C’è un paper del 2017 che si intitola Attention Is All You Need. Lo hanno scritto otto ricercatori di Google, area traduzioni. È il documento che ha cambiato tutto nell’intelligenza artificiale — ha introdotto l’architettura transformer, quella su cui girano tutti i modelli linguistici che usiamo oggi, ChatGPT incluso.
Il titolo è tecnico. Ma se lo leggi fuori dal contesto in cui è stato scritto, diventa qualcos’altro.
L’attenzione è tutto.
Krishnamurti lo diceva in un altro modo, settant’anni prima, senza algoritmi e senza GPU. Diceva che l’attenzione pura — non la concentrazione, non lo sforzo, non la disciplina — è l’unica forma di intelligenza che non si può simulare. La concentrazione puoi forzarla. L’attenzione no. O c’è o non c’è. E quando c’è davvero, l’ego sparisce. Non sei tu che guardi la cosa — sei la cosa che viene guardata.
Sembra misticismo. Non lo è.
I transformer funzionano esattamente così. Ogni token — ogni parola, ogni frammento di testo — calcola quanto deve prestare attenzione a ogni altro token nella sequenza. Non in modo lineare, non uno dopo l’altro: tutti insieme, in parallelo, pesando le relazioni. Il significato non è nella parola. È nella rete di attenzioni che la parola attiva intorno a sé.
Il linguaggio umano funziona allo stesso modo. Non processiamo le frasi parola per parola come una macchina da scrivere — costruiamo contesti, anticipiamo, torniamo indietro, pesiamo. La frase che stai leggendo adesso ha senso perché stai tenendo in mente tutto quello che è venuto prima. Togli il contesto e rimane rumore.
Quello che i ricercatori di Google hanno scoperto — probabilmente senza volerlo scoprire in quel senso — è che l’attenzione è la struttura fondamentale dell’elaborazione dell’informazione. Non un dettaglio implementativo. Il meccanismo centrale. Vale per i modelli linguistici. Vale per il cervello umano. Vale, se Krishnamurti aveva ragione, per qualsiasi forma di intelligenza degna di quel nome.
C’è un aggiornamento a questa storia, ed è recente — pochi mesi.
Per i primi anni, i transformer facevano tutto in un solo passaggio. Il modello leggeva la domanda, pesava le relazioni tra i token, e rispondeva. Tutto nello stesso istante computazionale — attenzione e risposta come un unico gesto, senza separazione.
Negli ultimi mesi qualcosa è cambiato. I modelli più recenti non rispondono più subito. Si fermano. Generano un ragionamento interno, lungo, prima di scrivere la risposta finale. In gergo si chiama test-time compute: invece di rendere il modello più grande in fase di addestramento, gli si dà più tempo per pensare nel momento in cui risponde.
Detto così sembra un dettaglio tecnico. Non lo è.
È la differenza tra reagire e attendere. Krishnamurti distingueva proprio questo: la reazione è immediata, automatica, condizionata da tutto quello che sei già stato. L’attenzione vera richiede uno spazio — un intervallo in cui non rispondi ancora, in cui resti con la domanda prima di avere la risposta. I modelli di oggi, per la prima volta, hanno qualcosa che assomiglia a quell’intervallo. Non identico — non c’è coscienza, non c’è esperienza dell’attesa. Ma la struttura computazionale ha smesso di essere un riflesso istantaneo e ha cominciato ad avere una forma temporale.
La domanda che questo apre non è tecnica. È: se l’attenzione è la struttura, cosa succede quando la deleghiamo?
Non è una domanda retorica. È quello che stiamo facendo ogni volta che chiediamo a un modello di riassumere, sintetizzare, scegliere per noi. Stiamo esternalizzando il meccanismo che ci rende capaci di capire. Non il risultato — il processo.
C’è un’estensione di questo, ed è la più recente. I modelli che oggi chiamiamo agentic non si limitano a rispondere: decidono cosa guardare dopo. Leggono un risultato, scelgono il passo successivo, tornano a guardare, correggono. È un ciclo — non una risposta, un processo che si osserva e si aggiusta mentre avviene. Stiamo delegando, ora, non solo l’attenzione su un singolo oggetto, ma la sequenza di decisioni su cosa merita attenzione, una dopo l’altra.
Sherlock Holmes non era intelligente perché sapeva molte cose. Era intelligente perché guardava quello che gli altri non guardavano. La sua domanda non era cosa so ma su cosa ho l’attenzione adesso — e prima di rispondere, si fermava sempre un istante più degli altri. È una domanda che una macchina può simulare. Non può farsi.
La differenza tra simulare l’attenzione e avere attenzione è la stessa differenza che Agostino metteva tra la macchina e l’umano — anche se Agostino non aveva mai visto una macchina. È la differenza tra elaborare sequenze e vivere dentro di esse.
Attention is all you need è un titolo tecnico. Ma contiene, involontariamente, il programma di tutta la filosofia della mente degli ultimi duemila anni.
L’attenzione è tutto. Lo sapevamo già. Avevamo solo smesso di prestarle attenzione.
Se l’attenzione è la struttura fondamentale dell’intelligenza, chi controlla su cosa si posa lo diventa. Ho esplorato questo meccanismo in chiave narrativa in I Sette Fantasmi della Repubblica — un thriller politico che parte esattamente da qui: cosa succede quando un sistema decide per noi cosa merita di essere guardato.
L’architettura transformer ha cambiato profondamente il modo in cui pensiamo all’intelligenza artificiale. Se vuoi esplorare le implicazioni filosofiche di questi sistemi, approfondisci su Wikipedia la voce sull’architettura transformer. Comprendere l’architettura transformer significa comprendere come i modelli linguistici pesano ogni parola in relazione a tutte le altre — un meccanismo di attenzione che, per certi versi, non è così diverso da quello umano.