Neuroni, sinapsi, plasticità: il cervello in scala operativa

Il substrato biologico dell’intelligenza non è un computer, non è una rete neurale artificiale, non è una metafora informatica: è un organo da 1,4 chili che consuma 20 watt, contiene ottantasei miliardi di neuroni, ed è il primo oggetto di studio di chiunque voglia capire da dove viene la cognizione che la Parte III del libro si propone di esplorare.

Nel 1888, in un appartamento di Barcellona dove fa anche da laboratorio, Santiago Ramón y Cajal (1852-1934, istologo spagnolo, allora professore di anatomia patologica all’Università di Barcellona) lavora su sezioni di cervelletto di pollo embrionale. Ha scelto embrioni perché i neuroni adulti, ricoperti di mielina e fittamente intrecciati, sono illeggibili al microscopio ottico anche con la migliore tecnica disponibile — la reazione nera messa a punto quindici anni prima da Camillo Golgi (1843-1926, medico e patologo italiano di Pavia), che impregna casualmente solo l’1-3% dei neuroni di un campione, ma li riempie completamente.

Cajal vede una cosa che cambia la storia della scienza. Le grandi cellule a forma di pera del cervelletto — le cellule di Purkinje — sono circondate da terminazioni nervose che vengono da altre cellule (le cellule a canestro), ma non sono in continuità con esse. C’è uno spazio. La rete nervosa non è un sincizio continuo, come Golgi e quasi tutta la scuola istologica europea sostiene da vent’anni: è un mosaico di unità cellulari discrete, separate, che comunicano per contatto. Cajal traduce quello che vede in disegni a inchiostro di nera precisione — centinaia, oggi conservati al Museo Cajal di Madrid — e in articoli pubblicati sulla Revista trimestral de Histología normal y patológica, da lui stesso fondata e perlopiù redatta. Nasce così la doctrine del neurone.

Diciotto anni dopo, l’11 dicembre 1906 a Stoccolma, Cajal e Golgi salgono sullo stesso podio per ritirare il Nobel in Fisiologia o Medicina assegnato congiuntamente “per i loro lavori sulla struttura del sistema nervoso”. Le due Nobel Lectures, lette a poche ore di distanza, contengono la difesa frontale di tesi opposte: Golgi rivendica la teoria reticolare, Cajal espone punto per punto le evidenze contro di essa. La conferma sperimentale definitiva arriverà solo negli anni 50, con il microscopio elettronico, che mostra la fessura sinaptica di 20-40 nanometri tra membrana presinaptica e postsinaptica. Cajal aveva ragione. La scienza moderna del cervello comincia da quel disegno a inchiostro del 1888.

Questo capitolo apre la Parte III del libro — Intelligenza umana e scienze cognitive — partendo dal substrato. Prima di parlare di memoria, attenzione, percezione, sviluppo, theory of mind, conviene avere una mappa del territorio biologico: che cos’è un neurone, come comunica, quanti ne abbiamo, come sono organizzati, quali tecniche permettono di studiarli, dove l’analogia con la macchina di silicio aiuta a capire e dove ostacola. Non è un manuale di neuroanatomia: è un livello operativo, calibrato per uno sviluppatore con curiosità ampie e pazienza per le sezioni dense.

Perché questo capitolo

Tre ragioni, una di scienza, una di igiene concettuale, una di igiene linguistica.

La scienza: la Parte II del libro, appena chiusa con il capitolo su libero arbitrio e sistemi decisionali (free-will-ai), ha discusso la mente in chiave filosofica — funzionalismo, computazionalismo, qualia, agenza, responsabilità. Buona parte di quei dibattiti diventano più nitidi se si sa qualcosa, anche solo a livello introduttivo, dell’organo che li ospita. Quando Searle argomenta contro l’AI forte, quando Chalmers articola il problema difficile, quando Dennett difende il funzionalismo, stanno parlando — direttamente o indirettamente — di questa cosa qui: ottantasei miliardi di neuroni in un volume di circa 1300 centimetri cubi.

L’igiene concettuale: il dibattito pubblico su AI e cervello scivola di continuo in tre errori di classe (per la distinzione fra analogia, filiazione ed equivalenza si veda convenzioni-notazione). Il primo: trattare la frase “il cervello è un computer” come un’identità invece che come un’analogia datata e parziale. Il secondo: trattare la somiglianza nominale tra “neurone biologico” e “neurone artificiale” come se le due cose fossero la stessa cosa a livelli diversi di implementazione, quando in realtà il neurone artificiale di un transformer è più simile a una singola sinapsi che a un neurone vero. Il terzo: parlare di “memoria a lungo termine” del cervello e di “embedding” di un LLM come se fossero la stessa primitiva, quando sono oggetti di natura completamente diversa. Avere coordinate chiare sul biologico permette di marcare correttamente queste classi.

L’igiene linguistica: chi scrive di AI usa quotidianamente parole — attenzione, memoria, plasticità, apprendimento, rappresentazione, embedding, consolidamento — che hanno una storia tecnica precedente in neuroscienza. Sapere quella storia non è erudizione, è il minimo per non confondere due cose perché si chiamano allo stesso modo. La Parte III del libro è in larga parte il lavoro di tracciare questi confini.

Contesto: dalla doctrine del neurone alla fMRI in centotrent’anni

Le date che contano in questo capitolo si dispongono lungo una linea relativamente compatta.

1873 — Camillo Golgi mette a punto la reazione nera a Pavia. Nitrato d’argento e bicromato di potassio: una piccola frazione dei neuroni viene impregnata in modo casuale e diventa visibile per intero al microscopio ottico. Paradosso storico: la tecnica di Golgi sarà la prova della doctrine del neurone, ma Golgi stesso resterà fino alla morte (1926) un sostenitore della teoria reticolare, secondo cui i neuroni formerebbero una rete continua sinciziale.

1888 — Santiago Ramón y Cajal pubblica i primi risultati sulle cellule di Purkinje del cervelletto di pollo. La discontinuità tra neuroni è visibile. Negli anni successivi formula la legge della polarizzazione dinamica: l’informazione fluisce in un neurone in una direzione preferenziale, dai dendriti al soma all’assone, e da lì alla sinapsi successiva. È la prima intuizione direzionale del flusso di informazione nel sistema nervoso.

1897 — Charles Sherrington (1857-1952, fisiologo inglese, futuro Nobel 1932) conia il termine synapse in un capitolo del manuale di Foster. La parola viene dal greco syn-haptein, “afferrare insieme”. Per quasi mezzo secolo non si saprà se la trasmissione attraverso la sinapsi sia chimica o elettrica.

1906 — Nobel a Cajal e Golgi. Le due Nobel Lectures opposte fanno epoca.

1909 — Korbinian Brodmann (1868-1918, neurologo tedesco di Berlino) pubblica Vergleichende Lokalisationslehre der Grosshirnrinde (Barth, Lipsia). Mappa la corteccia cerebrale in 52 aree distinguibili per cytoarchitettura — la disposizione dei corpi cellulari nei sei strati corticali, rivelata dalla colorazione di Nissl. Le aree numerate (4 = corteccia motoria primaria; 17 = corteccia visiva primaria V1; 44 e 45 = aree di Broca; 22 = area di Wernicke; 41 e 42 = corteccia uditiva primaria) sono ancora oggi un sistema di coordinate operativo, anche se la parcellizzazione moderna multimodale identifica oltre 180 aree per emisfero (Glasser et al., Nature, 2016).

1921 — Otto Loewi (1873-1961, farmacologo austriaco poi americano) fa l’esperimento decisivo sulla natura della trasmissione sinaptica. Due cuori di rana isolati, perfusi separatamente. Stimola il nervo vago del primo: il cuore rallenta. Trasferisce il liquido di perfusione al secondo cuore: anche il secondo rallenta. La sostanza che porta il messaggio (Loewi la chiama Vagusstoff, la “sostanza del vago”) sarà identificata come acetilcolina. La trasmissione sinaptica è — almeno in questo caso — chimica. Nobel 1936 con Henry Dale.

1924 — Hans Berger (1873-1941, psichiatra tedesco di Jena) registra il primo elettroencefalogramma su un essere umano (suo figlio). Pubblicazione 1929. Risoluzione temporale eccellente, spaziale modesta: il cervello al lavoro diventa, per la prima volta, un segnale leggibile.

1949 — Donald Hebb (1904-1985, psicologo canadese a McGill) pubblica The Organization of Behavior (Wiley, New York). Articola due idee che reggono ancora: la cell assembly come unità funzionale dell’esperienza e una regola di plasticità sinaptica spesso parafrasata come “neurons that fire together wire together” (la formulazione esatta è di Carla Shatz negli anni 90; quella di Hebb è più cauta). L’evidenza fisiologica della long-term potentiation (LTP) come substrato cellulare dell’apprendimento associativo arriva nel 1973 con Bliss e Lømo.

1953 — Henry Molaison “H.M.”, ventisettenne di Hartford con epilessia farmacoresistente, viene sottoposto dal neurochirurgo William Beecher Scoville a una resezione bilaterale del lobo temporale mediale. L’epilessia migliora; H.M. perde la capacità di formare nuovi ricordi episodici dichiarativi. Brenda Milner (1918-, psicologa britannico-canadese a McGill) lo studia per oltre cinquant’anni. La pubblicazione fondativa è Scoville e Milner 1957 sul Journal of Neurology, Neurosurgery, and Psychiatry, vol. 20: 11-21. Il caso H.M. fonda la distinzione tra memoria dichiarativa (ippocampo-dipendente) e memoria procedurale (gangli della base, cervelletto), che il capitolo memoria-dichiarativa-procedurale (in preparazione) approfondirà.

1959 — David Hubel e Torsten Wiesel pubblicano sul Journal of Physiology (vol. 148: 574-591) “Receptive fields of single neurones in the cat’s striate cortex”. Microelettrodi inseriti nella corteccia visiva primaria V1 del gatto rivelano neuroni con campi recettivi orientati: rispondono a barre di luce con specifica inclinazione, posizione, polarità. La gerarchia di simple cells e complex cells è il modello canonico delle cortecce sensoriali. Nobel 1981.

1971 — John O’Keefe (1939-, neuroscienziato britannico-americano allo University College London) e il dottorando Jonathan Dostrovsky pubblicano “The hippocampus as a spatial map” sul Brain Research (vol. 34: 171-175). Microelettrodi inseriti in 23 ratti registrano da 76 posizioni dell’ippocampo. Otto neuroni rispondono solo quando il ratto si trova in una specifica zona del piano di esplorazione (24 cm × 36 cm), guardando in una specifica direzione. È la scoperta delle place cells. Nel 2005 May-Britt e Edvard Moser, coniugi norvegesi del NTNU di Trondheim, scoprono nella corteccia entorinale mediale le grid cells, neuroni che scaricano ai vertici di una griglia esagonale che tassella l’ambiente. Nobel 2014 a O’Keefe e ai Moser.

1990 — Seiji Ogawa ai Bell Labs descrive il segnale BOLD (Blood-Oxygen-Level-Dependent): la differenza di proprietà magnetiche tra emoglobina ossigenata e deossigenata permette, con risonanza magnetica funzionale, di mappare le variazioni di flusso sanguigno legate (indirettamente) all’attività neurale. Nasce la fMRI come la conosciamo. Risoluzione spaziale millimetrica, temporale di secondi (limitata dall’emodinamica, non dallo strumento).

2001 — Marcus Raichle (1937-, neurologo americano alla Washington University in St. Louis) e collaboratori pubblicano su PNAS (vol. 98: 676-682) “A default mode of brain function”: un set di regioni — corteccia mediale prefrontale, corteccia cingolata posteriore, precuneo, lobulo parietale inferiore — è più attivo a riposo che durante la maggior parte dei task cognitivi. Lo battezzano default mode network. Conferma operativa: il cervello a riposo non è spento. La differenza di consumo energetico tra riposo e task focalizzato è di pochi punti percentuali sui 20 W totali.

2005 — Edward Boyden e Karl Deisseroth, allora postdoc e dottorando a Stanford, pubblicano su Nature Neuroscience (vol. 8: 1263-1268) il primo lavoro di optogenetica: l’espressione di un canale ionico fotosensibile (channelrhodopsin-2, originariamente identificato nell’alga Chlamydomonas) in neuroni specifici permette di attivarli o silenziarli con impulsi di luce blu, con risoluzione cellulare e temporale al millisecondo. La neurofisiologia compie il salto dalla correlazione alla causalità manipolabile in vivo.

2009 — Suzana Herculano-Houzel (1972-, neuroscienziata brasiliana, allora alla Universidade Federal do Rio de Janeiro, oggi alla Vanderbilt) e collaboratori pubblicano sul Journal of Comparative Neurology (vol. 513: 532-541) “Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain”. Il metodo è l’isotropic fractionator: dissolvere chimicamente il tessuto cerebrale, marcare i nuclei neuronali con anticorpi specifici per la proteina NeuN, contare al microscopio una sospensione omogenea. Il risultato corregge una stima vulgata di un secolo: il cervello umano adulto contiene 86,1 ± 8,1 miliardi di neuroni (non 100), e all’incirca lo stesso numero di cellule non neuronali (non un rapporto 10:1 a favore della glia, come ripetevano i manuali). L’80% dei neuroni — sorpresa che sorprende ogni volta — sta nel cervelletto, in piccolissimi neuroni granulari.

Centotrent’anni esatti dal disegno di Cajal del 1888 al pre-print della parcellizzazione di Glasser del 2016 portano da “i neuroni sono separati” a “ne abbiamo 86 miliardi distribuiti in oltre 180 aree corticali per emisfero, con un sistema di posizionamento metrico nell’ippocampo e una rete a riposo che consuma quasi quanto un task focalizzato”. È molto, ed è ancora un’introduzione.

L’intuizione: due angoli prima della meccanica

Prima dei nomi dei nuclei e dei numeri di scala, due angoli diversi servono a portare a casa l’intuizione di che cosa sia il cervello come oggetto fisico.

Angolo 1: anatomico-funzionale

Tieni in mano un melone galia maturo. Pesa circa 1,4 chili, ha più o meno il volume di un cervello umano adulto. Ora immagina che la superficie esterna del melone — non liscia ma ripiegata su sé stessa in solchi e giri come un origami compresso — sia la corteccia cerebrale: uno strato di sostanza grigia di 2-4 millimetri di spessore, organizzato in sei lamine cellulari sovrapposte (gli strati I-VI di Brodmann). Se distendessi la corteccia di un emisfero su un piano otterresti circa 2200 centimetri quadrati per emisfero, l’area di un asciugamano da viso. I solchi (sulci) e i giri (gyri) servono proprio a far stare in un cranio rigido una superficie che, se piatta, sarebbe troppo grande.

Sotto la corteccia, nella massa profonda del melone, ci sono strutture filogeneticamente più antiche: il talamo al centro (relè sensoriale e motorio principale, 50 nuclei distinti), l’ipotalamo sotto (omeostasi, ritmi circadiani, ormoni), i gangli della base lateralmente (selezione dell’azione, abitudini, ricompensa), l’ippocampo nel lobo temporale mediale (memoria dichiarativa, mappe spaziali), l’amigdala davanti all’ippocampo (emozioni, paura, salienza). Sotto ancora, il tronco encefalico (mesencefalo, ponte, bulbo: vie ascendenti e discendenti, controllo cardiorespiratorio) e dietro al ponte il cervelletto, con la sua superficie minutamente foliata che contiene da sola circa l’80% dei neuroni del cervello in circa il 10% della massa.

Questa è l’organizzazione anatomica grossolana. Non è ancora una teoria di come funziona la cognizione: è una mappa del territorio.

Angolo 2: computazionale-energetico

Lo stesso oggetto, visto come sistema di elaborazione di informazione, si caratterizza con una manciata di numeri che ricalibrano qualunque intuizione importata dall’informatica.

Ottantasei miliardi di neuroni. Ciascun neurone corticale ha in media 7000-10.000 sinapsi (una cellula di Purkinje del cervelletto può averne 200.000), per un totale stimato tra 10^14 e 10^15 sinapsi nell’intero cervello. La frequenza di scarica tipica di un neurone del SNC è 1-100 spike al secondo, ovvero 1-100 Hz; la velocità di propagazione lungo gli assoni mielinizzati è 1-120 m/s grazie alla conduzione saltatoria (lo spike “salta” da un nodo di Ranvier all’altro lungo la guaina mielinica).

Ora confronta. La GPU di un data center moderno opera a un clock di 1-2 GHz: 10^7-10^8 volte più veloce di un neurone, evento per evento. La propagazione elettrica lungo le piste di un chip è prossima alla velocità della luce: 10^6-10^7 volte più veloce della conduzione assonica. Eppure il cervello compensa con un parallelismo massivo — 10^11 neuroni che lavorano simultaneamente contro al massimo 10^4-10^5 cores in una GPU — e con un’efficienza energetica che è il numero più impressionante di tutti: 20 watt. Venti watt. Una lampadina da frigorifero. Per fare quello che fa: visione, linguaggio, pianificazione, memoria, controllo motorio fine, modellazione sociale, e tutto il resto, ventiquattro ore al giorno.

Per confronto, un singolo training run di un modello di frontiera del 2025 consuma decine di MWh; l’inferenza di un singolo prompt impegna decine o centinaia di watt per qualche secondo. L’efficienza energetica del cervello per “operazione equivalente” è di vari ordini di grandezza superiore a qualunque architettura di silicio attuale. Questo è un dato fisico, non una metafora.

Tieni questi due angoli in tasca: serviranno per non confondere, in seguito, il livello di descrizione anatomico con quello computazionale, e per non importare automaticamente intuizioni dall’uno all’altro.

La meccanica: dal singolo neurone al circuito

4.1 Il neurone come unità

Un neurone tipico ha quattro componenti morfologici principali. Il soma (corpo cellulare) contiene il nucleo e gli organelli: è la fabbrica metabolica della cellula. I dendriti sono prolungamenti ramificati che ricevono segnali in entrata da altri neuroni; un singolo neurone piramidale corticale può avere migliaia di sinapsi distribuite sull’albero dendritico. L’assone è un singolo prolungamento, spesso lungo (da micrometri a oltre un metro per i motoneuroni che innervano i muscoli del piede), che porta il segnale in uscita. Le terminazioni assoniche formano sinapsi con i dendriti o il soma di altri neuroni.

Il segnale elettrico fondamentale si chiama potenziale d’azione o spike: una rapidissima inversione (~1-2 millisecondi) del potenziale di membrana, da circa -70 mV a circa +30 mV e ritorno, dovuta all’apertura sequenziale di canali ionici voltaggio-dipendenti per il sodio (entrante, depolarizzante) e per il potassio (uscente, ripolarizzante). Lo spike è “tutto o niente”: è un evento digitale binario sopra una soglia (di solito attorno a -55 mV). L’informazione, sopra il livello del singolo evento, è codificata in tassi di scarica (rate code), in timing preciso (temporal code), e in pattern correlati di attività di popolazione.

Lo spike si propaga lungo l’assone. Dove l’assone è ricoperto di mielina — guaina lipidica prodotta dagli oligodendrociti nel sistema nervoso centrale e dalle cellule di Schwann nel sistema nervoso periferico — la conduzione è saltatoria: i canali del sodio sono concentrati nei piccoli intervalli non mielinizzati (i nodi di Ranvier), e lo spike si rigenera nodo per nodo, “saltando” il tratto isolato. Questo guadagna due ordini di grandezza in velocità rispetto alla conduzione continua. La sclerosi multipla è una malattia della mielina del SNC: la perdita di guaina rallenta o blocca la conduzione, con sintomi neurologici diffusi.

4.2 La sinapsi chimica

Quando lo spike raggiunge la terminazione assonica, depolarizza la membrana e apre canali del calcio voltaggio-dipendenti. L’ingresso di Ca²⁺ nella terminazione presinaptica innesca la fusione di vescicole sinaptiche (organelli che contengono migliaia di molecole di neurotrasmettitore) con la membrana plasmatica. Le vescicole rilasciano il loro contenuto nella fessura sinaptica, lo spazio di 20-40 nanometri tra membrana presinaptica e postsinaptica.

Il neurotrasmettitore diffonde attraverso la fessura e si lega a recettori specifici sulla membrana postsinaptica. I recettori sono di due famiglie principali: ionotropici (canali ionici che si aprono direttamente al legame con il neurotrasmettitore, risposta in millisecondi) e metabotropici (proteine accoppiate a G-protein che attivano cascate di segnale intracellulare, risposta più lenta ma più modulatoria). L’effetto netto sulla membrana postsinaptica può essere eccitatorio (depolarizzazione, potenziale postsinaptico eccitatorio o EPSP) o inibitorio (iperpolarizzazione, IPSP), a seconda del tipo di canale aperto e del gradiente ionico.

I principali neurotrasmettitori del SNC dei mammiferi sono:

Glutammato: il principale eccitatorio del cervello. I suoi recettori AMPA mediano la trasmissione veloce; i recettori NMDA sono cruciali per la plasticità sinaptica perché si aprono solo quando la cellula postsinaptica è già parzialmente depolarizzata (rivelatori di coincidenza tra attività pre- e postsinaptica, base biologica della regola hebbiana).
GABA: il principale inibitorio. Recettori GABA-A (canali del cloro) e GABA-B (metabotropici).
Acetilcolina: alla giunzione neuromuscolare; nel SNC, i nuclei colinergici del prosencefalo basale (Meynert) modulano l’attenzione corticale; declinano nella malattia di Alzheimer, da cui la classe farmacologica degli inibitori delle colinesterasi.
Dopamina: tre vie principali — nigro-striatale (controllo motorio, deficit nel Parkinson), mesolimbica (ricompensa, motivazione), mesocorticale (cognizione esecutiva prefrontale).
Serotonina: dai nuclei del rafe nel tronco; modula umore, sonno, appetito, dolore. Target degli SSRI.
Noradrenalina: dal locus coeruleus nel ponte; modula arousal, attenzione, risposta allo stress.

Il rilascio sinaptico è probabilistico: ogni spike presinaptico ha una probabilità (variabile, tipicamente tra 0,1 e 0,9 a seconda della sinapsi) di causare il rilascio di una vescicola. Questa stocasticità — quantificata da Bernard Katz negli anni 50-60, Nobel 1970 — è una caratteristica fondamentale, non un rumore da eliminare.

Esistono anche sinapsi elettriche (gap junctions): canali proteici che connettono direttamente il citoplasma di due neuroni, permettendo passaggio di ioni e molecole piccole. Sono comuni nella retina, in alcuni interneuroni inibitori corticali, nello sviluppo embrionale; nel SNC adulto dei mammiferi le sinapsi chimiche dominano largamente.

4.3 La glia, che non è solo “supporto”

Per quasi un secolo i manuali hanno definito le cellule gliali come “cellule di supporto”, contrapposte ai neuroni come la fanteria al generale. Stima vulgata: rapporto glia:neuroni di 10:1. Il lavoro di Herculano-Houzel del 2009 ha mostrato che il rapporto reale nel cervello intero è ~1:1, con grande variabilità regionale (~3:1 nella corteccia, ~0,2:1 nel cervelletto). Più importante: la glia non è “supporto” passivo.

Tre famiglie principali di cellule gliali nel SNC. Gli astrociti (forma stellata, da cui il nome) regolano il microambiente extracellulare, modulano la trasmissione sinaptica (gliotrasmissione), partecipano alla barriera ematoencefalica. Gli oligodendrociti producono la mielina nel SNC (le cellule di Schwann fanno lo stesso nel SNP). La microglia, di origine embriologica diversa (mesodermica, non ectodermica come neuroni e altre glia), ha funzione immunitaria e di pruning sinaptico, eliminando attivamente sinapsi durante lo sviluppo e in risposta all’attività.

Il libro di R. Douglas Fields The Other Brain (Simon & Schuster, 2009) è una buona introduzione divulgativa al cambio di prospettiva sulla glia avvenuto a cavallo del millennio.

4.4 La plasticità

L’apprendimento, a livello cellulare, modifica le sinapsi. Il modello canonico è la long-term potentiation (LTP), descritta da Timothy Bliss e Terje Lømo nel 1973 sul Journal of Physiology (vol. 232: 331-356) nell’ippocampo di coniglio: una stimolazione tetanica delle vie perforanti (treni ad alta frequenza) produce un aumento durevole — minuti, ore, giorni — dell’efficacia della sinapsi. Il meccanismo molecolare coinvolge i recettori NMDA come rivelatori di coincidenza, l’ingresso di calcio, l’inserzione di nuovi recettori AMPA nella membrana postsinaptica, e cascate di segnale che possono portare a sintesi proteica e modifiche strutturali.

Il fenomeno speculare è la long-term depression (LTD), un indebolimento durevole indotto da stimolazione a bassa frequenza prolungata. LTP e LTD insieme implementano una versione biologica del principio hebbiano. Non è esattamente la regola di Hebb originale (che parlava solo di rafforzamento), ma ne è la realizzazione fisiologica più studiata.

A livello strutturale, la plasticità include anche: la formazione di nuove sinapsi (sinaptogenesi), l’eliminazione di sinapsi inutilizzate (pruning), modifiche della morfologia delle spine dendritiche (le piccole protrusioni postsinaptiche), in misura più limitata la neurogenesi adulta (formazione di nuovi neuroni nell’ippocampo adulto e nel bulbo olfattivo, dibattuta nell’uomo per intensità e funzione).

4.5 La corteccia a sei strati

Il neocortex dei mammiferi — la corteccia “evoluzionisticamente recente” — ha un’organizzazione laminare a sei strati, numerati I-VI dalla superficie verso la profondità.

Strato I (molecolare): pochi corpi cellulari, tantissimi assoni e dendriti che corrono paralleli alla superficie.
Strato II (granulare esterno): piccoli neuroni stellati e piramidi; proiezioni intra-corticali.
Strato III (piramidale esterno): neuroni piramidali medi; proiezioni cortico-corticali (verso altre aree corticali, ipsilaterali e controlaterali via corpo calloso).
Strato IV (granulare interno): input dal talamo. Particolarmente sviluppato nelle cortecce sensoriali primarie (il “tipo granulare” di Brodmann); quasi assente nella corteccia motoria primaria (BA 4, “agranulare”).
Strato V (piramidale interno): grandi neuroni piramidali che proiettano fuori dalla corteccia — verso striato, talamo, tronco, midollo. Le cellule di Betz nel BA 4 sono tra i neuroni più grandi del cervello.
Strato VI (multiforme): proiezioni discendenti corticali, in larga parte verso il talamo, chiudendo i loop cortico-talamici.

L’organizzazione è anche colonnare: gruppi di neuroni che attraversano verticalmente i sei strati condividono proprietà funzionali simili. Nelle cortecce sensoriali, le colonne corticali sono unità funzionali (es. colonne di dominanza oculare nella V1 dei primati, descritte da Hubel e Wiesel). La generalità del concetto di colonna — se sia un principio di organizzazione di tutta la corteccia o un pattern specifico di alcune regioni — è ancora dibattuta.

4.6 Reti, circuiti, sistemi

Sopra il livello del singolo neurone e dei microcircuiti corticali, il cervello si organizza in circuiti anatomicamente identificabili e in reti funzionali definite dai pattern di attività coerente.

Esempi di circuiti anatomici:

Circuiti cortico-talamici: ogni area corticale dialoga con uno o più nuclei talamici; il talamo non è un semplice relè, è in conversazione costante.
Circuiti dei gangli della base: il loop cortico-striato-pallido-talamo-corticale implementa selezione dell’azione, apprendimento basato su ricompensa (vie dopaminergiche dalla sostanza nera), formazione di abitudini.
Circuito ippocampo-corteccia entorinale: il triangolo entorinale-giro dentato-CA3-CA1 è il substrato della formazione di memoria episodica e delle mappe spaziali.

Esempi di reti funzionali (definite via fMRI a riposo, dalla correlazione spontanea del segnale BOLD tra regioni):

Default mode network (Raichle 2001): mind-wandering, autoreferenzialità, simulazione mentale.
Dorsal attention network: orientamento volontario dell’attenzione spaziale.
Ventral attention network: rilevamento di stimoli salienti inattesi.
Executive control network: working memory, controllo cognitivo.
Salience network: monitoraggio di stati corporei e segnali rilevanti.

Le reti si attivano e disattivano in modo anti-correlato: tipicamente la DMN si “spegne” quando una rete task-positive si “accende”. Questo principio di anti-correlazione è uno degli aspetti più studiati della connettività funzionale a riposo.

4.7 Lateralizzazione: i due emisferi non fanno la stessa cosa

Il cervello umano è grossolanamente simmetrico ma funzionalmente lateralizzato. La pietra miliare storica è il caso descritto da Paul Broca (1824-1880, chirurgo francese) all’Académie de Médecine di Parigi nel 1861: il paziente Louis Victor Leborgne (1809-1861), ricoverato per anni all’ospedale di Bicêtre, era capace di pronunciare quasi solo la sillaba “tan” (da cui il soprannome). All’autopsia, Broca trova una lesione del giro frontale inferiore sinistro (oggi area di Broca, BA 44/45). Pochi mesi dopo il caso “Lelong” conferma il pattern. Nasce l’idea che il linguaggio espressivo abbia una localizzazione laterale specifica.

Tredici anni più tardi, nel 1874, Carl Wernicke (1848-1905, neurologo tedesco di Breslavia) descrive un quadro complementare: lesioni del giro temporale superiore sinistro (BA 22) producono un’afasia caratterizzata da fluenza preservata ma comprensione gravemente compromessa, con discorso vuoto di contenuto e parafasie. Il modello Broca-Wernicke-Lichtheim fonda un secolo di neurologia del linguaggio e resta — pur con importanti revisioni moderne — la cornice didattica.

Nel ~95% dei destrimani e nel ~70% dei mancini il linguaggio è prevalentemente lateralizzato a sinistra. L’emisfero destro non è “muto”: gestisce aspetti pragmatici, prosodici, metaforici del linguaggio, oltre a funzioni visuospaziali, attenzione globale, riconoscimento di volti. Le evidenze più nitide vengono dai casi di split-brain studiati da Roger Sperry (1913-1994, psicobiologo americano del Caltech) e Michael Gazzaniga negli anni 60-70: pazienti epilettici sottoposti a callosotomia per ridurre le crisi mostrano, in compiti accuratamente lateralizzati, comportamenti che rivelano i due emisferi come quasi-indipendenti agenti cognitivi. Sperry ottiene il Nobel nel 1981 (lo stesso anno di Hubel e Wiesel).

Una nota di prudenza: la cultura popolare ha trasformato la lateralizzazione in folklore (“cervello sinistro razionale, destro creativo”) che la neuroscienza non sostiene. Le differenze emisferiche sono reali ma graduate, statistiche, e quasi sempre cooperative — i due emisferi lavorano insieme via corpo calloso, non come due personalità in competizione.

4.8 Mappe somatotopiche: l’homunculus di Penfield

Wilder Penfield (1891-1976, neurochirurgo canadese di origine americana, fondatore del Montreal Neurological Institute), tra il 1937 e il 1950, conduce centinaia di interventi su pazienti epilettici svegli. Sotto anestesia locale del cuoio capelluto, con la corteccia esposta, stimola elettricamente punti del giro precentrale (motorio) e del giro postcentrale (somatosensoriale) e annota le risposte: contrazioni muscolari specifiche, sensazioni in parti specifiche del corpo. La mappa che ne risulta — l’homunculus — è una rappresentazione somatotopica deformata: parti del corpo riccamente innervate (mani, labbra, lingua, genitali) occupano sproporzionatamente più territorio corticale di parti meno innervate (tronco, gambe).

L’homunculus motorio e quello sensoriale sono adiacenti e quasi speculari, separati dalla scissura centrale (di Rolando). La rappresentazione è un’organizzazione funzionale, non un’immagine letterale: non c’è un “omino” disegnato sulla corteccia, c’è una mappa di responsività dove la quantità di corteccia dedicata a una parte è proporzionale alla precisione del controllo o della discriminazione richiesta.

Importante per i capitoli successivi: le mappe somatotopiche sono plastiche. Amputazioni, deafferentazioni, apprendimenti motori intensi (musicisti, atleti) modificano i confini delle rappresentazioni in tempi di settimane o mesi. Il caso classico di Michael Merzenich e collaboratori (anni 80-90) sui macachi addestrati a discriminazioni tattili fini è il paradigma sperimentale di riferimento.

4.9 Il cervelletto: l’80% dei neuroni dietro la nuca

Il cervelletto merita un paragrafo a sé. Pesa il 10% della massa cerebrale ma contiene circa il 70-80% dei neuroni totali, in larga parte piccolissimi neuroni granulari della corteccia cerebellare. La sua organizzazione è straordinariamente regolare: tre strati corticali (molecolare, delle cellule di Purkinje, granulare) ripetuti in modo quasi cristallino su tutta la superficie. Le cellule di Purkinje sono il neurone più riccamente connesso del cervello: ricevono fino a 200.000 sinapsi ciascuna dalle fibre parallele dei granuli, più una singola, potentissima fibra rampicante dall’oliva inferiore.

Funzionalmente, il cervelletto è classicamente noto per la coordinazione motoria, il timing fine, l’apprendimento di sequenze motorie. Dagli anni 90 — soprattutto grazie al lavoro di Jeremy Schmahmann al Massachusetts General Hospital — è chiaro che contribuisce anche a funzioni cognitive: lesioni cerebellari producono il cerebellar cognitive affective syndrome, con deficit di pianificazione, fluenza verbale, regolazione emotiva. La parsimonia evolutiva suggerisce che la stessa architettura computazionale (modelli interni predittivi, error correction su segnali temporali) operi su input motori e cognitivi.

Esempi: tre aneddoti che fissano la scala

Esempio 1 — Phineas Gage, Vermont, 13 settembre 1848

Phineas Gage (1823-1860) è caposquadra di una squadra che sta costruendo la linea ferroviaria della Rutland & Burlington a Cavendish, Vermont. Il suo lavoro consiste nel preparare le cariche esplosive nelle perforazioni della roccia: si versa la polvere nera, si aggiunge un detonatore con miccia, si tampona con sabbia usando una lunga sbarra di ferro. Quel pomeriggio Gage si distrae, non aggiunge la sabbia, e batte la sbarra direttamente sulla polvere. L’esplosione lancia la sbarra — lunga 110 cm, diametro 3,2 cm, peso 6 kg, appuntita a un’estremità — verso l’alto.

La sbarra entra sotto lo zigomo sinistro di Gage, attraversa la base del cranio, perfora il lobo frontale e fuoriesce dal vertice del cranio, atterrando a venti metri di distanza. Gage perde brevemente conoscenza, ma riprende coscienza in pochi minuti, parla con i suoi uomini, viene portato in carrozza in città dal medico, John Martyn Harlow. Sopravvive — caso unico nell’epoca pre-antibiotica — perde l’occhio sinistro, e riprende un’apparente normalità.

Ma — e qui sta il dato neurologico — la sua personalità cambia in modo durevole. Harlow scrive in un report del 1868: l’equilibrio “tra le facoltà intellettuali e le tendenze animali” sembra distrutto; Gage è “irriverente, indulgente verso le bestemmie più grossolane”, ostinato, capriccioso, irriguardoso, “incapace di seguire un piano per più di pochi minuti”, al punto che i suoi datori di lavoro non lo riassumono. “Non era più Gage.” Lavorerà come stalliere, esporrà la sbarra al museo Barnum, morirà di crisi epilettica nel 1860 a San Francisco.

Il cranio di Gage è oggi al Warren Anatomical Museum di Harvard. Hanna Damasio, Antonio Damasio e collaboratori (Iowa, Science vol. 264: 1102-1105, 1994) hanno usato la TAC del cranio per ricostruire al computer la traiettoria probabile della sbarra: il danno è bilaterale, prevalente nelle cortecce orbitofrontali e ventromediali — regioni oggi associate a controllo emotivo, decision making, valutazione delle conseguenze sociali. Il caso Gage è il fondamento storico dell’idea che il lobo frontale ha funzioni esecutive ed emotivo-sociali specifiche, distinte dal controllo motorio del giro precentrale.

Esempio 2 — Una cellula del topo che “sa” dov’è

Un ratto Long-Evans di laboratorio, microelettrodi cronicamente impiantati nell’ippocampo dorsale (regione CA1), esplora un’arena circolare del diametro di un metro. Su un canale di registrazione, un singolo neurone è silente per la maggior parte del tempo: scarica forse a 0,5 spike al secondo. Quando però l’animale entra in una zona specifica dell’arena — diciamo il quadrante nord-est, una decina di centimetri di diametro — la frequenza di scarica del neurone sale a 20-30 spike al secondo, un aumento di due ordini di grandezza. Esce dalla zona: il neurone torna silente. Rientra: il neurone riprende a scaricare.

Questa è una place cell. La sua firing field è il piccolo territorio dove scarica preferenzialmente. Diversi place cells dello stesso ratto coprono diverse zone dell’arena: insieme tassellano l’ambiente. Cambiando ambiente (un’arena di forma diversa, o luci diverse), le mappe di firing fields si “rimappano” — alcune place cells diventano silenti, altre si attivano in posizioni nuove. La mappa cognitiva di un ambiente è una configurazione specifica di una popolazione di place cells.

L’esperimento originale di O’Keefe e Dostrovsky (1971) registrò 76 posizioni in 23 ratti per trovare otto neuroni con questa proprietà. Oggi, con array di centinaia di elettrodi (Neuropixels) o imaging a calcio in due fotoni, si possono registrare contemporaneamente migliaia di neuroni e ricostruire mappe popolazionali in tempo reale. Quando si aggiungono le grid cells della corteccia entorinale (Moser e Moser, 2005), si ottiene un sistema di posizionamento metrico che fornisce all’animale coordinate esagonali periodiche su scale multiple. Il cervello implementa un GPS interno.

Esempio 3 — I numeri di scala

Tre numeri vanno tenuti come ancore mentali, perché ricalibrano qualunque intuizione importata dall’informatica.

Ottantasei miliardi. Il numero di neuroni nel cervello adulto, stimato nel 2009 con il metodo isotropic fractionator. È un numero grande, ma non astronomico: la galassia della Via Lattea ne contiene circa 100-400 miliardi di stelle. Il cervello umano è dello stesso ordine di grandezza in numero di unità della nostra galassia in numero di stelle. Solo che le unità del cervello stanno in 1300 centimetri cubi e dialogano massicciamente.

Venti watt. Il consumo energetico medio del cervello adulto a riposo. Una lampadina LED di un comodino. Per fare visione, linguaggio, pianificazione, memoria, cognizione sociale, controllo motorio fine, immaginazione, sogno, ventiquattro ore al giorno. Il consumo energetico totale dell’organismo a riposo è ~100 W (metabolismo basale di un adulto medio); il cervello, che è il 2% del peso corporeo, prende il 20% del budget. È un investimento metabolico enorme — l’evoluzione lo paga, evidentemente, perché conviene.

Centocinquantamila chilometri. La lunghezza totale stimata degli assoni mielinizzati nel cervello umano adulto (Marner et al. 2003, Journal of Comparative Neurology). Più di quattro giri della Terra all’equatore. Stipati in 1,4 chili di tessuto. L’organizzazione spaziale di questa rete — il connettoma — è in larga parte ancora ignota a livello sinaptico: il connettoma completo del nematode C. elegans (302 neuroni, ~7000 sinapsi) fu pubblicato nel 1986 da White, Southgate, Thomson e Brenner; il connettoma completo della Drosophila melanogaster adulta (~140.000 neuroni) è stato rilasciato dal team FlyEM di Janelia nel 2023; il connettoma sinaptico umano è oltre lo stato dell’arte di molti ordini di grandezza.

Un calcolo di sostegno: 86 miliardi e 20 watt — sono coerenti?

Vale la pena fare un piccolo conto a margine. Un neurone in attività spende energia principalmente per pompare ioni contro gradiente (la pompa Na+/K+ ATPasi consuma ATP per ripristinare il gradiente che lo spike ha disturbato). Stime classiche (Attwell e Laughlin, 2001, Journal of Cerebral Blood Flow & Metabolism): un singolo spike in un neurone corticale consuma circa 2,4 × 10^9 molecole di ATP; l’apertura di un singolo canale recettoriale post-sinaptico ne consuma ~10^4. Con un tasso medio di scarica di 4 Hz (stima conservativa per la corteccia in attività non focalizzata), un sinapsi attiva con probabilità ~0,25 per spike, e ~7000 sinapsi per neurone, si arriva a un consumo per neurone dell’ordine di 10^9-10^10 ATP/s.

Moltiplicando per ~16 miliardi di neuroni corticali, e considerando che il cervelletto contribuisce in modo significativo nonostante neuroni più piccoli (e quindi meno costosi per spike), si arriva a una stima dell’ordine dei 20-25 W per il cervello adulto a riposo. Il numero torna. Più importante: torna vincolato in basso dalla biofisica delle pompe ioniche, il che spiega perché l’evoluzione abbia investito tanto in efficienza (sinapsi sparse, codifica popolazionale, stati di “rest” attivi che minimizzano spiking superfluo). Il consumo di un cervello non è arbitrario: è determinato dalla fisica delle membrane e dei gradienti ionici, e l’evoluzione ha lavorato dentro questi vincoli per centinaia di milioni di anni.

Il confronto con il silicio è impietoso non per ragioni di intelligenza ma per ragioni di fisica del substrato: spostare elettroni in un transistor a 1 GHz dissipa energia in modo molto diverso (e meno efficiente per “operazione equivalente”) dal pompare ioni attraverso una membrana lipidica a 100 Hz. Architetture neuromorfiche cercano di colmare il gap usando computazione event-driven sparsa che imita il pattern energetico del biologico, ma siamo ancora lontani dal rapporto efficienza-per-task del cervello.

Tecniche di indagine: come si arriva a sapere quello che si sa

Conviene avere una mappa essenziale degli strumenti, perché ogni capitolo successivo della Parte III userà evidenze provenienti da uno o più di essi.

Lesion studies: si correla la perdita di una funzione con il danno a una regione specifica. È il metodo più antico — Gage 1848, Broca 1861 con il paziente “Tan” (Louis Victor Leborgne, afasia espressiva da lesione del giro frontale inferiore sinistro), Wernicke 1874, H.M. 1953. Limite epistemico: la lesione mostra che la regione è necessaria per la funzione, non che la realizza tutta o sola.
Elettroencefalografia (EEG): Berger 1924, pubblicato 1929. Elettrodi sul cuoio capelluto registrano potenziali elettrici di campo prodotti dalla sommatoria sincrona di centinaia di migliaia di neuroni corticali. Risoluzione temporale al millisecondo, spaziale di centimetri.
Magnetoencefalografia (MEG): anni 60-70. Sensori SQUID misurano i debolissimi campi magnetici associati alle correnti neurali. Risoluzione spaziale leggermente migliore di EEG, costo molto più alto (richiede stanze schermate magneticamente).
PET (Positron Emission Tomography): anni 70-80. Si inietta un tracciante radioattivo (es. fluorodesossiglucosio per il metabolismo, traccianti specifici per recettori) e si rileva il punto di emissione dei positroni. Risoluzione spaziale di millimetri, temporale di minuti.
fMRI BOLD: Ogawa 1990. Sfrutta la differenza di proprietà magnetiche tra emoglobina ossigenata e deossigenata. L’attività neurale aumenta il flusso sanguigno locale (accoppiamento neurovascolare); la fMRI misura questo proxy indiretto. Risoluzione spaziale millimetrica, temporale di secondi (limitata dall’emodinamica). È oggi la tecnica più diffusa in neuroimaging cognitivo umano.
Optogenetica (Boyden, Deisseroth e collaboratori, 2005): si esprime in neuroni geneticamente identificati un canale ionico fotosensibile (channelrhodopsin per attivare, halorhodopsin per silenziare); si controlla l’attività con impulsi di luce attraverso fibra ottica impiantata. È la tecnica che ha trasformato la neurofisiologia degli ultimi vent’anni perché permette manipolazione causale, non solo osservazione correlata.
Single-cell e multi-cell electrophysiology: microelettrodi (Hubel-Wiesel 1959) o array ad alta densità (Neuropixels 2017, fino a 384 siti di registrazione su una sonda di 1 cm). Risoluzione cellulare e temporale al millisecondo, ma copertura spaziale limitata e invasivo.
Calcium imaging in due fotoni: si esprimono indicatori fluorescenti del calcio (GCaMP) in popolazioni di neuroni; la microscopia a due fotoni permette di registrare migliaia di neuroni simultaneamente nel cervello vivo a profondità di varie centinaia di micrometri. Risoluzione temporale di decine di millisecondi (limitata dalla cinetica del fluoroforo).
Connectomics: ricostruzione della connettività sinaptica via microscopia elettronica seriale. Stato dell’arte 2024-2026: connettoma completo della Drosophila adulta (Janelia FlyEM), porzioni di corteccia di topo e umana. Un connettoma sinaptico umano completo richiederebbe esabyte di dati e decenni di lavoro con le tecnologie attuali.

Ogni tecnica vede una fetta del fenomeno. La buona pratica scientifica triangola: una claim sostenuta da una sola tecnica è fragile; sostenuta da lesione, fMRI e optogenetica converge in modo molto più solido.

Oscillazioni: il cervello suona ritmi

Una caratteristica del cervello che non emerge nei dati single-cell ma che domina le registrazioni di popolazione (EEG, MEG, LFP) è la presenza pervasiva di oscillazioni: pattern ritmici di attività neurale a frequenze caratteristiche, generati da circuiti locali e modulati da stati globali.

Le bande convenzionali, definite per ragioni storiche da Hans Berger e successori:

Delta (0,5-4 Hz): dominante nel sonno profondo a onde lente. Coinvolto in consolidamento mnesico, omeostasi sinaptica, eliminazione di metaboliti via sistema glinfatico.
Theta (4-8 Hz): dominante nell’ippocampo durante esplorazione spaziale e in compiti di memoria episodica. La sequenza di scarica delle place cells nell’ippocampo del ratto è organizzata in cicli theta — un fenomeno noto come theta sequences che permette al cervello di “ripetere” rapidamente traiettorie spaziali.
Alpha (8-13 Hz): scoperta originaria di Berger sulla corteccia occipitale a occhi chiusi. Associata a inibizione attiva di regioni non rilevanti per il task corrente.
Beta (13-30 Hz): motor cortex a riposo, modulazione attentiva top-down.
Gamma (30-80 Hz e oltre): associata a binding percettivo, attenzione focale, computazione locale corticale. La sincronizzazione gamma tra regioni distanti è candidata come meccanismo di integrazione di informazioni distribuite (l’ipotesi del binding by synchrony di Wolf Singer).

György Buzsáki (1949-, neuroscienziato ungherese-americano alla NYU) ha articolato negli ultimi vent’anni — Rhythms of the Brain (Oxford 2006) — l’idea che le oscillazioni non siano un epifenomeno ma un principio di organizzazione: le diverse bande implementano canali di comunicazione paralleli (“communication through coherence”, Pascal Fries), permettono il routing flessibile dell’informazione, organizzano la sequenza temporale dei calcoli neurali. Per un sistema che non ha clock globale, le oscillazioni sono il sostituto: meccanismi di sincronizzazione dinamica che emergono dalle proprietà dei circuiti.

Questa è una dimensione del funzionamento cerebrale che non ha analogo diretto nei sistemi artificiali standard. Nei transformer non ci sono oscillazioni nel senso biologico (anche se alcuni hardware neuromorfici e SNN le implementano). I capitoli successivi della Parte III — in particolare quelli sull’attenzione e sulla memoria — torneranno su questo.

Quattro circuiti che vale la pena conoscere fin da subito

Tra le centinaia di circuiti anatomicamente identificabili, quattro sono particolarmente utili da avere in testa fin da subito perché ricorrono nei capitoli successivi della Parte III.

6.1 Il loop cortico-striato-talamo-corticale

Le aree corticali (frontali in particolare) proiettano allo striato (caudato + putamen), che proietta al pallido (segmento interno ed esterno), che proietta al talamo (nuclei ventrolaterali e ventroanteriori), che proietta indietro alla corteccia. Questo loop, modulato dalla dopamina della substantia nigra pars compacta, implementa la selezione dell’azione: tra molte azioni possibili rappresentate in parallelo nella corteccia, lo striato seleziona (via vie diretta e indiretta) quella da promuovere e sopprime le altre. La perdita di neuroni dopaminergici nigro-striatali nel Parkinson rompe la modulazione del loop e produce il quadro clinico classico (bradicinesia, rigidità, tremore a riposo, instabilità posturale). La levodopa, precursore della dopamina, è ancora la terapia di base sessantatré anni dopo la sua introduzione (Hornykiewicz e Birkmayer, Vienna 1961).

Lo stesso loop, in versione cognitiva (corteccia prefrontale → striato associativo → pallido → talamo dorsomediale → prefrontale), implementa la selezione di “azioni cognitive” — cosa attendere in working memory, quale strategia attivare, quando inibire una risposta automatica. Questa parallela tra controllo motorio e controllo cognitivo è uno dei principi di organizzazione più potenti della neuroscienza moderna.

6.2 Il circuito ippocampo-corteccia entorinale

L’ippocampo riceve input principalmente attraverso la corteccia entorinale, che a sua volta riceve da quasi tutta la corteccia associativa. Il flusso interno all’ippocampo è canonico: corteccia entorinale → giro dentato (granuli) → CA3 (piramidi) → CA1 (piramidi) → subicolo → ritorno entorinale. CA3 ha estese connessioni ricorrenti tra le proprie piramidi (auto-associatività), spesso modellata come una rete attrattore. CA1 confronta input dalla corteccia entorinale (via diretta) e da CA3 (via Schaffer collaterals): è candidato a fungere da detector di novità o da rivelatore di mismatch tra previsione e realtà.

Il circuito ippocampo-entorinale supporta la formazione di memoria episodica (consolidamento durante il sonno, replay durante stati di riposo veglia, traccia che migra gradualmente in corteccia su settimane-mesi-anni: ipotesi del consolidamento sistemico, McClelland-McNaughton-O’Reilly 1995) e la rappresentazione spaziale (place cells in CA1, grid cells nella corteccia entorinale mediale). I capitoli memoria-episodica-semantica, consolidamento-memoria e ponte-memoria-agenti (tutti in preparazione) approfondiranno.

6.3 La via talamo-amigdaloidea della paura

Joseph LeDoux (1949-, neuroscienziato americano della NYU) ha mappato negli anni 80-90, con esperimenti di condizionamento alla paura nel ratto, due vie parallele dall’input sensoriale all’amigdala. La “low road” (via breve) va dal talamo direttamente all’amigdala laterale, bypassando la corteccia: rapida (millisecondi), grossolana, sufficiente a innescare la risposta di paura prima che lo stimolo sia stato riconosciuto coscientemente. La “high road” (via lunga) passa per la corteccia sensoriale e arriva all’amigdala con maggior dettaglio e contesto, ma più lentamente. L’integrazione delle due permette risposte di paura rapide ma rivedibili.

Il modello LeDoux è una delle dimostrazioni più nitide che processi affettivi rapidi possono essere indipendenti, almeno in prima istanza, da elaborazione cosciente — un dato rilevante per i dibattiti sul libero arbitrio già discussi nel capitolo precedente, e per i futuri capitoli sull’embodiment cognitivo.

6.4 L’asse arousal-attenzione: locus coeruleus e Meynert

Due piccoli nuclei del tronco e del prosencefalo basale modulano stati globali di attivazione corticale. Il locus coeruleus (LC) nel ponte è la fonte principale di noradrenalina nel SNC: una manciata di migliaia di neuroni con assoni che proiettano a quasi tutta la corteccia. La sua attività regola arousal, attenzione, risposta a novità e stress. Il nucleo basale di Meynert nel prosencefalo basale è la fonte principale di acetilcolina corticale: modula attenzione, encoding mnesico, plasticità.

Questi sistemi sono “sistemi di trasmissione diffusa”: un singolo neurone modulatore può influenzare milioni di neuroni corticali simultaneamente. Sono il motivo per cui descrivere il cervello come una rete di unità “uniformi” è inadeguato: ci sono unità che fanno calcolo locale e unità che modulano stati globali, su scale temporali e spaziali diverse.

Una nota su sviluppo, evoluzione e variabilità

Tre osservazioni che incorniciano il quadro statico fin qui presentato.

Sviluppo. Il cervello umano non nasce finito. Alla nascita ha circa il 25-30% del volume adulto; raggiunge il 90% intorno ai sei anni, ma la maturazione delle connessioni — in particolare la mielinizzazione delle fibre prefrontali e la sinaptogenesi seguita da pruning — continua fino a oltre i vent’anni. Il pruning sinaptico segue una traiettoria non monotona: nei primi due anni di vita c’è un’esuberanza sinaptica (formazione massiva), seguita da una lunga fase di eliminazione selettiva delle sinapsi meno usate. La massima densità sinaptica nella corteccia prefrontale si tocca attorno ai 3-5 anni, quella nelle cortecce sensoriali primarie molto prima. Questo profilo temporale non uniforme è il substrato biologico dei periodi critici dell’apprendimento (linguaggio, visione binoculare, attaccamento) descritti in psicologia dello sviluppo.

Evoluzione. Il cervello umano è circa tre volte più grande di quello di uno scimpanzé adulto, a parità di peso corporeo, ma non è “uno scimpanzé scalato”. L’analisi comparata di Suzana Herculano-Houzel (2009-2016) suggerisce che il cervello umano è invece un cervello di primate isometricamente scalato in su, senza i compromessi nel rapporto neuroni/massa che limitano altri ordini di mammiferi (roditori, insettivori). L’ipotesi di Herculano-Houzel — esposta nel libro divulgativo The Human Advantage (MIT Press, 2016) — è che la cottura del cibo abbia permesso di assorbire abbastanza calorie per sostenere il costo metabolico di un cervello da 86 miliardi di neuroni: un cervello-grande crudivoro avrebbe richiesto giornate intere di masticazione e digestione, incompatibili con altre attività. Ipotesi non unanimemente accettata ma scientificamente articolata.

Variabilità individuale. I numeri citati in questo capitolo (86 miliardi di neuroni, 20 W, 1.4 kg, 180 aree per emisfero) sono medie. La variabilità tra individui è sostanziale: massa cerebrale ±10-15% senza correlazioni semplici con l’intelligenza misurata, numero di neuroni con scarto di 8 miliardi nel campione di Azevedo, numero e posizione delle aree corticali variabile da persona a persona (Glasser 2016 documenta che alcune aree mancano del tutto in alcuni individui). Le mappe del libro sono atlanti probabilistici, non blueprint deterministici. Questa variabilità è cruciale per i capitoli su differenze cognitive, neurodiversità, e per l’eventuale progettazione di interfacce AI sensibili ai profili individuali (neurodiversita-e-ai, in preparazione).

Sinapsi elettriche, gap junctions, e perché la specie più studiata è un verme

Una nota tecnica che chiude la sezione sui meccanismi e introduce il tema della connectomics. La sinapsi chimica, descritta sopra, non è l’unica via di comunicazione tra neuroni. Le sinapsi elettriche (o gap junctions) sono canali proteici — formati da subunità chiamate connessine nei vertebrati e innexine negli invertebrati — che connettono direttamente il citoplasma di due cellule adiacenti. Una corrente ionica può fluire da una cellula all’altra senza passare per la trasmissione chimica: il segnale è quasi istantaneo (latenza di microsecondi contro millisecondi della sinapsi chimica), bidirezionale, e non amplificato.

Le gap junctions sono comuni nella retina dei vertebrati, in alcuni interneuroni inibitori della corteccia (parvalbumina-positivi), nella cordata neonatale durante lo sviluppo, e in molte sinapsi del sistema nervoso degli invertebrati. Il loro ruolo principale è la sincronizzazione: gruppi di neuroni connessi via gap junction tendono a scaricare insieme, contribuendo alla generazione di oscillazioni ritmiche locali (gamma in particolare). La storia della loro caratterizzazione fisiologica passa per Edwin Furshpan e David Potter al gambero negli anni 50 e si è raffinata fino agli studi sul Caenorhabditis elegans del 2010-2020.

E qui c’è un dato che vale la pena tenere in tasca: il connettoma sinaptico completo che la neuroscienza ha a disposizione, allo stato 2026, riguarda essenzialmente quattro specie complete — il nematode C. elegans (302 neuroni, ~7000 sinapsi, White-Brenner 1986; rivisitato e completato per entrambi i sessi da Cook et al. 2019), la larva di Platynereis dumerilii (anellide marino, ~2700 neuroni), il moscerino Drosophila melanogaster adulto (~140.000 neuroni, ~50 milioni di sinapsi, FlyEM Janelia 2023), e porzioni significative del cervello del topo. Il cervello umano ha ~10^6 volte più neuroni del moscerino e ~10^8 volte più sinapsi del C. elegans. Un connettoma sinaptico umano completo richiederebbe esabyte di dati di microscopia elettronica seriale e decenni di lavoro automatizzato. La conoscenza che abbiamo del cablaggio del cervello umano è, allo stato 2026, una conoscenza statistica (densità di connessione tra regioni, fasci di sostanza bianca via DTI), non sinaptica.

Questo limite operativo — non sappiamo, sinapsi per sinapsi, com’è cablato un cervello umano — incornicia tutto il dibattito sull’AI come modello del cervello e sul cervello come ispirazione per l’AI. È un dato che cambierà nei prossimi decenni, ma non domani.

Eredità oggi: AI e cervello, le distanze reali

[DATATO 2026-04] Le sezioni “Eredità oggi” delle Parti I-III contengono materiale che invecchia rapidamente. Quanto segue va riletto con la lente del momento di scrittura.

L’idea che le reti neurali artificiali siano “ispirate al cervello” è vera in un senso storico molto debole e quasi falsa in senso operativo moderno. Conviene marcare le classi.

Filiazione storica documentata (parziale). Warren McCulloch e Walter Pitts pubblicano nel 1943 sul Bulletin of Mathematical Biophysics “A Logical Calculus of the Ideas Immanent in Nervous Activity”: il primo modello matematico di neurone formale, una soglia binaria su una somma pesata di ingressi. Il modello è esplicitamente ispirato al neurone biologico — soglia, somma di EPSP e IPSP, output binario — ma è un’astrazione drastica. Hebb 1949 articola la regola di plasticità da cui discendono concettualmente le regole di apprendimento per modifica di pesi sinaptici, fino al backpropagation (Rumelhart, Hinton, Williams 1986). Ma backpropagation, nella sua forma standard, non è biologicamente plausibile: richiede la propagazione retrograda esatta di un segnale di errore globale lungo le stesse sinapsi che hanno trasmesso in avanti, cosa per cui non c’è evidenza nel cervello reale. Esistono varianti più “biologiche” (target propagation, predictive coding, equilibrium propagation), ma il deep learning moderno usa quella matematica, non quella biologica.

Analogia, non equivalenza, è la classe corretta per l’affermazione “il cervello è come un computer”. L’analogia è didatticamente utile su alcuni assi (entrambi processano informazione, hanno memoria e computazione, ricevono input e producono output), e fuorviante su altri (il cervello non separa hardware e software, non ha clock globale, non ha architettura von Neumann con memoria e CPU distinte, è massicciamente parallelo e stocastico, è plastico nella sua struttura fisica). Trattare l’analogia come identità — “il cervello è un computer” — è uno scivolamento di classe da evitare.

Distinzione di livello tra neurone biologico e neurone artificiale. Un’unità di calcolo in un transformer moderno (un nodo dell’attention head, una posizione del feed-forward layer) è più paragonabile a una singola sinapsi che a un neurone biologico. Un neurone biologico è una cellula complessa con migliaia di sinapsi, dinamica intrinseca non lineare, modulazione metabolica, plasticità su scale temporali multiple. Trattare il “neurone artificiale” come “neurone semplificato” è inesatto: è un’unità di calcolo di livello molto diverso.

SNN e neuromorphic computing. Le spiking neural networks (SNN) sono modelli artificiali che simulano eventi discreti tipo spike e timing preciso, più vicini al biologico. Hardware neuromorfico dedicato — Loihi 2 di Intel, Akida di BrainChip, SpiNNaker di Manchester — implementa SNN con efficienza energetica molto migliore delle GPU su carichi adatti (riconoscimento di pattern sparsi, processing di sensori event-based). Pioniere del campo: Carver Mead (1934-, ingegnere americano del Caltech), che nel 1990 pubblica “Neuromorphic electronic systems” sui Proceedings of the IEEE. Allo stato 2026 il neuromorphic resta una nicchia rispetto al mainstream GPU/TPU, ma è una nicchia che cresce.

Inverse problem. La direzione più produttiva oggi non è “imparare dal cervello per fare AI”, ma usare l’AI per modellare il cervello: reti neurali artificiali addestrate su task naturalistici (visione, linguaggio) producono rappresentazioni interne che predicono l’attività di popolazioni neurali reali in V1, IT, corteccia uditiva e linguistica. Yamins e DiCarlo (2014, 2016) sulla visione, Caucheteux e King (2022) sul linguaggio, Schrimpf e collaboratori (Brain-Score) hanno costruito un campo. Il rapporto AI-neuroscienza, oggi, è meno “il cervello ispira l’AI” e più “l’AI offre modelli computazionali al cervello”.

I capitoli seguenti della Parte III svilupperanno questi confronti in dettaglio: cervello-vs-rete-neurale (in preparazione), ponte-attenzione-transformer (in preparazione), ponte-distribuzionale-embeddings (in preparazione), ponte-s1-s2-llm (in preparazione).

Dove si rompe

Tre tentazioni teoriche, ricorrenti e tutte parzialmente sbagliate.

5.1 “Il cervello è un computer”

Versione strong: il cervello implementa esattamente la stessa classe di computazione di una macchina di Turing universale, e i due sistemi sono equivalenti modulo costanti di efficienza. Versione weak: il cervello è un sistema fisico che elabora informazione, e quindi è in qualche senso “computazionale”.

La versione strong è falsa o quanto meno non dimostrata. Il cervello è un sistema dinamico continuo, stocastico, plastico, accoppiato in modo complesso al corpo e all’ambiente. Non c’è una memoria von Neumann separata da una CPU, non c’è un linguaggio macchina, non c’è un compilatore. Le rappresentazioni neurali non sono simboli discreti su cui operare regole logiche (anche se in alcune regioni e in alcuni task ci sono pattern di attività che si comportano in modo simbolico-equivalente).

La versione weak è blanda al punto di essere inutile: in quel senso anche il sistema solare “elabora informazione” (le orbite portano informazione sulle masse). Il vero lavoro è stabilire quale tipo di elaborazione fa il cervello, e su quali principi computazionali — coding rate vs temporal, predictive coding, energy minimization, message passing bayesiano — è più produttivo modellarlo.

5.2 “Localizzazionismo ingenuo”

Versione: ogni funzione cognitiva ha la sua “area” nel cervello. La mappa di Brodmann (52 aree) o anche la parcellizzazione moderna a 180 aree per emisfero (Glasser 2016) verrebbe letta come una lista di “moduli” specializzati e isolati.

La verità è più sottile. Le aree cytoarchitettoniche esistono e hanno specializzazioni reali (V1 fa visione precoce, BA 4 controlla motoneuroni, l’ippocampo è necessario per la memoria episodica). Ma quasi nessuna funzione cognitiva di alto livello vive in una sola area: linguaggio, attenzione, memoria, decision making coinvolgono reti distribuite. Lesioni focali producono deficit, ma il deficit dipende anche dalla connettività con altre regioni, non solo dal tessuto perduto. La psicologia del XIX secolo (Gall, frenologia) immaginava un’area per ogni “facoltà”; la neuroscienza moderna lavora con un equilibrio tra specializzazione locale e integrazione distribuita.

5.3 “I neurotrasmettitori spiegano il comportamento”

Versione popolare: “la dopamina è il neurotrasmettitore della felicità”, “la serotonina regola l’umore”, “GABA è il calmante naturale”. Versione un grado meno ingenua, ma comune anche in scritti tecnici: ogni sistema di neurotrasmettitori implementa una funzione cognitivo-comportamentale specifica.

La realtà è più articolata. La dopamina, ad esempio, ha vie distinte con funzioni distinte: la via nigro-striatale è motoria (la sua perdita causa il Parkinson, non depressione), la via mesolimbica è coinvolta nell’apprendimento di valore (non semplicemente “ricompensa”: il modello di Wolfram Schultz degli anni 90 mostra che i neuroni dopaminergici codificano un errore di predizione di ricompensa, non la ricompensa stessa, una distinzione tecnica importantissima per il reinforcement learning), la via mesocorticale modula le funzioni esecutive prefrontali. Lo stesso neurotrasmettitore fa cose diverse a seconda del circuito in cui agisce, dei recettori postsinaptici disponibili, della dinamica temporale di rilascio (tonica vs fasica). Spiegare il comportamento attribuendo “funzioni” intrinseche ai neurotrasmettitori è un livello di descrizione troppo grossolano.

Lo stesso vale per la serotonina (almeno quattordici sottotipi recettoriali, effetti opposti su circuiti diversi), per la noradrenalina (modula arousal in modo non lineare, secondo la curva di Yerkes-Dodson), per l’acetilcolina (giunzione neuromuscolare e modulazione attentiva corticale sono cose diverse). I farmaci psichiatrici che agiscono su questi sistemi — SSRI, antipsicotici, anticolinergici — funzionano perché agiscono su circuiti specifici, non perché “ripristinano l’equilibrio chimico” in modo generico (un’altra metafora datata che merita un funerale).

5.4 “La mappa di Brodmann è la mappa del cervello”

Brodmann ha fatto un lavoro monumentale nel 1909 con i mezzi del 1909 (cytoarchitettura su sezioni Nissl di cervelli post-mortem). La sua mappa è uno schema di prima approssimazione, non la verità ultima. La parcellizzazione moderna multimodale combina cytoarchitettura, mielin density, connettività funzionale, topologia di task, e identifica oltre 180 aree per emisfero. Anche questa è uno schema di approssimazione: i confini tra aree sono sfumati, variabili tra individui, e il numero stesso di aree dipende dalla risoluzione e dai criteri.

Usare la mappa di Brodmann come riferimento operativo (BA 17, BA 44, ecc.) va bene, è una lingua franca che funziona. Trattarla come una verità anatomica esatta è un errore.

Una postilla sul vocabolario

Il vocabolario di questo capitolo — neurone, sinapsi, plasticità, mielina, corteccia, ippocampo, default mode network — verrà ripreso in tutti i capitoli successivi della Parte III, e in molti di quelli più avanzati che parlano di AI. Vale la pena fissare alcune convenzioni d’uso:

Quando si dice “il cervello fa X”, il livello di descrizione è raramente quello del singolo neurone. Quasi sempre è il livello di circuito, di rete, o di popolazione. Conviene chiedersi sempre: quale livello di descrizione sto usando, e quale evidenza lo sostiene?
“Apprendimento” in neuroscienza ha un senso fisico preciso (modifica di efficacia sinaptica e/o struttura) che non coincide con il senso operativo nel deep learning (aggiornamento di parametri via backpropagation). Sono cose diverse che si chiamano allo stesso modo. Il capitolo cervello-vs-rete-neurale (in preparazione) torna su questo.
“Memoria” nel cervello non è un singolo sistema: è almeno una mezza dozzina (sensoriale, working, episodica, semantica, procedurale, emotiva), implementati in regioni e meccanismi diversi. Il capitolo memoria-lungo-termine e quelli adiacenti mappano la galassia.
“Attenzione” psicologica e “attention” nei transformer condividono il nome ma non la sostanza. Il capitolo ponte-attenzione-transformer fa la dissezione.

Tenere queste distinzioni a mente non è pedanteria: è il prezzo per non scivolare di classe in mezzo a una conversazione che mescola filosofia, neuroscienze e ingegneria — la conversazione tipica di chi lavora con sistemi intelligenti oggi.

Collegamenti

free-will-ai — il capitolo che chiude la Parte II e introduce, attraverso Libet e Schurger, il problema dei correlati neurali della decisione cosciente.
hard-problem-chalmers — il problema difficile della coscienza, che presuppone un’idea di cosa sia il substrato.
cervello-vs-rete-neurale — il prossimo capitolo della Parte III; affronta testa a testa le somiglianze reali e le analogie ingannevoli tra cervello e ANN.
architetture-cognitive — ACT-R, SOAR, global workspace theory; modelli computazionali di alto livello che assumono un substrato neurale ma operano a livello cognitivo.
memoria-working e memoria-lungo-termine — la fenomenologia della memoria, il cui substrato neurale (ippocampo, prefrontale, sistema corteccia-temporale) è introdotto qui.
attenzione-psicologia — la psicologia dell’attenzione, che trova nel default mode network e nelle reti task-positive il suo correlato neurale.
percezione-priors — percezione come inferenza bayesiana; presuppone i circuiti gerarchici cortico-talamici introdotti qui.
reti-neurali-perceptron (in preparazione) — il neurone artificiale di McCulloch-Pitts come astrazione storica del neurone biologico.
reti-neurali-80-90 — il riferimento storico alla riscoperta di backpropagation, che il presente capitolo marca come non biologicamente plausibile.

Per andare oltre

Kandel E.R., Schwartz J.H., Jessell T.M., Siegelbaum S.A., Hudspeth A.J. (eds.) — Principles of Neural Science, 6a edizione, McGraw-Hill, 2021. Il manuale di riferimento. Capitoli 1-4 per anatomia funzionale, 19-21 per corteccia, 52 per ippocampo. Eric Kandel ha vinto il Nobel 2000 per i lavori sulla plasticità sinaptica nell’aplisia.
Cajal S.R. — Recuerdos de mi vida, vol. 2 (1917). Autobiografia. Per chi vuole l’odore della scienza fatta a mano in laboratorio domestico, e i disegni in bonus.
Herculano-Houzel S. — The Human Advantage: A New Understanding of How Our Brain Became Remarkable, MIT Press, 2016. Il viaggio dalla “supremazia neurale” del cervelletto al ruolo della cottura nell’evoluzione del cervello umano. Divulgativo ma accurato.
Sterling P., Laughlin S. — Principles of Neural Design, MIT Press, 2015. Il cervello visto da ingegneri: vincoli energetici, principi di codifica, perché l’organizzazione è quella che è. Lettura ideale per chi viene dall’informatica.
Buzsáki G. — Rhythms of the Brain, Oxford University Press, 2006, e The Brain from Inside Out, Oxford 2019. Le oscillazioni come principio di organizzazione, e una proposta di rovesciamento della prospettiva input-output.
Azevedo F.A.C. et al. (2009) — paper originale del conteggio dei neuroni, Journal of Comparative Neurology 513: 532-541. Lettura di un’ora, mostra come si fa scienza che cambia un manuale.
Bear M.F., Connors B.W., Paradiso M.A. — Neuroscience: Exploring the Brain, 4a edizione, Wolters Kluwer, 2016. Manuale di livello universitario un gradino sotto Kandel; ottimo per primo contatto.
Attwell D., Laughlin S.B. (2001) — “An energy budget for signaling in the grey matter of the brain”. Journal of Cerebral Blood Flow & Metabolism, 21: 1133-1145. Il calcolo originale del bilancio energetico cellulare. Tecnico ma leggibile.
Glasser M.F. et al. (2016) — “A multi-modal parcellation of human cerebral cortex”. Nature, 536: 171-178. La parcellizzazione moderna a 180 aree per emisfero che aggiorna Brodmann.
LeDoux J. — The Emotional Brain, Simon & Schuster, 1996, e Anxious, Viking, 2015. Per la via talamo-amigdaloidea della paura e l’evoluzione del concetto.
O’Keefe J., Nadel L. — The Hippocampus as a Cognitive Map, Oxford University Press, 1978. Il libro che ha messo in cornice la scoperta delle place cells e ha proposto l’ippocampo come substrato della rappresentazione spaziale.
Markram H. et al. (2015) — “Reconstruction and simulation of neocortical microcircuitry”. Cell, 163: 456-492. Il lavoro del Blue Brain Project sulla simulazione di un microcircuito di colonna corticale di topo. Ambizione molto discussa, dati molto utili a chi entra nel campo.
Cook S.J. et al. (2019) — “Whole-animal connectomes of both Caenorhabditis elegans sexes”. Nature, 571: 63-71. La revisione completa del connettoma di C. elegans per entrambi i sessi, trent’anni dopo White-Brenner.
Schultz W., Dayan P., Montague P.R. (1997) — “A neural substrate of prediction and reward”. Science, 275: 1593-1599. Il paper fondativo che lega l’attività dei neuroni dopaminergici al concetto di errore di predizione di ricompensa, ponte storico tra neurofisiologia e reinforcement learning.

[DATATO 2026-04] Risorse online utili allo stato 2026. Il portale Allen Brain Atlas (https://portal.brain-map.org/) offre atlanti gratuiti del cervello di topo, primate e umano, con dati di espressione genica e connettività. NeuroLex e InterLex mantengono ontologie aperte per termini neuroanatomici. Il dataset Human Connectome Project (~1200 cervelli sani) è scaricabile per analisi secondarie. Il flyEM di Janelia (https://flyem.org/) ospita il connettoma di Drosophila navigabile online. Per chi vuole vedere disegni di Cajal in alta risoluzione, il sito del Cajal Institute del CSIC di Madrid (http://www.cajal.csic.es/) mantiene una galleria. Risorse che possono cambiare URL ma che, allo stato di scrittura, sono il punto di partenza standard per chi entra nel campo.