|
|||||
Fino a quando la Keller non iniziò le sue ricerche, l’opinione convenzionale era che gli sciami di Dictyosteliumsi formassero al comando di cellule «pacemaker» che ordinavano alle altre cellule di cominciare ad aggregarsi. Nel 1962, B.M. Shafer, di Harvard, mostrò in che modo le cellule pacemaker potessero utilizzare AMP ciclico come segnale per radunare le truppe; al momento opportuno, le cellule di Dictyosteliumcon ruolo di comandante avrebbero liberato i composti, attivando un rilascio a catena di AMP ciclico attraverso tutta la comunità, man mano che ciascuna cellula isolata riferiva il segnale al vicino. Insomma, l’aggregazione di Dictyosteliumera il risultato di un gigantesco giro di telefonate, originato da alcune poche cellule d’élite.
Sembrava una spiegazione perfettamente plausibile: siamo predisposti a pensare in termini di pacemaker, che si parli di funghi, sistemi politici o dei nostri corpi. Le nostre azioni sembrano in massima parte governate da cellule pacemaker nei nostri cervelli, e per millenni abbiamo elaborato cellule pacemaker nelle nostre organizzazioni sociali, che si manifestino nella forma di re, dittatori o giudici di pace. Molto del mondo attorno a noi può venire spiegato in termini di sistemi di comando e di gerarchie: perché le cose sarebbero dovute essere diverse per Dictyostelium?
Ma la teoria di Shafer presentava un problema: nessuno riusciva a trovare i pacemaker.
La teoria di Shafer aveva presupposto l’esistenza di una monarchia cellulare, ma le cellule di Dictyostelium, come si capì poi, erano state create e rimanevano tutte uguali.
Lungo i vent’anni seguiti alla pubblicazione del saggio di Shafer, i micologi hanno assunto che l’assenza delle cellule pacemaker dimostrasse solo carenza di dati, o la scarsa qualità degli esperimenti. I comandanti supremi erano da qualche parte, dicevano, semplicemente non si sapeva che aspetto avessero le loro uniformi. Ma la Keller e Segel affrontarono la cosa in modo del tutto diverso. Il lavoro di Turing sulla morfogenesi aveva delineato un modello matematico in cui agenti semplici che seguono semplici regole possono generare strutture incredibilmente complesse: forse l’aggregazione delle cellule di Dictyosteliumera un esempio nel mondo reale di quel comportamento. Turing aveva incentrato l’attenzione soprattutto sulle interazioni tra cellule in un singolo organismo, ma era ragionevole pensare che la stessa matematica potesse funzionare anche per l’aggregazione di cellule appartenenti a un ambiente non delimitato. La Keller osò pensare: e se Shafer avesse avuto torto? E se la comunità di cellule di Dictyosteliumfosse stata auto-organizzante? E se le cellule pacemaker non fossero esistite?
L’intuizione della Keller e di Segel portò a risultati notevoli.
«La scoperta era molto interessante», ricorda oggi la Keller. «Si trattava di roba vecchia per chi padroneggiava la matematica applicata o aveva esperienza di dinamiche dei fluidi. Ma per la biologia era ancora qualcosa di insensato. Tenevo seminari per biologi, e quelli mi dicevano: “Be’, dov’è la cellula principale? Dov’è il pacemaker?” La teoria non piaceva loro per niente». E così l’ipotesi del pacemaker continuò a essere il modello regnante per un altro decennio, fino a quando una serie di esperimenti provò in modo convincente che le cellule di Dictyosteliumsi organizzavano dal basso.
Oggi, trent’anni dopo la sua prima stesura, la teoria dell’aggregazione di Dictyosteliumè riconosciuta come un classico degli studi sul comportamento bottom-up.
Si può pensare al risultato della Segel e di Keller come alle prime pietruzze di una frana. Altre pietruzze cominciavano a smuoversi nello stesso periodo — e di alcune ne seguiremo il percorso nelle prossime pagine -, ma quei primi sommovimenti furono niente in confronto alle frane cadute nei due decenni successivi. Alla fine di quel movimento franoso ciò che è andato a costituirsi è un insieme di discipline scientifiche pienamente accreditate, una rete globale di ricerche di laboratorio e di centri di pensiero, un assordante brusio di dialoghi tra scienziati. Trent’anni dopo che la Keller ha sfidato l’ipotesi del pacemaker, gli studenti si iscrivono a corsi di «studi sull’auto-organizzazione», e il software bottom-upaiuta a organizzare le più vitali comunità di internet.
A dire il vero, nei secoli recenti alcune grandi menti — Adam Smith, Friedrich Engels, Charles Darwin, Alan Turing - hanno apportato significativi contributi alla scienza dell’auto-organizzazione, ma non esistendo tale scienza come un campo di studi riconosciuto, il loro lavoro ha finito con l’essere archiviato in aree di conoscenza tradizionali. D’altra parte, le figure dominanti di questa nuova disciplina non erano minimamente consapevoli di essere alla ricerca delle comprensione delle leggi dell’emergenza. Si dibattevano in problemi locali, in ambiti ben definiti: come le formiche imparino a cercare il cibo e a costruire nidi — perché nelle città industriali i quartieri aggreghino persone della stessa classe sociale — come le nostre menti imparino a riconoscere i volti. A tutte queste domande si può rispondere anche senza ricorrere alla scienza della complessità e dell’auto-organizzazione, ma tutte le risposte condividono un medesimo schema. Solo che per riconoscere tale schema è necessario incontrarlo in diversi contesti. Solo quando lo schema venne riconosciuto la gente cominciò ad apprezzare e a pensare di studiare i sistemi auto-organizzanti per i meriti che erano loro propri.
Come dice John Holland:
«Le città non hanno comitati centrali che si facciano carico del problema di comperare e distribuire i rifornimenti [...]. Come riescono le città a evitare devastanti eccessi ora di carenza ora di sovrabbondanza, anno dopo anno, decennio dopo decennio? Il mistero si infittisce quando osserviamo la caleidoscopica natura delle città più grandi. Chi compra, chi vende, amministratori, strade, ponti ed edifici cambiano in continuazione, così che la coerenza di una città s’impone in un qualche modo su un flusso perenne di persone e strutture. Una città è una configurazione stabile nel tempo, come in un fiume le rocce aggirate dalla corrente.»
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 21
Così come fu descritto da Selfridge, Pandemonium non era un pezzo di software, ma un modo per affrontare i problemi. Il programma era ambizioso, date le limitate risorse di calcolo automatico del tempo: come insegnare a un computer a riconoscere configurazioni mal definite o irregolari, come le onde sonore che veicolano il linguaggio parlato.
La qualità del nuovo paradigma di Selfridge risiedeva nel fatto che poggiava su un’intelligenza distribuita di tipo bottom-upe non su una unificata e top-down. «L’idea era quella di avere un gruppo di demoni che davano la voce a quelli del livello superiore, e questi a quelli di un livello ancora superiore», spiega.
Per capire che cosa significhi «dar la voce», si immagini un sistema con ventisei demoni, ciascuno addestrato a riconoscere una lettera dell’alfabeto. Si mostra al gruppo di demoni una serie di parole, e ciascun demone esprime un «voto» relativamente alle lettere che compongono le parole. Se la prima lettera è una a, il demone riconoscitore di ariferisce che c’è un’alta probabilità che abbia riconosciuto la propria lettera. A causa della somiglianza nella forma del carattere, il riconoscitore di O può anche lui dire di avere riconosciuto la lettera, mentre il riconoscitore di b dichiarerà enfaticamente che la lettera gli è completamente sconosciuta. Tutti i demoni riconoscitori di lettere riferiscono a un capo demone, il quale raccoglie i voti per ciascuna lettera e sceglie il demone che ha espresso maggiore sicurezza nella sua scelta. Poi il software passa alla lettera successiva nella sequenza, e il processo ricomincia. Alla fine della trasmissione, il capo demone dovrebbe essere in possesso del testo trasmesso, basato sui voti della democrazia dei demoni.
L’accuratezza dell’interpretazione dipende ovviamente dall’accuratezza dei riconoscitori di lettera. Se cercate di insegnare a un computer a leggere, si assume che la macchina verrà fornita sin dall’inizio di ventisei eccellenti riconoscitori di lettere. Selfridge si era posto un obiettivo di più lunga gittata: com’è possibile insegnare a una macchina a riconoscere lettere — ma anche i suoni delle vocali, o accordi minori, o impronte digitali? La risposta mette in gioco un altro strato di demoni, e un meccanismo di feedback nel quale le valutazioni dei vari demoni possono essere graduate. Questo livello inferiore è abitato da miniprogrammi ancor meno sofisticati, addestrati soltanto a riconoscere forme fisiche (o suoni, come nel caso dell’alfabeto Morse o della lingua parlata). Alcuni demoni riconoscono linee parallele, altri linee perpendicolari. Alcuni demoni cercano punti, altri cerchi. Nessuna di queste forme è associata a una particolare lettera; questi demoni sono come bambini di due anni, capaci di riferire sulle forme percepite, ma non in grado di riconoscerle come lettere o parole. Usando questi demoni equipaggiati al minimo, il sistema potrebbe essere addestrato a riconoscere le lettere senza «sapere» niente sull’alfabeto. La procedura è relativamente semplice: si presenti la lettera b ai demoni di basso livello, e si veda quali demoni rispondono e quali no. Nel caso della lettera b, dovrebbero rispondere i riconoscitori di linee verticali, assieme a quelli dei cerchi. Quei demoni di basso livello riferiscono poi a un rlconoscitore di lettere un livello più in alto lungo la catena. Basandosi sull’informazione raccolta dai suoi luogotenenti, quel riconoscitore è in grado di avanzare un’ipotesi sull’identità della lettera. L’ipotesi è poi valutata dal software. Se l’ipotesi si rivela sbagliata, il software impara a dissociare quei particolari luogotenentì dalla lettera in questione; se l’ipotesi è corretta, il software rafforza il collegamento tra i luogotenenti e la lettera.
Sulle prime, i risultati sono prossimi alla casualità, ma se si ripete il processo un migliaio di volte, o diecimila, il sistema impara ad associare specifici insiemi di riconoscitori di forma con lettere specifiche, dopo di che è presto in grado di tradurre intere frasi con notevole esattezza. All’inizio, il sistema non si presenta con alcun concetto predefinito circa la forma delle lettere — è l’operatore che porta il sistema ad associare lettere con forme specifiche durante la fase di valutazione Questi inizi casuali che si organizzano in risultati più complessi ricordarono a Selfridge un altro processo, il cui codice soggiacente era stato appena allora decifrato nella forma del DNA. «Lo schema delineato è davvero una selezione naturale sui demoni», spiegò Selfridge. «Se i demoni risultano utili, allora sopravvivono e forse diventano anche la fonte di altri sottodemoni che sono a loro volta giudicati per i loro meriti. È del tutto ragionevole pensare che questo avvenga su una scala più ampia 15...] invece di avere un solo Pandemonium se ne può avere una folla, tutti costruiti in modo simile e che impiegano la selezione naturale su sé stessi».
Il sistema descritto da Selfridge — con il suo apprendimento bottom-upe i suoi feedback a loop di valutazione - appartiene ai libri di storia quanto la prima descrizione di un reale programma software emergente. Il mondo è oggi popolato da milioni di suoi demoni.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 48
«Quello che stavamo davvero cercando era un compito semplice che creature semplici completassero, e che non fosse ovvio il modo di farlo eseguire a un programma. Ci venne in mente l’idea della traccia — e non una traccia chiara e pulita, ma una traccia rumorosa, a volte interrotta». I due scienziati crearono una griglia virtuale di quadrati, e tracciarono al suo interno un intricato percorso che ne attraversava ottantadue. Il loro obiettivo era di far evolvere un semplice programma, una formica virtuale, che potesse navigare per la lunghezza del percorso in un periodo di tempo finito, utilizzando solo informazione limitata sulle svolte e i rivolgimenti del percorso. A ciascun ciclo, una formica poteva «annusare» il quadrato di fronte a lei, e di procedere dritta o di svoltare a destra o a sinistra di novanta gradi. Jefferson e Taylor diedero alle loro formiche un tempo di cento cicli per completare il percorso; una volta che la formica avesse utilizzato i suoi cento cicli, il software avrebbe contato il numero di quadrati sul percorso che questa aveva attraversato seguendo la traccia e le avrebbe attribuito un punteggio. Una formica che si fosse persa dopo il primo quadrato avrebbe ottenuto 1; una formica che avesse completato con successo il percorso entro i cento cicli avrebbe ottenuto 82.
Il sistema di valutazione permise a Jefferson e a Taylor di creare criteri di adattamento che determinavano a quali formiche sarebbe stato consentito di riprodursi. Tracker cominciò con il simulare sedicimila formiche — una per ciascuno dei processori della Connection Machine —, con quindi sedicimila strategie pressoché casuali per la navigazione di traccia. Una formica poteva adottare la strategia di marciare dritta attraverso la griglia, un’altra poteva decidere di procedere a zigzag seguendo il suo fiuto; un’altra poteva seguire regole più barocche. La gran parte di queste strategie sarebbero risultate in completi disastri, ma alcune avrebbero portato le formiche a percorrere gran parte del tragitto. Alle formiche di maggior successo sarebbe stato consentito di accoppiarsi e riprodursi, creando una nuova generazione di sedicimila formiche pronte ad affrontare la traccia.
Il percorso - chiamato John Muir Trail (Pista John Muir) in onore del famoso ambientalista — cominciava con una sezione relativamente lineare, con una manciata di svolte a destra e lunghi percorsi rettilinei, poi diventava stabilmente più complesso. Jefferson dice oggi che lo progettò in quel modo perché era preoccupato che le prime generazioni sarebbero state così incompetenti che un percorso troppo tortuoso le avrebbe mandate totalmente in confusione. «Bisogna ricordare che quando iniziammo la sperimentazione non sapevamo assolutamente se sedicimila individui fosse una popolazione abbastanza numerosa da avviare una selezione darwiniana», spiega. «E io non avevo idea se sarebbero state necessarie dieci generazioni, o cento o diecimila. Non esisteva alcuna teoria a indicare la dimensione della popolazione o quanto tempo avrebbe preso l’esperimento».
Attraversare duecento generazioni prese circa due ore; Jefferson e Taylor fecero in modo che il sistema fornisse aggiornamenti in tempo reale sulle formiche di maggior talento di ciascuna generazione. Come il nastro di una telescrivente collegata alla borsa valori, alla fine di ogni generazione la Connection Machine avrebbe fornito dati aggiornati: se il miglior segugio di una generazione riusciva a percorrere quindici quadrati in cento cicli, allora la macchina avrebbe riferito che 15 era il record corrente e che si passava alla generazione successiva. Dopo alcune false partenze dovute ad alcuni bachi nel software, Jefferson e Taylor misero Tracker al lavoro — e i risultati superarono le loro più ottimistiche previsioni.
«Con nostra enorme meraviglia e infinita gioia», ricorda Jefferson, «fu un successo sin dalla prima volta. Eravamo lì seduti a guardare questi numeri che venivano sfornati uno dopo l’altro: una generazione aveva raggiunto il punteggio di venticinque, poi ancora venticinque, poi ventisette, poi trenta. Alla fine vedemmo un punteggio pieno, dopo solo un centinaio di generazioni. Era un risultato eccezionale». Il software aveva evoluto un’intera popolazione di esperti segugi, nonostante che Jefferson e Taylor non avessero fornito alcuna competenza alla prima generazione di formiche.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 53
Dopo anni di indagini scollegate, i lavori di Turing, Shannon, Wiener, Selfridge, Weaver, Jacobs, Holland e Prigogine hanno dato il via a una rivoluzione nel modo in cui pensiamo il mondo e i suoi sistemi. Ai tempi in cui Jefferson e Taylor cominciarono a trastullarsi con le loro formiche virtuali, a metà degli anni Ottanta, le tracce dell’indagine intellettuale si erano fatte abbastanza lunghe e interconnesse da creare un ordine di più alto livello. (Chiamiamola l’emergenza dell’emergenza). Un campo di ricerca che era stato caratterizzato da una manciata di indagini preliminari fiorì in una notte in un paesaggio diversificato e densamente popolato, trasformando decine di discipline esistenti e inventandone alcune nuove. Nel 1969, Marvin Minsky e Seymour Papert pubblicarono Perceptrons, costruito sul Pandemonium di Selfridge, per il riconoscimento di configurazione distribuita, aprendo la strada per la teoria bottom-updella «società della mente» sviluppata nel decennio successivo. Nel 1972, Gerald Edelman, professore alla Rockefeller University, vinse il premio Nobel per il suo lavoro di decodifica del linguaggio degli anticorpi, indicando la strada verso una comprensione del sistema immunitario come dispositivo autoapprendente di riconoscimento di configurazioni. Il Nobel a Prigogine seguì cinque anni dopo. Alla fine del decennio, Douglas Hofstadter pubblicò Godel Escher Bach, collegando tra loro intelligenza artificiale, riconoscimento di configurazioni, colonie di formiche e le Variazioni Goldberg. Nonostante il tema arcano e l’involuta struttura retorica, il libro divenne un best seller e vinse il premio Pulitzer per la saggistica.
A metà degli anni Ottanta, la rivoluzione era in pieno corso. Il Santa Fe Institute fu fondato nel 1984; il libro di James Gleick, Chaos, uscì tre anni dopo, tra l’ammirazione del mondo intero, rapidamente seguito da due semplici libri divulgati-vi intitolati entrambi Complexity. Fiorirono gli studi sulla vita artificiale, in parte grazie al successo di programmi come Tracker. In campo umanistico, teorici come Manuel De Landa incominciarono a giocherellare con gli strumenti concettuali dell’auto-organizzazione, abbandonando il paradigma del poststrutturalismo, allora di moda. La fase di transizione era terminata; l’appello di Warren Weaver allo studio della complessità organica era stato ascoltato. La sua «regione di mezzo» era stata infine occupata dalle avanguardie della scienza.
Stiamo ora vivendo la terza fase di quella rivoluzione. Se ne può datare l’inizio ai primi anni Novanta, quando Will Wright pubblicò un programma chiamato SimCity, che sarebbe in seguito diventato uno dei videogiochi più venduti di tutti i tempi. SimCityinaugurò anche una nuova fase nella storia in svolgimento dell’auto-organizzazione: il comportamento emergente non più solo come puro oggetto di studio, qualcosa da interpretare e ricostruire in laboratorio, ma anche qualcosa che poteva essere costruito da chiunque, qualcosa con cui interagire, e qualcosa di vendibile. SimCityscaturì dalla rete in fase di sviluppo della visione del mondo bottom-up, ma suggerì al contempo un’inedita nuova apertura: SimCityera un prodotto culturale, non scientifico. Il suo obiettivo era di divertire, non di spiegare.
Oggi, più di dieci anni dopo la pubblicazione di SimCity, il mondo abbonda di questi sistemi creati dall’uomo: i negozi online li usano per riconoscere i nostri gusti culturali; gli artisti li utilizzano per creare nuovi tipi di forme espressive capaci di adattamento; i siti web se ne servono per gestire le loro comunità online; sono utili agli esperti di marketing per rilevare configurazioni demografiche nel pubblico generale.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 57
Le formiche attuano una sorta di campionamento statistico
Le formiche sono in grado di percepire la differenza tra l’incontrare in un’ora dieci formiche alla ricerca di cibo e incontrarne un centinaio. La Gordon pensa che questa competenza sia critica in relazione alla formidabile capacità della colonia di regolare l’assegnazione dei compiti secondo la propria dimensione e le proprie riserve di cibo. In altre parole, un talento locale produce comportamento globale.
Dice la Gordon: «Non credo che le formiche stimino la dimensione della colonia, ma che la dimensione influenzi l’esperienza delle singole formiche, il che è una cosa diversa. Sono dell’idea che una formica non sappia assolutamente quali siano le dimensioni della propria colonia, ma che una formica in una grande colonia faccia esperienze differenti rispetto a quella di una formica in una colonia piccola. E questo può spiegare il perché le colonie grandi si comportino in modo diverso da quelle piccole». Secondo la Gordon, le formiche attuano una sorta di campionamento statistico della dimensione complessiva della popolazione basandosi sui loro incontri occasionali con altri individui. Una formica alla ricerca di cibo può aspettarsi di incontrare ogni minuto tre sue colleghe: se ne incontra più di tre può allora entrare in gioco una regola che le impone di tornare al nido. Poiché le colonie più grandi e più vecchie producono più procacciatrici di cibo, è possibile che nelle grandi colonie le formiche si comportino diversamente proprio perché è più probabile che incontrino altre formiche.
Questo feedback locale può benissimo rivelarsi il segreto della pianificazione decentrata delle formiche. Le singole formiche non hanno modo di sapere quante procacciatrici di ciho o carpentieri o spazzine sono al lavoro in un dato momento, sono però in grado di tenere conto di quanti membri di ciascun gruppo hanno incrociato lungo i loro viaggi giornalieri. Basandosi su tale informazione — il segnale feromonico e la sua frequenza in un dato periodo — possono regolare di conseguenza il loro) comportamento. Utilizzando) dati statistici, le colonie risolvono un problema che di solito le società umane affrontano con un sistema di autorità centrale (il controllo missione diffonde via radio la notizia che sono attive troppe procacciatrici di cibo). Dato un numero sufficiente di formiche in movimento casuale entro uno spazio finito, la colonia sarà in grado di fare una stima accurata del bisogno complessivo di procacciatrici di cibo o di formiche carpentiere. Ovviamente, è sempre possibile che una singola formica incontri per caso un momentaneo affollamento di procacciatrici e quindi sovrastimi la situazione globale modificando di conseguenza il proprio comportamento. Ma poiché il processo decisionale coinvolge centinaia di individui, l’errore è statisticamente insignificante. Inoltre, per una formica che sovrastimi il numero di colleghe al lavoro ce n’è una che lo sottostima. Con una colonia sufficientemente grande, le due si compensano a vicenda ed emerge in ogni caso una lettura accurata.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 65
Se si vuole costruire un sistema sociale che apprenda dal basso, un sistema in cui macrointelligenza e adattabilità derivino da conoscenza locale, è necessario seguire cinque principi fondamentali. Le formiche mietitrici di Deborah Gordon li seguono tutti e cinque:
LA QUANTITÀ FA LA DIFFERENZA. Questo vecchio motto della teoria della complessità assume qui due significati. Primo, la natura statistica dell’interazione tra formiche richiede la presenza di una massa critica di individui per colonia perché si possano avere valutazioni intelligenti del suo stato globale. Dieci formiche a spasso nel cortile non saranno in grado di giudicare correttamente il bisogno complessivo di procacciatrici di cibo o di costruttrici, ma duemila individui daranno risultati precisi. «La quantità fa la differenza» si applica anche alla distinzione tra micromotivazioni e macrocomportamento: quando rilasciano un segnale feromonico vicino a un mucchietto di semi, le singole formiche non «sanno» che stanno attribuendo delle priorità tra diversi fonti di cibo. Finché abbiamo studiato il comportamento di singole formiche in isolamento non ci è stato possibile capire che quelle secrezioni chimiche sono parte di uno sforzo complessivo di creare una pista per il trasporto collettivo di grandi quantità di cibo al nido. E’ solo osservando l’intero sistema al lavoro che diviene evidente il comportamento globale.
L’IGNORANZA È UTILE. La semplicità del linguaggio delle formiche — nonché la sostanziale stupidità dei singoli individui - è un vantaggio, non un difetto. Nel momento in cui le singole parti di un sistema emergente diventano troppo complesse, l’intero sistema può perdere il suo equilibrio. E meglio costruire un sistema densamente interconnesso formato da elementi semplici e lasciare che ne emerga comportamento sofisticato. (Questa è una delle ragioni per cui i computer lavorano con linguaggi composti solo da stringhe di zero e di uno). Avere agenti individuali in grado di valutare direttamente lo stato complessivo del sistema può essere una grave limitazione in una logica di sciame (ed è lo stesso motivo per cui non si vorrebbe che uno dei nostri neuroni diventasse improvvisamente cosciente di sé).
INCORAGGIARE GLI INCONTRI CASUALI. Sistemi non gerarchici come le colonie di formiche fanno molto affidamento sulle interazioni casuali di individui intenti all’esplorazione di un dato spazio. Gli incontri sono casuali, ma poiché nel sistema sono presenti tantissimi individui, gli incontri permettono infine agli individui di valutare e alterare il macrostato del sistema stesso. Senza questi incontri casuali, la colonia non sarebbe in grado di incrociare casualmente nuove fonti di cibo o di adattarsi a nuove condizioni ambientali.
CERCARE CONFIGURAZIONI NEI SEGNALI. Se da un lato le formiche non hanno bisogno di un esteso vocabolario e sono incapaci di formulazioni sintattiche, dall’altro fanno molto affidamento sulle configurazioni nei semiochimici che rilevano. Un gradiente nella traccia feromonica le conduce verso una fonte di cibo, mentre l’incontro con un grande numero di costruttrici di nido le incoraggia a intraprendere altri compiti. Questa abilità consente alle metainformazioni di circolare nella mente della colonia: segni riguardanti segni. Percepire i feromoni di una singola procacciatrice significa poco, ma percepire quelli di cinquanta formiche nello spazio di un’ora comunica informazioni sullo stato globale della colonia.
OSSERVARE I VICINI. Questa è forse la più importante lezione che possano darci le formiche, ed è inoltre la più ricca di conseguenze di grande portata. Si può riformulare così: «Informazione locale può condurre a intelligenza globale». Il principale meccanismo della logica di sciame è l’interazione tra individui vicini in un dato spazio: formiche che si incrociano o che incrociano tracce feromoniche di altre formiche mentre attraversano lo spazio attorno al nido. Aggiungere formiche al sistema genererà un maggior numero di interazioni tra vicini e di conseguenza permetterà alla stessa colonia di risolvere problemi e di autoregolarsi in modo più efficiente. Senza formiche che si incontrano, le colonie sarebbero solo un insieme insensato di organismi individuali: uno sciame senza logica.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 67
Le colonie di formiche mietitrici della Gordon racchiudono un altro mistero. Capiamo come interazioni locali portino a soluzioni globali di problemi, però non abbiamo ancora una risposta alla domanda su come le colonie si sviluppino nel tempo. Questa è una di quelle domande scientifiche che a quasi nessuno è venuto in mente di porre, in quanto il fenomeno è rimasto ignorato. E quel fenomeno è stato ignorato in quanto si è sempre pensato alle formiche — e le si è osservate
- usando la scala sbagliata. Fino a tempi recenti, gli entomologi studiavano il comportamento delle colonie per tempi molto brevi, osservando un dato nido per giorni o al massimo mesi e passando poi al nido successivo. Ma le colonie di successo possono vivere anche quindici anni - il periodo di fertilità di una formica regina, la cui morte corrisponde anche alla morte della colonia. Gli entomologi osservavano le colonie nella scala delle settimane o dei mesi. Ma per capire come le colonie si sviluppino è necessario lavorare nella scala dei decenni.
A metà degli anni Ottanta del secolo scorso, nell’ambito delle sue prime ricerche sul campo, in Arizona, la Gordon intraprese uno studio azzardato, poi rivelatosi molto importante: decise di seguire per anni colonie singole, dalla loro nascita fino alla morte quindicennale. Dopo circa cinque anni di questo progetto, rischioso per la quantità di tempo richiesta, cominciarono ad arrivare i primi risultati, che si rivelarono affascinanti. Come la ripresa accelerata di un rampicante che nel giro di pochi secondi s’impadronisce di un muro, la ricerca della Gordon trasformò il modo in cui pensiamo alle formiche modificando la scala temporale attraverso cui le percepiamo. Vide che lungo quindici anni le colonie attraversavano chiari periodi di infanzia, adolescenza e maturità. «Non avevo mai pensato né letto niente al riguardo, e va anche detto che senza dati a lungo termine i ricercatori non sapevano neanche quanto fossero in effetti vecchie le loro colonie», dice oggi. «Così è stato solo quando mi sono messa a osservare le stesse colonie per anni, che ho potuto vedere come le colonie più giovani fossero anche le più attive». Proseguendo nelle sue osservazioni, emerse un certo numero) di differenze tra colonie di età differenti, differenze che ricordavano altri cicli di sviluppo nel regno animale.
Per dirne una, le colonie più giovani sono anche più volubili. «Ho fatto esperimenti simulando i tipi di cambiamenti ambientali che di solito sperimenta una colonia», dice, «per esempio un cambiamento riguardante la disponibilità di cibo. Con colonie più anziane, ripetendo lo stesso esperimento ottengo sempre la stessa risposta, settimana dopo settimana. A quello stesso esperimento, le colonie giovani rispondono una settimana in un modo e l’altra in un altro modo), sono cioè più sensibili alle sfumature delle situazioni».
«Come gli adolescenti», dico io ridendo.
«Forse... E l’altra cosa che può ricordare gli adolescenti è il diverso modo in cui colonie vecchie e giovani si relazionano con i loro vicini. Formiche appartenenti a colonie vicine si incontrano quando le procacciatrici di cibo provenienti dalle due colonie occupano lo stesso spazio di ricerca. Se un giorno due vicini appartenenti a colonie anziane si incontrano, è probabile che il giorno seguente prenderanno direzioni diverse per evitare grane. Le formiche appartenenti a colonie più giovani sono molto più tenaci e aggressive. Così, se un giorno incontrano un vicino di colonia, il giorno dopo torneranno comunque nello stesso posto, anche a costo di rischiare il combattimento».
Già così, i cicli di sviluppo delle colonie appaiono degni della massima considerazione, ma c’è di più: la colonia nel suo complesso si sviluppa e si adatta lungo un periodo di quindici anni, ma le formiche che la costituiscono vivono non più di dodici mesi. Addirittura, lo sfortunato maschio della formica, che si fa vedere una volta all’anno per compiere il volo nuziale, vive un solo giorno. (La sua vita è talmente breve che la selezione naturale non si è preoccupata di fornirgli delle mandibole con cui mangiare). Solo la formica regina vive per più di un anno, ma il suo unico compito è di deporre le uova, e non partecipa minimamente al lavoro delle formiche operaie. Col tempo, la colonia diventa via via più stabile e meno irrequieta, anche se la sua popolazione si rinnova ogni anno. Com’è possibile che l’intero sviluppi un ciclo vitale, quando le sue singole parti hanno vita così breve?
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 69
Un buon punto di partenza per capire l’emergenza è la soluzione di questo rompicapo. Il persistere dell’intero nel tempo - il comportamento globale che dura più a lungo delle parti che lo compongono — è una delle caratteristiche che definiscono i sistemi complessi. Generazioni di formiche si succedono, mentre la colonia acquista maturità, diviene più stabile, maggiormente organizzata. La mente vacilla di fronte a questo insieme di permanenza e instabilità.
La colonia di formiche può stupirci con la sua capacità di crescere e di evolvere pur nel ricambio di intere generazioni di formiche operaie, ma in effetti noi non siamo così diversi da insetti sociali come le formiche, le termiti o le api. Osserva il divulgatore scientifico Matt Ridley: «La relazione tra le cellule del corpo è molto) simile a quella esistente tra le api in un alveare. Gli avi delle nostre cellule erano un tempo entità individuali, e la loro “decisione” evolutiva di cooperare, presa circa mille milioni di anni fa, è quasi del tutto equivalente alla medesima decisione di cooperare presa, forse cinquanta milioni di anni fa, dagli insetti sociali; parenti geneticamente vicini scoprirono che potevano riprodursi in modo più efficiente attraverso deleghe, affidando il compito alle cellule germinali nel caso delle cellule, o a una regina nel caso delle api».
Il corpo umano è costituito da diverse centinaia di differenti tipi di cellule — muscolari, ematiche, nervose e così via. In ogni istante, circa settantacinquemila miliardi di cellule stanno agendo nel nostro corpo. In senso reale, siamo la somma delle loro azioni — senza di loro non esisterebbe alcun io. Eppure, quelle cellule muoiono in continuazione. Il tempo di finire questa frase e ne sono morte a migliaia; e fra una settimana saremo composti da miliardi di nuove cellule che non avranno avuto la possibilità di leggere quella frase né tanto meno di essersi godute i vostri primi passi da bambini. Le cellule muoiono in continuazione, e per la maggior parte vengono sostituite immediatamente. (Anche le cellule cerebrali si rigenerano, anche nell’età adulta). Eppure, nonostante questo colossale viavai, ci sentiamo sempre la stessa persona, settimana dopo settimana, anno dopo anno. Com’è possibile?
Le cellule seguono solo una parte del progetto del DNA: ciascun nucleo contiene l’intero genoma dell’organismo, ma solo un piccolissimo segmento di quei dati viene letto da ogni singola cellula — le cellule muscolari leggono le informazioni riguardanti le cellule muscolari, mentre le cellule ematiche consultano solo le pagine relative alle cellule ematiche. Tutti iniziamo la nostra vita come organismi unicellulari, eppure alla fine del nostro ciclo di sviluppo arriviamo a essere composti di duecento variazioni di cellule, tutte interconnesse in modo intricato, e tutte con incarichi sorprendentemente complessi. Come fa un uovo a sapere come costruire un pollo?
In realtà, il meccanismo è molto simile a quello delle colonie di formiche. Le cellule si auto-organizzano in strutture complesse imparando dalle proprie vicine. Ciascuna cellula nel nostro corpo contiene un complesso insieme di strumenti in grado di rilevare lo stato delle cellule circostanti, e di comunicare con quelle cellule utilizzando vari messaggeri chimici. Mentre le formiche utilizzano feromoni per informarsi a Vicenda delle loro attività, le cellule comunicano con sali, zuccheri, amminoacidi, e con molecole più grandi, come proteine e acidi nucleici. I messaggi vengono in parte trasmessi attraverso «giunzioni» cellulari, piccoli accessi che consentono il Passaggio di molecole dal citoplasma di una cellula a quello di un’altra cellula. Questa comunicazione gioca un ruolo centrale in tutta l’attività cellulare, ed è particolarmente critica per lo sviluppo embrionale.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 71
Kahle e Gilliat crearono una piccola barra degli strumenti da lanciare assieme al browser. Ogni volta che l’applicazione rileva una richiesta di URL, corre lesta lesta ai server di Alexa, dove fruga nel data base alla ricerca della pagina che state visitando. Tenendo traccia delle configurazioni di navigazione del proprio utilizzatore, il software poteva anche creare collegamenti tra siti web, collegamenti che sarebbero rimasti altrimenti invisibili, sia ai creatori dei siti sia ai loro visitatori.
Due mesi dopo avere iniziato il lavoro su Alexa, Kahle aggiunse un nuovo pulsante alla sua barra degli strumenti, brevemente e provocatoriamente etichettato: «What’s Next?» —più o meno: «E adesso dove si va?». Si clicchi sul pulsante mentre si sta visitando un sito dedicato a Marilyn Monroe, e ci si ritroverà di fronte una serie di link ad altre vetrine online su Marilyn; si clicchi mentre si è all’interno di un sito creato da una comunità di sopravvissuti al tumore, e un menu pop-up ci presenterà un elenco di altri siti dello stesso genere. Come sono realizzati questi collegamenti? Osservando le configurazioni del traffico e guardando i propri vicini. Il software impara osservando il comportamento degli utilizzatori di Alexa: se un centinaio di loro visita FEED, e poi salta a Salon, il software incomincia a percepire un collegamento tra i due siti web, un collegamento che può essere indebolito o rafforzato man mano che viene osservato ulteriore comportamento. In altre parole, le associazioni non sono il lavoro di una coscienza individuale, ma la somma di migliaia e migliaia di singole decisioni, una guida al web creata seguendo un numero inimmaginabile di tracce.
Il potere associativo di Alexa — questo sito assomiglia a questi altri siti — emerge dai viaggi distratti della sua base di utilizzatori; nessuno di loro è deliberatamente attivo nel costruire raggruppamenti di siti correlati. Semplicemente, costoro navigano per i fatti loro e il sistema impara osservandoli. Come le formiche mietitrici della Gordon, più percorsi di navigazione il software considera, più diventa intelligente e cresce in organizzazione. Se solo mille persone attivano Alexa assieme ai loro browser, le raccomandazioni non disporranno di dati sufficienti per essere accurate. Ma si aggiungano altre diecimila persone e le associazioni tra siti aumenteranno drasticamente di risoluzione. Il sistema incomincerà ad apprendere.
Semplicemente, il software ricerca configurazioni in numeri, in dati di per sé astratti, così come le formiche in cerca di cibo contano il numero di compagne che incontrano in un’unità temporale. Di fatto, l’«intelligenza» di Alexa è l’intelligenza aggregata di migliaia — o milioni — di persone che utilizzano il sistema. Il computer scruta tra
milioni di valutazioni presenti nel suo data base, cerca configurazioni di apprezzamento o insoddisfazione, dopo di che relaziona gli utilizzatori circa le sue ricerche.
È importante notare che Alexa non è un «agente di raccomandazione»; non vi dice che probabilmente vi piaceranno i cinque siti che vi suggerisce. Vi dice che esiste una relazione tra il sito che state visitando e i siti che vi presenta. I raggruppamenti formati attraverso) Alexa sono raggruppamenti associativi, e i link non sono dissimili dai tradizionali collegamenti ipertestuali. Si pensi alla semantica di un link ipertestuale inserito in un articolo online: quando vedete quel link non lo traducete tra voi come: «Se mi piace questa frase, mi piacerà anche questa pagina cui il link mi rimanda». Il collegamento non vi sta raccomandando un’altra pagina, semplicemente segnala che esiste una relazione tra la frase che state leggendo e la pagina dall’altra parte del collegamento. Siete voi a decidere se provare e valutare l’altro sito, così come siete voi a decidere quale mercante di seta preferire a Por Santa Maria. Alexa è lì semplicemente per farvi vedere dove si trovano gli elementi che formano determinati raggruppamenti.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 109
Alcuni decenni orsono Norbert Wiener, in un suo curioso libro intitolato God and Golem, Inc., affermava che «nella poesia, nella narrativa, nella pittura, il cervello sembra essere in grado di lavorare con materiale che qualsiasi computer rifiuterebbe in quanto informe». In effetti, ancora oggi ai computer chiediamo che mastichino numeri, per tutto il resto abbiamo già un sacco di consimili da consultare. Altri critici temono un restringimento della nostra banda passante estetica, con agenti che ottusamente raccomandano siti solo perché tutti li frequentano, creando così falsi valori e inducendo comportamenti pecorecci.
Ma tutto sommato è sciocco resistere all’impulso di sperimentare con il corrente sistema culturale, nel quale il gusto musicale è di solito definito dagli uffici marketing della Sony e della Disney e il massimo della saggezza ci proviene da qualche rubrica sui supplementi dei quotidiani. Se alla fin fine il computer si limita a creare collegamenti tra differenti sensibilità culturali, sensibilità sviluppate da uomini e non da macchine, allora il software emergente è senz’altro preferibile al modo in cui la maggior parte degli occidentali consuma intrattenimento: obbedendo ai capricci della pubblicità. Un software come Alexa non cerca di replicare l’autoritarismo onnisciente del grande fratello o di HAL — cerca di replicare sul web la comune pratica popolare di condividere informazione tra estranei su un marciapiede affollato.
Un software emergente che tracci dei collegamenti tra siti web musicali o cd audio non ascolta musica; segue configurazioni di acquisti o abitudini d’ascolto da noi fornite e ci indirizza verso l’ultimo disco di Santo e Johnny o verso una nuova edizione dei trii di Zelenka. Il computer non ascolta musica o naviga la rete; cerca configurazioni di dati e converte quelle configurazioni in informazioni utili — o che perlomeno vogliono esserlo — per gli esseri umani. È un processo ben lontano dal godersi le Variazioni Goldberg o Zazie nel metrò.
D’altra parte, che cos’è l’ascolto della musica se non la ricerca di configurazioni — armonie, fugati, progressioni armoniche — nell’altrimenti informe campo sonoro che ci circonda? Uno strumento rileva gli uno e gli zero su un disco di plastica e alluminio. L’altro scandaglia lo spettro sonoro. Ciò che guida entrambi i processi è una fame di configurazioni, di analogie, di somiglianze.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 109
Forse si tratta semplicemente di adattamento. I nostri cervelli sono arrivati dove sono lavorando per proprio conto su una primitiva forma di accoppiamento di configurazioni. Come scrive il futurologo Ray Kurzweil, gli esseri umani «sono di gran lunga più competenti nel riconoscere configurazioni che non nel pensare attraverso combinazioni logiche; così ci appoggiamo a questa predisposizione per quasi tutti i nostri processi mentali. In effetti, il riconoscimento di configurazioni comprende il grosso dei nostri circuiti neurali. Questa facoltà compensa la bassissima velocità dei neuroni umani». La mente umana è scarsamente equipaggiata per affrontare problemi che richiedano di essere risolti in modo seriale, e questo perché i neuroni hanno un «tempo di reset» di circa cinque millisecondi, il che significa che sono capaci di soli duecento calcoli al secondo». (I moderni personal computer possono eseguire milioni di calcoli al secondo, ed è il motivo per cui lasciamo loro il gravoso compito di fare tutto ciò che richieda competenze matematiche). Ma a differenza della maggior parte dei computer, il cervello è un sistema massicciamente parallelo, con cento miliardi di neuroni tutti attivi nello stesso momento, il che gli consente di esibirsi in strabilianti performance di riconoscimenti di configurazioni, come il riconoscimento di volti o la creazione di metafore — attività che continuano a mandare in confusione i computer digitali. Poiché i neuroni sono così lenti, spiega Kurzweil, «non abbiamo tempo [...] di pensare troppi nuovi pensieri quando siamo sotto pressione per prendere una decisione.
Spesso il cervello umano lavora pre-elaborando le sue esperienze e immagazzinando i risultati per un uso futuro. Dopo di che ci appoggiamo alla nostra capacità di riconoscimento di configurazioni per vedere se una situazione sia compatibile con un’altra cui abbiamo già pensato, e in caso affermativo la usiamo come riferimento».
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 111
Il mondo faccia a faccia è continuamente attraversato da innumerevoli sondaggi che prendono il polso collettivo del gruppo. La maggior parte di quei sondaggi sono così improvvisi e fugaci che non ci rendiamo neanche conto che vi stiamo partecipando, e quella trasparenza è in effetti una delle ragioni della loro efficienza. Nel mondo faccia a faccia, siamo tutti termostati sociali: prendiamo la temperatura del gruppo e regoliamo il nostro comportamento di conseguenza.
Alcune di quelle competenze sociali di autoregolazione sono tradotte in campo cibernetico — in particolare nei gruppi di discussione, dove i partecipanti hanno il tempo e lo spazio per esprimere le loro idee in forma estesa, in contrasto con le spontanee eruzioni della chiacchiera in tempo reale. Ma c’è una differenza cruciale tra l’ambiente di una vecchia BBS e quello di aree di discussione come quelle che abbiamo costruito in FEED. In un’area di discussione pubblica, non tutti i partecipanti sono visibili. Una data conversazione può avere cinque o sei partecipanti molto attivi e diverse decine di guardoni, che leggono i messaggi senza però intervenire in alcun modo. Questo crea un fondamentale squilibrio nel sistema e dà l’opportunità ai Molesti di dominare lo spazio in un modo che non sarebbe loro possibile fuori della rete. In un’area di discussione si parla sia ai partecipanti attivi sia ai guardoni, e per quanto si possa offendere o annoiare l’interlocutore diretto ci si può sempre appellare alla maggioranza silenziosa appostata dietro centinaia di computer — un pubblico che è sia presente sia assente allo stesso tempo. Come chiunque altro, il Molesto può ritenere che il silenzio sia un plauso alla sua prosa, mentre i partecipanti attivi facilmente possono mettere in chiaro la loro opinione: «Ma questo è scemo o cosa?».
I Molesti utilizzano una disparità cruciale nel flusso dell’informazione: mentre di solito pensiamo alle aree di discussione come un sistema a due vie, per i Molesti quel percorso e a senso unico. Ci sentono parlare, ma non sentono niente di ciò che diciamo: nessuna risata, nessun fischio, o segnale d’emozione o sbadiglio, nessun occhio al cielo. Quando entra in gioco un Molesto, un’area di discussione si trasforma in qualcosa di meno interattivo di una tradizionale conferenza, e qualcosa di molto meno significativo di una chiacchierata attorno a una tavola da pranzo imbandita, dove anche il più reticente dei commensali partecipa con gesti ed espressioni del volto. Le conversazioni di gruppo nel mondo reale hanno una peculiare attitudine a raggiungere un certo punto di omeostasi: la conversazione si sposta verso una zona che fa piacere il più possibile al gruppo e ammutolisce le voci di chi vuole disturbarla. Una conversazione di gruppo è una situazione nella quale i contributi principali provengono dagli «oratori» ufficiali, e i contributi secondari dalle risposte del pubblico e da altri «oratori» minori. I contributi primari regolano il loro segnale basandosi sui contributi del gruppo secondario di feedback. Gli esseri umani —per ragioni che esploreremo nella sezione finale — possiedono un talento eccezionale per valutare gli stati mentali dei loro simili, sia attraverso lo scambio diretto del linguaggio parlato sia attraverso i più obliqui meccanismi di feedback dei gesti e dell’intonazione della voce. Quello scambio reciproco fornisce alle nostre conversazioni di gruppo faccia a faccia quella flessibilità e quell’interazione diretta che Wiener trovava assente nelle comunicazioni di massa.
Credo che Wiener avrebbe compreso immediatamente il problema della comunità virtuale con guardoni e Molesti. Mentre l’affaire Flowers fu un caso di feedback diretto, la tirannia del Molesto è il risultato di una carenza di feedback:
un sistema in cui l’informazione scorre in una sola direzione, in cui il pubblico è presente e allo stesso tempo invisibile. Questo peso scorre parallelamente ai problemi dei collegamenti a senso unico che abbiamo visto nel capitolo precedente. Si supponeva che i collegamenti ipertestuali e le comunità virtuali fossero le avanguardie della rivoluzione interattiva, ma in effetti hanno percorso solo metà del viaggio verso la terra promessa. (Dove ovviamente le formiche sono arrivate milioni di anni fa). E se i Molesti e gli ossessivi-compulsivi prosperano nella piccola scala delle comunità online di poche migliaia di membri, si immagini il rumore e l’anarchia generati da una comunità con un milione di membri. Esiste sicuramente uno «stadio di climax» a quella scala in cui la crescita online diventa cancerosa, dove la comunità diventa un incubo da sovrasviluppo. Se il feedback non è stato in grado di regolare i villaggi digitali delle prime comunicazioni online, che speranza avrà di farlo nella vasta griglia del world wide web?
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 134
La sonnacchiosa città universitaria di Holland, nel Michigan, può sembrare l’ultimo posto in cui ci si aspetterebbe di trovare una soluzione al problema del caos urbanistico digitale, ma il web non ha mai giocato secondo le regole della geografia tradizionale. Fino a tempi recenti, Holland è stata meglio nota per il suo annuale festival dei tulipani. Ma ora è sempre più riconosciuta come il luogo natale di Slashdot.org - la cosa più vicina a una genuina comunità auto-organizzante che il web abbia mai prodotto.
Iniziata come un’area di discussione da un abitante di Holland di nome Rob Malda, Slashdot ha raggiunto notorietà planetaria come il non plus ultra delle comunità tematiche. «Agli inizi, Slashdot era piccola», scrive Malda. «Ricevevamo decine di messaggi al giorno e andava bene così. Il segnale era forte, il rumore basso». Ma presto, Slashdot incappò nel crescente tsunami di Linux e del movimento Open Source e si trovò sommersa da migliaia di visitatori ogni giorno. Nei suoi primi giorni, Slashdot era percepita come una città collinare, al pari di ECHO e WELL, con una forte leadership proveniente dallo stesso Malda. Ma il volume dei messaggi divenne eccessivo perché una sola persona potesse filtrare le informazioni utili. «La spazzatura diventava sempre più abbondante», dice oggi Malda, «e non avevo più tempo di stare dietro sia ai messaggi sia alle mie responsabilità verso me stesso».
La prima mossa di Malda fu di creare una élite: venticinque guerrieri antispamming che avrebbero vigilato sul materiale prodotto dalla comunità, eliminando i messaggi irrilevanti o nocivi. L’idea dell’élite apparteneva a una tradizione gerarchica, e Malda fornì ai suoi luogotenenti una risorsa cruciale: avrebbero potuto votare i contributi, su una scala da -1 a 5. Si sarebbe potuto navigare attraverso Slashdot.org con un «filtro di qualità» che avrebbe detto al software: «Mostrami solo ciò che ha raggiunto un punteggio almeno di 3». Ciò diede ai luogotenenti sia una funzione positiva sia una negativa. Avrebbero potuto enfatizzare la roba buona e premiare così i membri produttivi della comunità.
Nel giro di pochi mesi, però, Slashdot divenne troppo grande da gestire anche per le élites, e Malda dovette nuovamente rivedere l’organizzazione del sito. E un genere di cose che può succedere solo sul web. Uno studente ventunenne che vive assieme a un paio di suoi compagni in una casa da due soldi in un’oscura città del Michigan, crea un intimo luogo online per permettere a lui e ai suoi amici di discutere delle loro ossessioni, e nel giro di un anno cinquantamila persone entrano ogni giorno in quello spazio e rivendicano un frammento di partecipazione. Senza niente che assomigli a un’infrastruttura commerciale, e tanto meno un ufficio reale, Malda aveva bisogno di ben più della sua manciata di luogotenenti per evitare che Slashdot precipitasse nella più completa anarchia. Ma senza le risorse necessarie ad assumere un centinaio di moderatori, Slashdot sembrava condannata a quella stessa empasseche Mumford aveva descritto trent’anni prima: rimanere piccoli e conservare la qualità della comunità originale; o crescere e sacrificare tutto ciò che la comunità ha creato nel primo periodo della sua vita. Slashdot aveva raggiunto il suo «stadio di climax».
Che cosa fece Malda? Anziché ampliare il suo serraglio di luogotenenti, nominò tutti luogotenenti potenziali. Affidò alla comunità stessa il compito di controllare la qualità. I suoi obiettivi erano relativamente semplici, come sottolineato nella sezione «domande frequenti» del sito:
1. Promuovere la qualità, scoraggiare le stronzate.
2. Rendere Slashdot il più leggibile possibile per il maggior numero di persone possibile.
3. Non sottrarre troppo tempo ai moderatori.
4. Non consentire a un singolo moderatore di istaurare un «regno del terrore».
Assieme, questi parametri definiscono lo stato ideale di Slashdot. Per Malda la questione era come costruire un sistema omeostatico che avrebbe sospinto in modo naturale il sito verso quello stato senza nessun singolo individuo al comando. La soluzione cui arrivò dovrebbe essere chiara: un misto di feedback negativo e positivo, di casualità strutturata, interazione tra vicini e controllo decentrato. Da un certo punto di vista, oggi Slashdot assomiglia a una colonia di formiche. Da un altro sembra una democrazia virtuale.
Ecco come funziona: se avete trascorso più di qualche sessione come utilizzatore registrato di Slashdot, il sistema potrebbe informarvi che vi è stato attribuito lo status di moderatore (più o meno come quando siete convocati a far parte di una giuria). Come nella realtà giudiziaria, i moderatori sono tali solo per un limitato periodo, durante il quale hanno il potere di attribuire un voto da —1 a 5 ai contributi degli altri utilizzatori. Ma quel potere diminuisce con l’uso: ciascun moderatore è dotato di un numero finito di punti assegnabili. Esaurita la scorta di voti, il ruolo di moderatore termina.
Questi voti si coalizzano a formare ciò che Malda chiama karma: se i vostri contributi come utilizzatore ricevono voti alti dai moderatori, guadagnate karma nel sistema, il che vi dà particolari privilegi — i vostri messaggi ricevono in partenza un punteggio più alto del solito e sarà più probabile che sarete scelti come moderatori in futuro. Quest’ultimo privilegio e-semplifica il metafeedback al lavoro, con i serpenti dei voti che si mangiano la coda: i moderatori valutano i messaggi, e quelle valutazioni sono utilizzate per scegliere i futuri moderatori. Non solo il sistema di Malda incoraggia la qualità, ma predispone anche un ambiente nel quale i leader della comunità possono emergere in modo naturale. Questa caratteristica è stata specificamente predisposta nel software. Un alto karma in Slashdot non significa solo ottenere la fiducia della comunità - è anche un numero quantificabile. Karma ha trovato spazio in un database.
Il sistema a punti di Malda porta alla mente i punteggi di Dungeons &Dragons e di altri classici dei giochi di ruolo. (Che la folla di Slashdot fosse già molto versata nell’idioma dei giochi di ruolo ha senza dubbio contribuito alla rapida adozione del sistema a valutazioni). Tuttavia, Malda ha fatto qualcosa di più ambizioso che semplicemente importare convenzioni dei giochi nello spazio comunitario. Ha creato un genere di valuta, un sistema di prezzi per i cittadini online. Garantendo che i punti fossero tradotti in privilegi, ha dato loro valore. Rendendo spendibile il potere del moderatore ha creato la proprietà cruciale della scarsità. Con solo uno o l’altra, la valuta è priva di valore effettivo; combinando i due parametri si ha uno standard per dare un prezzo alla partecipazione della comunità attiva.
Il collegamento tra attribuzione del prezzo e feedback è più che una metafora. Osserva uno dei personaggi nel recente dialogo socratico di Jane Jacobs, The Nature of Economies: «Nel 1775, Adam Smith identificò i prezzi dei beni e del lavoro come informazione di feedback anche se, ovviamente non la chiamò in questo modo perché la parola feedback non apparteneva al vocabolario del tempo. Ma comprese l’idea [...]. Nel suo modo sobrio, Smith era a ragione chiaramente eccitato di fronte alla meravigliosa forma d’ordine che aveva scoperto. Era molto più avanti dei naturalisti nell’afferrare il principio dei controlli a feedback negativo».
Malda afferma che agli inizi, né The Wealth of Nations né The Dungeon Maste’s Guide erano tra i suoi principali pensieri. «Non c’è stato niente di specifico a ispirarmi», dice oggi. «E stato perlopiù un percorso a prova ed errore. La reale influenza è stato il mio desiderio di far piacere agli utilizzatori con aspettative molto diverse rispetto a Slashdot. Alcuni volevano che potesse passare tutto e senza regole. Altri erano persone con poco tempo che volevano leggere solo tre o quattro commenti al giorno». È possibile verificare di persona l’intelligenza e la flessibilità del sistema: si visiti Slashdot e si scelga di vedere tutti i post relativi a una data conversazione. Se la conversazione è più vecchia di qualche ora, conterà probabilmente diverse centinaia di contributi, con almeno la metà opera di disturbatori e Molesti.
Si regoli la soglia di qualità a quattro o cinque, e avviene qualcosa di miracoloso: il volume complessivo di messaggi crolla precipitosamente, ma la decina o poco più di messaggi che rimangono sono stimolanti quanto una rivista di pregio dove autori e redattori sono pagati per mettere assieme in modo accattivante le loro parole. È un miracolo non in quanto tra un interminabile elenco di messaggi si riesce a trovare una tale qualità, lo è perché la comunità ha fatto collettivamente un lavoro eccezionale portando quella qualità alla luce. C’è vita oltre lo stadio di climax, perlomeno nel cosmo digitale.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 138
Slashdot è solo l’inizio. Nei due anni passati, i voti degli utilizzatori sono diventati il Verbo del web, e si ritrovano in un’infinita quantità di pagine. Amazon dà da molto tempo la possibilità di votare per tutti i prodotti presentati, e nel 1999 ha cominciato a permettere ai clienti di votare le recensioni di altri utilizzatori. Un ingegnoso sito chiamato Epinions coltiva recensioni scritte dal suo pubblico e garantisce punti «fiducia» a quei collaboratori che conquistino il rispetto della comunità. Il sistema di vendite online di eBay utilizza due distinti meccanismi di feedback sovrapposti: il feedback relativo al prezzo delle offerte e quello delle valutazioni degli utilizza-tori circa i compratori e i venditori. Un sistema traccia il valore della merce, l’altro quello delle persone.
In un sistema come Slashdot c’è un medium, un messaggio e un pubblico. Fin qui nessuna differenza con la televisione. La differenza è che quegli elementi esistono assieme a un insieme di regole che governano il modo in cui i messaggi scorrono attraverso il sistema. Il termine «interattività» non rende giustizia a questo fatto. Un pulsante che vi permetta di mandare una e-mail a un autore pubblicato; uno strumento che vi consenta di costruire la vostra home page; una collezione di pagine interconnesse che vi permetta di seguire il vostro percorso al loro interno: questi sono tutti esempi di interattività, ma si trovano in una categoria diversa rispetto ai sistemi auto-organizzanti di eBay e Slashdot. Sono più vicini a una pagina di lettere al direttore che all’intelligenza collettiva di Slashdot.
L’interattività di prima generazione può aver dato voce al consumatore, ma sistemi come Slashdot ci forzano ad accettare una proposta più radiale: per capire come funzionino queste nuove esperienze mediatiche è necessario analizzare il messaggio, il medium — e le regole. Si pensi alle migliaia di messaggi sconclusionati trasformati in un conciso e informativo articolo grazie ai filtri di qualità di Slashdot. Ciò che qui è interessante non è solo il medium, ma soprattutto le regole che governano ciò che viene scelto e ciò che non lo viene. E allora un problema algoritmico, non un problema di rappresentazioni.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 139
«Quei pixel rossi sono le singole cellule di Dictyostelium», dice Resnick nel suo ufficio di Cambridge. «Sono programmati per vagare senza meta nello spazio delimitato dallo schermo; finché girovagano emettono una scia verde rapidamente evanescente, l’equivalente delle sostanze chimiche che le cellule di Dictyosteliumutilizzano per coordinare il loro comportamento. Ho programmato le cellule rosse per “fiutare” il colore verde e seguire il gradiente nel colore. “Fiutare” i pixel verdi porta le cellule a raggrupparsi».
Come le colonie di formiche della Gordon, la simulazione di Dictyosteliumdi Resnick è sensibile alla densità di popolazione. «S’incomincia con solo un centinaio di cellule di Dictyostelium», dice apprestandosi a mostrarmi una simulazione dei diversi stadi. Preme un tasto e cento pixel rossi cominciano la loro frenetica danza: a questo livello non si forma nessun raggruppamento. Ci sono rapidi lampeggiamenti verdi quando due cellule entrano in collisione, ma non emerge alcuna forma più grande.
«Con così poche cellule, non ci sono sufficienti contatti perché si formino aggregazioni. Ma se triplichiamo la popolazione», dice spostando un cursore virtuale sul monitor, «aumenteremo anche gli incontri tra cellule. Con trecento cellule, dopo pochi minuti si può assistere alla formazione di un raggruppamento, a volte anche dopo solo un paio di minuti». Aspettiamo per circa trenta secondi e dopo alcune false partenze un raggruppamento prende forma, più o meno al centro dello schermo. «Una volta che si è formato, è molto difficile dividere un gruppo di Dictyostelium, anche se la formazione è avvenuta con qualche difficoltà».
Poi Resnick triplica ancora la popolazione e fa ripartire la simulazione. Questa volta è un sistema completamente diverso: è tutto un lampeggiare di attività delle cellule rosse immediatamente seguito dalla formazione di dieci raggruppamenti che quasi riempiono lo schermo, con le loro forme apparentemente sferiche. Solo alcune cellule rimangono isolate, vaganti senza meta attorno ai gruppi. La quantità fa molta differenza. «La cosa interessante», dice Resnick con un sorriso soddisfatto, «è che analizzando il software non si può prevedere un comportamento del genere. Al massimo si può prevedere la formazione di un unico grande raggruppamento, o di gruppi di minori dimensioni molto suscettibili alla frantumazione. Ma le cose vanno diversamente, e l’intero sistema si rivela essere molto sensibile alle condizioni iniziali. Con cento cellule non si hanno raggruppamenti; con trecento, probabilmente se ne otterrà uno, ma poco stabile; con novecento cellule si hanno subito dieci raggruppamenti, che manterranno la loro struttura per un tempo molto lungo». Sono comportamenti per nulla prevedibili semplicemente leggendo le istruzioni del programma. Bisogna dar vitaal sistema per poter capire come funziona.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 147
Naturalmente, al suo livello più fondamentale, StarLogoè esso stesso un sistema centralizzato: obbedisce a regole stabilite da una singola autorità, il programmatore. Ma la strada dal codice di Resnick a questi raggruppamenti di cellule di Dictyosteliumè indiretta. Le cellule di Dictyosteliumnon sono programmate perché formino raggruppamenti - sono programmate perché seguano configurazioni nelle scie lasciate dalle cellule vicine. Se si hanno sufficienti cellule e se le scie sono sufficientemente lunghe si otterranno i raggruppamenti, ma non è qualcosa che si possa controllare in modo diretto. E prevedere il numero di raggruppamenti o la loro longevità è pressoché impossibile senza lunghe sperimentazioni per prova ed errore all’interno del sistema. Kevin Kelly ha intitolato il suo fondamentale libro sul comportamento decentrato Out of Control -Fuori controllo —, un titolo che tuttavia non rende pienamente giustizia ai sistemi emergenti, o quanto meno a quelli che creiamo al computer. Sistemi come StarLogonon sono pure anarchie: obbediscono a regole che definiamo in partenza, ma queste regole governano soltanto le micromotivazioni. Il macrocomportamento è tutta un’altra faccenda — non si può determinare direttamente. Tutto ciò che è possibile fare è di predisporre le condizioni che si ritiene renderanno possibile quel comportamento. Dopodiché si clicca sul tasto avvio e si sta a vedere che cosa succede. È forse strano incontrare quel tipo di controllo obliquo nel mondo del software, e tuttavia si sta facendo sempre più comune. Dal punto di vista classico, la programmazione è pensata in termini di puro controllo: si dice al computer che cosa deve fare e il computer non ha altra scelta se non eseguire gli ordini. Se un computer non fa quanto ordinatogli ci si trova inevitabilmente di fronte a un difetto nel software, non a un’autonomia della macchina. Fin’oggi, i migliori programmatori sono stati quelli in grado di esercitare il massimo controllo sulla macchina, quelli capaci di ottenere il risultato desiderato con codici i più brevi possibile. Non è un caso che Norbert Wiener abbia derivato il termine cibernetica dalla parola greca kuhernetiké— letteralmente «arte del pilota»:
sin dai suoi inizi, l’arte del software è stata associata al controllo e ai modi migliori per ottenerlo.
Ma il paradigma del controllo sta lentamente lasciando il posto a una forma diversa di programmazione: software che viene per così dire allevato anziché ingegnerizzato, software che apprende autonomamente a risolvere problemi, nel modo in cui Oliver Selfridge pensò il suo modello Pandemoniumn. Il nuovo paradigma si rifà ampiamente al libro d’istruzioni della selezione naturale, proponendo di «allevare» nuovi programmi ottenuti con vari incroci genetici. I primi decenni del software sono stati essenzialmente creazionisti: un’illimitata volontà divina porta in vita i programmi nella loro versione definitiva. Ma la nuova generazione sarà profondamente darwiniana.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 151
Si consideri il programma per l’ordinamento dei numeri ideato anni fa dalla leggenda dei supercomputer Danny Hillis, un programma che mina alla base tutte le nostre tradizionali assunzioni su come dovrebbe essere prodotto un software. Da sempre, l’ordinamento dei numeri è stato un banco di prova per i migliori programmatori, come quelli impegnati nella scrittura di programmi scacchistici. Si getti in un programma un centinaio di numeri a caso e si osservi quanti passi sono necessari al programma per riordinarli in senso crescente. Quando Hillis decise di partecipare al gioco, il record con le tradizionali tecniche di programmazione era di sessanta passi logici. Ma Hillis non si limitò a mettersi a tavolino e scrivere un’applicazione come le altre, solo un po’ migliore. Ciò che Hillis creò fu una ricetta per l’apprendere, un programma per creare un altro programma. In altre parole, non insegnò al computer come mettere in ordine i numeri. Insegnò al computer a inventarsi da solo un modo per mettere in ordine i numeri.
Hillis se ne uscì con questo colpo di scena inglobando i formidabili poteri della selezione naturale in un supercomputer con circuitazione estesamente in parallelo: la Connection Machine, al cui progetto aveva lui stesso contribuito. Hillis istruì il computer a generare migliaia di miniprogrammi, ciascuno composto di combinazioni casuali di istruzioni, creando in tal modo una sorta di pool genico. Ciascun programma fu messo alla prova con una sequenza disordinata di numeri e ciascuno cercò di portare ordine in quella sequenza. Com’è facile immaginare, la prima nidiata di programmi si dimostrò del tutto inetta al compito — a dirla tutta, quei programmi si rivelarono inadatti a qualsiasi compito. Ma alcuni programmi si comportarono meglio di altri, e poiché per il suo esperimento) Hillis aveva stabilito un obiettivo quantificabile — numeri sistemati nel corretto ordine — per proseguire, il computer scelse i programmi che si erano comportati meno peggio. Quei pochi programmi diventarono la base per la successiva iterazione: Hillis ne mutò leggermente il codice e li incrociò tra loro. La procedura fu poi ripetuta: i programmi di maggior successo della nuova generazione furono scelti e poi sottoposti alle stesse trasformazioni. Miscela, mutazione, valutazione, ripetizione.
Dopo pochissimi minuti — e migliaia di cicli — questo processo evolutivo portò a un potente programma in grado di ordinare una stringa di numeri casuali in settantacinque passi. Non un record, ma comunque un risultato impressionante. Il pool genico non era però in grado di portare a risultati migliori dei settantacinque passi.
Il problema con questo approccio è che nel panorama dell’adattamento esistono falsi picchi. Esiste una quantità inimmaginabile di modi di programmare un computer perché metta in ordine una stringa di numeri in modo passabilmente efficiente, ma solo pochissimi di farlo in vista di un record mondiale. E quei diversi programmi variano enormemente nel modo in cui affrontano il problema. Si pensi a quei differenti approcci come a rilievi montuosi nel paesaggio dell’adattamento: esistono migliaia di crinali, ma pochissimi Everest. Se un programma evolve utilizzando un approccio, i suoi discendenti non troveranno mai la loro strada verso un approccio differente — perché il sistema di Hillis premia soltanto le generazioni che migliorano il lavoro fatto dai loro predecessori. Una volta che un programma ha scalato tutte le vie possibili verso il picco di una montagna, non ha alcun vantaggio nel ridiscendere e cercare una vetta più alta, perche rischia di raggiungere un risultato inferiore e di essere percuo eliminato dal pool genico. Il software di Hillis si era arenato ai settantacinque passi perché il rischio di penalizzazione legato alla ricerca di più alti punteggi era eccessivo.
Il colpo di genio di Hillis fu di forzare i suoi miniprogrammi a lasciare le vette introducendo dei predatori nel sistema. Esattamente come negli ecosistemi del mondo reale, i predatori non lasciano in pace i programmi evoluti che diventano pigri a causa dei propri successi. Prima dell’introduzione di predatori, un programma che avesse raggiunto il livello dei settantacinque passi sapeva che i suoi discendenti avrebbero avuto una possibilità di sopravvivenza se si fosse mantenuto a quel massimo locale, e che probabilmente sarebbero morti se fossero discesi alla ricerca di una vetta più alta. Ma i predatori cambiarono drasticamente lo scenario. Ricacciarono giù dalle vette i programmi che ritenevano di essere al sicuro e li obbligarono a improvvisare: se un miniprogramma si insediava stabilmente nell’ambito dei settantacinque passi, rischiava di essere distrutto da programmi predatori. Una volta che i predatori fecero la loro apparizione sulla scena, diventò più conveniente discendere a valle per cercare nuovi picchi piuttosto che rimanere al massimo locale.
Hillis strutturò la relazione predatore-preda come una corsa alle armi: più in alto saliva il programma, più i predatori lo mettevano alla prova. Ogni qualvolta i software scalatori decidevano di riposare sugli allori, appariva un predatore che metteva loro il sale sulla coda per indurli a cercare vette più alte.
Dopo soli trenta minuti di questo nuovo sistema, il computer aveva evoluto una nidiata di programmi che potevano mettere in ordine i numeri in sessantadue passi, appena due in più del record mondiale. In termini biologici, il sistema di Hillis funzionava più come un ambiente che come un organismo: creava uno spazio in cui programmi intelligenti potevano crescere e adattarsi, superando le capacità di gran parte dei programmatori in carne e ossa. «Una delle cose interessanti circa i programmi di ordinamento che sono evoluti nel mio esperimento è che non capisco come funzionino», scrive Hillis. «Ho esaminato attentamente le loro sequenze di istruzioni ma non le comprendo: e non possiedo spiegazione più semplice del funzionamento di un programma se non le stesse istruzioni. Può darsi che capire quei programmi sia impossibile».
I fautori del software emergente hanno fatto affermazioni ambiziose riguardo alloro campo di studi, prefigurando scenari nei quali una sorta di darwinismo digitale conduce a intelligenza simulata, capace di apprendimento aperto e interazione complessa con il mondo esterno. (La maggior parte di loro non pensa che una tale intelligenza dovrà necessariamente assomigliare a quella umana, ma questa è un’altra faccenda, che esamineremo nel capitolo conclusivo). Comunque, a breve termine il software emergente promette di trasformare il modo in cui pensiamo il modo di creare codice. Nel prossimo decennio non sarà improbabile vedere uno spostamento dai software progettati con criteri top-down verso versioni evolute di tipo bottom-up, come l’applicazione di Hillis: «Sarà più come cuocere una torta o curare un giardino che come progettare una macchina», dice Hillis.
Quella trasformazione potrà rivelarsi rivoluzionaria per i programmatori, ma probabilmente per gli utilizzatori finali non farà una grande differenza. Noteremo forse che il nostro foglio elettronico calcola in modo leggermente più veloce, o che il nostro correttore ortografico finalmente si accorge degli errori, ma avremo pur sempre a che fare con i risultati finali del software emergente, non con il processo in sé. (In termini darwiniani con l’organismo, non con il suo ambiente).
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 155
Si prenda il gioco Gearheads, progettato da Zimmerman nel 1996 durante un breve soggiorno alla Phillips Interactive. Gearheadsè un sistema emergente puro: una rete di agenti autonomi che seguono semplici regole influenzandosi reciprocamente il comportamento. È un parente stretto di StarLogoo delle formiche mietitrici della Gordon, ma è ingegnosamente costruito per apparire come un normale moderno videogame. Anziché vaganti pixel colorati, Zimmerman ha popolato il mondo di Gearheadscon un eclettico assortimento di pupazzi che marciano attraverso lo schermo.
«Ci sono dodici giocattoli a molla e se ne devono scegliere quattro», spiega Zimmerman. «Si carica la molla del giocattolo e lo si lascia andare da un bordo del campo; l’obiettivo del gioco è di catturare all’avversario quanti più giocattoli sia possibile. Ciascun giocattolo possiede uno specifico insieme di comportamenti che influenzano il comportamento degli altri». Un cranio a molla, per esempio, «terrorizza» i giocattoli che incontra inducendoli a invertire la loro direzione, mentre una mano animata ricarica la molla dei giocattoli che incontra, consentendo loro di vagare più a lungo sullo schermo. Così come con le formiche mietitrici o le cellule di Dictyostelium, quando un agente ne incontra un altro, entrambi possono lanciarsi in una nuova configurazione di comportamento: una formica che incontri centinaia di compagne intente alla ricerca del cibo «deciderà» di dedicarsi alla pulizia del formicaio — un giocattolo che incontri un teschio «deciderà» di cambiare rapidamente direzione.
«Il punto chiave è che una volta che si siano rilasciati i giocattoli, questi sono autonomi. Il sistema è influenzabile solo marginalmente», dice Zimmerman. «È una piccola macchina del caos: accadono cose inattese e pressoché incontrollabili». Quando nel 1996 Zimmerman mise alla prova Gearheads, scoprì che il suo sistema di controllo portava a comportamenti che Zimmerman non aveva deliberatamente programmato, comportamenti che emergevano dalle interazioni locali dei giocattoli a dispetto della semplicità complessiva del gioco.
«Ci sono due pupazzi che invertono la direzione degli altri: il teschio e il Babbo Natale, chiamato Krush Kringle», dice Zimmerman. Quest’ultimo cammina per pochi passi e poi si mette a pestare sul terreno, e tutti i giocattoli nelle vicinanze cambiano direzione. Nel corso delle nostre prove, abbiamo scoperto una combinazione interessante: si rilascia un Krush Kringle, poi la mano che ricarica le molle, poi ancora un Krush Kringle. La mano va verso il primo Krush e ne ricarica la molla, dopodiché il Krush si mette a pestare sul suolo invertendo la direzione della mano e spedendola verso il secondo Krush, che viene ricaricato. Subito il secondo Krush si mette a pestare sul suolo e la mano riscappa via, verso il primo Krush. E così il piccolo sistema di questi tre giocattoli si muove sincronizzato attraverso lo schermo. La prima volta che l’abbiamo visto ne siamo rimasti stupefatti».
A prima vista, questi comportamenti inattesi possono sembrare poca cosa, soprattutto in un mondo, quello dei video-giochi, che enfatizza al massimo il realismo degli scenari e il combattimento con molto sangue. I giocattoli di Zimmerman sono deliberatamente oggetti semplici, non simulano intelligenza e non scatenano sinfonie di suoni surround. Un’immagine del Dictyosteliumdi Resnick assomiglia a qualcosa che avete forse visto nelle prime generazioni di console Atari. In ogni caso, questi pixel vaganti e pupazzi autoricaricanti mi colpiscono più di qualsiasi trovata scenografica, in quanto li considero gli inizi di ciò che un giorno formerà una stirpe dall’enorme potere culturale. Osservare queste configurazioni emergere spontaneamente sullo schermo è un po’ come osservare due organismi unicellulari decidere per la prima volta di condividere risorse. Non che esista una effettiva somiglianza tra i due fenomeni, ma la medesima logica portata avanti per migliaia o centinaia di migliaia di generazioni — come nel caso dell’orto di codici di Hillis — potrà finire con il cambiare il mondo. Bisogna solo pensare nella giusta scala.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 161
Nella retina esiste una regione dove i nervi ottici si connettono alla corteccia visiva. In quest’area sono assenti sia i coni sia i bastoncelli, così la corrispondente area del nostro campo visivo è priva di informazioni. Questo punto cieco ha un’ampiezza notevole (circa sei gradi), tuttavia i suoi effetti sono minimi per via della nostra visione stereoscopica: i punti ciechi di ciascun occhio non si sovrappongono, così l’informazione proveniente da un occhio fornisce l’informazione mancante nell’altro. Ma èpossibile rilevare l’esistenza del punto cieco chiudendo l’occhio sinistro e focalizzando l’attenzione dell’altro su una specifica parola di questa frase. Si metta il dito indice su quella parola e poi si sposti il dito lentamente verso destra, mantenendo fisso lo sguardo sulla parola. Dopo pochi centimetri noterete che la punta del dito scompare alla vista. È una sensazione inquietante, eppure di solito la carenza non si nota — non si ha alcun senso di perdita di informazione, nessuna macchia nera, nessuna visione confusa. E necessario un trucco per notare che manca qualcosa. Non è la mancanza di informazione visiva a turbarci, ma il fatto che ci sia così difficile notarla.
Il motivo per cui il punto cieco non si palesa è perché da quel punto il cervello non si aspetta informazione. Con le parole di Daniel Dennett, nella corteccia visiva non ci sono «homunculi responsabili della ricezione di resoconti da quest’area, così quando non arriva nessuna notizia, nessuno si lamenta. Un’assenza di informazione non è la stessa cosa di un’informazione su un’assenza». Siamo ciechi alla nostra cecità.
Forse con la teoria delle altre menti succede la stessa cosa. Senza quella consapevolezza di altri stati mentali a costruire i nostri limiti, potremmo comunque essere consapevoli del mondo e al tempo stesso inconsapevoli della nostra vita mentale. L’assenza di autoconsapevolezza non si paleserebbe per la stessa ragione per cui il punto cieco della retina rimane invisibile: non esisterebbe alcun meccanismo di feedback ad allarmarci circa la mancanza di qualcosa. Solo quando incominciamo a speculare sulla vita mentale di altri individui scopriamo di possedere noi stessi una vita mentale.
Se l’autoconsapevolezza è un sottoprodotto della nostra capacità di lettura della mente, che cosa ha spinto all’inizio a costruire quelle teorie della mente? Questa è una risposta più facile da trovare. La battaglia di natura contro apprendimento può darsi ci riserverà ancora delle scaramucce, ma oggi come oggi quasi nessuno vorrebbe negare che siamo animali sociali per natura. La grande maggioranza della popolazione mondiale — sia moderna sia «primitiva» — vive in gruppi estesi e forma complessi sistemi sociali. Da questo punto di vista, tra i primati siamo un’anomalia: solo gli scimpanzé condividono la nostra spinta alla socializzazione tra i sessi. (Gli orangutan vivono perlopiù una vita solitaria, i gibboni in coppie isolate; i gorilla viaggiano in harem dominati da un singolo maschio). È una complessità sociale che richiede formidabili competenze mentali: anziché superare in astuzia un singolo predatore, o prendersi cura di un solo piccolo, gli umani tengono traccia di decine di altri individui, modificando di volta in volta il loro comportamento in base alle informazioni che possiedono.
Johnson S., “La nuova scienza dei sistemi emergenti”, Garzanti, pag. 181