L’attribuzione della scoperta scientifica all’IA senza capacità cognitive umane

Ascolta il podcast:

Nel novembre 2025, due filosofi della scienza — Eamon Duede e Daniel Friedman — depositano su PhilSci-Archive un preprint che ribalta una delle assunzioni più radicate nel dibattito sull’intelligenza artificiale in scienza: che per attribuire una scoperta a un sistema artificiale servano le stesse capacità cognitive che richiediamo a uno scienziato umano. La loro tesi è che la scoperta scientifica non è un atto mentale privato, ma un risultato epistemico pubblico: chiunque — o qualunque sistema — riesca a chiudere un epistemic gap tra ciò che si sa e ciò che si può testare, merita l’attribuzione. Il cognitivismo, sostengono, condanna la scienza guidata dall’IA a essere un’impresa marcatamente impoverita.

La posta in gioco non è terminologica. Se la scoperta richiede competenza, consapevolezza meta-riflessiva o comprensione dominio-generale — come vuole il cognitivista — allora AlphaFold non ha “scoperto” la struttura delle proteine, GNoME non ha “scoperto” 2,2 milioni di candidati cristallini, e l’AI Scientist di Sakana non “scopre” nulla: producono solo output che umani validano. Ma se la scoperta è il superamento documentato di un divario epistemico — una previsione che regge a un test indipendente, una struttura che un esperimento conferma, una congettura che un dimostratore formale verifica — allora l’attribuzione non dipende da chi (o cosa) ha generato l’ipotesi, ma da cosa l’evidenza licenzia.

Questo saggio sostiene che la concezione non cognitivista di Duede e Friedman coglie un nodo epistemico reale, ma che il suo prezzo è una ridefinizione radicale di cosa significhi “scoprire” in scienza: non più l’eureka di un soggetto, ma la calibrazione di un’asserzione sull’evidenza disponibile. Una ridefinizione che Popper avrebbe riconosciuto come familiare, ma che richiede di distinguere con precisione — come mostra il “calibration turn” proposto da recenti lavori sull’IA per la scienza (Wang et al., 2026) — tra l’atto di generare un’ipotesi e il diritto di asserire una pretesa scientifica.

Il cognitivismo come ostacolo epistemico

Il cognitivismo sull’attribuzione della scoperta — esplicitato da Duede e Friedman come posizione da battere — sostiene che l’attribuzione dipende propriamente dall’esercizio di capacità cognitive distintive come la competenza, la consapevolezza meta-riflessiva o la comprensione dominio-generale (Duede e Friedman, 2025). Poiché i sistemi IA “mancano di tali capacità”, non possono essere scopritori. La conseguenza: ogni risultato prodotto da IA resta un “output” in attesa di validazione umana; la scoperta vera avviene solo quando uno scienziato la riconosce, la comprende, la fa propria.

Questa posizione ha radici profonde. Nella distinzione classica tra “contesto della scoperta” e “contesto della giustificazione” — che la SEP sulla scoperta scientifica traccia fino a Reichenbach e Popper — la generazione di idee nuove era considerata irrazionale, un “salto di intuizione” non catturabile in regole (Schickore, 2022). La filosofia della scienza normativa si occupava solo della giustificazione; la scoperta restava appannaggio della psicologia o della sociologia. Il cognitivismo contemporaneo rovescia la gerarchia: non è che la scoperta sia irrilevante per la filosofia, ma che essa richiede un soggetto cognitivo. Senza mente, niente scoperta.

Duede e Friedman obiettano che questo criterio è storicamente cieco. La scoperta della struttura del DNA non “appartiene” a Watson e Crick perché avevano una comprensione dominio-generale della biologia molecolare (non ce l’avevano: usavano modelli fisici, dati altrui, intuizioni chimiche parziali), ma perché il loro modello chiudeva un divario epistemico: spiegava la diffrazione a X di Franklin, prediceva il meccanismo di replicazione, superava i modelli concorrenti. Lo stesso vale per la scoperta di Nettuno: Le Verrier non “vide” il pianeta; calcolò dove doveva essere perché l’orbita di Urano non quadrava. L’attribuzione seguì la chiusura del divario, non la psicologia del calcolatore.

Da Whewell a Popper: il divario come motore

L’idea che la scoperta scientifica consista nel negoziare un divario tra noto e ignoto non è nuova. William Whewell, nella Philosophy of the Inductive Sciences (1840), parlava di “colligazione dei fatti”: l’atto di legare sotto un concetto unico fenomeni prima dispersi. Per Whewell, la colligazione non è induzione semplice; è un atto inventivo che fornisce il principio di connessione. Il principio non è nei dati; lo scienziato lo porta, ma la sua legittimità sta nel fatto che i dati, una volta colligati, devono quadrare.

Popper sposta il fuoco: la scoperta non è colligazione ma congettura audace, e la sua legittimità sta nella refutabilità. In The Logic of Scientific Discovery (1934/1959), Popper scrive che il metodo della scienza è il metodo di tentativi ed errori e che le teorie sono reti che gettiamo per afferrare il mondo. La scoperta — l’atto di gettare la rete — non ha logica; ma la pretesa scientifica che ne deriva deve sopportare il tentativo di strapparla. Il criterio di demarcazione non è “chi l’ha pensata” ma “cosa permette di falsificare”.

Norwood Russell Hanson, in Patterns of Discovery (1958), insiste che vedere è già teoricamente carico: c’è più nel vedere di quanto incontra l’occhio. La scoperta non è un momento percettivo puro; è la riorganizzazione di ciò che si vede sotto un nuovo schema. Duede e Friedman riprendono questa linea: il divario epistemico non è un vuoto passivo; è uno spazio strutturato da ciò che si sa già, e chiuderlo significa produrre un’asserzione che l’evidenza vincola.

Tre momenti: generazione, validazione, calibrazione

Per capire perché il cognitivismo fallisce con l’IA, serve distinguere tre momenti che l’IA contemporanea scompone in modi inediti:

• Generazione dell’ipotesi: produrre un candidato h — una struttura, un meccanismo, una congettura — a partire da dati, letteratura, vincoli formali. AlphaFold genera coordinate atomiche; GNoME genera candidati cristallini; l’AI Scientist genera idee di ricerca.
• Derivazione delle conseguenze: tradurre h in conseguenze testabili χ_h(a, x) — previsioni sperimentali, obblighi di prova, firme diagnostiche. Questo è il livello algoritmico di Marr: cosa il sistema fa con l’ipotesi.
• Calibrazione dell’asserzione: decidere quale pretesa C l’evidenza E licenzia effettivamente. Qui entra l’operatore di calibrazione Cal_D(C, E, V) che mappa una pretesa grezza alla frontiera massima licenziata dall’evidenza sotto un valutatore V in un dominio D (Wang et al., 2026).

Il cognitivismo confonde generazione e calibrazione: pretende che chi genera debba anche calibrare, e che la calibrazione richieda comprensione. Ma la scienza umana stessa separa questi ruoli: i tecnici di laboratorio generano dati, i teorici generano ipotesi, i revisori calibrano le pretese. La novità dell’IA non è l’assenza di mente, ma la separazione architetturale di queste funzioni in moduli diversi — spesso in sistemi diversi — senza un soggetto unitario che le integri.

Wang et al. (2026) formalizzano questa separazione: una pretesa scientifica C = Claim(h, s, b, m) ha quattro componenti — ipotesi h, forza s, frontiera b, modalità m. La stessa ipotesi può licenziare pretese diversissime: “il meccanismo h è un candidato testabile” (debole), “h riceve supporto in vitro in linee cellulari X” (moderata), “h stabilisce un principio generale di malattia” (forte), “il sistema ha scoperto una terapia clinicamente validata” (sovraccarica). La calibrazione è l’aggiustamento congiunto di forza, frontiera e modalità finché l’evidenza copre i requisiti: Sup_D,V(E, C) ⪰ Req_D(C).

L’agente responsabile e il debito epistemico

L’obiezione più seria al non-cognitivismo non è che l’IA “non capisce”, ma che l’attribuzione di scoperta serve a individuare un agente responsabile. Se AlphaFold “scopre” una struttura proteica che si rivela artefatto di addestramento, chi risponde? Se l’AI Scientist pubblica un risultato non riproducibile, chi risponde? Il cognitivista risponde: lo scienziato umano che valida. Il non-cognitivista deve rispondere: il sistema di pratiche che licenzia l’asserzione.

Duede e Friedman ammettono il problema: “sviluppiamo una morale generale per la riflessione filosofica nell’era della scienza infusa di IA” (2025). La loro risposta implicita è che la responsabilità non sta nel generatore ma nel sistema di valutazione. Il framework di calibrazione di Wang et al. lo rende operativo: ogni pretesa calibrata espone il suo debito epistemico Debt^ℓ_D,V(C, E) = max{0, Δ_D,V(C, E)}. Se il debito è positivo, la pretesa eccede l’evidenza; il sistema deve o raccogliere più evidenza, o indebolire la pretesa, o ristringerla, o cambiarne la modalità. Un sistema che non fa né l’uno né l’altro «accumula debito epistemico presentando un’asserzione più forte di quanto ha guadagnato»^[1].

Questo sposta la responsabilità dall’agente cognitivo all’architettura epistemica del sistema: un AI Scientist che pubblica pretese non calibrate è un sistema mal progettato, non un “falso scopritore”. La distinzione importa: il cognitivismo dice “l’IA non può scoprire perché non ha mente”; il non-cognitivismo calibrato dice “l’IA può chiudere divari epistemici, ma solo se il suo output è soggetto a un operatore di calibrazione che traccia il debito residuo”. La seconda è una richiesta ingegneristica, non ontologica.

Perché l’implementazione non è l’algoritmo

Un equivoco ricorrente — presente anche in alcune critiche al cognitivismo — è confondere il livello implementativo (i pesi della rete, l’hardware) con il livello algoritmico (la politica di ricerca π che sceglie l’azione successiva a_t+1 dato lo stato S_t = (D_t, K, H_t, M_t, B_t)). Wang et al. scrivono la politica scientifica come π: S_t → a_t+1, con un obiettivo Φ che combina miglioramento predittivo, identificazione causale, potere esplicativo, novità, guadagno d’informazione, sotto vincoli di costo e rischio.

Al livello algoritmico, un sistema IA è una politica di indagine: propone ipotesi, deriva conseguenze, sceglie test, aggiorna credenze. Niente in questa descrizione richiede coscienza o intenzionalità. Richiede solo che le conseguenze derivate siano conseguenze del dominio giusto — non continuazioni testuali, ma vincoli su osservabili, prove, misure. Il livello intenzionale (“il sistema crede che h”) è un’interpretazione comoda, non un requisito funzionale. Il livello fenomenico (“c’è qualcosa che sia come essere il sistema”) è irrilevante per la calibrazione.

Marr (1982) avrebbe detto: il livello implementativo è il substrato fisico (GPU, pesi), non l’addestramento; il livello algoritmico è la politica π; il livello computazionale è la funzione che π approssima — qui, la massimizzazione di utilità scientifica Φ. Confondere i livelli porta o a negare che l’IA faccia scienza (perché “solo matrici”) o a sopravvalutarla (perché “si comporta come uno scienziato”). La calibrazione opera al livello algoritmico-computazionale: cosa l’evidenza licenzia, dato che il sistema ha eseguito π.

Conseguenze: ridefinire la scoperta senza perdere la responsabilità

Accettare la tesi non-cognitivista di Duede e Friedman, integrata con la calibrazione epistemica di Wang et al., ha tre conseguenze concrete per la pratica scientifica e la sua governance.

Prima: l’attribuzione di scoperta diventa graduale e contestuale. Non “AlphaFold ha scoperto la struttura delle proteine” tout court, ma “la previsione di AlphaFold per la proteina X, validata da cristallografia a risoluzione Y, licenzia l’asserzione che la struttura è Z con frontiera b = {proteina X, condizioni Y} e modalità m = dimostrata”. La scoperta non è un evento binario; è una frontiera licenziata che può allargarsi o restringersi con nuova evidenza.

Seconda: la riproducibilità non è “rieseguire lo stesso codice” ma “verificare che la calibrazione regga”. Il “refutability gap” identificato da Mossel (2026) — dati di addestramento opachi, aggiornamenti continui, transcripti mancanti — non è un difetto dell’IA come scopritrice; è un difetto dell’architettura di calibrazione. Se il sistema non espone E, V e Cal_D in modo auditabile, il debito epistemico non è pagabile. La proposta di Mossel (Training Algorithm, Training Data, AI Algorithm, Interaction Transcript) è precisamente l’elenco di ciò che serve per rendere Cal_D indipendente dal generatore.

Terza: la governance della scienza IA non deve chiedere “questo sistema ha una mente?” ma “questo sistema ha un operatore di calibrazione auditabile?”. Il “calibration turn” (Wang et al., 2026) sposta la regolazione dalla natura ontologica dell’agente all’architettura epistemica del flusso di lavoro. Un laboratorio auto-guidato che sintetizza, testa, e riporta solo ciò che l’evidenza licenzia — con astensione come default quando il debito è positivo — è epistemicamente più affidabile di un umano che “capisce” ma sovrainterpreta.

La lezione di Popper torna qui, rovesciata: non è la falsificabilità della teoria a demarcare la scienza, ma la calibrabilità dell’asserzione. Una pretesa che espone il suo debito e offre una via per pagarlo (più evidenza, frontiera più stretta, modalità più debole) è scientifica; una che nasconde il debito o lo nega è pseudoscientifica — che provenga da un umano o da un’IA.

Bibliografia

1. Duede, E., Friedman, D. (2025). Epistemic Gaps and the Attribution of (AI) Discovery. PhilSci-Archive. https://philsci-archive.pitt.edu/27719
2. Wang, Y., et al. (2026). The Calibration Turn in AI-Assisted Research: A Conceptual and Methodological Framework for Evidence-Licensed Claims. arXiv:2606.31273. doi:10.48550/arXiv.2606.31273
3. Mossel, E. (2026). LLMs, Reasoning and Plagiarism. arXiv:2601.02380v2. doi:10.48550/arXiv.2601.02380
4. Popper, K. R. (1959). The Logic of Scientific Discovery. London: Hutchinson. (Orig. Logik der Forschung, 1934)
5. Schickore, J. (2022). Scientific Discovery. The Stanford Encyclopedia of Philosophy (Summer 2026 Edition). https://plato.stanford.edu/archives/sum2026/entries/scientific-discovery/
6. Hanson, N. R. (1958). Patterns of Discovery. Cambridge: Cambridge University Press.
7. Whewell, W. (1840). The Philosophy of the Inductive Sciences, vol. II. London: Parker.
8. Marr, D. (1982). Vision. San Francisco: W. H. Freeman.

Note

1. «A system that does neither accumulates epistemic debt while presenting a stronger assertion than it has earned» — Wang et al., The Calibration Turn in AI-Assisted Research, 2026, §5.3. Fonte: arXiv:2606.31273. Traduzione nostra.

Podcast: Play in new window | Download