IA, dalla soluzione del problema matematico del millennio ai riders, senza sicurezza

L’8 settembre OpenAI ha annunciato di aver prodotto una soluzione al problema dell’esistenza e regolarità delle equazioni tridimensionali di Navier-Stokes, uno dei sette Millennium Prize Problems.

Se la dimostrazione supererà definitivamente il vaglio della comunità matematica, si tratterà di un risultato storico, non soltanto perché riguarda una questione rimasta aperta per circa novant’anni, ma anche per il modo in cui sarebbe stato raggiunto, attraverso un sistema interno di intelligenza artificiale e una dimostrazione successivamente formalizzata in Lean.

Quasi contemporaneamente è nato un conflitto sull’attribuzione del risultato. Tristan Buckmaster e Levent Alpöge stavano infatti lavorando su problemi strettamente collegati, mentre Buckmaster aveva utilizzato intensamente Codex durante la propria ricerca.

OpenAI sostiene, dopo una verifica interna, che quelle interazioni non possano aver contribuito al sistema che ha prodotto la soluzione e riconosce al gruppo concorrente la priorità su un risultato relativo alle equazioni di Euler; Buckmaster, da parte sua, ha contestato il modo in cui la vicenda è stata gestita e ha sollevato il problema dell’accesso ai materiali inseriti nel sistema durante il proprio lavoro.

Non vi sono elementi sufficienti per trasformare questa controversia in una prova di appropriazione, ma proprio per questo la questione più interessante sembra stare altrove: nel fatto che diventi sempre più difficile attribuire in modo semplice una conoscenza quando essa viene prodotta attraverso strumenti che concentrano al proprio interno quantità crescenti di sapere accumulato socialmente.

La formula secondo cui “l’IA ha risolto Navier-Stokes” tende infatti a trasformare il sistema tecnico in un nuovo soggetto della produzione scientifica, mentre dietro quel risultato continuano a trovarsi decenni di matematica, informatica e fisica, ricerca pubblica e privata, software, infrastrutture materiali e lavoro di programmatori e ricercatori.

Più che un’intelligenza comparsa improvvisamente accanto a quella umana, ciò che abbiamo di fronte sembra quindi una forma particolarmente avanzata di intelligenza sociale oggettivata.

È un processo che Marx aveva già intravisto nei Grundrisse, quando osservava come il sapere sociale tendesse a incorporarsi nel sistema delle macchine, e poi sistematizzato nel primo libro de Il Capitale.

Con l’intelligenza artificiale, tuttavia, questo movimento investe direttamente il lavoro mentale, ed è qui che le riflessioni di Guglielmo Carchedi risultano particolarmente utili. Progettare, programmare, produrre una dimostrazione matematica o trasformare determinate conoscenze in conoscenze nuove NON costituisce infatti un’attività “immateriale” nel senso di estranea al processo produttivo, ma un lavoro nel quale vengono impiegati tempo, capacità e forza-lavoro.

Ciò che il capitale aveva compiuto storicamente nei confronti di molte forme di lavoro manuale, osservandole, scomponendole e incorporandone progressivamente le capacità nella macchina, può quindi estendersi ad una parte crescente del lavoro mentale.

Non ogni interazione con un sistema di intelligenza artificiale produce direttamente valore, così come non ogni contenuto viene automaticamente utilizzato per addestrare un modello. Quando però questi strumenti vengono impiegati su scala di massa, costituiscono anche un enorme spazio di sperimentazione sociale nel quale diventano progressivamente visibili problemi, procedure, errori, criteri di valutazione e forme di conoscenza pratica che fino a ieri rimanevano disperse nell’attività di milioni di individui.

Da questo punto di vista, quanto sta avvenendo presenta una continuità con la storia del software libero. GNU/Linux aveva già mostrato come una comunità distribuita potesse produrre e perfezionare un’infrastruttura estremamente complessa mettendo in comune codice e conoscenze.

Il movimento del software libero aveva cercato consapevolmente di impedire l’appropriazione esclusiva del codice, fino a costruire strumenti come il copyleft, ma la proprietà comune del software non comportava quella comune dei server, delle fabbriche, delle piattaforme o della ricchezza prodotta attraverso quella base tecnica. Il capitale poteva quindi utilizzare una conoscenza rimasta comune per ridurre i propri costi e produrre profitto altrove, socializzando una parte dei costi della produzione del sapere senza rinunciare all’appropriazione privata dei risultati.

Con l’intelligenza artificiale il meccanismo si amplia ulteriormente, perché non riguarda più soltanto comunità relativamente ristrette di sviluppatori che scelgono consapevolmente di mettere in comune il proprio lavoro.

Quando questi strumenti entrano nella produzione, il progettista che corregge una soluzione, il programmatore che riformula una richiesta, il ricercatore che verifica un risultato o il tecnico che individua un errore, rendono indirettamente formalizzabili parti della propria attività, cosicché una quota del loro sapere può essere incorporata nel mezzo tecnico e ripresentarsi successivamente come capacità appartenente all’impresa che controlla quell’infrastruttura.

Se il caso Navier-Stokes pone quindi il problema dell’origine sociale della conoscenza incorporata nella macchina, un secondo episodio recente consente di guardare alla stessa questione dal lato dell’autonomia operativa dei sistemi.

Durante una valutazione di cybersicurezza condotta da OpenAI, un agente che avrebbe dovuto operare all’interno di un ambiente controllato è riuscito a sfruttare una vulnerabilità per raggiungere Internet, utilizzare un’infrastruttura esterna come base e arrivare successivamente a compromettere sistemi di Hugging Face.

La ricostruzione tecnica pubblicata da quest’ultima descrive una sequenza prolungata di azioni attraverso cui il sistema ha oltrepassato il perimetro originario e utilizzato risorse esterne nel tentativo di raggiungere l’obiettivo assegnato.

La lettura più immediata sarebbe quella della macchina che “sfugge al controllo”, ma rischierebbe di essere anche la meno utile. Non occorre infatti attribuire agli agenti una volontà di ribellione: il problema nasce proprio perché la capacità di trovare percorsi non interamente prescritti in anticipo costituisce una delle ragioni della loro utilità. Quanto maggiore diventa questa autonomia operativa, tanto più difficile risulta prevedere tutti i mezzi attraverso cui l’obiettivo assegnato verrà perseguito.

La tensione sembra quindi collocarsi meno tra una macchina obbediente e una macchina ribelle e molto di più tra l’autonomia necessaria al funzionamento di questi sistemi e la necessità di mantenerne sotto controllo gli effetti.

È anche in questo quadro che possono essere lette le dichiarazioni allarmate provenienti da alcuni dirigenti delle maggiori imprese del settore. Dario Amodei di Anthropic ha recentemente proposto di rallentare la crescita delle capacità dei modelli, accompagnando questa richiesta con l’ipotesi di maggiore coordinamento tra le imprese della frontiera e con la necessità di mantenere il vantaggio statunitense rispetto alla Cina, anche attraverso controlli più stretti sull’accesso alle tecnologie avanzate.

Sarebbe riduttivo leggere queste posizioni soltanto come una presa di coscienza dei rischi tecnologici, così come sarebbe altrettanto riduttivo considerarle una semplice costruzione strumentale. Il rischio può essere reale e, nello stesso tempo, assumere una funzione precisa nella competizione tra capitali e tra Stati.

Lo si vede proprio quando la questione incontra la Cina, perché se lo sviluppo dei sistemi più potenti richiede effettivamente maggiore cautela, un rallentamento unilaterale può trasformarsi immediatamente in uno svantaggio strategico.

Non a caso le richieste di maggiore sicurezza convivono con una competizione sempre più aspra sul controllo dei semiconduttori, della capacità di calcolo, dei modelli e delle infrastrutture digitali, mentre anche in Europa le proposte americane di rallentamento vengono lette da alcuni attori industriali come un possibile consolidamento del vantaggio già acquisito dalle imprese statunitensi.

Ogni blocco avrebbe così interesse a ridurre i rischi senza perdere la propria posizione relativa, o facendo in modo che siano gli altri a sopportare il costo maggiore del rallentamento. Una questione presentata come “universalmente umana” assume quindi inevitabilmente la forma concreta dei rapporti di forza tra Stati (peraltro con un peso interno delle società private assai diverso).

A questa contraddizione geopolitica se ne aggiunge però un’altra, interna allo stesso processo di accumulazione. La corsa all’IA richiede quantità enormi di capitale immobilizzato in data center, chip, energia e reti, mentre la rapidità con cui si succedono nuove generazioni di modelli tende ad abbreviare la vita economica degli investimenti appena realizzati.

La Banca dei Regolamenti Internazionali ha stimato che le cinque maggiori imprese tecnologiche possano investire oltre mille miliardi di dollari nell’IA nel solo biennio 2025-2026, richiamando nello stesso tempo l’attenzione sull’aumento del debito, sull’opacità di parte dei finanziamenti e sul rischio che i rendimenti futuri non siano sufficienti a giustificare la massa di capitale anticipata.

Per il singolo capitale, tuttavia, rallentare autonomamente non costituisce una soluzione, perché se un’impresa rinuncia alla generazione successiva mentre un concorrente continua a investire rischia semplicemente di perdere la propria posizione. Ciò che appare razionale dal punto di vista di ogni singola impresa può quindi produrre, una volta generalizzato, una massa crescente di capitale fisso da valorizzare e, nello stesso tempo, esposta a una rapida obsolescenza.

È una dinamica che ricorda, almeno formalmente, quanto accaduto agli agenti artificiali: viene assegnato un obiettivo locale, mentre il suo perseguimento può produrre un risultato complessivo che nessun singolo soggetto aveva pianificato. Nel capitalismo ogni impresa cerca razionalmente di difendere la propria redditività, ma dalla combinazione di queste decisioni possono emergere sovraccumulazione, capacità produttiva eccedente, svalutazione e crisi, proprio perché nessun capitale può sottrarsi individualmente alla pressione della concorrenza.

È in questo spazio che in genere interviene lo Stato, tentando di imporre standard, limiti o forme di coordinamento che le singole imprese non potrebbero adottare unilateralmente senza esporsi ai concorrenti. Ciò che può disciplinare almeno temporaneamente la concorrenza all’interno di un blocco tende però, sul piano internazionale, a trasformarsi in uno strumento della competizione tra blocchi, mentre dietro il linguaggio della “sicurezza” torna la questione di chi controllerà la nuova gerarchia produttiva mondiale.

Se però la contraddizione viene rappresentata esclusivamente come un conflitto tra “umanità” e “intelligenza artificiale”, rischia di passare in secondo piano il fatto che quella macchina abbia proprietari, che gli obiettivi assegnati ai sistemi siano definiti all’interno di determinati rapporti produttivi e che qualcuno decida quali attività automatizzare e come distribuire i guadagni di produttività.

È sul terreno del lavoro che questo problema appare con maggiore chiarezza. Per la singola impresa, sostituire una parte del lavoro vivo attraverso sistemi automatici può essere perfettamente razionale. Se dieci lavoratori riescono a produrre quanto quindici, diminuisce il costo individuale della produzione e, almeno finché la nuova tecnologia non si diffonde, può comparire un vantaggio rispetto ai concorrenti.

Quando però l’innovazione si generalizza, il nuovo livello di produttività diventa la norma e quel vantaggio tende a scomparire, lasciando un processo produttivo che mette in movimento una quantità crescente di mezzi tecnici attraverso una quantità relativamente minore di lavoro vivo.

L’intelligenza artificiale non crea, in questo senso, una contraddizione radicalmente nuova, quanto piuttosto estende al lavoro mentale una dinamica che accompagna la grande industria da molto tempo.

Nella teoria marxiana la macchina non produce autonomamente nuovo valore, ma trasferisce progressivamente ai prodotti quello già incorporato in essa, mentre il nuovo valore continua a dipendere dal lavoro vivo. Eppure la concorrenza spinge ogni capitale a ridurre continuamente proprio la quantità relativa di quel lavoro necessaria alla produzione.

Questo non significa che l’automazione debba produrre immediatamente una crisi, perché l’aumento della produttività può accrescere il plusvalore relativo, ridurre il costo dei mezzi di produzione e creare nuovi settori.

Resta però una tensione strutturale, nella misura in cui la stessa dinamica che accresce la produttività tende anche a restringere relativamente la base di lavoro vivo sulla quale poggia il processo di valorizzazione.

Sarebbe difficile sostenere che i dirigenti delle imprese tecnologiche ragionino consapevolmente in questi termini quando chiedono di rallentare lo sviluppo dell’IA. Più plausibilmente, la contraddizione emerge attraverso questioni apparentemente separate – sicurezza, occupazione, investimenti, stabilità sociale e competizione geopolitica – che rinviano tutte alla difficoltà di governare una forza produttiva che il capitale è nello stesso tempo costretto a sviluppare.

Per questo la scelta tra accelerare e rallentare rischia di essere posta male. Il capitale deve accelerare perché la concorrenza lo impone, ma deve anche tentare di controllare gli effetti di quella stessa accelerazione; deve sviluppare una tecnologia prima dei concorrenti e contemporaneamente impedire che essi possano svilupparla con la stessa rapidità; deve ridurre il lavoro necessario alla produzione e continuare nello stesso tempo a trovare lavoro vivo sufficiente alla valorizzazione.

Ma il passaggio dal lavoro mentale alla macchina non produce effetti soltanto sui lavoratori che svolgono direttamente attività cognitive. Quando vengono incorporate nei sistemi digitali, infatti, anche funzioni come pianificare, coordinare, distribuire compiti, calcolare tempi, misurare prestazioni e assumere decisioni possono tornare a esercitare un comando sul lavoro manuale.

Da questo punto di vista la separazione tra lavoro mentale e manuale – peraltro mai assoluta, perché anche per usare le mani si pensa – non scompare, ma viene riorganizzata.

Una parte delle attività cognitive che servono a governare il processo di lavoro viene trasferita al sistema tecnico, mentre chi continua a eseguire materialmente la prestazione si trova sempre più spesso subordinato alle decisioni prodotte da quel sistema.

Il precedente storico più evidente è il taylorismo, che aveva cercato di separare il sapere dell’operaio dall’esecuzione, concentrando nella direzione la conoscenza del processo, dei tempi e dei metodi per restituire poi al lavoratore una sequenza di operazioni prescritte.

Con la gestione algoritmica questo movimento può spingersi oltre, perché una parte della stessa funzione organizzativa viene oggettivata nel mezzo tecnico. Il comando non deve più necessariamente presentarsi con il volto del caporeparto, perché può assumere quello di un’applicazione che assegna un ordine, stabilisce un percorso, registra un ritardo, costruisce un ranking o determina l’accesso alle successive occasioni di lavoro.

È proprio per questo che il caso dei rider, pur riguardando un lavoro evidentemente materiale, permette di comprendere bene cosa significhi l’oggettivazione del lavoro mentale. Il rider continua a pedalare, ritirare e consegnare fisicamente una merce, mentre una quota crescente del lavoro cognitivo necessario a coordinare quella prestazione – incrociare domanda e disponibilità, assegnare la consegna, calcolare tempi e percorsi, monitorare la prestazione – viene concentrata nella piattaforma. La conoscenza organizzativa incorporata nel software si presenta così al lavoratore come una forza esterna che contribuisce a determinare le sue condizioni concrete di lavoro.

USB ha descritto questa trasformazione parlando di una subordinazione esercitata attraverso strumenti digitali, sottolineando come algoritmi, sistemi di valutazione e meccanismi di disconnessione possano svolgere funzioni che appartengono pienamente al potere datoriale.

Nei propri materiali sulla logistica ha inoltre indicato nella gestione algoritmica una forma di controllo che investe tanto i rider quanto altre figure del settore, mentre nel confronto sul recepimento della Direttiva europea 2024/2831 ha considerato insufficiente il semplice richiamo alla trasparenza degli algoritmi se non accompagnato dal riconoscimento effettivo dei diritti e della subordinazione.

La direttiva europea, pur senza mettere in discussione la proprietà delle piattaforme, riconosce del resto che i sistemi automatizzati possono svolgere direttamente funzioni di organizzazione e gestione del lavoro e prevede, oltre all’informazione, forme di supervisione umana, possibilità di contestazione delle decisioni e informazione e consultazione dei rappresentanti quando sistemi automatizzati vengono introdotti o modificati in modo sostanziale.

È in questo passaggio che la questione va oltre la richiesta di una piattaforma genericamente “più giusta”. Se l’algoritmo organizza concretamente il lavoro, conoscere i criteri con cui assegna incarichi e valuta le prestazioni, poterne contestare le decisioni e partecipare alla verifica dei suoi effetti significa iniziare a sottrarre il mezzo digitale alla condizione di scatola nera riservata all’impresa. La “trasparenza” acquista così un significato più forte quando diventa il presupposto di una capacità collettiva di intervento sul funzionamento della piattaforma.

Da qui deriva anche il significato politico dell’alfabetizzazione digitale. Se una parte crescente del sapere e del comando viene incorporata nei mezzi tecnici, una soggettività del lavoro che non sia in grado di comprenderne almeno il funzionamento essenziale rischia infatti di chiedere il controllo di strumenti sui quali non possiede alcuna autonomia conoscitiva.

La questione presenta, pur dentro condizioni storiche completamente differenti, una stretta parentela con la battaglia condotta dal movimento operaio per l’istruzione e per l’accesso dei figli dei lavoratori alla conoscenza. Anche allora il problema non consisteva semplicemente nell’acquisire competenze più utili al mercato del lavoro, ma nel sottrarre almeno una parte del sapere al monopolio delle classi dominanti.

Oggi comprendere come funzionano un algoritmo, un sistema di classificazione o una piattaforma non significa trasformare ogni rider in un programmatore, quanto piuttosto costruire gli strumenti collettivi che permettano ai lavoratori e alle loro organizzazioni di non dipendere integralmente dalla spiegazione fornita dall’impresa sul funzionamento del mezzo che li dirige.

L’alfabetizzazione digitale assume così un significato molto diverso dalla formazione aziendale all’uso di un software. Quest’ultima insegna a utilizzare più efficacemente uno strumento deciso da altri; la prima può mettere i lavoratori nelle condizioni di comprenderne abbastanza la logica da poterla discutere, contestare e, attraverso le proprie organizzazioni, intervenire sulle regole attraverso cui quella tecnologia organizza il lavoro. La questione politica torna allora anche sul tempo.

Se una nuova tecnologia consente di produrre la stessa quantità di beni o servizi con meno lavoro umano, la riduzione del lavoro necessario potrebbe tradursi in una riduzione generalizzata dell’orario. Nel rapporto capitalistico, invece, quella stessa possibilità tende a presentarsi al lavoratore nella forma del licenziamento, della dequalificazione o dell’aumento dell’intensità della prestazione di chi rimane.

È per questo che la riduzione dell’orario a parità di salario può assumere un significato che va oltre la semplice redistribuzione, perché pone direttamente la domanda su chi debba appropriarsi del tempo che la società non è più costretta a spendere nella produzione. Appropriarsi del tempo liberato, ricostruire una conoscenza autonoma sui mezzi tecnici e trasformare quella conoscenza in capacità collettiva di intervento sul processo produttivo non appaiono allora come tre questioni separate.

Sono passaggi dello stesso problema, perché una forza produttiva costruita attraverso una crescente socializzazione della conoscenza può diventare realmente emancipatrice soltanto se la sua capacità di ridurre il lavoro necessario non rimane proprietà esclusiva di chi controlla l’infrastruttura.

La soluzione delle Navier-Stokes, gli agenti che oltrepassano i confini previsti dai loro progettisti, la competizione internazionale sull’intelligenza artificiale, le enormi masse di capitale investite nei data center e un rider governato da una piattaforma possono sembrare fenomeni molto lontani. Eppure ciascuno, da un’angolazione differente, mostra come per sviluppare le proprie forze produttive il capitale abbia bisogno di una cooperazione e di una socializzazione della conoscenza sempre maggiori, mentre il controllo sulle infrastrutture e sulla destinazione della ricchezza prodotta continua a concentrarsi.

Più che chiederci se la macchina sia diventata “troppo intelligente”, potrebbe allora essere utile porre il problema al contrario: che cosa accade quando l’intelligenza necessaria alla produzione diventa sempre più sociale, mentre rimane privato il potere di decidere come utilizzarla?

È dentro questa contraddizione che la questione del controllo sulla produzione può acquistare un contenuto concreto. Decidere quali tecnologie sviluppare, con quali ritmi e per quali bisogni significa infatti anche appropriarsi del tempo che esse liberano e costruire la capacità autonoma del lavoro di comprenderne il funzionamento, fino a poter intervenire su quella “scatola nera” digitale dentro cui tende a essere incorporata una parte crescente non soltanto del sapere sociale, ma dello stesso comando sul lavoro.

Fonte

Marx nell’epoca dell’IA: l’intelligenza è sociale, il profitto no

Che cosa direbbe Karl Marx oggi, davanti a ChatGPT, ai mercati finanziari governati da algoritmi, alla moneta digitale e alla crescente automazione del lavoro intellettuale?

Probabilmente non si stupirebbe della tecnologia. Si stupirebbe, semmai, del modo in cui il capitalismo continua a presentare come proprietà privata ciò che è il risultato di una gigantesca cooperazione sociale.

È questo il punto da cui partire.

Marx non fu mai un nemico della scienza. Al contrario, comprese prima di molti altri che lo sviluppo delle forze produttive avrebbe potuto aprire possibilità straordinarie per l’umanità. Ma non confuse mai la scienza con una semplice tecnica al servizio dell’utilità e del profitto. La scienza, nella sua prospettiva, appartiene alla capacità creativa dell’essere umano e alla sua relazione sociale con il mondo.

Ed è proprio qui che l’intelligenza artificiale pone una questione politica gigantesca.

Ci viene raccontato che le macchine stanno diventando “intelligenti”. Ma di quale intelligenza parliamo? I sistemi di IA sono costruiti sulla base di enormi quantità di linguaggio, immagini, conoscenze e produzioni culturali generate da milioni di esseri umani. Dietro l’apparente autonomia della macchina c’è la storia collettiva dell’umanità.

L’intelligenza artificiale, in questo senso, è anche intelligenza sociale accumulata e organizzata tecnologicamente.

Il capitale, però, compie un’operazione che Marx avrebbe riconosciuto immediatamente: separa la potenza sociale dalla sua origine sociale e la presenta come una proprietà privata.

L’opera di milioni di persone diventa “dataset”. Il sapere collettivo diventa capitale tecnologico. Il linguaggio umano diventa materia prima. La creatività sociale diventa un asset. E il risultato viene concentrato nelle mani di poche grandi imprese.

La contraddizione è evidente: più la produzione diventa sociale, più la sua appropriazione tende a diventare privata.

Non è una novità dell’IA. È una delle contraddizioni fondamentali del capitalismo che Marx aveva individuato nella grande industria e che oggi raggiunge una nuova dimensione.

Anche il denaro sembra essersi liberato della materia. Banconote, monete e persino i confini fisici delle transazioni vengono progressivamente sostituiti da numeri, registrazioni elettroniche, algoritmi. Ma il denaro digitale non è meno sociale del denaro cartaceo. Al contrario: rende ancora più evidente che il denaro è un rapporto sociale.

L’illusione dell’“immateriale” rischia allora di diventare ideologia. Dietro il cloud ci sono data center, energia, miniere, cavi, lavoratori e infrastrutture. Dietro l’algoritmo ci sono programmatori, ricercatori, annotatori, creatori di contenuti e una quantità sterminata di lavoro umano. Dietro ogni transazione digitale esistono istituzioni e rapporti di potere.

L’immateriale non ha cancellato il lavoro. Lo ha reso più difficile da vedere.

E qui torna una frase dei Manoscritti economico-filosofici del 1844: «...mein eignes Dasein ist gesellschaftliche Tätigkeit». La mia stessa esistenza è attività sociale.

È una frase che oggi dovrebbe essere affissa all’ingresso di ogni data center della Silicon Valley.

Perché se la nostra esistenza è attività sociale, allora anche la conoscenza prodotta attraverso questa attività è, almeno nella sua origine, una ricchezza sociale. Il problema politico non è quindi stabilire se l’IA sia “buona” o “cattiva”. Il problema è chi possiede e controlla la potenza sociale incorporata nelle nuove tecnologie.

Sotto il capitalismo, una tecnologia che potrebbe ridurre drasticamente il tempo di lavoro necessario può diventare invece uno strumento per aumentare produttività, controllo, sorveglianza e disoccupazione. Una macchina capace di liberare tempo per tutti può diventare una macchina per intensificare il lavoro di alcuni e concentrare ricchezza nelle mani di pochi.

Questa è la contraddizione.

E c’è un punto ancora più radicale. Non siamo semplicemente di fronte a una nuova fase dell’innovazione tecnologica: siamo davanti a una battaglia sulla proprietà della conoscenza sociale. Chi controlla i grandi modelli di IA controlla una parte crescente delle infrastrutture attraverso cui la società produce, conserva e rielabora il sapere.

Per questo la questione non può essere lasciata agli amministratori delegati delle Big Tech, ai fondi d’investimento o ai governi che discutono di competitività nazionale. Non basta chiedere una “regolamentazione etica” dell’intelligenza artificiale. Bisogna mettere in discussione il rapporto sociale che permette a pochi soggetti di appropriarsi privatamente di una cooperazione che appartiene a tutti.

Se milioni di persone producono continuamente dati, linguaggio, cultura e conoscenza, la loro trasformazione in capitale non è un fatto naturale: è una scelta politica e un rapporto di forza.

L’IA potrebbe essere una delle più grandi tecnologie di liberazione dal lavoro necessario mai concepite. Potrebbe ridurre l’orario di lavoro, socializzare il sapere, democratizzare l’accesso alla conoscenza e aumentare enormemente lo spazio della creatività umana.

Ma tutto questo è incompatibile con un sistema nel quale ogni conquista della cooperazione sociale deve trasformarsi in profitto privato.

La vera alternativa, dunque, non è tra innovazione e conservazione. È tra una tecnologia subordinata al capitale e una tecnologia liberata dal capitale.

Marx, probabilmente, non avrebbe chiesto se ChatGPT è intelligente. Avrebbe chiesto: di chi è questa intelligenza?

E soprattutto: se è stata costruita socialmente, perché dovrebbe essere utilizzata per arricchire pochi invece che per aumentare la libertà di tutti?

Questa è la vera partita politica dell’intelligenza artificiale. Non uomo contro macchina. Non passato contro futuro. Ma lavoro sociale contro appropriazione privata.

L’intelligenza è sociale. La conoscenza è sociale. La ricchezza prodotta dalla cooperazione è sociale.

Il capitalismo, invece, continua a volerla privata.

Ed è precisamente qui che la contraddizione torna a farsi esplosiva.

Fonte

L’estasi dell’ignoranza

Per quanto si tenda a distinguere tra chi è propenso alla conoscenza e chi sembra invece far di tutto per evitarla, in realtà, sostiene Mark Lilla in L’estasi dell’ignoranza (Luiss University Press, 2026), l’essere umano si trova frequentemente in balia di uno scontro di volontà, tra sete di conoscenza e desiderio di ignorare. Al tipo di essere umano (homo viator) propenso a pensare alla propria vita come a un viaggio alla scoperta di qualcosa, aspettandosi di trovare piacere e felicità in questa ricerca, si contrappone chi (homo fugiens) preferisce evitare tale sforzo considerandolo non solo inutile, ma persino dannoso. Della volontà di ignoranza si sono occupati i miti antichi, le religioni e, più in generale, le opere di immaginazione, ma ben più raramente la propensione al non voler sapere è stata affrontata in ambiti “non poetici”. Il saggio di Lilla, docente alla Columbia University e collaboratore di riviste come «New York Review of Books» e «The New Republic», intende contribuire a colmare questa lacuna.

Nella tradizione occidentale, sin dai tempi antichi, è presente una pulsione, raramente confessata, che spinge l’essere umano a non voler sapere; che si tratti di evitare notizie scomode, di difende un tabù nonostante se ne intuisca l’origine, di rifiutare una diagnosi o una responsabilità morale, non è affatto raro che l’individuo si rifugi volontariamente nell’ignoranza.

Esiste una lunga tradizione di pensiero che guarda con sospetto all’umana passione per la conoscenza e che cerca sollievo nell’evitare ogni sforzo per comprendere il mondo, ma occorre ammettere che anche chi, sul versante opposto, cerca soddisfazione nella conoscenza, di tanto in tanto, non disdegna di sgravarsi da tale imperativo accontentandosi di non sapere. «Più la verità è dura, maggiore è la tentazione di sfuggirle» (p. 144). La consapevolezza della convivenza in ogni essere umano di volontà di sapere e di non sapere, sostiene l’autore, dovrebbe frenare chi si sente appartenere alla categoria dell’homo viator dal dare giudizi sbrigativi e autocompiaciuti sull’homo fugiens come se questo rappresentasse davvero una totale alterità.

Passando in rassegna i miti antichi, come quello di Edipo, passando per Sant’Agostino, Nietzsche e Freud, Lilla ripercorre una lunga serie di fughe dalla verità esplorando le tensioni tra il desiderio e il rifiuto di conoscere e comprendere il mondo che gravano su ogni essere umano. L’autore guarda dunque alla «tendenza umana a trasformare quelle tensioni interiore in miti religiosi, contrapponendo divinità, con i loro tabù che impongono limiti alla curiosità, a esseri umani che eroicamente, seppure inutilmente, si ribellano» (p. 14).

Una parte della trattazione è dedicata alle fantasie. «Oltre al suo potere di ispirare la resistenza e prendere coscienza della realtà, la volontà di ignoranza alimenta anche l’immaginazione e fa balenare di fronte a noi illusorie realtà alternative»: dall’esistenza di una modalità segreta ed esoterica di vivere il mondo che consenta di accedere a verità nascoste extra-razionali, alla vana speranza di poter preservare una sorta di “innocenza originaria”, o di ottenerne una nuova, «libera dalla tragica conoscenza dei limiti umani, della mortalità, del male», oppure, ancora, di poter fuggire il presente tornando a un passato immaginario «libero dal peso della consapevolezza dell’irreversibilità del tempo o di compiere un balzo in un glorioso futuro in cui le virtù dei tempi passati saranno ripristinate» (p. 14).

Il volume di Lilla è stato scritto, come ricorda lo stesso autore, in un momento in cui diverse manifestazioni di resistenza al sapere si sono combinate tra loro. «Oggi non occorre cercare lontano per imbattersi in misologi che respingono il ragionamento come un gioco da sciocchi, un velo che copre le macchinazioni del potere. O in tromboni che credono di essere stati benedetti con un accesso privilegiato alla verità e scelti per far sì che viviamo alla sua luce. O in movimenti di massa fatti di santi sciocchi e bambini eterni, il cui disgusto per il presente li spinge a correre invano, a restaurare un passato immaginario. Né è difficile trovare i profeti odierni dell’ignoranza, i dotti disprezzatori del sapere che, per convinzione o per ambizione, idealizzano chi resiste al dubbio ed erige bastioni attorno alle proprie credenze. Di fronte a tutto ciò, i devoti del ragionamento e dell’indagine aperta possono cominciare a sentirsi dei profughi» (pp. 144-145).

Oltre che rivelarsi utile a comprendere meglio le radici profonde del cospirazionismo, del pensiero magico e delle semplificazioni ideologiche che attraversano la contemporaneità, L’estasi dell’ignoranza ha il merito di evidenziare tanto gli aspetti seduttivi della fuga dalla verità, quanto il prezzo che si finisce per pagare nello scegliere, consapevolmente, di non sapere.

Fonte 

L’IA può sostituire i mercati?

Il mio amico Carlo Ludovico Cordasco ha recentemente pubblicato due articoli ricchi e stimolanti sull’IA e il problema della conoscenza. Il suo argomento ha il merito di andare oltre dicotomie semplicistiche, esplorando in modo intellettualmente onesto se e come l’IA possa replicare, o addirittura sostituire, le funzioni economiche tradizionalmente svolte dai mercati.

In particolare, si concentra sul ruolo dei mercati nella scoperta della conoscenza e nella correzione degli errori, sollevando dubbi sulla capacità dell’IA di eguagliarli in queste aree cruciali.

Ciò che colpisce della sua analisi è quanto si avvicini a una prospettiva socialista di mercato, che vede i mercati non come sacri, ma come strumenti istituzionali contingenti, che possono essere integrati, simulati o parzialmente sostituiti se e quando emergono meccanismi migliori.

Molte delle sfide che Carlo solleva, così come le soluzioni ibride che immagina, si inseriscono bene nel quadro proposto da Oskar Lange e altri che cercavano una sintesi tra pianificazione e feedback decentralizzato.

Separare la normatività dal meccanismo

Uno dei punti chiave del ragionamento di Carlo è che qualsiasi criterio normativo di allocazione ottimale deve essere indipendente dai mercati stessi. Che adottiamo l’efficienza paretiana, una funzione di benessere sociale utilitaristica, il principio rawlsiano del maximin o un approccio basato sulle capacità, questi standard sono definiti in termini di risultati, non di forme istituzionali. I mercati possono approssimare bene tali risultati in certe condizioni, ma non sono privilegiati normativamente di per sé.

Questo è proprio il punto di partenza del contributo di Lange. Egli riconosceva il valore informativo dei mercati, ma non li considerava assiomatici. Proponeva invece di usare segnali di prezzo simulati in un sistema di pianificazione centrale, guidato da feedback su surplus e carenze, per imitare la funzione di coordinamento dei mercati decentralizzati (Lange, 1936).

L’argomento risuona con tradizioni più ampie dell’economia istituzionale e della teoria delle decisioni: dalla razionalità limitata di Herbert Simon (1957), che richiede di accontentarsi di soluzioni soddisfacenti in ambienti complessi e poveri di informazioni, alla pianificazione partecipativa di Albert & Hahnel (1991), che cerca processi economici decentralizzati ma coordinati basati su feedback iterativi e obiettivi condivisi anziché sulla competizione.

Linee simili di pensiero compaiono nella coordinazione negoziata di Pat Devine (1988), dove la partecipazione democratica nel processo produttivo gioca un ruolo centrale nell’allocazione delle risorse senza affidarsi esclusivamente ai mercati.

Il collaboratore di Lange, Włodzimierz Brus, approfondì questo quadro sottolineando i prerequisiti istituzionali e politici per una coordinazione economica significativa, sostenendo che i sistemi di pianificazione devono incorporare decentramento, reattività e controllo democratico per funzionare efficacemente (Brus & Laski, 1989). Il suo lavoro successivo criticò i fallimenti del “socialismo reale”, proponendo una gestione economica più pluralista e democratica.

Importante, queste proposte non erano mere aggiustature tecnocratiche al capitalismo. Provenivano da una tradizione marxista interessata a superare l’anarchia della produzione, abolire lo sfruttamento e controllare democraticamente il surplus. Lange, Brus e altri cercarono di risolvere una tensione nell’eredità di Marx: come preservare la proprietà collettiva senza cadere in un centralismo burocratico inefficiente.

Esperimenti storici come Cybersyn nel Cile degli anni ’70 (un tentativo di usare la cibernetica per coordinare l’economia in tempo reale, Medina, 2011) e il sistema jugoslavo di imprese autogestite in un quadro socialista di mercato (Horvat, 1982) mostrano che gli sforzi per combinare pianificazione, partecipazione e mercato non sono nuovi. Ciò che mancava allora – capacità computazionale, dati in tempo reale, previsioni avanzate – oggi l’IA potrebbe fornirlo.

L’IA come pianificazione potenziata?

Carlo ha ragione a enfatizzare i due motori del coordinamento di mercato:
- scoperta della conoscenza, con agenti che rivelano informazioni disperse attraverso transazioni;
- correzione degli errori, dove gli errori sono puniti con perdite, spingendo a revisioni o uscite.

Dubita che l’IA possa eguagliare i mercati nella seconda funzione, ma riconosce che è sempre più efficace nella prima: classificare dati, prevedere domanda, condurre micro-esperimenti su larga scala.

Arriviamo così al cuore del discorso: non serve abolire i mercati per riconoscere che l’IA può ridisegnare i confini del loro utilizzo. Come anticipò Lange, se cambiano le condizioni informative, cambia anche la necessità di affidarsi ai mercati.

E queste condizioni stanno cambiando. La pianificazione basata sull’IA non è più teorica:
- i sistemi di raccomandazione allocano attenzione e beni nei media digitali;
- le multinazionali usano algoritmi per ottimizzare produzione, gestione delle scorte e logistica (Phillips & Rozworski, 2019);
- le smart grid energetiche regolano produzione e consumo in tempo reale.

Questi non sono esperimenti mentali: sono sistemi di pianificazione parziali, integrati in economie di mercato.

Da una prospettiva marxista, si apre una nuova frontiera nella critica dell’economia politica. Se l’IA può alleviare i vincoli informativi che una volta rendevano necessari i mercati, e se possiamo progettare istituzioni che disciplinino l’attività economica attorno ai bisogni sociali anziché al profitto, allora la socializzazione del coordinamento economico diventa una questione pratica, non un sogno utopico.

Verso un futuro a mosaico?

Carlo ipotizza un futuro istituzionale ibrido:
- in alcuni settori (es. beni digitali a costo marginale quasi zero), la scarsità sta scomparendo, e con essa il ruolo informativo dei prezzi. Qui, l’IA potrebbe coordinare l’allocazione meglio dei mercati, usando algoritmi, code o protocolli ad accesso aperto; 
- in altri, la scarsità persiste, e con essa la necessità di feedback basati sui prezzi. Ma anche qui, l’IA può affiancare i mercati, migliorando scoperta, previsione ed efficienza.

Un campo rilevante è il mechanism design algoritmico, dove agenti IA allocano risorse attraverso protocolli incentivanti. Nella versione distribuita, gli agenti interagiscono direttamente per raggiungere equilibri senza controllo centralizzato, suggerendo che coordinamento e correzione degli errori possano emergere da feedback tra pari, anziché da mercati tradizionali.

Conclusione: un riquadro Langeano?

Forse la domanda giusta non è se l’IA possa sostituire i mercati, ma in quali condizioni possa integrarli o parzialmente rimpiazzarli. Lo scetticismo di Carlo sulla capacità dell’IA di replicare la correzione degli errori è condivisibile, ma il suo quadro apre – piuttosto che chiudere – la possibilità di una sintesi socialista di mercato: preservare il ruolo disciplinare dei mercati dove serve, esplorando strumenti algoritmici per espandere le forme di coordinamento possibili e desiderabili.

Non è un rifiuto dei mercati, ma un invito a reimmaginarli: come strumenti da affinare, non templi da difendere. E, da un punto di vista marxista, non è un ritorno alla pianificazione burocratica, ma una visione proiettata in avanti: una produzione democraticamente diretta, tecnologicamente potenziata ed ecologicamente sostenibile – un socialismo riadattato all’era digitale.

Bibliografia

Albert, M., & Hahnel, R. (1991). The Political Economy of Participatory Economics. Princeton University Press.

Brus, W., & Laski, K. (1989). From Marx to the Market: Socialism in Search of an Economic System. Oxford University Press.

Devine, P. (1988). Democracy and Economic Planning: The Political Economy of a Self-Governing Society. Polity Press.

Horvat, B. (1982). The Political Economy of Socialism: A Marxist Social Theory. M.E. Sharpe.

Lange, O. (1936). On the Economic Theory of Socialism. Review of Economic Studies, 4(1), 53–71.

Medina, E. (2011). Cybernetic Revolutionaries: Technology and Politics in Allende’s Chile. MIT Press.

Phillips, L., & Rozworski, M. (2019). The people’s republic of Walmart: How the world’s biggest corporations are laying the foundation for socialism. Verso Books.

Simon, H. A. (1957). Models of Man: Social and Rational. Wiley.

Fonte

Intelligenza artificiale, crisi delle competenze, simulazione del saper fare

Il vero punto di rottura dell'intelligenza artificiale non risiede nella sua capacità di simulare l'intelligenza, quanto piuttosto nel permettere agli utenti di simulare competenze che non possiedono realmente. Questo fenomeno può ridefinire profondamente concetti come autorevolezza, originalità e merito che, in teoria, dovrebbero essere fondanti per una società. Sottolineo "in teoria" perché una società governata in larga parte da simulacri come Baudrillard li ha definiti è già pronta per sostituire intelligenza e competenza con i rispettivi segni.

Il dibattito sull'IA si dovrebbe schiodare dalla dimensione filosofica del passato, incentrata sulla domanda se una macchina possa pensare, per includere l'impatto sociale di queste tecnologie.

C'è una questione già presente: cosa accade quando chiunque può produrre risultati che sembrano provenire da un esperto senza esserlo davvero? L'apparente "democratizzazione" della conoscenza o delle competenze in realtà alimenta un equivoco colossale.

Andiamo indietro nel tempo per dare un'occhiata a una rivoluzione che rimosse barriere all'accesso di una tecnologia. Il boom dei personal computer aveva portato con sé prima quello dei sistemi operativi e poi quello delle interfacce grafiche (MacOS prima, Windows poi). E la maggior parte del software più importante, dal sistema operativo agli applicativi più rilevanti, inclusi quelli per la programmazione, era a pagamento. Poi arrivò Linux, gratuito: qualcuno commentò in chiave marxista, dicendo che i mezzi di produzione erano stati distribuiti alla popolazione.

Con Linux e il free software, in potenza, chiunque poteva programmare in vari linguaggi, da C ANSI a SQL. Ma rimaneva una barriera intrinseca: l'apprendimento dei linguaggi. Imparare un linguaggio richiede tempo e impegno. Se pensate che impegno lo richiedano Python o R, considerate il Fortran o tutta la faccenda dei puntatori in C... Se dovessi cercare nella mia memoria un caso di genialità che ho visto all'opera direi che era quello di qualcuno che, programmando, apriva il core dump, ci dava un'occhiata e esclamava "Ah, ecco il problema!". Era un mondo in cui ogni competenza per essere acquisita non richiedeva soltanto studio e pratica, ma anche capacità analitiche.

L'interfaccia con linguaggio naturale rimuove queste barriere, in tutti i sensi: si può anche chiedere al GPT codice Python o SQL o che altro senza avere alcuna conoscenza o pratica di quei linguaggi. Con l'imparare a scrivere prompt l'asticella della competenza necessaria è stata ricollocata raso terra.

Oggi assistiamo a studenti che generano tesi di laurea di ottanta pagine in tre ore senza aver mai consultato una bibliografia, ad Amazon invasa da opere scritte dall'intelligenza artificiale che, pur contenendo errori concettuali, mantengono un'apparenza credibile, e a sviluppatori che copiano codice da ChatGPT senza comprendere le implicazioni sulla sicurezza informatica.

La questione non è più capire come funzioni l'IA, ma comprendere come funzioni una società in cui l'intelligenza artificiale svolge lavoro per gli esseri umani. Questo cambiamento genera tre crisi fondamentali che minacciano le basi del nostro sistema conoscenza/competenza.

La prima è una crisi epistemica che mette in discussione i nostri meccanismi per stabilire cosa sia e cosa non sia artefatto. Oggi l'intelligenza artificiale dissocia completamente l'output dalla competenza reale: un libro di fisica generato da GPT-4 può apparire identico a quello scritto da un fisico di fama mondiale. Il risultato è che il sapere si trasforma in un teatro di simulazioni dove diventa impossibile distinguere l'umano dall'artefatto e forse, ad un certo punto, questa distinzione finirà per perdere di significato.

La seconda crisi riguarda il merito e solleva interrogativi fondamentali nei processi dell'educazione e dell'istruzione. Due laureati possono presentare tesi formalmente equivalenti, anche se uno ha impiegato sei mesi di lavoro intenso mentre l'altro ha utilizzato l'IA in tre giorni. Le istituzioni, dalle università alle case editrici, si trovano nell'impossibilità di distinguere l'umano dall'artefatto (o il reale dal simulato?), causando un progressivo svuotamento di valore dell'opera scritta. È la falsificazione di un processo: lo studente che ha impiegato sei mesi in quel lasso di tempo ha accresciuto le sue competenze, l'altro no, ma il suo elaborato certifica il contrario.

La terza crisi tocca la motivazione stessa all'apprendimento. Se un sistema può scrivere romanzi, tradurre dal sanscrito o condurre analisi finanziarie al posto nostro, chi investirà ancora anni della propria vita per acquisire queste competenze? Il rischio è la formazione di una generazione di individui superficiali, capaci di utilizzare strumenti sofisticati ma incapaci di comprenderli veramente. Qualcuno potrebbe dire: i social hanno già inscenato questa realtà, con lauree brevi, magari prese online, che potevano pontificare in nome della scienza. Si, ok, ma i social non sono il mondo reale.

Questa rivoluzione si distingue radicalmente da tutte le innovazioni tecnologiche precedenti. La calcolatrice non ha mai simulato la matematica, ma si è limitata ad accelerare calcoli che l'utente era già in grado di comprendere. Google non scriveva contenuti al posto dell'utente, che doveva comunque possedere le competenze per cercare informazioni e sintetizzarle. Il GPT, o quello che sarà il suo successore, genera invece output completi senza richiedere comprensione o competenza, spezzando definitivamente il legame tra apprendimento e produzione di contenuto.

Nel peggiore dei casi, potremmo vedere il collasso completo del sistema di conoscenza certificata, con istituzioni educative e editoriali che perdono rilevanza di fronte alla capacità dell'IA di fornire risposte immediate. Il sapere rischierebbe di frammentarsi in micro-verità algoritmiche personalizzate, replicando su scala più ampia quanto già accade con i social media.

Ma...

C'è un enorme "ma": per quanto la produzione di contenuti e informazione sia prevalente, nella nostra società, (occidentale -ndR) tutto questo ha implicazioni marginali sul saper fare. O meglio ne ha finché non si confondono i due piani. Un esempio? Cucina e ricette. Se qualcuno dovesse obiettare: "un GPT non ha gusto né olfatto, è un nonsenso chiedergli di creare ricette!" avrebbe la mia piena approvazione. Purtroppo:

Ma qui veniamo al dunque: sono mesi che litigo con un certo pesce perché non riesco a trovare una ricetta che mi soddisfi. Secondo ChatGPT l'idea di marinarlo nella birra chiara con alloro, pepe in grani e scalogno era una buona idea. In realtà l'idea non era per niente buona. E questo è un esempio banale innocuo e terra terra. Il saper fare è inconciliabile con la presente intelligenza artificiale perché riguarda un apprendimento esperienziale.

Il grosso rischio, visto che la confusione tra piani sembra essere l'impronta del presente secolo, è che il saper produrre contenuti sia confuso con il saper fare di ogni ordine. Un GPT non può interagire fisicamente con la realtà materiale. Può generare istruzioni per eseguire task sulla base del dataset su cui è addestrato. E per fare un esempio, con le sintesi organiche può produrre istruzioni assai poco sensate dal punto di vista della ottimalità della procedura, del suo profilo di sicurezza, etc, etc. E poi c'è la grande incognita: i GPT possono produrre output cosiddetti "allucinati". Finché è un'allucinazione che produce contenuti ok. Ma un'allucinazione che produce istruzioni da essere eseguite nel mondo fisico?

In ultima analisi è sempre l'essere umano, il problema.

Fonte

La Cina promuove un accordo sulla Open Science con Brasile, Sud Africa e Unione Africana

In ambito scientifico la circolazione dei saperi non è più quella dei libri che si prendono in prestito in biblioteca, ma è piuttosto quella di un’enorme mole di dati e contributi, elaborati e pubblicati su diverse piattaforme. E il problema di come vi si accede è diventato un nodo determinante.

Lo sa bene la Cina, che qualche giorno fa ha lanciato un’iniziativa per la cooperazione internazionale sulla Open Science. Una categoria che raccoglie vari concetti, di cui sicuramente i più famosi e, forse, i più importanti sono quelli di Open Acces, Open Source, Open Data.

Per farla breve, quando c’è davanti un Open-, si intendono tutte quelle forme con cui quella enorme mole di dati e contributi citata all’inizio viene messa a disposizione a tutti, dal curioso all’esperto in materia, in maniera immediata e riutilizzabile.

È insomma la strada attraverso cui diffondere i prodotti della conoscenza in maniera più orizzontale e democratica possibile, consentendo non solo di verificarli ma anche di moltiplicare e ampliare le opportunità di studio. Ma “immediata e riutilizzabile” non significa gratuita.

Seppur il lettore non deve sborsare nulla, per fare l’esempio degli articoli Open Access, esistono comunque dei pagamenti che possono essere eseguiti dalle istituzioni per cui lavora il ricercatore, o dal ricercatore stesso. Una ricerca ha mostrato come questo prezzo al 2021 si aggirava sui 1.700 dollari.

Un costo – chiamato Article Processing Charges (APC) – che spesso può essere proibitivo, soprattutto per studiosi e istituti di paesi ancora in via di sviluppo. O che, comunque, vivono un’importante asimmetria di potere d’acquisto delle proprie retribuzioni rispetto a quelle occidentali.

Proprio per questo l’iniziativa cinese assume straordinaria importanza, e viene difatti portata avanti coinvolgendo Brasile, Sud Africa e l’intera Unione Africana. Uno sforzo governativo di questo genere promette di permettere una più facile circolazione dei saperi in quei paesi.

Questa iniziativa è legata al protagonismo acquisito da questi attori nello scenario globale. Lo scopo è di “promuovere l’innovazione scientifica e tecnologica globale per il beneficio del Sud Globale”, si legge su Xinhua, una delle agenzie di stampa ufficiali della Cina.

“Tutti i paesi”, conclude il giornale, “dovrebbero aumentare gli investimenti nella scienza aperta e incoraggiare la cooperazione, la costruzione congiunta e la condivisione delle principali infrastrutture di ricerca scientifica”. Frasi che fanno eco ad altri eventi recenti.

Dal 22 al 24 ottobre si è svolto a Pechino il World Science and Technology Development Forum (WSTDF 2024), organizzato dal 2019 dal China Association for Science and Technology (CAST).

Durante l’incontro, scienziati cinesi e di varie altre nazionalità hanno sollecitato la costruzione di infrastrutture scientifiche aperte, in una sessione tematica appositamente dedicata al tema.

In quell’occasione, il direttore dell’Ufficio regionale per l’Asia orientale dell’UNESCO, Shahbaz Khan, ha osservato che ciò è in linea con gli Obiettivi di sviluppo sostenibile delle Nazioni Unite, in particolare per ciò che riguarda il cambiamento climatico e la sicurezza alimentare.

Khan è stato ancora più esplicito rispetto al ruolo che il WSTDF può svolgere rispetto al Sciences Decade, lanciato dall’UNESCO per lo sviluppo sostenibile fino al 2033. Davanti ai giornalisti del Global Times Khan si è chiesto “come possiamo promuovere la conoscenza dov’è necessaria?”

Si è risposto affermando: “ad esempio, per i paesi bisognosi dell’Africa, i paesi in via di sviluppo, che sono i partner della Belt and Road Initiative come Pakistan e Afghanistan, questo forum può aiutare a portare loro i benefici della scienza e della tecnologia per migliori mezzi di sussistenza”.

Nel 2016 la Cina è diventato il luogo di produzione del maggior numero di articoli scientifici, mentre nel 2022 i suoi contributi sono stati i più citati a livello mondiale. Ma, rimanendo sull’esempio dell’Open Access, il Dragone è ancora indietro rispetto alla media complessiva.

È evidente, però, che anche in questo settore la Cina non sta solo acquisendo un peso dovuto alla quantità, ma anche in base al ruolo trainante rispetto alla ridefinizione delle politiche globali. Anche con strumenti che adottano i principi di mercato.

La Chinese Academy of Science ha fissato l’APC per la sua rivista National Sciences Open a 1.200 dollari. Ciò significa che gli altri editori al di fuori della Cina, mentre ne cresce la legittimazione accademica, subiranno una altrettanto crescente pressione per abbassare i loro APC.

Nella logica di questa iniziativa appena lanciata c’è dunque sia l’esigenza scientifica, incarnata nella categoria di Open Science, ma anche quella politica di far andare di pari passo sviluppo e giustizia sociale. Buone premesse per il futuro.

Fonte

Il laboratorio del capitale. Metafisica delle competenze e controriforma scolastica

In cammino verso l’Oltre-Scuola

È sintomatico che l’intervento del Ministro Valditara alla Presentazione del Programma Nazionale “Suola e competenze 2021-2027”^[1] sia passato relativamente inosservato. Dalle parti degli “ultra-pedagogisti” di sinistra^[2] che lo avevano subito bollato come fascistissimo rappresentante di una scuola passatista, gentiliana e dal pugno duro non si è levato suono. Si capisce il perché. Non avrebbero saputo cosa dire.

Non tanto perché nel giro di un anno il Ministro ha imbellettato il proprio profilo, passando dalla “pedagogia dell’umiliazione” a farsi improbabile paladino di una scuola dell’inclusione, della lotta al sessismo e dell’educazione all’affettività, ma, ciò che più conta, perché la sua amministrazione del PNRR esprime perfettamente le linee ideologiche che da sempre accomunano i desiderata dell’UE e quelli della pedagogia sedicente “progressista”.

Queste ultime convergono nel sottrarre ogni autonomia al lavoratore docente attraverso una sussunzione del suo operato in schemi produttivi, “efficienti”, para-aziendalistici, asservendolo al contempo sempre più a compiti eteronomi di soddisfazione dell’utente-cliente scolastico, con particolare attenzione alle sue esigenze psicologico-emotive e “creative”^[3].

Valditara e la pedagogia di sinistra marciano all’unisono, il cammino verso l’oltre-scuola, la Überschule del futuro, è ormai già segnato: i volti e lo stile di chi si avvicenda al MIUR sono relativamente indifferenti rispetto a un’agenda già scritta che esprime tendenze oggettive, di lungo periodo.

Questa agenda è infatti indipendente dalle volontà dei singoli perché è determinata dalla forma stabile che i rapporti produttivi assumono in un ordine sociale capitalistico e dal conflitto tra le esigenze di questi rapporti e quelle espresse dai cittadini in quanto lavoratori e futuri lavoratori, nonché da quelle di istituzioni – come la scuola – che nascono e si sviluppano su coordinate se non totalmente antagonistiche, sicuramente molteplici, stratificate, contraddittorie, spurie rispetto a quelle.

La duplice riduzione del sapere tecnico e di quello umanistico

Altrettanto sintomatico è che nel discorso del Ministro, per tacere di tutti coloro che lo hanno seguito nel convegno, non sia stata spesa una parola chiara per spiegare cosa si intenda con l’espressione “competenze”. Eppure sono proprio queste “competenze” che la scuola si impegna a sviluppare nei prossimi anni e verso cui dirige ingenti finanziamenti. Allo stesso tempo, tuttavia, le pur vaghe parole spese nel convegno chiariscono molto bene quale sia la posta in gioco politica di quella che potremmo chiamare “metafisica delle competenze”.

Le competenze costituiscono infatti un termine dalla ambigua natura descrittivo-prescrittiva: chi dice “competenze” vuole descrivere al tempo stesso come funziona la conoscenza e come dovrebbe funzionare.^[4] In realtà usando quel termine si esplicita soltanto un certo modo di intendere il sapere e la trasmissione del sapere dentro una determinata epoca dello sviluppo industriale e l’insieme prescrittivo delle regole che i rapporti produttivi impongono alla società nel suo complesso e alle singole agenzie educative.

Ciò avviene attraverso una duplice riduzione che colpisce tanto il sapere tecnico-professionale quanto quello generale-umanistico. Dal primo ci si aspetta un immediato collegamento col mondo del lavoro, cioè delle imprese, attraverso la vetusta idea secondo cui queste ultime potrebbero determinare autonomamente contenuti formativi rilevanti.^[5] Il sapere umanistico, dal canto suo, svapora in una generica preparazione alla “cittadinanza”, obiettivo che, a sua volta, ne sintetizza altri due essenzialmente diversi: formare un cittadino consapevole e permettergli una migliore inclusione sociale, garantirgli delle possibilità di “successo”, addirittura di “felicità”.

Omnia vincit laboratorium

Questo doppio movimento viene alla luce in modo fin troppo evidente prestando attenzione al modo in cui il discorso sulle competenze si intreccia con la parola chiave del discorso del Ministro: laboratorialità. I fondi stanziati dal MIUR e dall’UE sono infatti vincolati dall’applicazione di una “didattica laboratoriale”. Questo concetto appare al tempo stesso espressione di una gretta materialità e del più vacuo idealismo. Il discorso del Ministro riferisce l’investimento a cose apparentemente concretissime come il “cablaggio” e la “digitalizzazione” ma, con egual enfasi, si invola verso i cieli della lotta alla “dispersione scolastica” e al “divario nord-sud”.

In realtà, si tratta del solito sguardo sbilenco del riformismo pedagogico che sopravvaluta il potere trasformativo della scuola e sottovaluta le conseguenze pedagogiche della trasformazione sociale: in tal modo si lasciano intatte le cause che rendono impossibile una democratizzazione della scuola e della società mentre ci si balocca con un processo di democratizzazione immaginario che partendo dalle aule avrebbe il compito di porre fine alle storture nella realtà sociale.

Nel suo recente intervento alla festa di Atreju^[6] il Ministro ha ricordato i tempi in cui la scuola riusciva invece a combattere le differenze di classe e garantire mobilità sociale. Si è scordato di ricordare che la scuola poteva riuscirci – una scuola cento volte più “autoritaria”, “frontale” e “nozionistica” di oggi – perché i rapporti produttivi erano investiti dalla potenza espansiva di una classe operaia ben organizzata, garantita da riforme sociali conquistate in lotte durate anni, all’interno di un movimento propulsivo che procedeva non solo dalla scuola in direzione della società ma piuttosto all’inverso. Lo scenario delle relazioni industriali oggi appare invertito, subiamo la controffensiva di un’egemonia liberista ormai consolidata che spariglia ogni opposizione organizzata dei lavoratori, le differenze sociali diventano siderali e l’attuale compagine di governo smantella ogni residua traccia di sostegno al reddito delle classi subalterne.

Questo scenario è dato per scontato, tanto dai governi liberisti quanto dalla pedagogia liberal. Per entrambi, se la scuola non riesce a combattere le disuguaglianze e la dispersione scolastica, se la scuola insomma è ancora “classista”, è colpa della vecchia lezione frontale, con il suo approccio autoritario, nozionistico e passivizzante.^[7] L’orientamento laboratoriale avrebbe invece il potere mistico e taumaturgico di trasformare le scuole in “hub educativi” producendo “un’azione sociale e psicologica” in grado di “portare i ragazzi nelle scuole”.

Questo potere di seduzione verso le giovani generazioni deriverebbe dalla possibilità di rendere più molteplice e concreto l’insegnamento, di “personalizzarlo”. Si parla di “sport”, “teatro”, “musica” e tante cose belle che si posson fare nei laboratori. Ma come il canto delle sirene questo refrain ha il suo lato oscuro e a sua volta classista. Quando gli esperti dell’INDIRE esprimono il potenziale della didattica laboratoriale per tutte le aree parlano della possibilità per gli studenti di “entrare materialmente” nella disciplina e di “manipolare” i contenuti. Si incoraggia così l’attività degli studenti ponendo a essi delle “sfide” e alimentando la loro “curiosità”. L’apprendimento diventa “concreto” e si muove in direzione del problem solving.^[8]

Prima di mostrare come questo discorso colpisca il sapere non solo umanistico ma quello teorico in genere, andiamo a vedere come viene intesa la “personalizzazione” dell’apprendimento rispetto al sapere tenico-professionale. I recenti tentativi del Ministro di approvare una riforma in quest’ambito hanno suscitato proteste e opposizioni perché è evidente l’intento di rendere il sapere una variabile dipendente dagli interessi delle imprese.^[9] In effetti nel discorso del Ministro questo è detto a chiare lettere. La “personalizzazione” viene ottenuta non solo costruendo “ambienti di apprendimento” ma anche formando personale in modo specifico. Ora, questa formazione non riguarda, ovviamente, le conoscenze disciplinari ma l’istituzione di figure di “tutor” e “orientatori” che hanno il compito di costruire un percorso scolastico “su misura”. Dello studente? Certo ma in quanto studente che apprende orientandosi già verso il mercato del lavoro! E dunque non solo su misura delle sue “potenzialità” ma anche – e direi soprattutto visti i rapporti di forza vigenti tra le classi – delle potenzialità e delle aspettative delle aziende. Il Ministro parla esplicitamente della didattica laboratoriale come lo strumento attraverso cui la scuola si apre “alle esigenze del lavoro espresse dal territorio”. Ad un certo punto esplicita questo retro-pensiero con un bel lapsus in cui sottolinea la matrice labor dell’espressione laborialità.

Classe, classismo e classici

Non bisogna però cadere nell’errore di ritenere questo apprendistato come una richiesta da parte delle aziende di una formazione specifica e già tecnico-operativa. Questa è una visione parziale che non comprende la reale funzione modellatrice del rapporto di classe rispetto alla trasmissione del sapere. Le aziende sanno benissimo – meglio di quanto non sappiano ministri e pedagogisti – che le conoscenze tecniche e le richieste del mercato del lavoro cambiano tanto più velocemente quanto più il capitale riesce a mettere a frutto la tecnologia avanzata al servizio dell’accumulazione di plusvalore. Ciò che a esse serve perché quell’accumulazione possa realizzarsi sono due cose molto precise: una formazione elastica che dia al lavoratore gli strumenti cognitivi che gli permettano di adattarsi a sempre nuovi contesti e la sua disponibilità a sottomettersi a un processo produttivo che lo espropria integralmente di ogni autonomia sui modi, spazi e tempi di lavoro. I valori che animano la nuova scuola sono perfettamente allineati a queste richieste. La “creatività” tanto sollecitata deve preparare a quel creativo sforzo di adattamento continuo attraverso cui, come dice Masino, è il lavoratore stesso “a provvedere alla taylorizzazione del proprio lavoro”.^[10]

Per questo, in realtà, l’opposizione alla scuola tradizionale muove dalla traduzione in termini sempre meno contenutistici e sempre più pratico-operativi tanto nel campo del sapere tecnico, quanto di quello scientifico e umanistico. L’attacco alla lezione frontale è a sua volta finalizzata ad un attacco all’autonomia del docente-lavoratore. Non solo. Attraverso una critica generica dell’insegnamento tradizionale, visto al tempo stesso come troppo “nozionistico-contenutistico” e troppo “astratto”, si vuole colpire una forma della trasmissione del sapere che aveva come scopo la costruzione di una solida formazione teorica che pretendeva di padroneggiare concettualmente nessi costruiti attraverso una mole molto ampia di contenuti disciplinari. Il fallimento della scuola pubblica non sta in quello che faceva ma in ciò che non riusciva a fare: elevare le masse a una comprensione concettuale del mondo e del proprio posto nel mondo, mostrare le vie contraddittorie ma vitali dell’universalizzazione.

L’attacco alla lezione frontale ha lo scopo di manomettere questo aspetto della trasmissione del sapere favorendo invece skills cognitive di altro tipo: da un lato, attiva lo studente in quanto cliente e consumatore di cultura, incoraggiandolo a “scegliere” ciò che più lo aggrada, fissandolo così alla propria identità, alle proprie inclinazioni; dall’altro, lo addestra ad apprendere solo ciò che risulta spendibile in una pratica ottusa e limitata, consegnandogli compiti da svolgere. Lo addestra al lavoro eterodiretto, alla sua forma squisitamente capitalistica.

La metafisica delle competenze

In tutto questo le “competenze” fungono da concetto ideologico fondamentale, sono l’architrave teorico della laborialità. Esse vengono evocate per alludere ad una forma di sapere consustanziale ai rapporti produttivi dominanti. Nel corso degli anni le competenze hanno assunto infatti i più diversi significati, la loro ampiezza è cambiata (dalle “competenze di base” alle “competenze di cittadinanza”), così come il loro oggetto e la loro funzione (dalle “competenze chiave” alle “competenze trasversali”).^[11]

Si potrebbe, e si dovrebbe, ovviamente contestare alla radice questa ricerca di una definizione sempre più precisa delle “competenze”. A partire dalla distinzione stessa tra conoscenze e competenze che è totalmente astratta. Lo stesso punto di vista che concepisce lezione, studio e verifica come momenti “separati”, dunque astratti, del processo formativo pretende poi risolvere il problema creato dalla propria falsa astrazione attraverso la falsa concretezza della didattica laboratoriale. Se, come si ribadisce ad nauseam, non esistono competenze senza conoscenze non può che essere vero anche il contrario. Oltre che astratta la nozione di competenza appare quindi spesso del tutto pleonastica poiché ogni disciplina che venga appresa non in modo pedantesco e meccanico ma con passione, rigore e continuità produce motu proprio un passaggio di livello metacognitivo.

Le competenze appaiono come l’esito di una stratificazione ridondante e arbitraria: da un lato dicono un po’ sempre la stessa cosa, dall’altro mescolano cose assolutamente diverse e inconciliabili; per un verso sono legate alla pratica operativa, per un altro si involano verso livelli spiritualistici di autocoscienza. Se il saper-fare è sempre legato a un apprendimento di tipo performativo che ne garantisce, tra l’altro, la misurabilità, la competenza si eleva anche, consapevolmente, al di sopra del piano delle “mere” conoscenze.^[12] E questo è non solo difficilmente misurabile ma anche difficilmente definibile senza entrare in un circolo vizioso. Ogni volta che questo aspetto della competenza viene codificato, infatti, ad es. attraverso le famigerate tabelle ministeriali, ci troviamo di fronte ad affermazioni tautologiche: l’alunno “sa scegliere”, “padroneggia”, “discute criticamente” ecc.^[13]

Passando alle competenze “chiave”, a quelle “trasversali” fino alle competenze di “cittadinanza” che dovrebbero accompagnare le transizioni green e digitali dell’UE (per tacere del recente pilastro sui diritti sociali), entriamo in un vortice di definizioni sempre più pretenziose e vacue che coinvolgono la dimensione psico-emotiva ed attitudinale, l’arte di “apprendere ad apprendere”, il possesso degli strumenti per una maggiore inclusione sociale, senza farci mancare, ovviamente, la valorizzazione di competenze falsamente neutrali come la leadership e l’imprenditorialità.

Dalle competenze alla critica dell’ideologia

A poco servono le iniezioni di “valori” con cui l’UE pompa le competenze fino a farle esplodere. Esse restituiscono un’immagine di come l’UE si autorappresenta: un mondo in cui è possibile amministrare il conflitto perpetuando l’oppressione sociale nel momento stesso in cui se ne denuncia l’inammissibilità de iure. Il suo pragmatismo civile è fatto della stessa pasta inconsistente delle sue competenze e della sua laborialità: come quelle mescola nobili idealità e cieco operazionismo. Come quelle sprofonda nell’irrazionalità perché si rifiuta di riconoscere che è la parzialità della logica autoritaria del capitale a impedire il progresso dell’universale come forma realizzata della vita collettiva.

La scuola del futuro dovrebbe favorire la “creatività” e insegnare come “apprendere ad apprendere”. Ma di chi è quella “creatività”? E per fare cosa dovremmo apprendere ad apprendere? Se alla scuola pubblica viene sottratta la capacità di pensarsi come luogo alternativo tanto al consumo quanto al mondo del lavoro, non le resta alcuna alterità da rappresentare rispetto a queste sfere in cui domina incontrastato il capitale.

La “creatività” di cui possiamo essere portatori collettivamente è inversamente proporzionale a quella che possiamo esprimere individualmente. E questo è tanto più vero nelle relazioni industriali in cui, come si è visto, la creatività deve accompagnarsi sempre alla capacità di riformulare un compito assegnato e circoscritto. Nella fase espansiva della socialdemocrazia la creatività della classe operaia lottava contro la gabbia d’acciaio di una razionalità di classe, voleva entrare dentro quel meccanismo espansivo e appropriarsene per rovesciarne la razionalità in direzione di una reale universalità: un compito che univa il sapere umanistico, scientifico e tecnico.

L’attuale attacco alla scuola pubblica va in direzione esattamente contraria: asseconda le pulsioni anarcoidi della soggettività neoliberale e distrugge ogni possibilità di un sapere trasformativo, di un inveramento rivoluzionario della cultura classica. Anche il suo anti-autoritarismo è una parodia della lotta che fu e che, nei suoi momenti migliori, vedeva alleati studenti e docenti contro l’autorità del capitale nei confronti del lavoro. La tendenza attuale a mettere in discussione ogni asimmetria nel rapporto docente/discente è piuttosto una forma di preparazione al team-working. L’insegnante, che pure ha dalla sua il potere di disporre dell’alunno, deve incarnare un potere buono e condiscendente, deve prefigurare la condizione in cui il lavoratore assumerà spontaneamente il compito di collaborare al proprio sfruttamento, si sentirà non oppresso ma partner dell’oppressore.

Se allo studente viene insegnato che la creatività precede e non segue l’apprendimento non potrà accedere alla consapevolezza che la creatività non solo non è “sua” ma si realizza appieno solo con gli altri. Che la trasformazione della vita è opera di quella libertà che inizia veramente solo laddove si impara a riconoscere la sua forma mistificata e oppressiva.

Note

^[1] Presentazione del Programma Nazionale SCUOLA E COMPETENZE 2021-2027

^[2] Cfr. Marco Maurizi, L’invasione degli ultra-pedagogisti. Scuola democratica, universalismo e lotta di classe, in Sinistrainrete.info

^[3] Cfr. Marco Maurizi, La scuola della crisi. Lavoro docente ed emancipazione sociale, in Kulturjam, 17/07/2022, ora in Id., Ecce Infans. Diseducare alla pedagogia del dominio, Novalogos, Aprilia 2023, pp. 71-77.

^[4] Sull’onda di una concezione pedagogica moralistica e soggettiva, che si spaccia per “concreta” e “operativa” ma che muove invece da uno sguardo astratto, tutto concentrato sulle “relazioni” all’interno dell’istituzione scolastica. Si tratterebbe piuttosto di partire dalla posizione e dal ruolo della scuola nella società, materialisticamente intesa.

^[5] Michele Dal Lago, L’autosufficienza educativa dell’impresa: una lettura critica, in “Altronovecento”, n. 22, 1/02/2013. Molte idee che sostengo in questo articolo sono una ripresa di concetti che Dal Lago aveva già elaborato in questo saggio di dieci anni fa. Colgo l’occasione per ringraziarlo del costante lavoro di stimolo e di chiarimento. Sull’ideologia neoliberista che sottende la recente “riforma” della formazione tecnica e professionale cfr. Daniele Lo Vetere La riforma dei tecnici e dei professionali e la produzione del capitale umano nella scuola dell’età neoliberale – Le parole e le cose²

^[6] L’intervento del Ministro Giuseppe Valditara ad Atreju 2023 (youtube.com)

^[7] Daniele Lo Vetere, Difesa della lezione frontale – Le parole e le cose²

^[8] Programma Operativo Nazionale 2014-2020 per la Scuola. Competenze e ambienti per l’apprendimento, al convegno di Palermo “Porte aperte all’innovazione”, 15 novembre 2018.

^[9] Il Ministro Valditara forza e per decreto attiva la sperimentazione della filiera formativa tecnologico-professionale (flcgil.it)

^[10] Masino, citato in Michele Dal Lago, L’autosufficienza educativa dell’impresa: una lettura critica – Altro Novecento | Fondazione Micheletti

^[11] Cfr. ad es. Michele Pellerey, Competenze di base, competenze chiave e standard formativi, in Osservatorio sulle riforme, 2006, pp. 67-89.

^[12] Piuttosto dovremmo dire, come abbiamo già accennato, che è proprio la pretesa di costituire un livello metacognitivo a sé stante a produrre l’immagine negativa di un livello di “mera” conoscenza fattuale.

^[13] Da dove nasce la competenza di chi pontifica sulle competenze è domanda non meno abissale di quella che assale il malcapitato che provi a comprendere come si attivino le competenze del proprio ambito disciplinare specifico. Anche perché, kantianamente, se si potesse inventare una regola preposta a ciò non servirebbe il lavoro “creativo” dell’intelletto che si pretende suscitare nei discenti. I. Kant, Critica della ragion pura, Laterza, Roma-Bari 2000, p. 132.

Fonte

La proprietà intellettuale si sta trasformando in un monopolio della conoscenza?

Il XX secolo ha visto la nascita di università e istituti tecnici finanziati con fondi pubblici, mentre lo sviluppo tecnologico si concentrava nei laboratori di ricerca e sviluppo delle grandi aziende. L’era dell’inventore solitario – Edison, Siemens, Westinghouse, Graham Bell – era finita con il XIX secolo.

Il ventesimo secolo è stato caratterizzato da laboratori di R&S basati sull’industria, in cui le aziende riunivano scienziati e tecnologi di spicco per creare le tecnologie del futuro. In questa fase, il capitale stava ancora espandendo la produzione. Anche se il capitale finanziario era già dominante rispetto al capitale produttivo, i principali paesi capitalisti avevano ancora una forte base manifatturiera.

In questa fase di sviluppo, la scienza era considerata un bene pubblico e il suo sviluppo era in gran parte concentrato nel sistema universitario o negli istituti di ricerca finanziati con fondi pubblici.

Lo sviluppo della tecnologia era in gran parte considerato un’impresa privata. Si supponeva che la scienza producesse nuove conoscenze, che potevano poi essere estratte dalla tecnologia per produrre manufatti. Il ruolo dell’innovazione era quello di convertire le idee in manufatti.

Il sistema della proprietà intellettuale – brevetti e altri diritti – è nato per fornire protezione alle idee utili incarnate nei manufatti. Fin dall’inizio, i brevetti avevano anche uno scopo pubblico: il monopolio concesso dallo Stato per un certo periodo doveva garantire l’eventuale divulgazione pubblica dell’invenzione: la contropartita era la piena divulgazione pubblica in cambio di un monopolio di durata limitata.

La trasformazione di questo sistema, che era esistito per diversi secoli, è avvenuta in seguito a due importanti cambiamenti nella produzione della conoscenza.

Il primo riguarda il modo in cui, nell’ambito dell’ordine neoliberale, il sistema universitario di produzione della conoscenza è stato trasformato in un’impresa commerciale a scopo di lucro.

In secondo luogo, la distinzione tra scienza e tecnologia si è notevolmente attenuata e le due cose sono più strettamente integrate rispetto al passato. Ad esempio, un progresso nella genetica può portare quasi senza soluzione di continuità a un prodotto – un farmaco, uno strumento diagnostico o un seme – che è sia brevettabile che commercializzabile. Lo stesso vale per le innovazioni nel campo dell’elettronica e delle comunicazioni.

Molte discipline scientifiche e anche la produzione di ricerca nelle università sì sono, di conseguenza, avvicinate ai sistemi di produzione. La conversione del sistema universitario in un sistema che produce conoscenza direttamente per scopi commerciali è avvenuta di pari passo con la distruzione dei laboratori di ricerca e sviluppo che facevano parte del panorama industriale del XX secolo.

Il capitale finanziario controlla la scienza universitaria, non solo attraverso “investimenti” in R&S, ma anche attraverso l’acquisto di “conoscenza”. Il suo monopolio si esercita attraverso l’acquisto dei brevetti che la ricerca universitaria produce. Questo monopolio, a sua volta, permette al capitale finanziario di dominare sul capitale industriale.

La fine del XX secolo ha rivelato la rottura tra capitale finanziario e capitale produttivo. Oggi il capitale globale opera molto più come capitale finanziario disincarnato, controllando la produzione da un lato e controllando la tecnologia e i mercati dall’altro.

In questa fase, in cui il capitale vive sempre più di speculazione e di rendita, si assiste anche a una marcata separazione della conoscenza come capitale dal capitale produttivo o fisico (impianti e macchinari).

Foxconn/Hon Hai Precision Industries produce prodotti Apple, ma non può rivendicare una quota importante dei profitti derivanti dalla loro vendita, poiché Apple detiene la conoscenza intellettuale e i diritti di proprietà. Approssimativamente, Apple ottiene il 31% dei profitti derivanti dalla vendita di un iPhone, Foxconn meno del 2%.

La trasformazione del capitale in ricerca di rendita, utilizzando il monopolio sulla conoscenza (brevetti, diritti d’autore, disegni industriali, ecc.), caratterizza l’attuale fase del capitale. I Paesi a capitalismo avanzato sono diventati sempre più economie di rendita e di “servizio”.

In sostanza, dominano il mondo in virtù del controllo della struttura finanziaria globale, delle nuove conoscenze necessarie per la produzione e della distribuzione attraverso la vendita al dettaglio e i marchi globali.

Anche se le università sono state catturate dal capitale e trasformate nella cosiddetta University Inc, la nuova conoscenza che producono è ancora finanziata pubblicamente. Questo vale sia per i Paesi capitalisti avanzati che per quelli come l’India.

La direzione della ricerca scientifica è dettata dal capitale privato, che si appropria di ogni risultato positivo, eppure questa trasformazione della scienza non è avvenuta grazie al finanziamento privato. Il costo della ricerca fondamentale è elevato e solo alcuni dei suoi risultati possono avere benefici immediati in termini di avanzamento tecnologico.

È qui che lo Stato, sia nell’elettronica che nella genetica, si fa carico dei costi, mentre i brevetti vengono ceduti al capitale privato. Un tratto distintivo del sistema neoliberale è la socializzazione del rischio e la privatizzazione delle ricompense.

La consapevolezza che la scienza deve essere ripristinata come un esercizio aperto e collaborativo ha dato vita al movimento dei beni comuni. Per un curioso gioco di prestigio, il capitalismo considera infiniti i beni comuni finiti – l’atmosfera e i grandi corpi idrici come laghi, fiumi e oceani – e chiede il diritto di scaricare i rifiuti in questi beni.

Eppure considera la conoscenza, che può essere copiata un numero infinito di volte senza subire perdite, come finita e pretende diritti di monopolio su di essa!

Mai prima d’ora la società ha avuto la capacità che ha oggi di mettere insieme comunità e risorse diverse per produrre nuova conoscenza. È un lavoro sociale e universale, e la sua appropriazione privata come proprietà intellettuale sotto il capitalismo impedisce di liberare l’enorme potere della collettività di generare nuova conoscenza e di portare beneficio alle persone.

di Prabir Purkayastha, editore e fondatore di Newsclick.in, una piattaforma di media digitali. È un attivista per la scienza e il movimento del software libero. Il suo libro più recente è Knowledge as Commons: Towards Inclusive Science and Technology (LeftWord, 2023).

Fonte

ChatGPT, valore e conoscenza. Un approccio marxista

di Gugliemo Carchedi

In un commento al post di Michael Roberts sull’intelligenza artificiale (IA) e le nuove macchine per l’apprendimento del linguaggio (LLM), l’autore e commentatore Jack Rasmus ha sollevato alcune domande, che mi sono sentito in dovere di riprendere.

Jack ha detto: “l’analisi di Marx sulle macchine e il suo punto di vista secondo cui le macchine sono un valore del lavoro condensato che viene trasferito nella merce quando si deprezza, si applicano completamente alle macchine basate su software AI che hanno la capacità crescente di auto-mantenersi e aggiornare il proprio codice senza l’intervento del lavoro umano – cioè di non deprezzarsi?“.

La mia risposta alla legittima domanda di Jack presuppone lo sviluppo di un’epistemologia marxista (una teoria della conoscenza), un’area di ricerca che è rimasta relativamente inesplorata e poco sviluppata.

A mio avviso, una delle caratteristiche principali di un approccio marxista è la distinzione tra “produzione oggettiva” (la produzione di cose oggettive) e “produzione mentale” (la produzione di conoscenza).

La cosa più importante è che la conoscenza deve essere vista come materiale, non come “immateriale”, né come un riflesso della realtà materiale. Questo ci permette di distinguere tra mezzi di produzione (MP) oggettivi e MP mentali; entrambi sono materiali.

Marx si è concentrato principalmente, ma non esclusivamente, sui primi. Ciononostante, nelle sue opere ci sono molti spunti su come dovremmo intendere la conoscenza.

Una macchina è un MP oggettivo; la conoscenza incorporata in essa (o disincorporata) è un MP mentale. Quindi, l’IA (compresa ChatGPT) dovrebbe essere vista come una MP mentale. A mio avviso, dato che la conoscenza è materiale, i MP mentali sono materiali quanto i MP oggettivi.

Perciò, i MP mentali hanno valore e producono plusvalore se sono il risultato del lavoro mentale umano svolto per il capitale. Quindi, l’IA coinvolge il lavoro umano. Solo che si tratta di lavoro mentale.

Come i MP oggettivi, anche quelli mentali aumentano la produttività e riducono il lavoro. Il loro valore può essere misurato in ore di lavoro. La produttività dei MP mentali può essere misurata, ad esempio, dal numero di volte in cui ChatGPT viene venduto o scaricato o applicato ai processi di lavoro mentale.

Come i MP oggettivi, il loro valore aumenta con l’aggiunta (da parte del lavoro umano) di miglioramenti (ulteriore conoscenza) e diminuisce a causa dell’usura. Quindi, i MP mentali (AI) non solo si svalutano, ma lo fanno anche a un ritmo molto veloce. Si tratta di un deprezzamento dovuto alla concorrenza tecnologica (obsolescenza), piuttosto che di un deprezzamento fisico. E, come i MP oggettivi, la loro produttività influisce sulla redistribuzione del plusvalore

Nella misura in cui i nuovi modelli di ChatGPT sostituiscono quelli più vecchi, a causa dei differenziali di produttività e dei loro effetti sulla redistribuzione del plusvalore (teoria dei prezzi di Marx), i modelli più vecchi perdono valore rispetto a quelli più nuovi e più produttivi.

Jack chiede: “questa capacità è basata sul lavoro umano o no? Se no, cosa significa un ‘no’ per il concetto chiave di Marx della composizione organica del capitale e, a sua volta, per il vostro (Roberts e Carchedi, ndt) più volte dichiarato appoggio all’ipotesi della caduta tendenziale del tasso di profitto?“.

La mia risposta precedente è stata che questa “capacità” non solo è basata sul lavoro umano (mentale), ma è lavoro umano. Da questo punto di vista, non c’è alcun problema con il concetto di Marx di composizione organica del capitale (C).

Poiché l’IA e quindi ChatGPT sono nuove forme di conoscenza, di MP mentale, il numeratore di C è la somma di MP oggettivo più MP mentale. Il denominatore è la somma del capitale variabile speso in entrambi i settori. Quindi il tasso di profitto è il plusvalore generato in entrambi i settori diviso per (a) la somma dei MP in entrambi i settori più (b) il capitale variabile speso sempre in entrambi i settori.

Quindi la legge della caduta tendenziale del tasso di profitto è invariata dal MP mentale, contrariamente a quanto suggerito da Jack.

Per comprendere meglio i punti sopra esposti, è necessario esaminare e sviluppare la teoria implicita della conoscenza di Marx. Questo è ciò che fanno i paragrafi seguenti, anche se in una versione estremamente sintetica.

Consideriamo innanzitutto i computer classici. Essi trasformano la conoscenza sulla base della logica formale, o logica booleana o algebra, che esclude la possibilità che la stessa affermazione sia vera e falsa allo stesso tempo. La logica formale e quindi i computer escludono le contraddizioni. Se potessero percepirle, sarebbero errori logici. Lo stesso vale per i computer quantistici.

In altre parole, la logica formale spiega i processi di lavoro mentale predeterminati (in cui il risultato del processo è noto in anticipo e quindi non contraddittorio con la conoscenza che entra in quel processo di lavoro), ma esclude i processi di lavoro mentale aperti (in cui il risultato emerge come qualcosa di nuovo, non ancora noto).

Un processo aperto attinge a un bagaglio di conoscenza informe e potenziale, che ha una natura contraddittoria a causa della natura contraddittoria degli elementi in esso sedimentati. A differenza della logica formale, la logica aperta si basa sulle contraddizioni, compresa la contraddizione tra gli aspetti potenziali e quelli realizzati della conoscenza. Questa è la fonte delle contraddizioni tra gli aspetti della realtà, compresi gli elementi della conoscenza.

Per tornare all’esempio precedente, per i processi di lavoro mentale aperti, A=A e anche A¹A. Non c’è contraddizione in questo caso. A=A perché A come entità realizzata è uguale a se stessa per definizione; ma A¹A perché A realizzata può essere in contraddizione con A potenziale. Questa è la natura del cambiamento, qualcosa che la logica formale non può spiegare.

Questo vale anche per l’Intelligenza Artificiale (IA). Come i computer, l’IA funziona sulla base della logica formale. Ad esempio, alla domanda se A=A e se allo stesso tempo può essere A¹A, Chat GPT risponde negativamente. Poiché funziona sulla base della logica formale, l’IA non ha un serbatoio di conoscenza potenziale da cui estrarre altra conoscenza. Non può concepire le contraddizioni perché non può concepire il potenziale. Queste contraddizioni sono l’humus del pensiero creativo, cioè della generazione di nuova conoscenza ancora sconosciuta.

L’intelligenza artificiale può solo ricombinare, selezionare e duplicare le forme di conoscenza realizzate. In compiti come la visione, il riconoscimento delle immagini, il ragionamento, la comprensione della lettura e il gioco possono ottenere risultati migliori degli esseri umani. Ma non possono generare nuova conoscenza.

Consideriamo il riconoscimento facciale, una tecnica che confronta la fotografia di un individuo con un database di volti noti per trovare una corrispondenza. Il database è costituito da una serie di volti noti. La ricerca di una corrispondenza seleziona un volto già realizzato, cioè già conosciuto. Non viene generata nuova conoscenza (nuovi volti).

Il riconoscimento facciale può trovare una corrispondenza molto più rapidamente di quanto possa fare un essere umano. Rende il lavoro umano più produttivo. Ma la selezione non è creazione. La selezione è un processo mentale predeterminato; la creazione è un processo mentale aperto.

Prendiamo un altro esempio. ChatGPT sembrerebbe emulare la scrittura creativa umana. In realtà, non è così. Ricava la sua conoscenza da grandi quantità di dati testuali (gli oggetti della produzione mentale). I testi sono divisi in pezzi più piccoli, frasi, parole o sillabe, i cosiddetti token.

Quando ChatGPT scrive un pezzo, non sceglie il token successivo in base alla logica dell’argomento (come fanno gli esseri umani). Sceglie invece il token più probabile. Il risultato della scrittura è una catena di token assemblati sulla base della combinazione statisticamente più probabile. Si tratta di una selezione e ricombinazione di elementi di conoscenza già realizzati, non della creazione di nuova conoscenza.

Come dicono Chomsky et al. (2023): “l’intelligenza artificiale prende enormi quantità di dati, ne cerca gli schemi e diventa sempre più abile nel generare risultati statisticamente probabili, come un linguaggio e un pensiero apparentemente simili a quelli umani... [ChatGPT] si limita a riassumere gli argomenti standard della letteratura“.

Potrebbe accadere che ChatGPT produca un testo che non è mai stato pensato dagli esseri umani. Ma si tratterebbe comunque di un riassunto e di una rielaborazione di dati già noti. Non ne potrebbe scaturire una scrittura creativa, perché la nuova conoscenza realizzata può emergere solo dalle contraddizioni insite nella conoscenza potenziale.

Morozov (2023) fornisce un esempio rilevante: “l’opera d’arte Fountain di Marcel Duchamp del 1917. Prima dell’opera di Duchamp, un orinatoio era solo un orinatoio. Ma, con un cambio di prospettiva, Duchamp lo trasformò in un’opera d’arte. Alla domanda su cosa avessero in comune il portabottiglie, la pala da neve e l’orinatoio di Duchamp, Chat GPT ha risposto correttamente che sono tutti oggetti di uso quotidiano che Duchamp ha trasformato in arte”.

“Ma quando gli è stato chiesto quali oggetti di oggi Duchamp avrebbe potuto trasformare in arte, ha suggerito smartphone, monopattini elettronici e maschere facciali. Non c’è alcun accenno a una vera ‘intelligenza’. È una macchina statistica ben gestita ma prevedibile“.

Marx fornisce il quadro teorico adeguato per comprendere la conoscenza. Gli esseri umani, oltre a essere individui concreti unici, sono anche portatori di relazioni sociali, in quanto individui astratti.

In quanto individui astratti, “umani” è una denominazione generale che cancella le differenze tra gli individui, tutti con interessi e visioni del mondo diversi. Anche se le macchine (i computer) potessero pensare, non potrebbero pensare come gli esseri umani determinati dalla classe, con concezioni diverse, determinate dalla classe, di ciò che è vero e falso, giusto o sbagliato.

Credere che i computer siano in grado di pensare come gli esseri umani non solo è sbagliato, ma è anche un’ideologia a favore del capitale, perché significa essere ciechi di fronte al contenuto di classe della conoscenza immagazzinata nel lavoro e quindi alle contraddizioni insite nella generazione della conoscenza.

Per approfondire la teoria marxista della conoscenza e la sua relazione con la legge del valore di Marx, si veda il mio recente articolo, The Ontology and Social Dimension of Knowledge: The Internet Quanta Time, International Critical Thought, 2022 e il libro scritto con Michael Roberts, Capitalism in the 21st century, capitolo quinto.

Fonte