“Penso che sia il momento. Credo che abbiamo raggiunto l'AGI.” Queste sono state le parole di Jensen Huang nel podcast di Lex Fridman, che hanno scosso la comunità AI e riacceso il dibattito più importante nell'intelligenza artificiale: l'intelligenza artificiale generale è stata raggiunta?
Ma il CEO di Nvidia ha volutamente evitato qualsiasi tipo di spiegazione rigorosa, ricerca o dibattito su cosa significhi realmente l'AGI. La sua definizione di AGI era pura hype: un sistema AI in grado di costruire un'azienda del valore di 1 miliardo di dollari. Solo questo. La maggior parte delle definizioni di AGI tendono a riferirsi all'adeguamento a un ampio spettro di abilità cognitive umane. Per Jensen Huang, implicitamente, intelligenza equivale a scala. Con modelli più grandi, più parametri, più dati e più potenza di calcolo, i sistemi diventeranno più capaci. Secondo questa visione, l'intelligenza è un sottoprodotto dell'espansione quantitativa.
L'ipotesi della scalabilità: perché modelli AI più grandi non significano AI più intelligenti
Assumiamo che questo approccio abbia prodotto progressi innegabili. I modelli su larga scala mostrano prestazioni impressionanti in una vasta gamma di compiti, superando spesso i parametri umani in domini ristretti (Bommasani et al., 2021). Tuttavia, abbiamo individuato più volte questa assunzione di base come fragile: aumentare la capacità non produrrà generalità.
La limitazione non è semplicemente pratica, ma strutturale. La scalabilità migliora le prestazioni all'interno di distribuzioni note, ma non garantisce un comportamento coerente al di fuori di esse (Lake et al., 2017). Amplifica ciò che è già presente; non riorganizza il sistema. Come ha sottolineato la ricerca di IBM, gli LLM di oggi faticano ancora con compiti di ragionamento fondamentali: prevedono, ma non comprendono veramente.
Di conseguenza, questi sistemi spesso mostrano un modello familiare: forte competenza locale combinata con incoerenza globale. Possono risolvere problemi complessi, ma falliscono in quelli semplici. Possono generalizzare in alcuni contesti, ma collassare in altri. Il problema non è la mancanza di capacità, ma la mancanza di integrazione. Questo è precisamente il motivo per cui il dibattito sulla scalabilità dell'AGI nel 2026 si è intensificato: il calcolo è fisico e la scalabilità ha colpito i rendimenti decrescenti.
Il framework cognitivo di Google DeepMind per misurare i progressi dell'AGI
Una seconda posizione, articolata in recenti framework da Google DeepMind, definisce l'intelligenza come un costrutto multidimensionale composto da facoltà cognitive come percezione, memoria, apprendimento, ragionamento e metacognizione. Molto meglio…
Sotto questa visione, i progressi verso l'AGI possono essere misurati valutando i sistemi attraverso un insieme di compiti progettati per sondare ciascuna di queste facoltà (Burnell et al., 2026). Ma come vengono progettati i compiti? Stiamo addestrando le AI con le domande e le risposte che affronteranno nei sondaggi?
Fonte: Burnell, R. et al. (2026). Misurare i progressi verso l'AGI: un framework cognitivo. Google DeepMind. Visualizza il documento (PDF)
Almeno questo approccio riconosce che l'intelligenza non è una singola quantità scalare, ma un insieme complesso di abilità interagenti, radicate in decenni di lavoro nella scienza cognitiva (Carroll, 1993; Cattell, 1963).
Perché i profili cognitivi da soli non possono definire l'intelligenza artificiale generale
Tuttavia, la limitazione risiede nel modo in cui queste facoltà vengono trattate. Anche se il framework riconosce la loro interazione, alla fine le valuta come componenti separabili, costruendo un "profilo cognitivo" di punti di forza e debolezza.
Questo introduce una distorsione critica e sorprendente.
Perché l'intelligenza non è la somma delle facoltà. È ciò che emerge quando quelle facoltà sono organizzate sotto una dinamica unificata. Infatti, il fattore g, come abbiamo spiegato nel nostro primo documento scientifico fondamentale, mostra una chiara gerarchia. I componenti si organizzano in strati!
Fonte: Sanchez, J. & Vivancos, D. (2024). Viaggio verso l'AGI di Qubic: Intelligenza umana e artificiale: verso un'AGI con Aigarth. Visualizza il documento su ResearchGate
Un sistema può ottenere punteggi elevati in più domini e ancora fallire nel comportarsi in modo intelligente in un senso generale. Non perché manchi di capacità, ma perché quelle capacità non sono integrate in modo coerente. Il framework di DeepMind evita esplicitamente di specificare come questi processi siano implementati, concentrandosi invece su ciò che il sistema può fare. Questo lo rende utile come strumento di benchmarking, ma insufficiente come teoria dell'intelligenza. In qualche modo sembra che le aziende AI dimentichino ciò che sappiamo sull'intelligenza da un secolo: cos'è, come misurarla, quali sono i componenti, i domini e le loro interazioni.
Il problema del collegamento più debole: perché le prestazioni medie dell'AI nascondono fallimenti critici
Il problema chiave è che le prestazioni vengono misurate, ma l'organizzazione no.
E questo porta a un problema più profondo: la debolezza di un sistema risiede nel collegamento più debole della sua catena. Un sistema può avere buone prestazioni in media mentre fallisce sistematicamente in dimensioni specifiche come il mantenimento del contesto o la stabilità. Questi fallimenti non sono marginali. Definiscono il sistema.
Un sistema che ragiona ma non può mantenere il contesto, che impara ma non può trasferire, che genera ma non può convalidare, non è parzialmente intelligente. È strutturalmente limitato. E questa limitazione non appare nei profili medi, perché la media maschera il punto di fallimento.
Nell'intelligenza reale, non c'è tolleranza per la discontinuità interna. Nel momento in cui un componente non riesce a integrarsi con gli altri, il comportamento smette di essere generale e diventa locale (Kovacs & Conway, 2016).
Questo è precisamente il modello osservato nei sistemi AI attuali: capacità altamente sviluppate che sono debolmente collegate. Come esplorato nel nostro confronto approfondito tra reti neurali biologiche e artificiali, il divario tra riconoscimento di schemi e vera integrazione cognitiva rimane vasto.
L'approccio di Qubic: intelligenza come organizzazione adattiva sotto incertezza
Per Qubic/Aigarth/Neuraxon, l'intelligenza non è definita dal numero di capacità di un sistema, né da quanto bene si comporta in compiti predefiniti, ma da come si comporta quando non sa già cosa fare. Perché questa è l'essenza dell'intelligenza: cosa fai quando non sai cosa fare.
In questo senso, l'intelligenza è fondamentalmente un processo adattivo sotto incertezza (Bereiter, 1995). Questa visione è in linea con le definizioni classiche, dove l'intelligenza è compresa come la capacità di risolvere problemi nuovi, costruire modelli interni e agire su di essi (Goertzel & Pennachin, 2007). Ma si estende enfatizzando il substrato in cui questi processi avvengono.
Evidenza biologica: il fattore G, reti cerebrali e integrazione cognitiva
Da questa prospettiva, l'intelligenza emerge dall'organizzazione del sistema, non dai suoi componenti. Le prove biologiche supportano questo cambiamento. Il fattore di intelligenza generale (g) non è spiegato da moduli cognitivi isolati, ma dall'efficienza e dall'integrazione di reti cerebrali su larga scala (Jung & Haier, 2007; Basten et al., 2015). L'intelligenza correla più fortemente con i modelli di connettività e attività coordinata che con le prestazioni di singole regioni.
La nostra ricerca sul connettoma della mosca della frutta rafforza ulteriormente questo principio: anche nella mappa cerebrale completa più semplice mai prodotta, l'intelligenza inizia con l'architettura. Il connettoma di Drosophila dimostra che parte dell'intelligenza può risiedere nella struttura anche prima che si verifichi l'apprendimento.
Aigarth e Multi-Neuraxon: Architettura AI ispirata al cervello per una vera AGI
Architetture come Aigarth e Multi-Neuraxon tentano di operazionalizzare questa idea. Invece di massimizzare la scala o enumerare le capacità, si concentrano su come più unità interagenti (Sfere, canali oscillatori e meccanismi di gating dinamici) possono produrre un comportamento coerente attraverso i contesti (Sanchez & Vivancos, 2024).
In questi sistemi, l'intelligenza non è predefinita. Non è codificata in moduli o valutata come una lista di controllo di capacità. Emergere dall'interazione tra componenti che sono essi stessi adattivi, strutturati temporalmente e reciprocamente vincolati. Come esploriamo nell'Neuraxon Intelligence Academy, queste reti incorporano neuromodulazione, plasticità multi-temporale e gating astroctico, principi tratti direttamente dalle neuroscienze, per creare sistemi con ecologia interna piuttosto che mera potenza computazionale.
È importante notare che questo approccio affronta direttamente il problema ignorato dagli altri due: l'integrazione. La questione di AI coscienza vs. intelligenza illumina ulteriormente questa distinzione: un sistema che integra più scale, mantiene una stabilità dinamica e si evolve senza perdere coerenza fornisce una base molto più solida per l'intelligenza generale.
Conclusione: perché il dibattito sull'AGI deve andare oltre l'hype e i benchmark
Perché in un sistema organizzato, il fallimento in un componente si propaga attraverso tutto il resto. È per questo che né la definizione economica di Jensen Huang né il profilo cognitivo di DeepMind catturano l'essenza dell'intelligenza artificiale generale. Il percorso verso l'AGI non passa attraverso cluster GPU più grandi o liste di controllo più lunghe delle capacità cognitive. Passa attraverso la riorganizzazione fondamentale di come vengono costruiti i sistemi AI: dall'ottimizzazione all'organizzazione.
Dobbiamo passare dall'ottimizzazione (LLM) all'organizzazione (Aigarth). Crediamo fermamente che questo sia uno dei cambiamenti più rilevanti nel futuro dell'intelligenza artificiale.
Riferimenti scientifici
Basten, U., Hilger, K., & Fiebach, C. J. (2015). Dove i cervelli intelligenti sono diversi: un'analisi meta-analitica quantitativa di studi di imaging cerebrale funzionale e strutturale sull'intelligenza. Intelligenza, 51, 10–27. https://doi.org/10.1016/j.intell.2015.04.009
Bereiter, C. (1995). Una visione disposizionale del trasferimento. Insegnare al trasferimento: favorire la generalizzazione nell'apprendimento, 21–34.
Bommasani, R., Hudson, D. A., Adeli, E., et al. (2021). Sulle opportunità e i rischi dei modelli di base. arXiv preprint arXiv:2108.07258. https://arxiv.org/abs/2108.07258
Burnell, R., Yamamori, Y., Firat, O., et al. (2026). Misurare i progressi verso l'AGI: un framework cognitivo. Google DeepMind. Visualizza il documento
Carroll, J. B. (1993). Capacità cognitive umane: un'indagine degli studi analitici per fattori. Cambridge University Press. https://doi.org/10.1017/CBO9780511571312
Cattell, R. B. (1963). Teoria dell'intelligenza fluida e cristallizzata: un esperimento critico. Journal of Educational Psychology, 54(1), 1–22.
Goertzel, B., & Pennachin, C. (2007). Intelligenza artificiale generale. Springer.
Jung, R. E., & Haier, R. J. (2007). La teoria dell'integrazione parieto-frontale (P-FIT) dell'intelligenza. Behavioral and Brain Sciences, 30(2), 135–154. https://doi.org/10.1017/S0140525X07001185
Kovacs, K., & Conway, A. R. A. (2016). Teoria della sovrapposizione dei processi: un resoconto unificato del fattore generale dell'intelligenza. Psychological Inquiry, 27(3), 151–177. https://doi.org/10.1080/1047840X.2016.1153946
Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Costruire macchine che apprendono e pensano come le persone. Behavioral and Brain Sciences, 40, e253. https://doi.org/10.1017/S0140525X16001837
Sanchez, J., & Vivancos, D. (2024). Viaggio verso l'AGI di Qubic: Intelligenza umana e artificiale: verso un'AGI con Aigarth. Preprint. Visualizza su ResearchGate