Gli agenti AI coprono interi workflow cognitivi ma faticano a camminare su due gambe. Come mai?

Immagina di assumere un nuovo collega. È brillante:

• risolve problemi matematici in millisecondi,
• batte tutti a scacchi,
• non sbaglia quasi mai la risposta.

Poi gli chiedi di portarti un caffè dalla cucina: disastro totale.

Non riesce a muoversi nel corridoio, non distingue la tazza dal bollitore, inciampa sulla soglia della porta. Quello che un bambino di tre anni fa senza pensarci è, per lui, un problema praticamente insolubile.

Benvenuto nel Paradosso di Moravec, una delle osservazioni più controintuitive della storia dell'Intelligenza Artificiale.

Indice

1. Cos'è il Paradosso di Moravec
2. La spiegazione evolutiva
3. Come ha influenzato la ricerca AI
4. Il paradosso regge ancora oggi?
5. Cosa possiamo imparare davvero

Cos'è il Paradosso di Moravec

Nel 1988, il ricercatore di robotica Hans Moravec sintetizzò qualcosa che lui e altri colleghi - tra cui Marvin Minsky e Rodney Brooks - avevano osservato con crescente stupore:

"È relativamente facile fare in modo che i computer mostrino prestazioni di livello adulto nei test di intelligenza o nel giocare a dama, e difficile o impossibile dar loro le competenze di un bambino di un anno quando si tratta di percezione e mobilità."

In altre parole: i problemi difficili per noi sono facili per le macchine, e i problemi facili per noi sono difficili per le macchine.

Le macchine eccellono in scrittura, ragionamento, matematica e lavori cognitivi complessi - tutte cose che per noi richiedono anni di studio e che consideriamo segni di alta intelligenza. Ma non riescono - o faticano enormemente - a fare cose che qualsiasi bambino fa istintivamente: camminare senza cadere, riconoscere una faccia, afferrare un oggetto, capire che il gatto sul tavolo è lo stesso gatto visto da un'altra angolazione.

Minsky lo disse in modo chiaro: "In generale, siamo meno consapevoli di ciò che le nostre menti sanno fare meglio". Le nostre capacità più sofisticate sono quelle che non notiamo nemmeno di avere.

La spiegazione evolutiva

Perché questo accade? Moravec offrì una risposta affascinante, radicata nell'evoluzione biologica.

Le abilità sensoriali e motorie - vedere, sentire, muoversi, riconoscere - si sono evolute in milioni di anni. Il nostro cervello le esegue con un'efficienza straordinaria proprio perché la selezione naturale ha avuto tutto quel tempo per ottimizzarle. Sono talmente ben oliate che non le "sentiamo" mentre le usiamo: funzionano in automatico, sotto la soglia della volontà cosciente.

Il ragionamento astratto, invece, è un'acquisizione recente. La matematica, la logica formale, il pensiero scientifico sistematico sono attività che gli esseri umani fanno solo da qualche migliaio di anni. Il cervello non ha ancora avuto il tempo di ottimizzarle allo stesso modo - e ce ne accorgiamo perché ci costano fatica.

Come scrisse Moravec:

"Il pensiero astratto è un nuovo trucchetto, che ha forse meno di 100.000 anni di età. Non siamo ancora capaci di padroneggiarlo. Non è poi così intrinsecamente difficile; lo sembra solo quando proviamo a farlo."

La conseguenza paradossale è che le cose che ci sembrano facili sono in realtà enormemente complesse da replicare. Le cose che ci sembrano difficili sono, per un computer, quasi banali.

Nel suo libro The Language Instinct, Steven Pinker lo riassunse con una battuta destinata a diventare celebre: "I problemi difficili sono facili e i problemi facili sono difficili."

Come ha influenzato la ricerca sull’AI

Capire il paradosso aiuta a capire molti dei fallimenti - e dei successi inattesi - dell'Intelligenza Artificiale nei suoi 70 anni di storia.

Nei primi anni dell'AI, i ricercatori avevano insegnato ai computer a giocare a scacchi, dimostrare teoremi, risolvere problemi di algebra, lavorare con la logica formale. Sembrava una traiettoria inarrestabile: se le macchine riuscivano già con i compiti "difficili", i compiti "facili" sarebbero stati una formalità. Ma si sbagliavano di grosso.

Rodney Brooks descrisse il problema con grande precisione: l'Intelligenza Artificiale dei pionieri era "meglio caratterizzata come le cose che gli scienziati maschi altamente istruiti trovavano stimolanti". Scacchi, manipolazione simbolica, linguaggi formali: nessuno aveva pensato che distinguere una tazza da una sedia richiedesse intelligenza. Eppure è un problema di una complessità colossale.

Brooks stesso cambiò rotta e decise di costruire macchine intelligenti senza nessun modello astratto di ragionamento: solo sensori e azioni (Brooks, 2003). Quella corrente di ricerca, che aveva ribattezzato Nouvelle AI (Brooks, 1991), ha influenzato profondamente la robotica moderna.

Nel frattempo, la visione artificiale - per decenni considerata un problema "facile per gli umani e difficile per le macchine" - è rimasta irrisolta fino al 2012-2013, quando il deep learning ha prodotto un salto qualitativo improvviso nel riconoscimento degli oggetti.

E la robotica?

Per vedere progressi reali - robot che manipolano oggetti in ambienti non strutturati, che navigano spazi imprevisti, che generalizzano da situazioni mai viste prima - abbiamo dovuto aspettare i foundation model multimodali: architetture capaci di integrare e unificare percezione visiva, comprensione del contesto e pianificazione dell'azione.

I Vision-Language Models (VLM), ad esempio, hanno permesso ai robot di "capire" la scena che stanno osservando in modo molto più flessibile rispetto ai sistemi precedenti, addestrati su categorie fisse.

Le architetture agentiche - i Large Action Model, ovvero gli agenti LLM - stanno aprendo possibilità che fino a pochi anni fa sembravano fantascienza. Non è un caso: sono esattamente le capacità sensoriali e motorie che Moravec indicava come il vero collo di bottiglia, e sono rimaste tali finché la potenza computazionale e la ricchezza dei dati di training non hanno raggiunto una massa critica sufficiente.

Il paradosso regge ancora oggi?

La risposta breve è: in parte, ma con una precisazione.

Il grafico mostra visivamente che i punti sono distribuiti in tutti i quadranti: non c'è la correlazione negativa che il paradosso implicherebbe se guardassimo tutti i compiti possibili.

Il ricercatore Arvind Narayanan ha sollevato una critica metodologica interessante: il paradosso di Moravec non è mai stato testato empiricamente in modo rigoroso. È un'osservazione intuitiva, non una legge verificata. E soprattutto, descrive cosa la comunità AI ha scelto di studiare - non necessariamente la struttura profonda del problema.

Narayanan fa notare che, quando guardiamo i risultati dell'AI, ignoriamo sistematicamente due categorie di compiti: quelli facili sia per gli umani che per le macchine (risolti silenziosamente ogni giorno, senza fanfare), e quelli difficili per entrambi (su cui nessuno lavora perché sembrano irrisolvibili). Quello che rimane, naturalmente, mostra una correlazione negativa tra difficoltà umana e difficoltà per l'AI - ma è un artefatto della selezione, non una legge naturale.

Il paradosso di Moravec potrebbe essere un effetto di selezione causato dall'ignorare compiti considerati poco interessanti quando sono troppo facili o troppo difficili sia per gli esseri umani che per l'intelligenza artificiale.

Secondo James Lucassen, il paradosso nella sua formulazione moderna - "ciò che è difficile per gli umani è facile per i computer, e viceversa" - è un'illusione prodotta dall'euristica della disponibilità: ricordiamo i casi in cui le difficoltà umane e artificiali si invertono perché sono sorprendenti, e dimentichiamo i casi in cui coincidono perché sono ovvi. L'aritmetica semplice è facile per entrambi; il folding delle proteine è difficile per entrambi.

La conclusione di Lucassen è abbastanza radicale: non è che umani e computer abbiano difficoltà opposte. È che non hanno praticamente nessuna correlazione significativa.

Ci aspettavamo una correlazione positiva forte (quello che è difficile per noi sarà difficile anche per le macchine), ma il paradosso ci ha convinto che la correlazione è negativa. La realtà è nel mezzo - e focalizzarsi solo sui casi memorabili ci ha portato a una conclusione sbagliata quanto quella di partenza, solo con il segno invertito.

Se ci concentriamo solo sui casi memorabili, sembra che tutti i compiti siano facili per gli esseri umani e difficili per i computer, o viceversa.

C'è infine il problema del ragionamento. Moravec sosteneva che il ragionamento astratto fosse "facile per i computer". Ma decenni di AI ci hanno insegnato che funziona bene solo in domini chiusi e rigidamente definiti. Appena esci dal perimetro, il "facile per i computer" si rivela molto più condizionale di quanto si pensasse.

Questo non significa che il paradosso sia privo di valore: anzi, esso ci ricorda che intuitivamente sopravvalutiamo i compiti che troviamo difficili e sottovalutiamo quelli che troviamo banali. Ma va usato con cautela e come monito epistemico di non fidarci dell'ovvio.

Cosa possiamo imparare davvero

Il lascito più utile del paradosso di Moravec non è una teoria sulla cognizione, ma un invito alla rivalutazione.

Ci ricorda che l'intelligenza non è monolitica. Non esiste una scala lineare che va da "stupido" a "intelligente", con gli scacchi in cima e il camminare in fondo. Esistono tipi diversi di problemi, ottimizzati da processi diversi in tempi diversi. Un robot che batte il campione di scacchi può essere incapace di aprire una porta senza che ciò sia una stranezza.

Per chi lavora nell'AI oggi, la lezione pratica è ancora valida: non dare per scontato che ciò che sembra banale sia facile da automatizzare.

La cucina, il giardinaggio, l'assistenza fisica alle persone - tutte attività che Pinker nel 1994 definiva "sicure per decenni" per i lavoratori umani - continuano a resistere all'automazione molto più di quanto ci si aspettasse, mentre intere categorie di lavori cognitivi "qualificati" vengono già affiancate (o surclassate) dall'AI.

Il paradosso di Moravec invita a smettere di ancorarci alla concezione umana di “difficile” per decidere cosa sia “difficile per una macchina”. E questa, in un'epoca in cui l'AI avanza in direzioni sempre meno prevedibili, è già un ottimo punto di partenza.

Simone Conversano - AI Transformation Specialist - Datapizza