Una delle questioni filosofiche più profonde che attraversano la biologia, l’economia e più in generale le scienze dei sistemi complessi è la seguente: come spiegare l’emergere di comportamenti ordinati e apparentemente finalizzati — cooperazione, altruismo, aggressione regolata, specializzazione, norme sociali — senza introdurre una teleologia forte, cioè senza supporre che la natura agisca in vista di fini intrinseci? La teoria dei giochi evolutiva, insieme alla dinamica della replicazione, offre una risposta potente: molti pattern comportamentali non vanno spiegati come il prodotto di intenzioni autonome o di un disegno finalistico, ma come esiti statistici stabili di interazioni tra molti agenti sottoposti a selezione differenziale.

1. Dalla teleologia al modello riduzionista

Il problema della teleologia nasce dal fatto che gli organismi viventi sembrano agire come se perseguissero scopi. Le ali sembrano fatte per volare, gli occhi per vedere, i comportamenti cooperativi per mantenere il gruppo, le norme per garantire coesione. Nella tradizione filosofica classica, questa impressione ha spesso suggerito una lettura finalistica della natura: i tratti e i comportamenti esisterebbero in vista di un fine.

La svolta darwiniana e poi la formalizzazione matematica della selezione naturale cambiano il quadro. La finalità apparente non viene più trattata come una causa prima, ma come un effetto emergente di variazione, ereditarietà e selezione. In questa cornice, la teoria dei giochi evolutiva radicalizza il punto: anche comportamenti sociali complessi possono emergere senza postulare una causalità intenzionale autonoma. Ciò che conta non è che gli agenti vogliano cooperare o combattere, ma che certe strategie, in certe condizioni di interazione, abbiano rendimento medio superiore ad altre.

L’idea riduzionista, nel senso qui rilevante, non è che l’esperienza soggettiva o l’intenzionalità siano illusioni. È piuttosto che, per spiegare la stabilità statistica di pattern collettivi su larga scala, si può spesso partire da meccanismi locali di interazione e selezione, senza assumere una teleologia forte o una mente collettiva che governi il sistema.

2. Teoria dei giochi classica e teoria dei giochi evolutiva

Nella teoria dei giochi classica, tipica della tradizione di von Neumann e Morgenstern, i giocatori sono spesso trattati come agenti razionali che scelgono strategie in modo deliberato. L’oggetto centrale è l’equilibrio tra scelte strategiche.

Nella teoria dei giochi evolutiva, invece, il focus si sposta. Non si chiede anzitutto che cosa dovrebbe scegliere un agente perfettamente razionale, ma come cambiano nel tempo le frequenze di diverse strategie in una popolazione. Le strategie possono essere regole comportamentali, fenotipi, norme, abitudini, routine, o anche tipi di impresa e politiche di prezzo. Qui la nozione chiave non è soltanto quella di equilibrio strategico, ma quella di stabilità evolutiva e di dinamica.

3. La nozione di payoff

In un gioco evolutivo, ogni interazione assegna un payoff, cioè un guadagno, beneficio o rendimento. In biologia il payoff viene spesso interpretato come fitness o come componente della fitness. In economia può rappresentare profitto, utilità, quota di mercato, produttività.

Se una strategia incontra vari tipi di avversari o partner, il suo rendimento rilevante non è quello di una singola interazione, ma il suo payoff medio, cioè il rendimento atteso calcolato rispetto alla composizione della popolazione.

Se la strategia \(i\) incontra un individuo di tipo \(j\) con probabilità \(x_j\), e il payoff dell’incontro è \(a_{ij}\), allora il payoff medio della strategia \(i\) è:

\[ (Ax)_i = \sum_j a_{ij}x_j \]

La matrice \(A=(a_{ij})\) contiene i payoff del gioco, mentre il vettore \(x\) contiene le frequenze delle strategie nella popolazione.

Il payoff medio complessivo della popolazione è invece:

\[ \bar{\pi}(x)=x^\top A x = \sum_i x_i (Ax)_i \]

Esso rappresenta il rendimento medio di un individuo scelto a caso nella popolazione.

4. La dinamica della replicazione: formula e significato

La dinamica della replicazione è uno dei modelli fondamentali della teoria dei giochi evolutiva. La sua forma standard è:

\[ \dot{x}_i = x_i \big((Ax)_i – x^\top A x\big) \]

Questa formula dice che la frequenza della strategia \(i\) cresce se il suo payoff medio è superiore alla media della popolazione, e diminuisce se è inferiore.

5. Come si ottiene la dinamica della replicazione

La formula non è una verità logica necessaria. È un modello che nasce da ipotesi ben precise. La derivazione più chiara parte dalle abbondanze assolute \(N_i(t)\) di individui che usano la strategia \(i\).

Si definisce:

\[ N(t)=\sum_i N_i(t), \qquad x_i(t)=\frac{N_i(t)}{N(t)} \]

Ora si assume che il tasso di crescita della numerosità assoluta del tipo \(i\) sia proporzionale alla sua fitness \(f_i(x)\):

\[ \dot{N}_i = N_i f_i(x) \]

Il totale allora evolve secondo:

\[ \dot{N} = \sum_i \dot{N}_i = \sum_i N_i f_i(x) = N \sum_i x_i f_i(x)=N\bar{f}(x) \]

Derivando \(x_i = N_i/N\), si ottiene:

\[ \dot{x}_i = \frac{\dot{N}_iN – N_i\dot{N}}{N^2} \]

Sostituendo le espressioni di \(\dot{N}_i\) e \(\dot{N}\):

\[ \dot{x}_i = \frac{N_i f_i(x)N – N_iN\bar{f}(x)}{N^2} = \frac{N_i}{N}\big(f_i(x)-\bar{f}(x)\big) = x_i\big(f_i(x)-\bar{f}(x)\big) \]

Se poi si assume che la fitness dipenda linearmente dalle frequenze e sia data dal gioco:

\[ f_i(x)=(Ax)_i \]

allora:

\[ \bar{f}(x)=\sum_i x_i (Ax)_i = x^\top A x \]

e si ottiene la forma standard:

\[ \dot{x}_i = x_i\big((Ax)_i – x^\top A x\big) \]

6. Ipotesi di base del modello

La dinamica della replicazione standard si basa, almeno nella sua forma più semplice, sulle seguenti ipotesi:

1. La popolazione è molto grande, così che le frequenze possano essere trattate come variabili continue.
2. Gli incontri sono casuali oppure la struttura della popolazione è incorporata in modo esplicito nel modello.
3. Il gioco è simmetrico e a una popolazione, nella forma più semplice.
4. Il payoff può essere interpretato come fitness o come indicatore di successo riproduttivo o imitativo.
5. Il tasso di crescita relativo è proporzionale al vantaggio rispetto alla media.
6. Le strategie presenti sono ben definite e le loro frequenze sommano a 1.

Sotto queste ipotesi, il simplesso delle frequenze resta invariante:

\[ \sum_i x_i = 1, \qquad x_i \ge 0 \]

7. Quando il modello non vale o va corretto

Il modello standard è potente, ma non universale. Va corretto o sostituito in diversi casi:

• quando la popolazione è piccola e gli effetti stocastici sono forti;
• quando gli incontri non sono casuali e la rete di interazione è essenziale;
• quando il payoff non si traduce linearmente in fitness o successo imitativo;
• quando vi sono mutazioni, errori di copia o innovazione continua;
• quando gli agenti apprendono con memoria, aspettative e razionalità sofisticata;
• quando le strategie non sono discrete ma continue o dipendono dallo stato interno.

In questi casi si usano varianti stocastiche, modelli su rete, dinamiche di apprendimento, equazioni replicator-mutator, processi di Moran, adaptive dynamics, e così via.

8. Un esempio completo: il gioco Hawk-Dove

Un esempio classico riguarda il conflitto animale. Due strategie: Hawk (aggressiva) e Dove (prudente). Se il valore della risorsa è \(V\) e il costo del conflitto è \(C\), la matrice dei payoff può essere:

\[ A= \begin{pmatrix} (V-C)/2 & V \\ 0 & V/2 \end{pmatrix} \]

Scegliamo \(V=4\) e \(C=6\). Allora:

\[ A= \begin{pmatrix} -1 & 4 \\ 0 & 2 \end{pmatrix} \]

Sia \(x\) la frequenza di Hawk. Allora la frequenza di Dove è \(1-x\), e il vettore delle frequenze è:

\[ \begin{pmatrix} x \\ 1-x \end{pmatrix} \]

Calcoliamo i payoff medi:

\[ (Ax)_H = -x + 4(1-x) = 4-5x \] \[ (Ax)_D = 0\cdot x + 2(1-x)=2-2x \]

Il payoff medio della popolazione è:

\[ \bar{\pi}=x(4-5x)+(1-x)(2-2x)=2-3x^2 \]

La dinamica di Hawk è quindi:

\[ \dot{x}=x\big((4-5x)-(2-3x^2)\big)=x(2-5x+3x^2) \]

che si può fattorizzare come:

\[ \dot{x}=x(1-x)(2-3x) \]

Gli equilibri sono:

\[ x=0,\qquad x=1,\qquad x=\frac{2}{3} \]

L’equilibrio interno \(x=2/3\) è stabile. Questo significa che il sistema tende verso una miscela stabile: circa due terzi aggressivi e un terzo prudenti. Non emerge guerra totale né pace totale, ma una composizione intermedia.

9. Cooperazione e dilemma del prigioniero

Per comprendere la cooperazione, si usa spesso il gioco minimo tra cooperatore \(C\) e defezionista \(D\):

\[ \begin{array}{c|cc} & C & D\\ \hline C & b-c & -c\\ D & b & 0 \end{array} \]

Qui cooperare significa pagare un costo \(c>0\) per conferire all’altro un beneficio \(b>c\). In una singola interazione, la defezione domina. Tuttavia, modificando la struttura del gioco — parentela, ripetizione, reputazione, rete, selezione multilivello — la cooperazione può diventare favorita.

10. Le cinque regole di Nowak per l’evoluzione della cooperazione

Martin Nowak ha sintetizzato cinque grandi famiglie di meccanismi che possono rendere evolutivamente favorita la cooperazione. Il cuore comune è questo: la cooperazione evolve quando il costo pagato da chi coopera è compensato da un sufficiente ritorno statistico verso strategie cooperative.

Meccanismo	Condizione sintetica	Idea intuitiva
Kin selection	\(rb>c\)	Aiuto chi è sufficientemente correlato a me.
Reciprocità diretta	\(w>c/b\)	Ti aiuto oggi se probabilmente ci rivedremo domani.
Reciprocità indiretta	\(q>c/b\)	Ti aiuto perché la mia reputazione verrà osservata.
Reciprocità di rete	\(b/c>k\)	I cooperatori si sostengono formando cluster locali.
Selezione di gruppo	\(b/c>1+n/m\)	I gruppi più cooperativi possono prevalere sugli altri.

10.1 Kin selection

La regola di Hamilton:

\[ rb>c \]

dice che l’altruismo può evolvere quando il beneficio \(b\), scontato dal coefficiente di parentela \(r\), supera il costo \(c\). In termini intuitivi: un comportamento costoso per l’attore può diffondersi se favorisce individui che portano copie statisticamente correlate della stessa strategia.

10.2 Reciprocità diretta

Se gli incontri sono ripetuti, la cooperazione può essere favorita quando:

\[ w>\frac{c}{b} \]

dove \(w\) è la probabilità di un incontro futuro. La cooperazione non è più un dono unilaterale, ma un investimento relazionale.

10.3 Reciprocità indiretta

Se esiste reputazione pubblica, la condizione diventa:

\[ q>\frac{c}{b} \]

dove \(q\) è la probabilità che l’informazione sulla mia azione sia conosciuta. In tal caso, aiutare qualcuno migliora la reputazione e aumenta la probabilità di ricevere aiuto da altri in futuro.

10.4 Reciprocità di rete

In una rete regolare, sotto ipotesi standard, la cooperazione è favorita se:

\[ \frac{b}{c} > k \]

dove \(k\) è il numero medio di vicini. L’idea è che i cooperatori possano formare cluster e proteggersi dall’invasione dei defezionisti.

10.5 Selezione di gruppo

Se la popolazione è divisa in gruppi, una regola sintetica possibile è:

\[ \frac{b}{c} > 1 + \frac{n}{m} \]

dove \(n\) è la dimensione del gruppo e \(m\) il numero di gruppi. Entro i gruppi i defezionisti possono prevalere sui cooperatori, ma tra gruppi i gruppi più cooperativi possono superare quelli meno cooperativi.

11. ESS: strategia evolutivamente stabile

Un’altra nozione fondamentale è quella di strategia evolutivamente stabile (ESS). Una strategia è ESS se, quando è adottata quasi da tutta la popolazione, non può essere invasa da una strategia mutante rara.

In molti casi, gli stati stazionari stabili della dinamica replicativa corrispondono a equilibri evolutivamente significativi, anche se le nozioni matematiche di equilibrio dinamico ed ESS non coincidono sempre perfettamente.

12. Biologia evolutiva: come si applica il modello

In biologia, la teoria dei giochi evolutiva si applica quando la fitness di un tratto dipende dalla sua frequenza e dal contesto sociale o ecologico. Alcuni esempi classici:

• conflitto animale e display aggressivi;
• cooperazione tra parenti;
• altruismo reciproco;
• competizione sessuale e strategie riproduttive;
• dinamiche ospite-parassita;
• evoluzione del linguaggio o della comunicazione animale.

Qui il payoff viene letto come fitness o componente di fitness. Se un tratto comportamentale produce maggiore successo riproduttivo medio della concorrenza, la sua frequenza aumenta.

13. Economia, apprendimento e altri campi

La dinamica replicativa ha applicazioni che vanno ben oltre la biologia.

13.1 Economia evolutiva

In economia, strategie diverse possono rappresentare tecnologie, politiche di prezzo, convenzioni, routine organizzative, standard di mercato o regole decisionali. Le strategie con rendimento superiore tendono a diffondersi perché vengono imitate, finanziate o selezionate dal mercato.

13.2 Learning theory e algoritmi

In informatica teorica e teoria dell’apprendimento online, la dinamica replicativa è collegata agli algoritmi a pesi moltiplicativi: le opzioni che rendono di più ricevono peso crescente nelle iterazioni successive.

13.3 Reti, traffico, linguaggio, ecologia culturale

La struttura replicativa compare anche in:

• problemi di routing e congestione nelle reti;
• diffusione di norme e convenzioni sociali;
• competizione tra lingue o grammatiche;
• modelli di evoluzione culturale e memetica;
• adozione di tecnologie e standard interoperabili.

14. Forma generalizzata della dinamica replicativa

La forma standard con matrice \(A\) è solo un caso particolare. Più in generale si può scrivere:

\[ \dot{x}_i = x_i \big(f_i(x) – \bar{f}(x)\big), \qquad \bar{f}(x)=\sum_j x_j f_j(x) \]

dove \(f_i(x)\) è una fitness o payoff qualsiasi, non necessariamente lineare. Questa forma generalizzata consente interazioni non lineari, dipendenza da stati ambientali, esternalità, e altro.

14.1 Modello replicator-mutator

Se si vuole includere mutazione, innovazione o errori di trasmissione, si usa spesso:

\[ \dot{x}_i = \sum_j x_j f_j(x)Q_{ji} – x_i\bar{f}(x) \]

dove \(Q_{ji}\) è la probabilità che il tipo \(j\) produca il tipo \(i\). Quando \(Q\) è l’identità, si torna alla dinamica replicativa classica.

14.2 Due popolazioni

Per giochi asimmetrici o a due popolazioni si può scrivere:

\[ \dot{x}_i = x_i\big(u_i(x,y)-\bar{u}(x,y)\big), \qquad \dot{y}_j = y_j\big(v_j(x,y)-\bar{v}(x,y)\big) \]

dove \(x\) e \(y\) descrivono le frequenze nelle due popolazioni e \(u_i, v_j\) sono i rispettivi payoff.

15. Il ruolo dell’equazione di Price

Un risultato molto generale della teoria dell’evoluzione è l’equazione di Price, che scompone il cambiamento medio di un carattere in un termine di covarianza tra tratto e fitness e in un termine di trasmissione. Il suo significato filosofico è importante: il cambiamento selettivo non richiede finalità intrinseche, ma può essere descritto come regolarità statistica.

Vedi anche il saggio Riduzionismo in biologia evolutiva

La teoria dei giochi evolutiva e la dinamica della replicazione si collocano perfettamente in questa cornice: ciò che si diffonde non è ciò che è “giusto”, “voluto” o “teleologicamente destinato”, ma ciò che, date certe strutture d’interazione, ha covarianza positiva con il successo riproduttivo o imitativo.

16. Punti di forza e limiti filosofici

Il grande pregio di questo quadro è che rende intelligibile l’emergere di ordine senza finalismo forte. Cooperazione, altruismo e conflitto regolato non devono essere pensati come misteri metafisici. Possono essere attrattori statistici di sistemi dinamici di interazione tra agenti.

Ma occorre evitare due eccessi opposti. Il primo è il teleologismo ingenuo: leggere ogni stabilità come prova di un fine interno della natura. Il secondo è un riduzionismo rozzo: credere che un singolo modello esaurisca tutta la complessità della vita, della cultura e della coscienza.

La lezione più sobria è questa: a molti livelli di descrizione, i pattern collettivi possono essere spiegati in modo rigoroso come effetti emergenti di interazioni locali e selezione differenziale. Questo non cancella i livelli psicologici, istituzionali e storici, ma mostra che essi non sono sempre necessari come principi esplicativi fondamentali.

17. Conclusione

La teoria dei giochi evolutiva e la dinamica della replicazione offrono una delle più eleganti sintesi tra filosofia della natura, matematica e scienze empiriche. A partire dalla critica della teleologia forte, esse mostrano come strategie complesse possano emergere da meccanismi semplici: interazione, differenze di payoff, selezione, mutazione, struttura della popolazione.

La formula

\[ \dot{x}_i = x_i\big((Ax)_i – x^\top A x\big) \]

condensa un’intuizione straordinaria: il successo di una strategia non è assoluto, ma relativo; dipende dalla popolazione in cui si trova. Da qui derivano sia il rigore della teoria sia la sua fecondità applicativa. In biologia spiega conflitto, cooperazione e altruismo. In economia illumina imitazione, competizione e diffusione di pratiche. In altri ambiti descrive apprendimento, reti, linguaggio e processi culturali.

La finalità apparente dei sistemi viventi e sociali non scompare, ma cambia statuto: non è più una causa prima, bensì il profilo emergente di una dinamica materiale. In questo senso, la teoria dei giochi evolutiva costituisce uno dei modelli riduzionisti più potenti e filosoficamente istruttivi della scienza contemporanea.

18. Riferimenti essenziali

1. J. Maynard Smith, G. R. Price, The Logic of Animal Conflict, 1973.
2. J. Maynard Smith, Evolution and the Theory of Games, 1982.
3. P. D. Taylor, L. Jonker, Evolutionarily Stable Strategies and Game Dynamics, 1978.
4. J. Hofbauer, K. Sigmund, Evolutionary Games and Replicator Dynamics.
5. M. A. Nowak, Five Rules for the Evolution of Cooperation, 2006.
6. W. D. Hamilton, The Genetical Evolution of Social Behaviour, 1964.
7. R. Axelrod, W. D. Hamilton, The Evolution of Cooperation, 1981.
8. H. Ohtsuki, M. A. Nowak, Evolutionary Games on Graphs.
9. G. R. Price, lavori sulla Price equation.
10. M. A. Nowak, Evolutionary Dynamics, 2006.