rappresentazione aveva disponibile in quel punto è spesso più utile che chiedersi genericamente “perché il modello ha sbagliato?”.

La seconda abitudine è separare i livelli di analisi nel senso di Marr. Un bug può stare nel problema posto male (livello computazionale), nell’algoritmo scelto (livello algoritmico), o nell’implementazione concreta (livello implementazionale). Molti dibattiti contemporanei su LLM confondono i tre livelli: si critica il transformer per un compito definito male, o si attribuisce a “mancanza di comprensione” un semplice errore di orchestrazione.

La terza abitudine è accettare l’ibridazione senza viverla come eresia. Se un modello neurale beneficia di parser simbolici, verificatori, planner espliciti, SAT solver, theorem prover o tool di esecuzione esterni, questo non “smentisce” il sistema: mostra che certi sottoproblemi sono meglio trattati da forme diverse di computazione. Il computazionalismo esteso contemporaneo vive proprio qui, nella convivenza fra rappresentazioni distribuite e scaffold simbolici mirati.

In questo senso il computazionalismo oggi vale meno come metafisica totale e più come grammatica di progetto. Non dice ancora che cosa sia una mente. Dice però come evitare di parlare dei sistemi intelligenti come se fossero magia statistica senza struttura interna.

Dove si rompe

Cinque modi di fallimento del computazionalismo, e due miti diffusi da smontare.

1. LOT classico smentito empiricamente dal deep learning. Il Language of Thought alla Fodor postula che la cognizione operi su rappresentazioni con sintassi composizionale esplicita. I LLM moderni producono comportamento cognitivamente sofisticato (comprensione del linguaggio, ragionamento, generazione coerente di testo) senza simboli espliciti nel senso del LOT. Operano su embedding distribuiti. La conseguenza: il LOT classico è probabilmente falso come teoria della cognizione naturale. Il computazionalismo come tesi generale sopravvive (i LLM sono computazione, anche se non simbolica), ma la sua versione fortissima è marginalizzata.

2. Sintassi non basta per semantica (argomento Searle). La manipolazione formale di simboli può produrre comportamento corretto, ma — secondo Searle — non genera comprensione genuina. È il punto della Stanza Cinese, trattato in stanza-cinese-searle. Risposte computazionaliste esistono (Systems Reply, Robot Reply, simulatori cerebrali, virtual mind, embodied), ma il dibattito non si chiude. Per molti filosofi, il computazionalismo è metafisicamente insufficiente: spiega la struttura formale del comportamento, non l’intenzionalità (l’aboutness) né la coscienza fenomenica.

3. Embodied: la cognizione è nel corpo + ambiente. La critica embodied (Brooks 1991, Varela-Thompson-Rosch 1991, Andy Clark) sostiene che il computazionalismo “puro interno” è incompleto: la cognizione non è solo nel cervello come elaboratore di simboli, è nell’accoppiamento dinamico cervello-corpo-ambiente. Il computazionalismo può integrare l’embodied (la cognizione embodied è computazione su sensori e attuatori), ma la versione classica “internalista” (LOT in una testa scollegata) è indifendibile. Trattato in cognizione-embodied.

4. Searle’s Wall: il computazionalismo rischia di diventare etichetta vuota. Se qualunque sistema fisico abbastanza complesso può essere descritto come implementante qualche computazione, allora dire “il cervello è un computer” non distingue il cervello da un muro. Risposta di Piccinini 2015 (mechanistic computationalism: solo certi sistemi sono computer in senso proprio) è la difesa più solida, ma la critica resta sul tavolo come problema di fondo.

5. Indeterminatezza della funzione computata. Una conseguenza della precedente: dato un sistema fisico, non c’è in generale un fatto “univoco” su quale computazione esso esegua. Diverse mappings interpretative producono diverse computazioni attribuibili. Putnam 1988 (Representation and Reality) sviluppa l’argomento in dettaglio. Per il computazionalismo, è un problema serio: vuole che la mente esegua una computazione specifica (quella che genera il comportamento intelligente), ma se la computazione è indeterminata, la tesi perde mordente.

E due miti diffusi.

Mito 1: “computazionalismo = AI simbolica”. Falso. Il computazionalismo è una tesi filosofica generale (“la mente computa”), l’AI simbolica è un programma di ricerca tecnologico storicamente associato. Il deep learning è anch’esso computazione, e quindi compatibile con il computazionalismo (esteso). Confondere le due cose porta a concludere “il deep learning ha smentito il computazionalismo”, che è falso. Ha smentito (probabilmente) il LOT classico e la PSSH nella sua metà “necessità”. Non ha smentito il computazionalismo.

Mito 2: “deep learning ha smentito il computazionalismo”. Falso, per le ragioni del mito 1. Il deep learning ha rafforzato il computazionalismo come tesi generale: ha mostrato che sistemi computazionali (anche se non simbolici classici) possono produrre comportamento intelligente di alto livello. Ha smentito specifiche varianti forti del computazionalismo (LOT alla Fodor, PSSH alla Newell-Simon nella sua metà necessità), non la tesi generale.

Mito 3: “il computazionalismo implica meccanicamente la Strong AI”. Quasi falso. Il computazionalismo è una premessa filosofica necessaria della Strong AI, ma non sufficiente. Si può accettare il computazionalismo (la mente è computazione) e restare scettici sulla Strong AI come progetto pratico. Si può anche sostenere il computazionalismo e ritenere, con Searle, che certe varianti di Strong AI siano comunque sbagliate (per esempio, perché trascurano i poteri causali del sostrato biologico). Il computazionalismo è una tesi sulla natura della mente; la Strong AI è una tesi sulla possibilità di replicarla in macchine. Le due cose sono correlate ma distinte. Trattato in ai-forte-ai-debole.

Mito 4: “il computazionalismo è una posizione del Novecento, oggi superato”. Falso. La forma classica (LOT, PSSH) è marginalizzata, sì, ma la forma estesa è egemone — più egemone oggi di quanto fosse negli anni Settanta, perché tutta l’AI moderna assume tacitamente che la mente sia qualche tipo di computazione. Confondere “tesi del Novecento” con “superato” è un errore di prospettiva. Il computazionalismo è oggi più diffuso di quanto sia mai stato, ma in forma diversa da quella che si era data nel suo periodo classico.

Collegamenti

funzionalismo: il computazionalismo è una species del funzionalismo (tutti i computazionalisti sono funzionalisti, ma non viceversa). Il funzionalismo dice che gli stati mentali sono ruoli causali, il computazionalismo aggiunge che quei ruoli sono operazioni computazionali su rappresentazioni.
stanza-cinese-searle: l’argomento di Searle è il bersaglio diretto del computazionalismo forte (Strong AI funzionalista-computazionale di Schank e Fodor). La sintassi non basta per la semantica.
ai-forte-ai-debole: la distinzione fra Strong AI e Weak AI presuppone il computazionalismo. Senza computazionalismo, la Strong AI non ha fondamento metafisico. Con computazionalismo, è una conseguenza naturale.
ai-simbolica-anni-60: il programma di ricerca tecnologico associato al computazionalismo classico. Logic Theorist, GPS, SHRDLU, MYCIN. Successo nei domini formalizzati, fallimento generale.
turing-macchina-mente: la macchina di Turing è il modello formale di computazione che rende possibile il computazionalismo come tesi rigorosa. Senza Turing, niente computazionalismo formale.
symbol-grounding: il problema di come i simboli del computazionalismo classico acquisiscano contenuto. Stevan Harnad 1990 introduce esplicitamente il problema come critica al computazionalismo simbolico. Capitolo futuro Parte II.
intenzionalita: l’aboutness, la proprietà degli stati mentali di essere “circa” qualcosa. Uno dei problemi che il computazionalismo deve affrontare: come la sintassi formale può supportare l’intenzionalità semantica. Capitolo futuro Parte II.
coscienza-access-phenomenal: la distinzione di Ned Block 1995 fra coscienza di accesso (funzionale) e coscienza fenomenica (qualitativa). Il computazionalismo spiega bene la prima, fatica con la seconda. Capitolo futuro Parte II.
cognizione-embodied: la critica embodied al computazionalismo classico. Brooks, Varela-Thompson-Rosch, Andy Clark. Capitolo futuro Parte III.
rappresentazione-conoscenza: la knowledge representation classica (frame, script, ontologie, description logic) come implementazione tecnologica del computazionalismo simbolico. Capitolo futuro Parte VII.
neuro-simbolico: l’AI neuro-simbolica contemporanea come tentativo di sintesi fra computazionalismo classico (simboli) e connessionismo (reti neurali). Capitolo futuro Parte VII.

Per andare oltre

Jerry Fodor, The Language of Thought (Crowell, 1975). Il testo seminale del computazionalismo classico. Articola CRTM e LOT in forma sistematica. Lettura impegnativa ma fondamentale.
Allen Newell e Herbert Simon, “Computer Science as Empirical Inquiry: Symbols and Search”, Communications of the ACM vol. 19, n. 3, marzo 1976, pp. 113-126. La Turing Award lecture congiunta del 1975, dove viene formulata la PSSH. Manifesto programmatico dell’AI simbolica e del computazionalismo AI-orientato.
David Marr, Vision (Freeman, 1982, postumo). I tre livelli di analisi e l’applicazione alla visione computazionale. Modello canonico di analisi computazionalista. Influenza enorme sulla cognitive science.
Jerry Fodor e Zenon Pylyshyn, “Connectionism and Cognitive Architecture: A Critical Analysis”, Cognition vol. 28, 1988, pp. 3-71. L’attacco frontale al connessionismo basato sulla sistematicità. Argomento canonico, contestato, ancora in dibattito quaranta anni dopo.
Gualtiero Piccinini, Physical Computation: A Mechanistic Account (Oxford University Press, 2015). La riformulazione contemporanea più solida del computazionalismo, che cerca di parare gli attacchi di Searle (Wall) e di Putnam (indeterminatezza) con la nozione di mechanistic computation.
Steven Pinker, How the Mind Works (Norton, 1997). Una difesa popolare del computazionalismo modulare in chiave evoluzionistica. Lettura accessibile, posizione contestabile (Fodor 2000 la attacca duramente in The Mind Doesn’t Work That Way), ma utile come punto di vista articolato di un computazionalista contemporaneo divulgativo.
Paul Smolensky, “On the Proper Treatment of Connectionism”, Behavioral and Brain Sciences vol. 11, 1988, pp. 1-23. La risposta connessionista canonica al computazionalismo classico. Introduce il livello subsimbolico. Molto citato, lettura tecnica ma fondamentale per capire l’altra faccia del dibattito.
Stanford Encyclopedia of Philosophy, voce “The Computational Theory of Mind” (Michael Rescorla, varie edizioni 2017-2024). Sintesi accademica aggiornata e completa, con bibliografia esaustiva. Punto di partenza canonico per chi vuole approfondire.
Stanford Encyclopedia of Philosophy, voce “Computation in Physical Systems” (Gualtiero Piccinini). Trattazione approfondita della questione di cosa significa che un sistema fisico esegua una computazione, con discussione tecnica di Searle’s Wall, indeterminatezza di Putnam, e proposta mechanistic.
Andy Clark, Mindware: An Introduction to the Philosophy of Cognitive Science (Oxford University Press, 2014, seconda edizione). Manuale didattico di filosofia delle scienze cognitive, con capitoli dedicati a computazionalismo, connessionismo, embodied cognition, dynamicism. Utile per vedere il computazionalismo nel contesto delle posizioni alternative trattato in modo bilanciato.
John Searle, The Rediscovery of the Mind (MIT Press, 1992), capitolo 9 (“The Critique of Cognitive Reason”). Esposizione sistematica di Searle’s Wall e dell’argomento dell’indeterminatezza della computazione. Lettura impegnativa ma indispensabile per capire la critica più radicale al computazionalismo come tesi metafisica.