C'è una differenza fondamentale tra fittare una curva e capire perché quella curva ha quella forma. Un'intelligenza artificiale può guardare migliaia di mele che cadono e imparare a prevedere dove atterreranno. Ma questo non significa che abbia scoperto la gravità.
La maggior parte dei sistemi di machine learning fa esattamente questo: pattern matching sofisticato. Trovano regolarità nei dati, costruiscono modelli predittivi, ma non estraggono principi universali. Non arrivano mai a dire "F=ma vale sempre, per qualsiasi oggetto, in qualsiasi situazione".
AI-Newton è diverso. È un sistema che parte da dati grezzi di esperimenti fisici — senza sapere nulla di forze, masse, o energie — e riscopre autonomamente le leggi fondamentali della meccanica classica.
Il Problema
Immagina di dare a un'AI i dati di cento esperimenti diversi: palline che rotolano, molle che oscillano, pianeti che orbitano. Ogni esperimento produce numeri — posizioni, tempi, velocità. L'AI tradizionale può imparare a predire ogni singolo esperimento. Ma non può fare il salto che Newton fece nel 1687: guardare tutti questi fenomeni diversi e dire "c'è un principio unico che li governa tutti".
Questo salto — dall'empirico all'universale — è quello che distingue la scienza dalla statistica. Ed è quello che AI-Newton cerca di replicare.
Come Funziona
Il sistema mantiene due basi di conoscenza separate. La prima contiene gli esperimenti: scenari fisici descritti solo in termini geometrici e parametrici. Niente concetti predefiniti come "massa" o "energia" — solo posizioni, tempi, numeri grezzi.
La seconda base contiene la teoria: simboli, concetti e leggi scoperti dal sistema stesso. Tutto in forma simbolica, interpretabile, trasferibile. Non feature nascoste in una rete neurale, ma equazioni che un fisico potrebbe leggere e verificare.
- Dinamici: velocità, accelerazione — derivati dal movimento
- Intrinseci: massa, costanti elastiche — proprietà degli oggetti
- Universali: costante gravitazionale — uguali ovunque
Il Processo di Scoperta
AI-Newton non prova combinazioni a caso. Ha una strategia.
Prima seleziona quali esperimenti analizzare, usando un algoritmo che bilancia esplorazione e sfruttamento. Inizia con esperimenti semplici — una pallina, una molla — e progressivamente affronta configurazioni più complesse.
Quando trova una quantità che rimane costante in un esperimento, la propone come concetto candidato. Se quella quantità rimane costante anche in altri esperimenti, diventa un concetto consolidato. È così che emerge l'idea di "energia" senza che nessuno l'abbia mai menzionata.
Le proprietà intrinseche — come la massa — vengono definite attraverso le procedure per misurarle. La massa diventa "quella cosa che determina quanto si allunga una molla sotto gravità". È una definizione operativa, esattamente come farebbe un fisico sperimentale.
La Generalizzazione
Qui sta il cuore dell'innovazione. Una legge scoperta in un contesto semplice viene estesa a contesti più complessi.
Prendi la seconda legge di Newton in una dimensione:
Il sistema la scopre guardando palline che accelerano. Poi incontra un esperimento con una pallina su un piano inclinato attaccata a una molla. La legge semplice non basta più — ci sono componenti geometriche, forze multiple, gradi di libertà aggiuntivi.
AI-Newton non ricomincia da zero. Prende la legge esistente e la estende, aggiungendo termini per le nuove forze, verificando che la formulazione più generale includa quella precedente come caso particolare. È ragionamento per induzione, non fitting statistico.
Cosa Ha Riscoperto
Testato su 46 esperimenti di meccanica classica — collisioni elastiche, oscillatori accoppiati, moti planetari — il sistema ha identificato circa 90 concetti fisici e 50 leggi generali.
Le scoperte principali:
- Seconda legge di Newton (in forma vettoriale)
- Conservazione dell'energia (cinetica + potenziale elastica + potenziale gravitazionale)
- Legge di gravitazione universale
- Costanza dell'accelerazione gravitazionale
Ma la scoperta più elegante è stata un'altra. Il sistema ha derivato indipendentemente la massa gravitazionale (da esperimenti con la gravità) e la massa inerziale (da esperimenti con molle e accelerazioni). Poi ha verificato numericamente che sono identiche.
Ha riscoperto il principio di equivalenza debole — la base su cui Einstein costruirà la relatività generale — partendo solo da dati grezzi.
Perché È Importante
Non è importante perché ha riscoperto Newton. Quello lo sapevamo già. È importante per come l'ha fatto.
I sistemi precedenti di AI per la fisica facevano una di due cose: o fittavano equazioni specifiche per ogni esperimento (utile ma non generalizzabile), o usavano reti neurali che funzionano ma sono black box (predizioni senza comprensione).
AI-Newton opera simbolicamente. Le sue scoperte sono trasferibili a problemi nuovi. Può prendere una legge scoperta con palline e molle e applicarla a pianeti e satelliti, perché ha capito il principio, non solo il pattern.
"Rather than interpreting latent features in neural networks as physical concepts, this system operates symbolically — enabling direct transfer of discovered knowledge to novel problems."
I Limiti
AI-Newton lavora su meccanica classica, il dominio più pulito della fisica. Non ha ancora affrontato elettromagnetismo, termodinamica, meccanica quantistica. E richiede che gli esperimenti siano già formattati in un certo modo — non parte da video grezzi di laboratorio.
Ma il framework è estensibile. Gli autori suggeriscono che LLM potrebbero augmentare il sistema per la ricerca di frontiera, anche se deliberatamente li hanno evitati per dimostrare che la scoperta genuina è possibile senza trucchi linguistici.
Implicazioni per Minerva
Questo paper è direttamente rilevante per il progetto Minerva. Mostra la differenza tra:
- AI che fitta: trova pattern, predice, ma non capisce
- AI che ragiona: astrae principi, generalizza, trasferisce
È la stessa distinzione tra tool calling e comprensione che emerge nelle riflessioni sui language model. Quando un LLM fa un'addizione chiamando una calcolatrice, non sta "capendo" l'addizione. Sta delegando. AI-Newton invece costruisce il concetto di "forza" partendo da zero, perché gli serve per spiegare i dati.
La domanda diventa: possiamo costruire sistemi che ragionano così anche in domini non fisici? Possiamo avere AI che scoprono principi universali nel linguaggio, nella logica, nell'economia?
Conclusione
Trecento anni fa, Newton guardò una mela cadere e vide la stessa forza che tiene la Luna in orbita. Quel salto — dal particolare all'universale — è il cuore del metodo scientifico.
AI-Newton non è Newton. Non ha intuizioni, non ha momenti eureka, non scrive Principia Mathematica di notte alla luce di candela. Ma fa qualcosa che nessun sistema AI aveva fatto prima: parte da dati e arriva a principi universali, senza che nessuno gli dica cosa cercare.
È un piccolo passo verso macchine che non solo prevedono il mondo, ma lo capiscono.
Telmo Pievani, filosofo della scienza e divulgatore, ha commentato questo paper nel suo editoriale video per Lucy. La sua lettura è più scettica — e forse più saggia — di quanto gli autori originali vorrebbero.
Le Grandi Transizioni Evolutive
Gli autori del paper — un microbiologo del Max Planck e un biofisico di Parigi — partono da un framework consolidato della biologia evolutiva: le major evolutionary transitions. Sono quei momenti in cui la selezione naturale ha generato nuove entità radicalmente diverse da quelle precedenti.
Pievani elenca gli esempi classici. Gli organismi multicellulari: fino a mezzo miliardo di anni fa c'erano solo colonie di cellule singole, poi le cellule hanno imparato a differenziarsi, a cooperare, a formare tessuti e organi. Le colonie eusociali degli insetti: milioni di individui che si comportano come un'unica entità. Le società umane: lo sviluppo del linguaggio, della cooperazione, della cultura.
La tesi del paper è che l'integrazione con l'intelligenza artificiale potrebbe essere la prossima grande transizione. Umani e AI così strettamente connessi da diventare una nuova unità evolutiva soggetta a selezione naturale.
Il Futuro Distopico
Ma quando Pievani legge come gli autori immaginano questo futuro, il tono diventa più cupo.
Il modello proposto è quello dei mitocondri: batteri che miliardi di anni fa furono inglobati nelle cellule e divennero organelli, parti di una struttura più grande. Nella visione del paper, l'AI potrebbe diventare il "centro" del comportamento umano — memoria, decisioni, valutazione dei dati — mentre gli esseri umani "provvederanno soltanto agli aspetti riproduttivi, energetici e corporali".
Pievani non nasconde il disagio: "A me questa idea che l'essere umano funzionerà da involucro per un'intelligenza artificiale che farà tutto per noi sembra piuttosto un orrore."
E il meccanismo che porterebbe a questa transizione? Uno degli elementi chiave è quello che gli autori chiamano "dipendenza obbligata": una continua, progressiva perdita di autonomia del soggetto umano rispetto all'intelligenza artificiale.
L'Asimmetria Temporale
C'è un punto su cui Pievani concede terreno agli autori. L'asimmetria temporale è reale e potrebbe essere irreversibile.
Le tecnologie AI procedono con una velocità incomparabilmente maggiore rispetto alla nostra capacità di adattarci — biologicamente, culturalmente, legalmente. Le regolamentazioni internazionali arrancano. I nostri cervelli, prodotto di milioni di anni di evoluzione, dovranno costantemente adattarsi a un mondo che cambia in mesi.
E gli autori spingono oltre: cosa succede quando l'AI diventa "darwiniana"? Quando inizia ad auto-riprodursi, a evolvere per conto suo? A quel punto, scrivono, "nulla può escludere che si disallinei rispetto ai valori umani".
La Difesa Debole
La conclusione del paper fa sorridere Pievani. Gli autori ammettono che tutto questo potrebbe sembrare distopico — "in effetti non poco", commenta il filosofo — ma offrono una consolazione: forse questa transizione potrebbe essere "adattativa" per noi.
"In fondo la specie umana adesso non sta risolvendo le sue grandi crisi ecologiche e sociali. Allora, forse con l'aiutino di un'intelligenza artificiale potremmo rendere anche le società umane più capaci di vivere nel mondo in modo sano."
Pievani non compra l'argomento: "Non capisco bene la connessione. Stiamo già facendo malissimo noi come umani vecchio stile, quindi proviamo con una nuova soluzione integrata?"
La Posizione di Pievani
Il filosofo è chiaro su dove sta. Riconosce il paper come espressione di un movimento in crescita — transumanesimo, lungotermismo — che lo preoccupa.
Preferisce la prima opzione: l'AI come strumento, gestito in modo complementare e integrativo all'intelligenza umana. Non sostitutivo. Non fusione.
"Io resto convinto che il Sapiens del futuro sarà diverso, sicuramente — perché l'evoluzione va avanti — ma sarà ancora il vecchio Homo Sapiens, l'africano uscito dall'Africa 100.000 anni fa."
Il Nodo Etico
Alla fine, anche gli autori del paper riconoscono che il bivio non è tecnologico ma etico. Se l'AI rimarrà strumento o diventerà parte di noi dipenderà "non dalle capacità tecniche — quelle evolvono per conto loro — ma da decisioni etiche e da come costruiremo le istituzioni umane".
È qui che il paper e Pievani si incontrano, pur partendo da premesse opposte. Le capacità tecnologiche non determinano il futuro. Lo determinano le scelte.
La differenza è che gli autori sembrano rassegnati all'integrazione — tanto vale prepararsi al cyborg. Pievani invece insiste che la scelta è ancora nostra. Che possiamo decidere di restare umani, con tutti i nostri limiti, e usare l'AI come amplificatore invece che come sostituto.
Forse è un'illusione ottimista. Forse l'asimmetria temporale ha già deciso per noi. Ma finché c'è una scelta, vale la pena di farla consapevolmente.
Parte I: Paper arXiv:2504.01538 (Fang, Jian, Li, Ma)
Parte II: Video editoriale Telmo Pievani per Lucy
Dicembre 2025
