L’enigma della sorpresa
Nel 2010 il neuroscienziato Karl Friston, dell’University College London, propose un’idea che avrebbe ridefinito il modo in cui pensiamo alla mente e, potenzialmente, all’intelligenza artificiale. La chiamò principio di energia libera (Free Energy Principle, FEP). L’intuizione centrale è questa: ogni sistema biologico che persiste nel tempo — un batterio, un cervello, un organismo — si comporta come se stesse cercando di minimizzare una quantità matematica chiamata surprise, o sorpresa. In termini formali, la sorpresa è la probabilità negativa in logaritmo di un evento: più un evento è inatteso, maggiore è la sorpresa che il sistema deve sopportare. E i sistemi biologici, secondo Friston, fanno tutto il possibile per evitare questa condizione di dissonanza cognitiva con il mondo.
Da dove nasce questa idea? Friston la radicò nella tradizione della macchina predittiva di Helmholtz, nella statistica bayesiana e nella teoria dell’informazione. Il cervello, in questa prospettiva, non è un mero registratore di dati sensoriali ma un organo che genera modelli interni del mondo e li confronta con l’esperienza vissuta. Quando il modello predice correttamente ciò che accadrà, la sorpresa è nulla e il sistema è in equilibrio. Quando sbaglia, deve fare qualcosa: aggiornare il modello, oppure agire sul mondo per modificarlo finché le predizioni non tornino a quadrare.
Il cervello come motore d’inferenza
Per comprendere la portata del principio di energia libera bisogna apprezzarne l’ambizione unificante. La letteratura scientifica sulla cognizione è frammentata in decine di teorie parziali: teorie della percezione, dell’azione, dell’attenzione, della memoria, dell’emozione. Il FEP si propone come struttura formale capace di derivare tutte queste funzioni da un unico imperativo matematico. Come ha detto Friston stesso in un’intervista rilasciata a Singularity University, «se guardate al machine learning e osservate la traiettoria attuale, è tutta una questione di big data: quanti miliardi di parametri può gestire il vostro large language model. Ed è esattamente la direzione sbagliata dal punto di vista del fisico. Dovreste cercare i dati meno numerosi, i dati intelligenti, i dati sparsi che servono per risolvere l’incertezza».
Questa affermazione suona quasi paradossale nell’era dei large language model, i sistemi che hanno dominato il panorama dell’intelligenza artificiale negli ultimi anni. Eppure coglie un punto fondamentale: i modelli attuali, per quanto impressionanti, operano su una logica fondamentalmente diversa da quella della cognizione biologica. Gli LLM — da GPT a Claude a Gemini — sono modelli statistici del linguaggio addestrati su quantità astronomiche di testo. Non hanno un corpo, non percepiscono il mondo attraverso sensi, non subiscono le conseguenze materiali delle loro predizioni. Predicono la prossima parola. E lo fanno con una bravura che ha stupito persino i loro creatori. Ma il prezzo della sorpresa, per loro, è una questione puramente computazionale, sganciata da qualsiasi interazione reale con un ambiente fisico.
È qui che entra in gioco l’inferenza attiva (Active Inference), la extension del principio di energia libera che Friston e i suoi collaboratori hanno sviluppato a partire dal 2010. Nell’inferenza attiva, un agente non si limita a percepire e modellare: agisce. E l’azione è guidata non dalla ricerca di una ricompensa esterna, come nel reinforcement learning tradizionale, ma dalla tendenza a ridurre la sorpresa. L’agente preferisce gli stati che trova familiari, prevedibili, a bassa energia cognitiva. E quando incontra l’ignoto, si muove per esplorarlo in modo sistematico, aggiornando il proprio modello del mondo fino a farlo convergere con la realtà.
Un’implementazione concreta: i thermostat intelligenti
Sebbene il framework sia di per sé teorico, le sue applicazioni concrete cominciano a emergere. Un articolo pubblicato su Frontiers in Sustainable Cities nel 2025 ha descritto l’uso di regolatori intelligenti per il risparmio energetico (Occupant Controlled Smart Thermostat, OCST) basati su modelli di inferenza attiva. L’idea è elegante: invece di programmare regole rigide su quando accendere o spegnere il riscaldamento in risposta a segnali di prezzo, il sistema inferisce il contesto ambientale completo — temperatura esterna, abitudini degli occupanti, stress sulla rete elettrica — e aggiusta dinamicamente le proprie priorità normative. Il risultato è un comportamento adattivo che ricorda più il buon senso umano che un algoritmo di ottimizzazione lineare.
È un esempio piccolo, forse persino banale, rispetto alle ambizioni dichiarate del FEP. Ma segnala una direzione: costruire agenti che non si limitano a eseguire istruzioni, ma che comprendono il contesto e agiscono di conseguenza, minimizzando la sorpresa non in senso metaforico ma matematico.
Le obiezioni: quando il framework si infrange contro i propri limiti
Non mancano, naturalmente, le obiezioni. Un documento pubblicato su PhilPapers nel 2025 ha sollevato la questione cruciale: che cosa l’inferenza attiva non può fare? Tra le risposte, una merita particolare attenzione. Il FEP assume che il sistema sia embodied — che abbia un corpo, dei sensi, un’interazione fisica con l’ambiente. I sistemi di intelligenza artificiale attuali sono, nella maggior parte dei casi, pura computazione disincarnata. Il loro accesso al mondo è mediato da dati testuali, non da sensori. Non hanno pelle che senta il calore, non hanno occhi che vedano un tramonto, non hanno un corpo che cada. Come può un LLM minimizzare la sorpresa se non ha modo di verificare le sue predizioni sul mondo fisico? La risposta sconfortante è: non può. Non nel senso in cui il termine ha significato per la cognizione biologica. Quel che può fare è ridurre la sorpresa rispetto alle aspettative statistiche incorporate nei suoi pesi — un’impresa notevole, ma qualitativamente diversa dalla sopravvivenza in un mondo che non smette mai di riservare sorprese.
È forse il problema più grave che si frappone tra il principio di energia libera e la sua applicazione all’intelligenza artificiale generale. Senza un corpo — o almeno senza un’interazione dinamica e continua con un ambiente — il modello interno dell’agente resta un’astrazione senza ancoraggio. E senza ancoraggio, la sorpresa che il sistema minimizza è quella tra le proprie predizioni e i propri dati di addestramento, non quella tra le proprie credenze e il mondo reale.
A ciò si aggiunge una difficoltà filosofica di natura più profonda. Se l’unico accesso del cervello al mondo è mediato dai sensi, e i sensi restituiscono dati già filtrati da modelli interni, come può il cervello validare i propri modelli contro una realtà indipendente? Il FEP rischia di scivolare in una forma di idealismo computazionale, in cui la mente è prigioniera delle proprie proiezioni. Jakob Hohwy, filosofo e scienziato cognitivo, ha argomentato che questa è precisamente la sfida che il framework deve affrontare: distinguere tra percezione e allucinazione, tra modello accurato e modello semplicemente comodo.
L’orizzonte di una teoria unificata
Nonostante le critiche, il fascino del principio di energia libera resta intatto. Alcuni lo considerano la teoria unificante di cui la scienza cognitiva ha bisogno, paragonandone la portata a quella della teoria darwiniana per la biologia. Che un unico principio matematico — la minimizzazione della sorpresa — possa derivare la percezione, l’azione, l’apprendimento e persino la coscienza, è un’ipotesi di lavoro di straordinaria ambizione. E se fosse vera, avrebbe conseguenze decisive per il modo in cui costruiamo le macchine intelligenti del futuro.
La differenza tra l’approccio attuale dell’AI — reti neurali enormi addestrate su dati massivi — e l’approccio ispirato all’inferenza attiva — agenti che apprendono interagendo con l’ambiente e ottimizzando modelli generativi interni — non è solo tecnica. È, in un certo senso, la differenza tra due concezioni della mente. Da un lato, la mente come specchio che riflette statisticamente il linguaggio del mondo. Dall’altro, la mente come organismo che genera attivamente la propria rappresentazione del mondo e cerca, disperatamente, di ridurre lo scarto tra ciò che crede e ciò che accade.
Il legame con la cognizione incarnata (embodied cognition) — il paradigma che sostiene che il pensiero non avviene esclusivamente nel cervello ma in tutto il corpo, attraverso la sua interazione con l’ambiente — è qui particolarmente fertile. Un recente studio pubblicato su AI & Society ha proposto di integrare i principi della cognizione incarnata con il predictive processing per affrontare il problema delle allucinazioni negli LLM. L’idea è che il ragionamento simbolico possa servire come meccanismo correttivo per le uscite neurali, analogamente a come il corpo umano corregge le predizioni cerebrali attraverso il feedback sensoriale. Non è un caso che le applicazioni più promettenti dell’inferenza attiva siano proprio quelle in cui l’agente ha un corpo: la robotica, i veicoli autonomi, i sistemi di controllo ambientale.
Il workshop internazionale sull’inferenza attiva (IWAI) terrà la sua edizione 2026 proprio per discutere queste questioni e cercare di colmare il divario tra la teoria e l’implementazione. È un segno che la comunità scientifica prende sul serio questa linea di ricerca, anche se i risultati pratici sono ancora limitati.
Conclusione: il costo di non essere sorpresi
C’è qualcosa di profondamente suggestivo nel modo in cui il principio di energia libera reimmette la sorpresa al centro dell’esperienza. Vivere, in questa prospettiva, è un atto continuo di evitamento della sorpresa: il cervello lavora instancabilmente per trasformare il nuovo in familiare, lo sconosciuto in prevedibile, il caos in ordine. È un lavoro che il cervello compie con ogni respiro, con ogni movimento degli occhi, con ogni parola che pronuncia. Ed è lo stesso lavoro che, un giorno, potremmo chiedere alle nostre macchine di svolgere — non sostituendo i dati enormi con i dati piccoli, ma chiedendo loro di esistere in un mondo, di avere un corpo, un contesto, un prezzo da pagare per la sorpresa.
Se il principio di energia libera è una buona teoria, allora forse il compito dell’intelligenza artificiale del futuro non è solo parlare o predire. È imparare a essere sorpresa. E a farsene una ragione.
Fonti:
• Karl Friston, “The free-energy principle”, Nature Reviews Neuroscience, 2010
• Wikimedia Foundation, “Free energy principle”, Wikipedia, 2026
• Steven Parton, “How Free Energy Shapes the Future of AI”, Singularity University, 2025
• Parr et al., “Agentic rulebooks using active inference”, Frontiers in Sustainable Cities, 2025
• PhilPapers, “What active inference still can’t do”, 2025
• IWAI Workshop, “7th International Workshop on Active Inference”, 2026
Share this content:
