Il rapido sviluppo dell’Intelligenza artificiale sta ridefinendo i processi produttivi, le cure mediche e i sistemi di comunicazione. Il 14 ottobre 2026, a Torino il premio Nobel per la fisica Giorgio Parisi ha ricordato quanto sia urgente riportare parte di quella trasformazione all’interno di una struttura pubblica e condivisa.
Parisi ha sottolineato che, per decenni, le scoperte nel campo dell’IA sono emerse da università e centri di ricerca, dove i risultati potevano essere analizzati, replicati e discussi apertamente. Oggi, invece, la frontiera più avanzata è dominata da giganti tecnologici, dotati di enormi archivi di dati e di capacità computazionali difficilmente eguagliabili dal mondo accademico.
Il discorso di Giorgio Parisi a Torino: la chiamata alla ricerca pubblica sull’IA
Durante la cerimonia di conferimento della laurea honoris causa, Parisi ha evidenziato come la concentrazione della conoscenza in poche mani possa ostacolare la capacità della comunità scientifica di verificare gli algoritmi, di comprenderne i limiti e di valutare le conseguenze sociali. Non si tratta, secondo l’esponente, di una contrapposizione tra pubblico e privato, ma di una difesa contro la esclusività che rende l’IA “segreto industriale”.
Ristrutturazione della produzione scientifica
L’autore ha messo in luce che la migrazione della ricerca verso le imprese private ha portato investimenti notevoli, accelerando l’innovazione. Tuttavia, la mancanza di accesso ai dati e al codice rende più complesso per i ricercatori indipendenti valutare la robustezza di modelli complessi, i bias insiti nei set di addestramento e le potenziali vulnerabilità.
Che cos’è realmente l’intelligenza artificiale?
L’IA è un insieme di metodologie informatiche capaci di eseguire compiti tipicamente riservati all’intelligenza umana, come il riconoscimento di immagini, la comprensione del linguaggio naturale o la formulazione di previsioni. Il machine learning permette a un sistema di individuare pattern analizzando esempi, mentre il deep learning impiega reti neurali a più livelli per migliorare le performance in compiti complessi.
Machine learning, deep learning e grandi modelli linguistici
I Large Language Models (LLM) sono l’esempio più noto di questa evoluzione: riescono a generare testi coerenti, ma la loro capacità di “comprendere” rimane limitata. Un modello può produrre risposte persuasive senza possedere una rappresentazione affidabile dei fatti, perciò accuratezza, verificabilità e supervisione restano requisiti imprescindibili.
Perché la trasparenza è imprescindibile per la sicurezza
Gli standard della scienza moderna richiedono riproducibilità revisione critica e capacità di correggere errori. Quando un algoritmo influenza decisioni sanitarie, giudiziarie o finanziarie, è fondamentale conoscere i dati di addestramento, la loro rappresentatività e le metriche di errore. Un modello che sembra performare bene su un campione può generare risultati distorti in contesti diversi, con conseguenze gravi in settori ad alto impatto.
Il ruolo strategico dell’Unione europea e l’AI Act
L’Unione europea ha già introdotto l’AI Act che distingue obblighi in base al rischio e prevede requisiti di trasparenza. Parisi ha avvertito che, senza competenze scientifiche autonome, i legislatori rischiano di dipendere dalle informazioni fornite dalle stesse aziende che devono essere controllate. Investire in università, centri di calcolo pubblici e programmi interdisciplinari è quindi una condizione per una regolamentazione efficace.
Impatto ambientale e sanitario dell’IA
Ogni operazione di training o inferenza richiede infrastrutture fisiche: processori, memorie, sistemi di raffreddamento e data-center. L’aumento della complessità dei modelli influisce sul consumo energetico, idrico e sulle emissioni legate all’elettricità. Parisi ha suggerito l’autorizzazione dei data-center solo se rispettano rigorosi standard di neutralità energetica. Parallelamente, nell’ambito medico, l’IA può migliorare diagnosi e terapie, ma la validazione clinica deve includere sicurezza, equità e stabilità nel tempo, soprattutto in specialità come l’oftalmologia, dove algoritmi per retinopatia diabetica o glaucoma stanno già avendo applicazioni pratiche.