BIO – Medicina Costruzione Sociale nella Post-Modernità – Educational Papers • Anno XI • Numero 44 • Dicembre 2022
A quanto pare a studiosi dell’intelligenza artificiale e della filosofia della scienza come Brain Clegg1 e David Weinberger2, l’intelligenza artificiale stessa, i mega dati, le discipline computazionali ed Internet medesimo starebbero rivelando una realtà fondamentale: il mondo sarebbe molto più complesso e imprevedibile di quanto le élite degli establishment nell’arco della storia ci abbiano permesso di intuire con l’utilizzo delle nostre limitate istintive strategie percettive adattive!3
Ora che la tecnologia consente a certe nicchie dell’intellighenzia dell’establishment di trarre vantaggio da tutto il caos che essa stessa sta rivelando, la loro comprensione di come accadono le cose starebbe cambiando e, con essa, le loro strategie più profonde per prevedere, prepararsi e gestire il nostro mondo. Ciò influisce già su tutto, dal modo in cui le classi dirigenti reimpostano la nostra vita quotidiana a come prendono decisioni morali e come gestiscono le proprie e le nostre attività. In questa prospettiva, loro starebbero perfino accettando strategie che evitano del tutto di anticipare il futuro.
In ogni modo, anche per altre nicchie sociali, interessate ad interpretare ciò che chiamiamo mondo e vita e che non sono schierate con il biopotere, la realtà appare molto più complessa delle situazioni semplici di cui si occupa la matematica che ci viene insegnata a scuola incentrata nella precisione. Invero, cercare di comprendere un sistema con più componenti interagenti – il tempo, ad esempio, o il corpo umano oppure il mercato azionario – significa affrontare, effettivamente, due fattori: caos e complessità. L’importanza di queste variabili nascoste, stando agli studiosi in materia, conduce a postulare che se non si comprendono questi due aspetti essenziali, si rende quasi improbabile avere una certa ipotesi di cosa sia il mondo reale.
Per caos, facendo riferimento all’intellighenzia stessa dell’establishment, in modo di accreditare la definizione, Clegg e Weinberger intendono un sistema in cui interazioni complesse rendono quasi impossibile prevedere risultati a lungo termine. La complessità, stando ugualmente a loro, sarebbe ascrivibile a complessi sistemi interagenti che hanno variabili nascoste e nuove proprietà emergenti che li rendono più della somma delle loro parti. Di fatto, oggi ci è consentito imparare che i nostri cervelli sono sistemi complessi che si auto-organizzano, che la struttura dei fiocchi di neve esemplificherebbe l’emergenza e, addirittura, che la vita stessa dimostrerebbe di essere una proprietà emergente di un sistema complesso.
Se si chiedesse ad un Senior Adviser dell’establishment del Parti Democratico degli USA e, ugualmente, di Google del calibro di David Weinberger4 come definire il mondo oggi, la usa risposta stupirebbe più di una persona allineata nel pensiero convenzionale perché lui sostiene che il mondo possa essere immaginato come una scatola nera piena di specificità estreme, inoltre, aggiunge, questo mondo potrebbe, al massimo, essere prevedibile ma ciò non significa che sia comprensibile.5
Questo mondo potrebbe essere prevedibile ma ciò non significa che sia comprensibile
Come elucidare, per voi lettori, un’affermazione talmente radicale che nega la possibilità che la cognizione umana possa comprendere, in modo accurato, il mondo in cui viviamo? Forse inseguendo il ragionamento dello stesso Weinberger riguardo le sue riflessioni sull’apprendimento delle intelligenze artificiali possiamo circostanziare, in modo veloce, la sua asserzione sull’incomprensibilità del mondo. In ogni modo, non mi rimane che provare ad approfondire il suo pensiero.
Partiamo da un esperimento mentale. Immaginiamo delle belle giornate. Quando si presentano, il mondo sembra una ferrovia ben gestita: le cose accadono secondo principi, leggi, regole e generalizzazioni che noi umani comprendiamo e possiamo applicare ai particolari. Perdoniamo gli occasionali treni in ritardo come eccezioni che confermano la regola. Ma altre volte sperimentiamo il mondo come un accatastamento di macchine risultato da un tamponamento a catena sull’autostrada. Si applicano le stesse leggi della fisica e delle regole del traffico, ma ci sono così tante parti mobili che non possiamo prevedere il prossimo tamponamento e non possiamo spiegare i dettagli di questo – dettagli che potrebbero annoverare una macchina con un parafango piegato mentre un’altra esplosa in una palla di fuoco.
Ciò che è verosimile per un tamponamento sull’autostrada vale anche per una tranquilla passeggiata autunnale lungo un sentiero ornato proprio di quelle foglie e non altre. Sono entrambi incidenti in cui le interdipendenze tra innumerevoli particolari sopraffanno il potere esplicativo delle regole che, stando alle interpretazioni ormai codificate della cultura che ci gestisce, li determinano. L’uno, un incidente che possiamo maledire. L’altro, un evento, in un momento tranquillo, di cui potremmo meravigliarci.
Stando a Weinberger,6 ora l’ultima tecnologia paradigmatica dell’establishment, vale a dire l’apprendimento automatico, potrebbe mettere in evidenza che il mondo di tutti i giorni sia più accidentale anziché governato da regole. A suo parere, se fosse proprio così, ciò spiegherebbe perché l’apprendimento automatico ottiene il suo potere epistemologico, cioè cognoscitivo, dalla sua libertà dal tipo di generalizzazioni che noi umani siamo abituati a comprendere o applicare. Al riguardo, Weinberger sostiene che l’opacità dei sistemi di apprendimento automatico solleva serie preoccupazioni sulla loro affidabilità e sulla loro tendenza al pregiudizio, tuttavia lui concede che il fatto brutale che questi sistemi funzionino potrebbe portare a studiosi come lui e, di conseguenza, all’establishment stesso, e ugualmente ad intellettuali e cerchie sociali appartenenti ad un schieramento politicamente opposto, a una nuova comprensione ed esperienza di ciò che noi umani vorremmo considerare sia il mondo e il nostro ruolo in esso.
Il punto centrale da prendere in considerazione al riguardo, a parere di Weinberger,7 sarebbe che l’apprendimento automatico funziona in modo radicalmente diverso dalla programmazione tradizionale dell’apprendimento. In effetti, i programmi tradizionali costituiscono l’apoteosi della comprensione del nostro mondo come un semplice sistema ferroviario e della nostra esperienza di una realtà basata su regole. Per utilizzare un esempio comune del tipo più iconico di apprendimento automatico, per sviluppare un software che riconosca i numeri scritti a mano, il programmatore, tradizionalmente, istruisce il computer che un “1” è scritto come una linea retta verticale, un “8” è costituito da un cerchio più piccolo sopra uno più grande, e così via. Può funzionare bene, ma la dipendenza di quest’approccio dagli ideali platonici dei numeri scritti a mano significa che il programma identificherà erroneamente una percentuale relativamente alta di numeri scritti da mani mortali in questo regno imperfetto dell’umano, inevitabilmente organico pur se con pensiero astratto.
Seguendo il ragionamento di Weinberger,8 i modelli di machine learning o apprendimento automatico invece sono programmi scritti da programmi che sanno imparare dagli esempi. Per creare un modello di apprendimento automatico per riconoscere i numeri scritti a mano, gli sviluppatori non dicono nulla alla macchina su ciò che noi umani sappiamo sulle forme dei numeri. Invece, in un approccio comune, gli sviluppatori forniscono immagini di migliaia di esempi di numeri scritti a mano, ognuno diverso e ognuno etichettato, con proprietà, come il numero che rappresenta. Il sistema scopre, quindi, algoritmicamente relazioni statistiche tra i pixel che compongono le immagini che condividono un’etichetta. Una serie di pixel in una linea alquanto verticale aggiunge peso statistico all’immagine essendo un “1”, diminuendo la probabilità che sia un “3”, e così via.
A parere di Weinberger,9 nelle applicazioni di apprendimento automatico nella vita reale, il numero di risposte possibili può superare di gran lunga le 10 cifre, la quantità di dati da considerare è davvero vasta e le correlazioni tra i valori sono così complesse che noi umani spesso semplicemente non riusciamo a capirle. Ad esempio, il metabolismo umano è un insieme enormemente complesso di interazioni ed effetti interdipendenti. Quindi, se, seguendo Weinberger, si riuscisse ad immaginare che venga creato un sistema di apprendimento automatico in grado di prevedere come il sistema del corpo umano reagirebbe a complessi di cause, allora un tale sistema diventerebbe il luogo in cui medici, ricercatori, laici e ipocondriaci si recherebbero per porre domande, esplorare idee e giocare “e se?” riguardo l’organismo umano. In un’evenienza del genere, una tale intelligenza artificiale, che potrebbe, stando a Weinberger, essere chiamata DeepMetab, diventerebbe la più importante fonte di conoscenza dell’establishment sul corpo umano, anche se non riusciamo a capire come essa produca i suoi risultati.
In un tale orizzonte oppure presente e perfino passato recente, man mano che l’establishment, attraverso la diffusione dei suoi valori ideali e degli artefatti che li rispecchiano, rende le popolazioni umane sempre più dipendenti da modelli di apprendimento automatico, come un DeepMetab, che proprio non riusciamo a capire nei termini della logica cartesiana10 dei modelli lineari causali ancor ufficiale ma ormai resa scadente dalle nuove tecnologie computazionali, a parere di Weinberger,11 si verifica la circolazione di due narrazioni giustificatorie. La prima narrazione afferma che l’inesplicabilità di un risultato sarebbe uno svantaggio che spesso dobbiamo sopportare per ottenere l’utile output probabilistico generato dai modelli di apprendimento automatico o meccanico, se si preferisce questo termine. La seconda narrazione in circolazione che cerca di giustificare l’inesplicabilità di un risultato sostiene che l’inesplicabilità non sarebbe uno svantaggio ma una verità. I modelli di apprendimento automatico funzionerebbero, secondo quest’interpretazione, perché sarebbero più bravi di noi umani a leggere il mondo. Di fatto, le loro letture del mondo risultano dall’interrelazione statistica di dati più numerosi e più dettagliati di quelli che altri sistemi possono gestire, senza doversi preoccupare di spiegarsi a noi umani in termini della tuttora dominante logica cartesiana.
Nel caso che il risultato inspiegabile dell’applicazione dell’apprendimento meccanico o automatico sia narrato come qualcosa di utile da sopportare per ottenere l’interpretazione probabilistica generata dal modello oppure sia che si consideri che l’inesplicabilità non sia uno svantaggio ma una verità, il punto di forza del discorso degli apologisti di questo paradigma di ricerca computazionale è quello di sottolineare che questi modelli funzionano davvero pur se non conosciamo la logica di sovrapposizione di correlazioni statistiche che generano questi modelli di spiegazioni probabilistiche, come sostiene Weinberger.12
Il modello dell’apprendimento automatico funziona rinunciando a regole, leggi, principi e generalizzazioni
Se i modelli di apprendimento automatico funzionano rinunciando a regole, principi, leggi e generalizzazioni comprensibili che tuttora spiegano, ufficialmente, la complessità, semplificandola in termini di una logica cartesiana causale piuttosto univoca, allora si potrebbe dire, parafrasando Weinberger, che la buona riuscita della tecnologia computazionale, nella sua ultima generazione declinata nell’apprendimento meccanico o automatico, ci starebbe insegnando che il mondo sarebbe più complesso di quanto sia stato pensato e ufficializzato.13
Dai nostri orologi alle nostre auto, dalle nostre videocamere ai nostri termostati, l’apprendimento automatico si è già integrato, effettivamente, in gran parte della nostra vita quotidiana. Esso verrebbe utilizzato, ad esempio, per tentare di identificare l’incitamento all’odio, guidare veicoli su altri pianeti, controllare la diffusione di malattie e sarebbe perfino essenziale nella lotta per mitigare la crisi climatica.14 In ogni caso, studiosi come Weinberger lo ritengono ancora imperfetto e uno strumento che può amplificare i pregiudizi della società. Tuttavia, nella sua visione, l’apprendimento automatico continuerà ad essere utilizzato perché, in effetti, funziona come un sapere strumentale agli scopi attribuitogli, certamente, dall’establishment. Stando a studiosi come Weinberger,15 che l’apprendimento automatico funzioni senza applicare regole ai dettagli risulta sorprendente e persino sconfortante. A parer suo, siamo così alienati e disciplinati nella nostra preferenza per le regole rispetto ai dettagli che ci sembra folle programmare un sistema di apprendimento automatico, ad esempio, per giocare a Go senza nemmeno dirgli le regole e, invece, dargli centinaia di migliaia di schede e mosse da analizzare e memorizzare. Ma, stando a Weinberger, sarebbe così che l’apprendimento automatico è diventato il miglior giocatore di Go della storia, aggiungendo che, infatti, quando gli sviluppatori forniscono dati di sistema rilevanti per un dominio, in genere nascondono di proposito ciò che già sappiamo sulle interrelazioni tra i dati.16
Proprio perché risulta un esempio anche attinente all’interpretazione della medicina come una costruzione sociale, postulato di base di questo trimestrale BIO, aggiungo in questa breve disertazione sull’apprendimento automatico, quale spada di Damocle contro l’infatuazione dell’Occidente per la certezza come segno di conoscenza, l’esempio di come si generebbe un modello di apprendimento automatico o meccanico applicabile in ambito sanitario o medico. Seguendo l’epistemologia di questo paradigma,17 il potere cognitivo di tale modello si formerebbe, probabilmente, utilizzando i valori di correlazioni statistiche di milioni di cartelle cliniche che includano informazioni su peso, età, pressione sanguigna, frequenza cardiaca, malattie precedenti, trattamenti e risultati dei pazienti. Gli sviluppatori, stando agli apologisti di questo modello, non direbbero al sistema generalizzazioni del tipo che i sintomi siano segni di particolari malattie oppure che le malattie possano essere trattate con farmaci specifici, tranne, a volte, se il paziente avesse allergie o problemi cardiaci. Gli sviluppatori di un tale modello non direbbero nemmeno che possa esistere una correlazione tra il fumare e malattie polmonari o tra LDL (lipoproteine a bassa densità o “colesterolo cattivo”) e il farmaco simvastatina, oppure una relazione tra capacità polmonare e livelli di ossigeno nel sangue. Il processo di formazione di modelli di apprendimento meccanico o automatico non partirebbe da generalizzazioni e, di solito, non genererebbe generalizzazioni, come sostengono i loro patrocinatori, tra i quali lo stesso Weinberger.18
Ora, stando agli stessi difensori dei modelli creati dalle intelligenze artificiali,19 ciò che disturberebbe le persone che avrebbero poca familiarità con l’apprendimento automatico sarebbe il fatto che un modello di apprendimento automatico venga creato proprio generalizzando i dati. Ad esempio, se un modello di intelligenza artificiale sviluppato come un identificatore di scrittura a mano non si fosse generalizzato da ciò che avrebbe appreso dai campioni che gli sono stati forniti, fallirebbe miseramente nel classificare caratteri che non avesse mai visto prima. La sua mancata generalizzazione ne farebbe un modello inutile. In termini tecnici, nell’interpretazione degli esperti in materia, una tale generalizzazione costituirebbe un sovradattamento, vale a dire ciò che succede quando un modello statistico molto complesso si adatta ai dati osservati (il campione) perché avrebbe un numero eccessivo di parametri rispetto al numero di osservazioni. Infatti, gli studiosi della questione sostengono che un modello assurdo e sbagliato potrebbe adattarsi perfettamente se è abbastanza complesso rispetto alla quantità di dati disponibili.
Ma, le generalizzazioni dei modelli dell’apprendimento meccanico o automatico, nell’opinione di Weinberger,20 sarebbero diverse dalle generalizzazioni tradizionali che il nostro sistema di pensiero utilizzerebbe per spiegare i particolari. Nel nostro sistema di riferimento sono accettate e gradite le generalizzazioni tradizionali perché (a) possiamo comprenderle; (b) spesso ci consentono di stabilire conclusioni deduttive; e (c) possiamo applicarle ai particolari. Ma (a) le generalizzazioni dei modelli dell’apprendimento meccanico non sarebbero sempre comprensibili; (b) costituiscono, di fatto, generalizzazioni statistiche, probabilistiche e, principalmente, induttive; e (c) letteralmente e praticamente, di solito non possiamo applicare le generalizzazioni dei modelli dell’apprendimento meccanico se non eseguendo il modello medesimo di apprendimento automatico che ne sarebbe derivato. Inoltre, le generalizzazioni dei modelli dell’apprendimento meccanico possono essere molto peculiari perché i modelli dell’apprendimento automatico devono superare così tanti se, e o che l’evento non si riduce a una regola comprensibile che si potrebbe esprimere o applicare ordinatamente ad un’altra situazione.
In ogni modo, l’esperienza con i modelli di apprendimento meccanico, stando a studiosi e difensori come Weinberger,21 non negherebbe che ci siano generalizzazioni, leggi o principi. Negherebbe che siano sufficienti per capire cosa succede in un universo complesso come il nostro. I particolari contingenti, ciascuno che interessa tutti gli altri, sopraffanno il potere esplicativo delle regole e lo farebbero ancora anche se conoscessimo tutte le regole. Ad esempio, se conoscessimo le leggi che regolano l’attrazione gravitazionale e la resistenza dell’aria, e se pure conoscessimo la massa di una moneta e della Terra, e se perfino conoscessimo l’altezza da cui la moneta verrebbe lasciata cadere, potremmo calcolare davvero quanto tempo ci vorrà perché la moneta colpisca il suolo? Questo sarebbe, probabilmente, sufficiente per soddisfare uno scopo pragmatico o strumentale, ma il tradizionale inquadramento occidentale ha enfatizzato, eccessivamente, il potere astratto delle leggi. Per applicare completamente le regole, dovremmo conoscere tutti i fattori che avrebbero, effettivamente, un effetto sulla caduta, compresi perfino i piccioni che agiteranno il flusso d’aria attorno alla moneta che cade e l’attrazione gravitazionale di stelle lontane che la tirerebbero da tutte le direzioni contemporaneamente. Per applicare le leggi con completa accuratezza, stando a studiosi come Weinberger,22 dovremmo avere la conoscenza completa e impossibile e romanzata dell’Universo del demone di Laplace.23
L’apprendimento automatico potrebbe rompere l’infatuazione dell’Occidente per la certezza come segno di conoscenza
Questa limitatezza dei modelli di apprendimento automatico per generalizzare, a parere di Weinberger, non costituirebbe una critica al perseguimento delle leggi scientifiche, né alla pratica della scienza, che di solito cerca di essere empirica e sufficientemente accurata per i nostri bisogni anche se il grado di accuratezza pragmatica possibile modella silenziosamente ciò che accettiamo come nostri bisogni. Ma questa limitatezza nella generalizzazione delle cosiddette leggi e principi della scienza dovrebbe farci chiedere perché noi in Occidente, seguendo i canoni delle nostre élite, abbiamo trattato il flusso caotico del fiume, in cui non possiamo entrare due volte, come una semplice apparenza, al di sotto del quale ci sarebbero i principi reali ed eterni dell’ordine che spiegano quel flusso. Perché la nostra preferenza ontologica per l’eternamente immutabile sull’acqua e sulla polvere eternamente vorticose?
Questi sono argomenti familiari nella storia della filosofia e della religione occidentali, ben oltre la portata di questa breve relazione sull’esperienza accumulatasi con lo sviluppo dei modelli derivati dell’apprendimento meccanico. Ma in non piccola parte sembra che, inseguendo gli statuti delle nostre élite cognitive, siamo stati plasmati ad essere attratti dal modo in cui le leggi eterne semplificano il mondo a sufficienza da poterlo comprendere e, di conseguenza, prevederlo e controllarlo. Allo stesso tempo, queste leggi semplici e spesso belle ci nascondono il caos dei particolari che sono determinati non solo dalle leggi ma dallo stato di ogni altro particolare. Ma ora, stando alle considerazioni degli apologisti dei modelli derivati dall’apprendimento meccanico, l’establishment e le sue élite avrebbero una tecnologia di predizione e controllo che deriverebbe, direttamente, dalle piccole e simultanee interazioni caotiche della totalità. Questa tecnologia potrebbe offrire alle cerchie dirigenti del sistema maggiore padronanza nella gestione delle popolazioni, ma non comprensione della complessità del reale. Di fatto, il successo di questa tecnologia computazionale attira l’attenzione proprio su ciò che sfugge alla nostra comprensione.
Allo stesso tempo, e per le stesse ragioni, l’apprendimento automatico potrebbe rompere l’infatuazione dell’Occidente per la certezza come segno di conoscenza, poiché i risultati dell’apprendimento automatico sono semplicemente probabilistici. In effetti, la completa certezza dei risultati di un modello di apprendimento automatico costituisce motivo di scetticismo su quel modello.24 Gli output dell’apprendimento automatico, in quanto probabilistici, hanno un certo grado di imprecisione incorporato e, per di più, una vera affermazione probabilistica sarebbe quella che prevederebbe correttamente quanto spesso sarà sbagliata.
Ora che abbiamo meccanismi che ci stordiscono con un potere strappato a vortici di particolari collegati in incomprensibili e delicate ragnatele, come direbbe Weinberger,25 forse anche noi, i governati del sistema, potremo permetterci di non cancellare più quei vortici caotici come se fossero mere apparenze da penetrare e annientare. Forse l’impenetrabilità dell’effetto di tutti su tutti smentirà l’idealismo radicale e il nostro presupposto occidentale secondo cui ciò che è più reale sarebbe ciò che è più immutabile, generale e conoscibile.
Contagiato dall’entusiasmo dell’élite dell’apprendimento automatico delle intelligenze artificiali, da governato idealista potrei immaginare che forse il sistema potrebbe essere investito da una corrente di pensiero che prenderà come ciò che sarebbe, in definitiva, reale l’inimmaginabile complessità dell’accaduto più semplice. Forse l’establishment stesso ufficializzerà perfino il primato della casualità e della coincidenza. Allora, forse ci sarà consentito di realizzare l’inadeguatezza dei nostri 1,4 kg di cervello di fronte alla sfida che in Occidente la presunzione delle cerchie dirigenti si era posta. E, addirittura, ci sarà consentito, di conseguenza, di renderci conto della brutale inconoscibilità del nostro mondo.
Se questo sta accadendo, è perché ora è venuto fuori che le élite stanno ascoltando le voci di più particolari di quanti ne possano contare, ciascuno un minuscolo segnale di una, non tanto nuova quanto semi-ufficializzata, lettura cacofonica del mondo, una lettura che sta fornendo una conoscenza utile, sorprendente e probabilistica dall’effetto incomprensibile di tutto su tutto, sempre e per sempre. Perciò, possiamo postulare, parafrasando Weinberger, che il mondo è una scatola nera piena di specificità estreme. Di fatto, il mondo potrebbe essere prevedibile ma ciò non significa che sia comprensibile.
_______________Note______________
1 Brain Clegg. Everyday Chaos. The Mathematics of Unpredictability, from the Weather to the Stock Market. MIT Press, 2020
2 David Weinberger. Everyday Chaos. Technology, Complexity, and How We’re Thriving in a New World of Possibility. Harvard Business Review press, 2019
3 Per un approfondimento sul paradigma della percezione come allucinazione controllata adattiva si veda Rinaldo Octavio Vargas. Il caso contro l’idea dell’apprensione di una realtà oggettiva. La visione evoluzionista della realtà come costrutto adattivo. BIO Educational Papers. Medicina Costruzione Sociale nella Post-Modernità. Anno X. Numero 37. Marzo 2021 p. 5 / Rinaldo Octavio Vargas. Il caso contro l’idea dell’apprensione di una realtà oggettiva. Parte II – Materia organica che prevede facendosi rotta nell’incertezza. BIO Educational Papers. Medicina Costruzione Sociale nella Post-Modernità. Anno X. Numero 38. Giugno 2021 p. 4 / Rinaldo Octavio Vargas. Il caso contro l’idea dell’apprensione di una realtà oggettiva III. Strutture e attività sensoriali. La fitness batte la verità. BIO Educational Papers. Medicina Costruzione Sociale nella Post-Modernità. Anno X. Numero 39. Settembre 2021 p. 4
4 Ibidem
5 David Weinberger. Learn from machine learning. In AEON, 15 November 2021
6 Ibidem
7 Ibidem
8 Ibidem
9 Ibidem
10 La logica cartesiana è improntata a trovare un metodo certo per sciogliere i dubbi a proposito della natura capace di garantire la verità. Risulterebbe contrapposta alla scolastica che utilizza il sillogismo.
11 David Weinberger. Everyday Chaos. Technology, Complexity, and How We’re Thriving in a New World of Possibility. Harvard Business Review press, 2019
12 Ibidem
13 Ibidem
14 Ibidem
15 Ibidem
16 Ibidem
17 Ibidem
18 Ibidem
19 David Weinberger. Learn from machine learning. In AEON, 15 November 2021
20 Ibidem
21 Ibidem
22 Ibidem
23 Immaginate un essere che conosca la posizione e il momento di ogni singola particella dell’Universo; che ne sappia parecchio anche di fisica, e che abbia un intelletto così potente e veloce da poter “vedere” contemporaneamente tutte le interazioni reciproche tra tutte le particelle dell’Universo. Ecco, questo essere (partorito dal matematico e fisico Pierre Laplace nel 1814), potrebbe vedere il futuro di ogni cosa? È il Demone di Laplace, idea che indaga il determinismo e che in un mondo dominato dal determinismo e dalla meccanica classica avrebbe anche potuto funzionare. La teoria del caos afferma che un sistema fisico ha una sensibilità esponenziale rispetto alle condizioni iniziali (il passato), e tuttavia, a dispetto della casualità nell’evoluzione verso il futuro, se le conoscenze del nostro Demone fossero infinitamente esatte, ebbene potrebbe conoscere il destino di tutti e di ogni cosa.
24 David Weinberger. Everyday Chaos. Technology, Complexity, and How We’re Thriving in a New World of Possibility. Harvard Business Review press, 2019
25 Ibidem
