L’intelligenza artificiale contemporanea ha una caratteristica che il dibattito pubblico nomina raramente: funziona, ma non sappiamo perché. Le macchine che traducono, scrivono e dialogano amabilmente con noi sono state costruite per tentativi, accumulando ricette empiriche, senza una teoria capace di spiegarne il funzionamento e di prevederne i limiti. Non è la prima volta che accade. Nella seconda metà del Settecento si costruivano motori a vapore in diversi luoghi d’Europa ma nessuno sapeva dire perché uno lavorasse più di un altro a parità di carbone. La risposta arrivò dopo una gestazione di oltre quarant’anni, con la termodinamica, che trasformò un’arte d’officina in scienza e permise non solo di migliorare le macchine, ma di cambiare per sempre la fisica. L’intelligenza artificiale è oggi nella sua fase pre-termodinamica.

Una tecnologia pre-scientifica avanza per tentativi, e i tentativi costano. Costano capitale, ed è l’aspetto su cui l’analisi economica si è esercitata di più. Costano energia, che è l’aspetto dirimente che vogliamo considerare qui. Qualche cifra: nel 2024 i data center hanno assorbito circa l’uno e mezzo per cento dell’elettricità mondiale, all’incirca il doppio di sei anni prima, un consumo che secondo l’Agenzia internazionale dell’energia entro il 2030 è destinato almeno a raddoppiare. L’aggregato del consumo, però, nasconde il punto. La parte di calcolo dedicata all’intelligenza artificiale cresce tre volte più in fretta del resto, e sta diventando la voce dominante del conto. Le grandi piattaforme lo hanno capito prima dei governi: firmano da anni accordi pluriennali con produttori di energia nucleare e finanziano la riapertura di centrali dismesse. Sono fatti noti, meno chiaro è il modo giusto di leggerli.

Per farlo servono strumenti adatti. In un lavoro recente con Osabutey e Zimmaro abbiamo proposto di osservare il fenomeno attraverso la produttività economica dell’energia, EPE: il rapporto tra Prodotto Interno Lordo ed energia consumata per generarlo. È l’inverso dell’intensità energetica delle statistiche ufficiali. L’inversione è un cambio di variabile non lineare, e non è cosmetica: appena si aggrega, la media delle produttività non coincide con il reciproco della media delle intensità, e su più paesi o settori le due grandezze danno fotografie diverse dello stesso dato. L’intensità chiede quanta energia serve per produrre un’unità di valore, e suggerisce un problema di costi. La produttività chiede quanto valore si estrae da un’unità di energia, e suggerisce un problema di conoscenza: misura quanto un sistema economico ha capito delle tecnologie che usa. Le due formulazioni partono dalla stessa informazione cruda, ma non conducono alla stessa sintesi teorica. E la sintesi conta: la variabile scelta determina come si presentano le leggi del fenomeno, e una regolarità semplice in una variabile può risultare illeggibile nell’altra.

Esaminando le serie storiche osserviamo una dinamica precisa. Nel lungo periodo l’EPE cresce: ogni joule rende oggi più di un secolo fa. Ma la crescita non è uniforme, e il modo in cui cambia distingue le rivoluzioni tra loro. Quando la tecnologia precede la teoria, la curva si piega velocemente verso il basso: nelle prime fasi della rivoluzione del vapore il prodotto per unità di energia si dimezzò, perché le macchine erano redditizie ma energeticamente inefficienti, e recuperò solo decenni dopo. Quando invece la teoria precede la tecnologia, quel crollo non si osserva. L’elettrificazione, figlia dell’elettromagnetismo di Maxwell, e la microelettronica, figlia della meccanica quantistica, non hanno subito la caduta del vapore: abbastanza efficienti fin dall’inizio perché progettate da una teoria, hanno accompagnato una produttività energetica regolare e tendenzialmente crescente. La caduta dell’EPE non è un tratto delle rivoluzioni tecnologiche in quanto tali. È la firma di quelle pre-scientifiche.

L’intelligenza artificiale ripeterà lo schema? Gli scenari sul tavolo sono due, e nessuno dei due è innocuo. Nel primo l’AI segue la storia del motore: la tecnologia si diffonde perché è redditizia, il prodotto cresce, l’energia cresce più in fretta e l’EPE scende per poi risalire quando la comprensione teorica arriva a riprogettare le macchine e a integrarle nel tessuto economico. Quanto profonda sarà la caduta, e con quale dinamica si svolgerà, sono questioni aperte.

Nel secondo scenario non c’è caduta. L’AI è così efficace da prendere il posto di quell’intelligenza che nella rivoluzione del vapore arrivò da fuori e in ritardo: non perché ne sviluppi la teoria, ma perché è abbastanza efficace da riprodurne gli effetti. Ottimizza i processi, assorbe le turbolenze della transizione, supplisce alle infrastrutture che mancano. L’EPE non cala. Dal punto di vista energetico è lo scenario virtuoso. Ma l’intelligenza che compensa è proprietaria: chi la possiede intercetta il valore che essa genera ovunque venga impiegata, e il prodotto si concentra in pochissime mani. L’EPE è, in prima approssimazione, un rapporto tra aggregati, cieco alla distribuzione. Una sua evoluzione potrebbe tener conto quantomeno della concentrazione del valore tra gli agenti, scontando il prodotto per un indice di disuguaglianza.

I due scenari non si lasciano quindi separare in buono e cattivo. Nel primo il costo è energetico e climatico, un crollo dell’EPE risulterebbe fatale per gli obiettivi di decarbonizzazione del decennio in corso. Nel secondo il costo è distributivo e democratico, perché la caduta viene evitata ma a scapito dei più. Gli indizi attuali sono pochi: i costi per unità di prestazione scendono rapidamente, segno che l’intelligenza compensativa è possibile; gli investimenti annunciati per data center e capacità di calcolo si misurano in centinaia di miliardi di dollari l’anno, segno di concentrazione proprietaria. Ma i due indizi sono uno. È il paradosso che Jevons, scrivendo nel 1865, vide nel carbone: il costo unitario che scende moltiplica la spesa totale, e con essa la concentrazione. In entrambi i casi le variabili decisive sono chi produce la comprensione della tecnologia, e a quali condizioni la rende disponibile.

È qui che la questione economica diventa politica. Quando una tecnologia non è compresa, si sviluppa dove si concentrano le risorse necessarie: capitale, capacità di calcolo, energia, dati. Una traiettoria fondata sulla scala seleziona i soggetti capaci di sostenere costi infrastrutturali giganteschi, e finché la scala comanda li seleziona in modo cumulativo: chi è dentro accumula vantaggio, chi è fuori accumula dipendenza. L’EPE, letta in controluce, misura anche questo: chi può permettersi di sbagliare per tentativi.

La concentrazione ha una geografia. Lo sviluppo dell’intelligenza artificiale è oggi dominato da poche piattaforme private americane e da un sistema cinese a regia statale. Mariateresa Russo sul Menabò  ha descritto i due piani. Sono modelli diversi in quasi tutto, ma identici in un punto: entrambi assumono la scala come destino. L’Europa, in questa partita, non rappresenta un terzo modello. Rappresenta il principale cliente.

La dipendenza che ne deriva è economica, e su questo la discussione è avviata. È anche cognitiva, e su questo molto meno. I modelli linguistici non sono infrastrutture neutre: incorporano scelte sui dati, sulle lingue, sulle priorità di ricerca, sui comportamenti da premiare e da penalizzare. Chi non partecipa alla produzione di quella conoscenza ne subisce le categorie, e le subisce nel luogo più delicato, quello in cui i cittadini si informano, studiano, scrivono, deliberano. Una democrazia che delega ad altri la comprensione di una tecnologia di uso generale non delega un comparto industriale. Delega una parte della propria capacità di giudizio.

Il punto si può formulare anche in termini fattuali. La comprensione teorica di una tecnologia è un bene pubblico: usarla non la consuma e, una volta pubblicata, nessuno può recintarla; i benefici si estendono all’intero ecosistema. La competizione privata la produce solo nella misura in cui serve al vantaggio competitivo, e l’equilibrio attuale, fatto di modelli chiusi e di risultati protetti da segreto industriale, ne produce strutturalmente troppo poca. Era già accaduto: la termodinamica non nacque nei capannoni delle manifatture, nacque nelle scuole politecniche e nelle accademie, con denaro pubblico, e i suoi principi divennero patrimonio di chiunque sapesse leggerli.

Cosa può fare l’Europa? Competere sul modello più grande? Improbabile, visti i divari accumulati in trent’anni, e forse nemmeno desiderabile, perché significherebbe accettare il terreno di gioco altrui con mezzi inadeguati. L’alternativa è produrre il bene pubblico mancante: la scienza dell’intelligenza artificiale, la termodinamica dell’apprendimento automatico. L’idea è stata proposta da tempo e da più parti, a partire da considerazioni interne alla comunità scientifica sin dal 2019, fino al rapporto Draghi sulla competitività e agli annunci comunitari: un centro europeo di ricerca sull’intelligenza artificiale, costruito su un modello tipo CERN. Lo scorso ottobre Il Manifesto di Bologna ha articolato la proposta nei suoi contenuti, ed è uscita una petizione internazionale per un’infrastruttura pubblica europea dell’intelligenza artificiale che ha raccolto le firme di ricercatori di tutto il mondo. 

Il paragone col CERN è corretto e insufficiente insieme. Corretto perché coglie la natura di unicità del luogo, di infrastruttura pubblica della conoscenza, la scala continentale, l’impegno fermo a trattenere capitale umano che oggi emigra. Insufficiente perché il progetto potrebbe partire con data center delocalizzati e crescere in seguito con strutture proprie. I costi stimati per partire, peraltro, sono modesti: una frazione del bilancio del CERN, contro programmi europei di infrastrutturazione computazionale che già muovono decine di miliardi senza un’agenda scientifica corrispondente.

In questa prospettiva l’insistenza sull’efficienza computazionale, che attraversa le proposte della comunità scientifica europea, è una strategia industriale: sposta la competizione dal terreno della scala, dove vincono il capitale e l’energia, al terreno della comprensione, dove contano la ricerca fondamentale e il capitale umano, le due risorse in cui il continente conserva un considerevole vantaggio. Ed è anche la sola politica che migliora entrambi gli scenari: nel primo accorcia la valle, perché un punto di EPE guadagnato per via teorica vale per tutti e non per un solo proprietario; nel secondo scioglie il monopolio dell’intelligenza che compensa. Massimo Florio sul Menabò  ha argomentato le ragioni di una nuova stagione dell’impresa pubblica orientata da missioni strategiche. La scienza dell’intelligenza artificiale ne è un caso di scuola, con una particolarità: la missione non consiste nel produrre un bene, ma nel capire la natura dei beni di tutti che verranno prodotti.

La termodinamica arrivò mezzo secolo dopo la macchina a vapore, da accademie e politecnici sostenuti con denaro pubblico, dove si era deciso che capire valeva quanto costruire. La decisione torna oggi, con una differenza di velocità. Demis Hassabis, premio Nobel per la chimica e amministratore delegato di Google DeepMind, quantifica la distanza dalla prima rivoluzione industriale in dieci volte la grandezza e dieci volte la rapidità: un decennio invece di un secolo. Allora il conto della fase cieca, quella in cui si costruì senza capire e si distribuì in modo diseguale, lo presentò il clima del secolo successivo e parte degli stravolgimenti politici che conosciamo, fino alle guerre mondiali. Stavolta, se la velocità è quella, a presentarlo sarà la distribuzione del valore nel decennio in corso. E l’Europa, che a quel tavolo non siede, potrà solo scegliere se essere una colonia (non si sa più di chi) o un’area del terzo mondo, se saremo fortunati per giunta. Mettiamoci al lavoro, perché non conviene contare troppo sulla fortuna.