Immaginate un robot che deve attraversare una stanza per prendere una batteria. Nella stanza c’è una bomba a orologeria che sta per esplodere. Il robot prende la batteria, ma non si rende conto che spostando il carrello ha fatto cadere la bomba — che esplode. Questo è il problema del frame: la difficoltà fondamentale che ogni sistema intelligente — artificiale o biologico — incontra nel decidere cosa, di fronte a un’azione, cambierà e cosa resterà invariato. È un problema che risale al 1969, formulato da John McCarthy e Patrick Hayes, eppure nel 2025 continua a inquietare i ricercatori di intelligenza artificiale con una forza che nessuno si aspettava.
Una ricerca pubblicata nel 2025 sulla rivista Philosophy and the Mind Sciences ha riacceso l’attenzione su questo tema, collegando il frame problem alla teoria dell’inferenza attiva di Karl Friston — un framework neuroscientifico che descrive il cervello come una macchina che minimizza costantemente la sorpresa. Il punto è che la capacità di distinguere ciò che è rilevante da ciò che non lo è, durante la percezione e l’azione, non è un optional dell’intelligenza: ne è il cuore stesso. E nessun sistema artificiale, per quanto avanzato, l’ha ancora risolta davvero.
Il problema del frame nella logica: le radici storiche
Nel 1969, John McCarthy e Patrick Hayes pubblicarono un articolo intitolato Some Philosophical Problems from the Standpoint of Artificial Intelligence, nel quale formularono per la prima volta il problema in termini formali. L’obiettivo era ambizioso: usare la logica matematica per descrivere gli effetti delle azioni compiute da un agente su un ambiente. Ma emerse subito un ostacolo imprevisto.
Supponiamo di voler formalizzare due regole elementari. La prima: se dipingo un oggetto, il suo colore cambia. La seconda: se sposto un oggetto, la sua posizione cambia. Dopo aver dipinto e spostato un oggetto A, cosa possiamo dedurre? Che il colore di A è cambiato e che la sua posizione è cambiata — come ci si aspetterebbe. Il problema è che la logica classica del primo ordine, così formulata, non permette di concludere che solo queste due proprietà siano cambiate. Non esclude, in linea di principio, che anche il colore sia stato modificato dallo spostamento, o che la posizione sia stata alterata dalla verniciatura. Per ottenere le conclusioni corrette, occorrerebbe aggiungere una quantità enorme di assiomi del frame — formule che dicono esplicitamente cosa non cambia: “spostare un oggetto non ne altera il colore”, “verniciare un oggetto non ne cambia la posizione”, e così via.
McCarthy e Hayes compresero che in un dominio con M azioni e N proprietà, il numero di assiomi del frame necessari cresce approssimativamente come M × N. Con poche azioni e decine di proprietà, la lista diventa rapidamente ingestibile. La sfida teorica consisteva nel trovare un modo più elegante di esprimere il cosiddetto principio di inerzia del senso comune: tutto resta invariato a meno che non ci sia evidenza esplicita del contrario.
I robot di Dennett e la sfida del buon senso
Daniel Dennett, nel 1978, tradusse il problema tecnico in termini narrativi attraverso tre robot immaginari, ciascuno progettato per correggere i difetti del precedente. R1, il primo, non possedeva alcun meccanismo per inferire le conseguenze indirette delle proprie azioni: entrato nella stanza per prendere la batteria, non comprese che spostando il carrello avrebbe fatto esplodere la bomba. R1 fallì perché non ragionava affatto sulle conseguenze collaterali.
R1D1 fu progettato per correggere questa mancanza. Il suo compito era derivare tutte le conseguenze logiche di ogni azione prima di eseguirla. Il risultato, paradossalmente, fu ancora peggiore: il robot si paralizzò in calcoli interminabili, cercando di determinare se, ad esempio, trainare il carrello avrebbe alterato il colore della parete o cambiato la temperatura della stanza — domande irrilevanti che nessun essere umano si porrebbe mai.
R2D1, la terza incarnazione, fu progettato per distinguere tra conseguenze rilevanti e irrilevanti. Ma anche questo approccio rivelò un ostacolo imprevisto: per classificare ogni implicazione come pertinente o trascurabile, il robot consumava troppo tempo. La bomba esplodeva prima che potesse agire.
Tre robot, tre fallimenti diversi, e un’unica lezione: il problema non è calcolare le conseguenze di un’azione, ma decidere istantaneamente quali conseguenze vale la pena calcolare. È ciò che Dennett chiamò un problema epistemologico significativo, non una semplice sfida tecnica. E la sua portata, come vedremo, va ben oltre la robotica.
Il problema epistemologico: selezionare ciò che conta
La Stanford Encyclopedia of Philosophy, nella sua trattazione del frame problem, distingue tra la versione tecnica del problema — essenzialmente risolta attraverso formalismi come la circonscrizione di McCarthy e gli assiomi di stato successore — e la versione epistemologica, che resta largamente aperta. La domanda filosofica è questa: è possibile, in linea di principio, limitare la portata del ragionamento necessario per derivare le conseguenze di un’azione, senza dover considerare esplicitamente tutto ciò che non è rilevante?
La risposta umana a questa domanda è impressionante nella sua naturalezza. Quando attraversiamo una strada trafficata, non pensiamo al fatto che le nostre ruote non cambieranno colore, che la nostra felpa non si trasformerà in un pesce e che i capelli non diventeranno verdi. Il senso comune ignora automaticamente l’enorme spazio delle possibilità irrilevanti. Questa capacità — che i filosofi chiamano razionalità pratica bounded — è ciò che permette agli esseri umani di prendere decisioni in tempo reale in ambienti incredibilmente complessi.
Per i sistemi di intelligenza artificiale, la questione si complica ulteriormente quando si passa dalla logica simbolica al machine learning. I sistemi moderni, basati su reti neurali profonde, non operano con rappresentazioni esplicite del mondo: non hanno una “mappa” della realtà sulla quale ragionare, ma statistiche sui pattern presenti nei dati. Questo li rende intrinsecamente diversi dai robot logici di McCarthy e Dennett, ma non li esime dal frame problem — lo ripropone in forma nuova.
Il frame problem e gli LLM: è davvero risolto?
I grandi modelli linguistici (LLM), come GPT-4 e Claude, hanno stupito il mondo per la loro capacità di generare testi coerenti, ragionare su problemi complessi e seguire istruzioni articolate. Ci si potrebbe chiedere: se un sistema può rispondere correttamente a domande sulla maggior parte dei domini知识, non ha forse già risolto il problema di selezionare ciò che è rilevante?
La risposta, secondo i ricercatori, è più sfumata. Gli LLM risolvono una versione del frame problem per via statistica: avendo visto miliardi di testi, hanno appreso implicitamente quali connessioni concettuali sono probabili e quali no. Quando chiediamo a un LLM di risolvere un problema di fisica, il modello attinge a un prior implicito sulla rilevanza: sa che la massa è pertinente e che il colore, tipicamente, non lo è. Ma questo non è lo stesso processo di selezione consapevole che caratterizza l’intelligenza umana. È una statistica appresa, non una comprensione.
La differenza emerge chiaramente quando si propongono agli LLM situazioni nuove, controintuitive, o inedite. Il modello può fallire in modi che nessun essere umano fallirebbe — non per mancanza di conoscenza, ma perché il suo sistema di selezione della rilevanza, essendo radicato nei dati di training, non è realmente in grado di gestire configurazioni mai viste prima. Come scrivono i ricercatori di Philosophy and the Mind Sciences, “il problema del frame, o problema della rilevanza, concerne la capacità degli agenti cognitivi di concentrarsi sulle informazioni rilevanti durante l’azione e la percezione, ignorando intelligentemente tutto il resto”. È una capacità che, ad oggi, nessun sistema artificiale possiede in modo affidabile.
C’è poi un aspetto che riguarda specificamente la società contemporanea. I sistemi di intelligenza artificiale vengono sempre più utilizzati per prendere decisioni ad alto impatto: concessione di prestiti, selezione del personale, diagnostica medica, sorveglianza predittiva. In questi contesti, il frame problem epistemologico diventa un problema etico. Un sistema che non sa cosa ignorare può generare conseguenze assurde: rifiutare un mutuo perché il codice fiscale contiene certe sequenze numeriche, o interpretare il movimento di un anziano come segnale di criminalità. Non si tratta di errori di calcolo, ma di un’incomprensione fondamentale di cosa sia rilevante — e cosa no — in un determinato contesto.
Conclusione: la frontiera dell’intelligenzaрим
Il problema del frame ci ricorda che l’intelligenza non è soltanto la capacità di processare informazioni, ma soprattutto la capacità di sapere quali informazioni non processare. È l’arte dell’ignoranza selettiva: sapere cosa trascurare senza perdere ciò che conta. Questa capacità è così naturale negli esseri umani che tendiamo a darla per scontata — finché non proviamo a insegnarla a una macchina.
Nel 1969, McCarthy e Hayes pensavano che il frame problem fosse un ostacolo tecnico, risolvibile con formalismi logici più raffinati. La storia li ha parzialmente corretti: la versione tecnica è stata risolta, ma quella epistemologica resta aperta, anzi si è rivelata più profonda di quanto chiunque immaginasse. E oggi, con sistemi come gli LLM che mostrano capacità apparentemente sovrumane in alcuni domini ma lacune evidenti in altri, il frame problem non è un reperto storico dell’informatica: è la frontiera più urgente della ricerca sull’intelligenza artificiale.
La domanda che resta sospesa è semplice nella sua radicalità: è possibile costruire una macchina che sappia davvero cosa ignorare? La risposta, onestamente, è che non lo sappiamo ancora. E forse è proprio questa incertezza a rendere la ricerca sull’intelligenza artificiale una delle avventure intellettuali più affascinanti del nostro tempo.
Fonti
- Stanford Encyclopedia of Philosophy, “The Frame Problem”, https://plato.stanford.edu/entries/frame-problem/
- Wikipedia, “Frame problem”, https://en.wikipedia.org/wiki/Frame_problem
- Philosophy and the Mind Sciences, “What active inference still can’t do: The (frame) problem that just won’t go away”, 2025, DOI: 10.33735/phimisci.2025.12118
- JaX, “Understanding the Frame Problem in AI”, Medium, giugno 2024, https://medium.com/@ja_x/understanding-the-frame-problem-in-ai-6e32cd2eb580
Share this content:
