Dove finisce il prompt, inizia il pensiero

di Marco Vergeat |

L’Intelligenza Artificiale non si governa imparando soltanto a usare gli strumenti: per Alberto Sangiovanni Vincentelli, la vera questione è comprenderne i fondamenti, esercitare pensiero critico e non perdere il legame tra scienza, tecnologia e cultura umanistica.

L’Intelligenza Artificiale non si governa imparando soltanto a usare gli strumenti. Per Alberto Sangiovanni Vincentelli, la vera questione è comprenderne i fondamenti, esercitare pensiero critico e non perdere il legame tra scienza, tecnologia e cultura umanistica. È da questa prospettiva che prende forma il dialogo con una delle figure di riferimento mondiali nel campo dell’innovazione tecnologica e della progettazione elettronica.

La traiettoria professionale e umana di Alberto Sangiovanni Vincentelli

Titolare della cattedra Edgar and Harold Buttner di Ingegneria Elettrica e Informatica presso l’Università della California, Berkeley, e membro del laboratorio BAIR, Berkeley Artificial Intelligence Research, Alberto Sangiovanni Vincentelli è autore o coautore di oltre mille articoli scientifici, 17 libri e tre brevetti. Fellow dell’Ieee e dell’Acm, membro della National Academy of Engineering e dell’American Academy of Arts and Sciences, ha attraversato ricerca, università e impresa lasciando un segno profondo in ciascuno di questi ambiti.

Scienziato, docente, imprenditore e mentor di generazioni di studenti e ricercatori, ha cofondato Cadence e Synopsys, aziende leader mondiali nell’Electronic Design Automation. Contribuendo a trasformare la progettazione dei chip da processo artigianale a industria automatizzata. Una traiettoria scientifica, imprenditoriale e umana che Asfor ha voluto riconoscere con l’Asfor Award for Excellence 2026, conferito durante la XXIV Giornata della Formazione Manageriale, dedicata al tema “HUMANAI. Ripensare la cultura e la formazione manageriale nell’era dell’Intelligenza Artificiale”.

Professore, basta leggere il suo curriculum per porsi una domanda molto semplice: come è stato possibile fare tutto questo? E, mi dica la verità, ma lei non dorme mai?

Dormo poco, questo probabilmente è un fatto genetico. Quando ero giovane dormivo tre ore per notte, forse anche meno. I miei studenti scherzano dicendo che se mi mandano un messaggio a qualsiasi ora del giorno o della notte, ricevono una risposta dopo due minuti. Ma posso assicurare che non c’è nessuna Intelligenza Artificiale che impersona Alberto: sono davvero io a rispondere. Naturalmente, per fare tante cose non basta l’energia individuale. Servono persone straordinarie intorno a te. I miei studenti e i miei collaboratori sono stati la vera chiave dei mille articoli, dei libri, delle aziende e dei progetti che ho avuto la fortuna di costruire.

Nessun risultato importante nasce da una persona sola: nasce da una comunità di persone che condividono idee, competenze e passione. A Berkeley ho trovato questo spirito: la convinzione che i grandi problemi si affrontino insieme. La collaborazione non è semplicemente dividere il lavoro, ma costruire qualcosa che nessuno potrebbe realizzare da solo. E per collaborare davvero bisogna anche creare rapporti umani profondi. I miei studenti e i miei colleghi sono prima di tutto persone con cui mi piace lavorare e spesso amici, indipendentemente dalla differenza di età. Questo scambio continuo dà energia e, in qualche modo, mantiene giovani.

C’è poi un altro elemento fondamentale: io mi diverto. Con un collega dicevamo scherzando che dovremmo ringraziare l’università perché ci paga per fare questo mestiere. Anzi, forse dovremmo essere noi a pagare l’università, perché avere la libertà di studiare, scoprire e creare cose nuove è un privilegio straordinario. Infine, c’è la fortuna, che non va mai dimenticata. Io dico spesso che il successo è composto per il 90% da fortuna, per il 3% da intuizione o genialità e per il 7% da lavoro durissimo. Ma attenzione: quel 7% è assolutamente indispensabile. La fortuna può aprire una porta, l’intuizione può indicare una strada, ma senza disciplina, perseveranza e una quantità enorme di lavoro non si costruisce nulla. Come si dice: non c’è trippa per gatti.

Lei ha attraversato diversi mondi, ricerca, università e impresa. Oggi tutti parlano di AI, spesso senza conoscerne davvero la natura. Di che cosa stiamo parlando?

Prima di tutto bisogna conoscere la storia e la struttura profonda delle tecnologie. Spesso, soprattutto in Europa, tendiamo a vedere soltanto la punta dell’iceberg: l’interfaccia, l’applicazione, il servizio finale che arriva all’utente. Ma sotto quella superficie esiste un ecosistema estremamente complesso fatto di semiconduttori, server, infrastrutture di comunicazione, software, investimenti enormi, ricerca scientifica e catene globali di fornitura. Per questo, quando parliamo di sovranità tecnologica, dobbiamo essere molto precisi. Una completa autosufficienza è difficile da raggiungere in un mondo in cui la tecnologia nasce da una rete globale di competenze.

Il concetto più realistico è quello di indipendenza strategica e soprattutto di resilienza: la capacità di assorbire perturbazioni, reagire alle crisi e mantenere il controllo degli elementi critici delle catene del valore. Lo stesso vale per l’Intelligenza Artificiale: per comprenderla davvero bisogna guardare alla sua evoluzione storica. Non è una tecnologia nata improvvisamente negli ultimi anni. Le sue radici risalgono a molto tempo fa: già prima della Seconda Guerra Mondiale si rifletteva sul rapporto tra calcolo e intelligenza, e il test di Turing del dopoguerra pose una delle domande fondamentali su cosa significhi per una macchina mostrare un comportamento intelligente.

Inoltre, non esiste un solo paradigma di Intelligenza Artificiale. Prima dell’attuale predominio del machine learning esisteva la cosiddetta symbolic AI, basata su rappresentazioni della conoscenza, logica, regole e capacità di risolvere problemi attraverso modelli espliciti. Oggi invece prevalgono gli approcci connectionist, ispirati molto liberamente al funzionamento del cervello umano, ma costruiti in realtà con elementi matematici relativamente semplici collegati tra loro in strutture enormemente complesse. Il punto fondamentale è che questi sistemi, per quanto potenti, non offrono una garanzia matematica che il risultato prodotto sia corretto. Generano risposte sulla base dei dati, delle correlazioni e delle strutture apprese durante l’addestramento.

Qui emerge una delle grandi questioni scientifiche aperte. Dalla teoria dell’approssimazione sappiamo che spesso modelli più semplici hanno una migliore capacità di generalizzare, evitando di adattarsi soltanto agli esempi già osservati. Eppure, oggi utilizziamo reti neurali con miliardi, e presto trilioni, di parametri che mostrano capacità sorprendenti. Funzionano, questo è evidente. Ma dal punto di vista scientifico non abbiamo ancora una comprensione completa del perché funzionino così bene. Ed è proprio questa una delle grandi sfide della ricerca: trasformare una tecnologia estremamente efficace in una disciplina pienamente compresa, controllabile e affidabile.

Quindi il rischio è fidarsi perché la risposta sembra plausibile?

Esatto. È proprio qui che rischiamo di farci ingannare. Questi modelli sono straordinariamente efficaci nel generare risposte convincenti, coerenti e apparentemente autorevoli. Ma dobbiamo ricordare un principio fondamentale: plausibile non significa vero. A me è capitato persino che ChatGpt mi attribuisse il Premio Nobel 2026. La risposta era falsa, ma non era casuale: era una deduzione apparentemente ragionevole. Il sistema aveva trovato informazioni su un premio che avevo ricevuto, il Frontiers of Knowledge Award, spesso indicato come un “Nobel predictor” perché diversi vincitori di quel riconoscimento hanno poi ricevuto il Nobel. Il modello ha quindi costruito una correlazione e l’ha trasformata in un’affermazione.

Dal punto di vista statistico poteva sembrare plausibile; dal punto di vista della realtà era semplicemente sbagliata. È così che nascono molte allucinazioni dell’Intelligenza Artificiale: informazioni costruite in modo elegante, scritte molto bene, ma prive di una verifica sul loro contenuto. La forma può essere perfetta, mentre la sostanza può essere errata. Per questo, quando insegniamo l’AI, non dobbiamo limitarci a spiegare come utilizzarla. Dobbiamo insegnare che cosa questi modelli possono fare, quali sono i loro limiti e soprattutto quali conclusioni possiamo o non possiamo trarre dai loro risultati. Qui entra in gioco il pensiero critico. Non bisogna mai prendere una risposta per oro colato: bisogna capire il modello sottostante, conoscere le ipotesi su cui si basa e avere gli strumenti per chiedersi: “Perché questa risposta dovrebbe essere corretta? Quali sono le evidenze? Quali sono i limiti?”.

Dico spesso ai miei studenti che il mio obiettivo non è insegnare semplicemente una tecnica, ma insegnare come affrontare un problema. Le tecnologie cambiano continuamente: se insegniamo soltanto come usare uno strumento o come scrivere il prompt migliore, domani arriva un nuovo modello e quella conoscenza può diventare obsoleta. Quello che rimane sono i fondamenti: matematica, fisica, capacità di astrazione, metodo scientifico. Bisogna imparare a imparare. Se hai basi solide, quando arriva una nuova tecnologia puoi studiarla, comprenderla in profondità e usarla per creare qualcosa di nuovo. Il valore non è conoscere solo lo strumento di oggi, ma avere la capacità di padroneggiare quello di domani.

Anche il successo di Nvidia, in fondo, racconta qualcosa di questa storia?

Certamente questa storia racconta anche il ruolo della fortuna nell’innovazione tecnologica. Ma la fortuna da sola non basta: bisogna trovarsi nella posizione giusta per riconoscerla e avere la capacità di trasformarla in un’opportunità. Nvidia nasce come azienda dedicata alla progettazione di Gpu, le Graphics Processing Units: processori concepiti inizialmente per accelerare la grafica, generare immagini e migliorare l’esperienza visiva, in particolare nel mondo dei videogiochi.

Ma qual è l’operazione fondamentale che una Gpu deve eseguire in modo estremamente efficiente? Calcolare grandi quantità di somme di prodotti, cioè moltiplicazioni seguite da somme, ripetute miliardi di volte in parallelo. E qual è una delle operazioni fondamentali alla base delle reti neurali moderne? Esattamente la stessa: somme di prodotti tra valori numerici e pesi del modello. Così una tecnologia nata per risolvere un problema apparentemente diverso – la grafica digitale – si è trovata improvvisamente al centro della rivoluzione dell’Intelligenza Artificiale. Un’architettura progettata per manipolare immagini è diventata il motore computazionale capace di addestrare ed eseguire modelli di AI con miliardi di parametri.

È stata fortuna? Certamente, in parte. Molte grandi innovazioni nascono anche dall’incontro tra una tecnologia disponibile e un bisogno emergente. Ma la fortuna favorisce chi ha costruito competenze profonde e sa riconoscere il momento in cui un’idea può cambiare scala. Nvidia non ha soltanto avuto la fortuna di trovarsi nel posto giusto al momento giusto. Ha avuto la capacità tecnologica e strategica di capire dove stava andando il mondo e di adattarsi più rapidamente degli altri.

Arriviamo al lavoro. L’AI farà sparire alcune professioni?

L’automazione, per sua natura, sostituisce alcune forme di lavoro umano. Non è un fenomeno nuovo: accompagna tutta la storia della tecnologia. All’inizio della rivoluzione industriale i luddisti distruggevano i telai meccanici perché vedevano nelle macchine una minaccia: permettevano di produrre di più, più velocemente e con meno persone. In un certo senso, nel mondo della progettazione elettronica abbiamo vissuto una trasformazione analoga.

Con lo sviluppo dell’automazione della progettazione dei circuiti integrati e la nascita di aziende come Cadence e Synopsys, abbiamo sostituito molte attività manuali con strumenti software capaci di affrontare una complessità impossibile per l’uomo. La differenza è che quegli strumenti erano basati su algoritmi deterministici, fondati su matematica, fisica e modelli rigorosi, non su metodi probabilistici come molti sistemi di Intelligenza Artificiale attuali. Quando ho iniziato la mia carriera, progettavamo circuiti con poche migliaia di transistor. Oggi realizziamo chip che contengono centinaia di miliardi di transistor.

Non è semplicemente una differenza quantitativa: è un cambio di paradigma. Non si possono progettare sistemi di questa scala con gli stessi metodi del passato. È necessario introdurre livelli sempre più alti di astrazione e automazione per progettare meglio, più rapidamente e con maggiore affidabilità. Naturalmente questa evoluzione ha trasformato il lavoro. Figure come i layout artist, che disegnavano manualmente le geometrie dei circuiti integrati, o molti logic designer, che ottimizzavano manualmente le reti logiche, sono progressivamente scomparse nella loro forma originaria. Ma le competenze di quelle persone non sono sparite: si sono evolute. Molti professionisti si sono spostati verso attività di livello superiore, più creative, dove erano richiesti capacità di progettazione, comprensione del sistema e giudizio ingegneristico.

Con l’Intelligenza Artificiale la questione è simile, ma cambia la velocità della trasformazione e cambia la platea coinvolta. Oggi l’automazione non riguarda soltanto il lavoro manuale o tecnico: investe anche molte professioni intellettuali, i cosiddetti “colletti bianchi”. Attività ripetitive di analisi, verifica, classificazione o controllo formale possono essere svolte da sistemi di AI. Per controllare se un documento contiene una certa informazione, ad esempio, non è sempre necessario l’intervento diretto di una persona. Ma dobbiamo ricordare una distinzione fondamentale: questi sistemi non producono una verità matematica. Un algoritmo deterministico fornisce un risultato derivato da regole precise e verificabili; un modello linguistico genera invece una risposta basata su correlazioni e probabilità. Può essere estremamente utile e potente, ma richiede ancora capacità critica, verifica e responsabilità umana.

E poi arriva la Physical AI…

Il passo successivo sarà la Physical AI, che rappresenta in qualche modo l’evoluzione di un concetto che alcuni di noi hanno introdotto diversi anni fa: i Cyber-Physical Systems. Sistemi in cui il mondo fisico e quello computazionale sono profondamente integrati: automobili, treni, aerei, robot e infrastrutture che non sono più semplicemente controllati da componenti elettroniche, ma incorporano capacità decisionali e forme crescenti di intelligenza.

La differenza fondamentale oggi è che la componente “cyber”, cioè la parte che osserva, interpreta e governa il comportamento del sistema fisico, viene sempre più spesso realizzata attraverso l’Intelligenza Artificiale. È ciò che vediamo nelle automobili autonome, nei droni intelligenti, nella robotica avanzata e in tutti quei sistemi capaci di percepire l’ambiente, prendere decisioni e agire direttamente nel mondo reale. Questo passaggio avrà inevitabilmente conseguenze profonde anche sul lavoro e sulla società.

Il problema centrale non è fermare l’automazione. La storia dell’umanità è sempre stata una storia di strumenti creati per ampliare le nostre capacità: fare meglio, con maggiore efficienza, con meno fatica e a costi inferiori. La vera sfida è la velocità della trasformazione. La tecnologia, la scienza e l’economia sono sistemi adattativi: nel tempo trovano nuovi equilibri, generano nuove opportunità e ridefiniscono il ruolo delle persone. La domanda cruciale è se la società, le istituzioni e soprattutto il sistema educativo saranno capaci di evolvere con la stessa rapidità. Non dobbiamo soltanto costruire macchine più intelligenti: dobbiamo progettare un ecosistema in cui Intelligenza Artificiale, sistemi fisici e capacità umane possano coesistere e potenziarsi reciprocamente.

In questo scenario, dove resta il valore dell’umano?

L’Intelligenza Artificiale è uno strumento straordinario, ma non possiede il monopolio della verità: può proporre risposte potenti, ma non necessariamente corrette. Per questo il ruolo dell’essere umano diventa ancora più importante. Avremo sempre bisogno di persone capaci di giudicare, interpretare e validare ciò che la macchina produce. Il nostro valore non sarà misurato dalla capacità di competere con un algoritmo nella quantità di informazioni elaborate o nella velocità di calcolo. Le macchine vinceranno inevitabilmente su quel terreno. Il contributo umano risiede invece nella capacità di formulare il problema giusto, costruire astrazioni significative, comprendere il contesto, collegare discipline diverse e porre domande nuove.

Il pensiero critico diventa quindi l’elemento essenziale dell’innovazione. Per affrontare sistemi sempre più complessi non basta una preparazione esclusivamente tecnica: serve una cultura capace di integrare matematica, scienza, tecnologia e discipline umanistiche in una visione complessiva. Nel mio percorso, alcune intuizioni fondamentali non sono nate soltanto dall’ingegneria, ma anche dal confronto con la filosofia: Platone, Sant’Agostino, Kant. La progettazione è, in fondo, un processo filosofico oltre che tecnico: l’ingegnere crea prima un mondo astratto, un modello ideale della realtà. Poi deve trasformarlo in qualcosa che possa esistere, confrontandosi con i vincoli di fisica, tecnologia e società. L’astrazione è il ponte tra l’idea e il mondo reale. Senza una riflessione profonda su concetti come tempo, causalità, rappresentazione e conoscenza, molte innovazioni tecnologiche non sarebbero possibili. La filosofia non è lontana dall’ingegneria: è uno degli strumenti che ci aiuta a progettare meglio il futuro.

Che cosa suggerisce allora alle istituzioni formative?

Sono contrario all’idea che “bisogna insegnare a usare l’Intelligenza Artificiale nelle scuole”. Sì, ma forse no. Bisogna insegnare i fondamenti delle cose, non solo la cosa in sé. La scuola deve insegnare il perché e il come funziona, non semplicemente come si usa. Se qualcuno ti insegna a scrivere il prompt e tu prendila risposta come oro colato, senza sapere che esiste una probabilità quantificabile che sia sbagliata, non ti ha formato. Ti ha addestrato a usare uno strumento. Preferirei molta più formazione sul pensiero critico che sulle tecniche. Anche per questo credo ancora negli esami orali. Lo scritto va bene, ma nell’orale vedo come ragioni, come metti insieme le cose, qual è il tuo pensiero. Nelle migliori università americane, soprattutto nei master e nei PhD, c’è una capacità di inquadrare il problema, rigirarlo e poi risolverlo che richiede proprio questo: fondamenti e pensiero critico.

Lei insiste molto sulla necessità di insegnare i fondamenti, non solo le tecniche. Che cosa significa, concretamente, costruire una formazione fondata su basi solide?

Quando si insegna solo la tecnica si costruiscono palafitte: “si fa così e funziona”. È il peggio che si possa immaginare. Io invece, con la mia educazione italiana e il liceo classico, ho sempre pensato al Tempio di Segesta: è lì da quasi tremila anni, bellissimo, ancora in piedi. Perché? Perché ha fondamenta. Le fondamenta non sono solo matematica e fisica. Sono anche filosofia, cultura classica, senso del bello. In Italia questo senso del bello c’è: c’è bellezza nello scrivere un lavoro, un teorema, una dimostrazione. C’è un modo elegante e c’è un modo brute force.

L’Intelligenza Artificiale di oggi è brute force: miliardi, triliardi di parametri. Le equazioni di James Clerk Maxwell, invece, sono eleganti: una teoria unificante, semplice, meravigliosa. E Richard Feynman diceva che se uno non sa spiegarti chiaramente una cosa, vuol dire che non l’ha capita. Ecco, dobbiamo tornare anche a questo: spiegare, capire, cercare l’eleganza. Non solo far funzionare le cose.

* L’intervista è stata pubblicata sul numero di luglio della rivista formaFuturi di Asfor.