Nella cultura moderna esiste una forte aspirazione alla chiarezza perfetta. Il linguaggio ideale, secondo questa aspirazione, dovrebbe eliminare ambiguità, ridondanza e incertezza. La matematica e la logica formale sono spesso presentate come modelli di tale trasparenza: sistemi in cui ogni simbolo ha un significato univoco, ogni inferenza è deterministica e ogni conclusione deriva necessariamente dagli assiomi. Tuttavia, se si osservano i sistemi naturali, biologici, cognitivi e sociali, emerge un quadro molto diverso. In questi sistemi l’ambiguità, la ridondanza e perfino il rumore non sono semplicemente difetti da eliminare, ma componenti funzionali che permettono robustezza, adattabilità e generalizzazione. Comprendere questa differenza richiede un viaggio che attraversa biologia, teoria dell’informazione, apprendimento statistico e filosofia della logica.

Il quorum sensing

Una prima chiave di lettura proviene dalla biologia dei microrganismi, in particolare dal fenomeno noto come quorum sensing. Nei batteri, il quorum sensing è un meccanismo di comunicazione chimica mediante il quale le cellule regolano collettivamente il comportamento della popolazione. Ogni batterio rilascia molecole-segnale nell’ambiente; la concentrazione di queste molecole cresce con il numero di cellule e con il grado di confinamento dello spazio. Quando la concentrazione supera una soglia, alcuni geni vengono attivati simultaneamente in molte cellule, inducendo comportamenti collettivi come la formazione di biofilm, la produzione di enzimi extracellulari o la bioluminescenza. Un caso classico è quello del batterio marino Vibrio fischeri, che diventa luminoso solo quando la densità cellulare è sufficientemente alta all’interno degli organi luminosi di alcuni animali marini.

Dal punto di vista matematico, il segnale ambientale può essere modellato come una concentrazione C proporzionale al numero di cellule N. Una cellula non misura C perfettamente; la percezione interna del segnale può essere descritta come S=C+η, dove η rappresenta una fluttuazione casuale dovuta al rumore molecolare. Se la cellula attiva una risposta quando S supera una soglia θ, la probabilità di attivazione diventa una funzione sigmoide della concentrazione reale. Questo significa che, vicino alla soglia, alcune cellule attiveranno il programma genetico mentre altre no. Il risultato è una eterogeneità fenotipica all’interno della popolazione.

Questa eterogeneità non è necessariamente un errore. In molti contesti biologici rappresenta una strategia evolutiva nota come bet-hedging. Quando l’ambiente è incerto, distribuire il comportamento su più stati possibili riduce il rischio di fallimento catastrofico. Se tutte le cellule adottassero esattamente la stessa strategia e quella strategia risultasse improvvisamente svantaggiosa, l’intera popolazione potrebbe collassare. La presenza di variabilità interna consente invece alla popolazione di mantenere una sorta di assicurazione evolutiva. In questo senso, il rumore biologico non è soltanto un difetto inevitabile dei processi molecolari: diventa parte della strategia adattativa.

Ridondanza nella comunicazione

Un fenomeno analogo emerge nella teoria dell’informazione, sviluppata da Claude Shannon nel suo celebre articolo del 1948 “A Mathematical Theory of Communication”. Shannon mostrò che la comunicazione su canali rumorosi richiede inevitabilmente ridondanza. Se un messaggio viene trasmesso attraverso un canale con probabilità di errore p, ripetere il messaggio più volte consente di ridurre drasticamente la probabilità di errore finale. Se un bit viene trasmesso n volte e si decide il valore finale tramite voto di maggioranza, la probabilità che la maggioranza sia errata è data dalla distribuzione binomiale

Se p è inferiore a 1/2 questa probabilità decresce rapidamente all’aumentare di n. In effetti esistono disuguaglianze probabilistiche, come quelle di Hoeffding e Chernoff, che mostrano come la probabilità di errore decresca approssimativamente in modo esponenziale rispetto al numero di ripetizioni. Il principio generale è che l’aggiunta di informazione ridondante permette di compensare l’incertezza introdotta dal rumore del canale.

Questa logica non si limita ai sistemi di telecomunicazione. Il linguaggio naturale stesso è altamente ridondante. Già Shannon osservò che gran parte delle lettere in un testo inglese può essere rimossa senza impedire la comprensione complessiva del messaggio. La ridondanza consente al destinatario di ricostruire il significato anche quando alcune parti dell’informazione sono degradate o mancanti. In altre parole, la comunicazione umana non è progettata per eliminare completamente il rumore, ma per funzionare nonostante il rumore.

Questo porta a un punto concettuale cruciale: il rumore può diventare utile quando il sistema deve operare sotto condizioni di ignoranza sulle variabili esterne. Se il contesto fosse perfettamente noto e stabile, una strategia deterministica sarebbe sempre ottimale. Tuttavia, nei sistemi reali il contesto è raramente completamente osservabile. In tali situazioni, una strategia probabilistica può massimizzare l’utilità attesa. In teoria dei giochi questo corrisponde all’uso di strategie miste; in apprendimento automatico appare come regolarizzazione stocastica. Tecniche come il dropout nelle reti neurali introducono deliberatamente rumore nei parametri durante l’addestramento per migliorare la generalizzazione, cioè la capacità del modello di funzionare in contesti non osservati durante l’apprendimento.

Vedi anche

Il ruolo della casualità nei processi di apprendimento

La generalizzazione stessa implica necessariamente l’esistenza di contesti futuri sconosciuti. Un sistema che si adatta perfettamente ai dati osservati può diventare fragile quando incontra dati nuovi. In statistica questo fenomeno è noto come overfitting. L’introduzione di rumore o di vincoli di regolarizzazione impedisce al modello di adattarsi troppo rigidamente alle particolarità del contesto presente, favorendo invece strutture più robuste.

A questo punto emerge una tensione interessante con i sistemi formali della logica e della matematica. Un sistema formale classico è progettato per eliminare ambiguità e rumore. I simboli sono definiti con precisione, le regole di inferenza sono determinate e non esistono interpretazioni multiple della sintassi. Tuttavia questa chiarezza ha un costo epistemico. Un sistema formale funziona correttamente solo se alcune condizioni fondamentali sono soddisfatte: gli assiomi devono essere accettati, la sintassi deve essere interpretata senza errore e il contesto semantico deve rimanere stabile. In altre parole, l’incertezza non è eliminata ma spostata fuori dal sistema, nei suoi presupposti.

Un problema intrinseco dei sistemi formali

Il limite di questo approccio diventa evidente quando il sistema è sufficientemente potente da rappresentare se stesso. In questo caso entra in gioco il lavoro di Kurt Gödel. I teoremi di incompletezza di Gödel dimostrano che ogni sistema formale coerente e sufficientemente espressivo contiene proposizioni che sono vere ma non dimostrabili all’interno del sistema stesso. La dimostrazione utilizza una forma sofisticata di auto-referenza: una proposizione che afferma, essenzialmente, “questa proposizione non è dimostrabile”. Se il sistema potesse dimostrarla, diventerebbe falsa; se non può dimostrarla, allora è vera ma indimostrabile. Il risultato è che nessun sistema formale di questo tipo può essere simultaneamente completo e coerente.

Il problema dell’auto-referenza era già apparso in forma più intuitiva nel paradosso del mentitore (“questa frase è falsa”). Per evitare tali paradossi, il logico Alfred Tarski propose di separare il linguaggio-oggetto dal metalinguaggio: la verità di una frase non può essere definita all’interno dello stesso linguaggio in cui la frase è formulata. Tuttavia questa soluzione implica che il sistema non possa chiudersi completamente su se stesso.

L’auto-referenza introduce quindi una forma strutturale di indeterminazione. Un sistema capace di rappresentare e analizzare le proprie regole non può essere completamente trasparente a se stesso. Da questo punto di vista, l’ambiguità non è soltanto un difetto linguistico o comunicativo; può essere una conseguenza inevitabile dei limiti epistemici dei sistemi auto-riflessivi.

Se si guarda di nuovo ai sistemi naturali alla luce di questi risultati, la presenza di ambiguità e ridondanza appare sotto una luce diversa. Nei sistemi biologici, cognitivi e sociali l’ambiente è incerto, le condizioni cambiano e il sistema stesso può diventare oggetto della propria descrizione. In tali condizioni, l’ideale di una chiarezza assoluta diventa non solo irrealistico ma potenzialmente disfunzionale. Un sistema troppo rigido rischia di essere fragile di fronte alle variazioni del contesto.

La lezione generale che emerge da questi diversi campi è che esiste una tensione fondamentale tra precisione formale e adattabilità evolutiva. I sistemi formali rigidi sono straordinariamente efficaci in ambienti controllati, dove le condizioni possono essere fissate con precisione. I sistemi naturali, invece, devono operare in ambienti aperti e imprevedibili. In questi contesti, la combinazione di ridondanza, ambiguità controllata e rumore moderato può costituire una strategia adattativa.

In definitiva, la chiarezza perfetta non è il punto di arrivo universale della comunicazione o della rappresentazione. È piuttosto una soluzione locale, ottimale in alcuni contesti specifici ma inadatta a descrivere il funzionamento globale dei sistemi complessi. Nei sistemi viventi e cognitivi, la robustezza nasce spesso proprio da ciò che a prima vista sembra imperfezione: l’ambiguità che permette reinterpretazione, la ridondanza che consente correzione degli errori e il rumore che mantiene aperta la possibilità di adattamento.