C'è un'immagine che torna spesso quando si parla di evoluzione: una linea che parte dalla materia inerte e arriva, passo dopo passo, fino all'uomo. Particelle, atomi, molecole, molecole organiche, vita. È una catena ben documentata - ma porta con sé un'assunzione implicita: che una volta comparsa la vita, la materia inorganica abbia smesso di "fare qualcosa di interessante". Come se l'evoluzione, in senso lato, fosse un testimone passato dalla chimica alla biologia e mai più tornato indietro.

Non è così. E il punto di partenza migliore per capirlo sono i cristalli.

Diamante e grafite sono fatti esattamente della stessa sostanza: carbonio puro. Eppure uno è il materiale naturale più duro conosciuto, trasparente, isolante; l'altro si sfalda sotto una matita, è opaco, conduce elettricità. La differenza non sta negli atomi, ma nella loro disposizione: tetraedrica e rigida nel diamante, a strati deboli nella grafite. Lo stesso principio spiega perché il quarzo è trasparente e una roccia come la diorite no, o perché il diamante è enormemente più duro di un'ametista chimicamente quasi identica al quarzo comune.

La funzione non dipende dagli atomi in sé, ma dalla geometria delle loro relazioni. È il primo caso, nella storia della materia, in cui la disposizione conta quanto o più della composizione - lo stesso principio che, un salto di complessità più avanti, renderà possibile la codifica genetica nel DNA.

Va chiarito subito: non è evoluzione in senso darwiniano - qui, per quanto ne sappiamo, non c'è selezione né replicazione con variazione ereditabile. È il senso più letterale del termine: evolvere come dispiegare un potenziale insito nella materia. Lo stesso senso in cui si parla di evoluzione stellare, un attraversamento di stadi di complessità crescente governati da leggi fisiche.

Se "la disposizione genera funzione" è un principio fisico reale, è legittimo cercarlo altrove. Nelle reti neurali artificiali la funzione emerge dalla topologia - dalla disposizione dei collegamenti - non dagli "ingredienti": i singoli pesi, isolatamente, non significano nulla. Stessa materia prima, architetture diverse, capacità radicalmente diverse: una CNN riconosce pattern spaziali per come è vincolata la sua struttura; una RNN gestisce sequenze grazie a connessioni che tornano su se stesse; il Transformer, alla base dei modelli linguistici moderni, ha reso possibile la comprensione del linguaggio introducendo un nuovo modo di disporre le connessioni - l'attenzione - non nuova "materia".

Stesso schema del diamante e della grafite. La scienza della complessità lo chiama emergenza: le proprietà di un sistema non sono deducibili dalla somma delle proprietà dei suoi componenti.

Un cristallo ha proprietà emergenti ma fisse: il quarzo non impara a essere più trasparente. Un cervello ha proprietà emergenti e plastiche: la sua struttura si riconfigura in risposta all'esperienza. Due cervelli biochimicamente quasi identici sviluppano personalità e talenti diversi in base a come quella materia si è disposta nel tempo, non a quali ingredienti la compongono.

Un modello linguistico di frontiera sta strutturalmente più vicino al cristallo che al cervello: una volta addestrato, i suoi parametri restano fissi all'uso. Quello che chiamiamo "apprendimento nel contesto" non modifica la struttura - è un'esplorazione temporanea di funzioni già latenti in una disposizione di pesi invariata. Finita la conversazione, non resta traccia.

Da qui una distinzione utile: emergenza (una capacità nuova appare da una struttura fissa, complessa) contro adattamento strutturale genuino (la struttura si riorganizza in modo persistente). La prima accade sia nei cristalli sia negli LLM. La seconda, per ora, solo nei cervelli biologici.

In una formula: i modelli linguistici attuali mostrano emergenza, non plasticità.

Non esiste, ad oggi, una definizione di AGI condivisa dalla comunità scientifica: ogni laboratorio ne propone una funzionale ai propri obiettivi, e le divergenze sono criteri di misura radicalmente diversi, non sfumature.

OpenAI l'ha storicamente inquadrata in termini economici - un sistema che supera le prestazioni umane nella maggior parte dei lavori economicamente rilevanti. Le dichiarazioni pubbliche dei CEO del settore, nel 2026, restano divergenti anche sui tempi: Amodei (Anthropic) ha parlato di agenti più capaci di un premio Nobel già nel 2026; Altman (OpenAI) sostiene di sapere come costruire l'AGI "come tradizionalmente intesa", senza specificare quale tradizione; Hassabis (DeepMind) l'ha stimata a "tre-cinque anni". Tre criteri impliciti diversi - performance economica, soglia cognitiva astratta, paragone con l'uomo - trattati come intercambiabili.

Il framework più citato e rigoroso viene da un gruppo DeepMind con la partecipazione di Shane Legg, cofondatore dell'azienda e tra i primi a diffondere il termine "AGI" stesso. Levels of AGI propone due assi indipendenti: performance (quanto un sistema è competente, contro percentili umani) e generalità (su quanti domini quella competenza si mantiene) - più una terza dimensione, l'autonomia, tenuta volutamente separata dalla capacità.

Il punto chiave, dichiarato dagli autori: il framework valuta le capacità osservabili, non i meccanismi interni - cosa un sistema sa fare, non come lo fa - per restare misurabile con benchmark. E secondo lo stesso framework, mentre l'IA specializzata ha già esempi a tutti e sei i livelli (pensiamo ad AlphaFold, sovrumano nel suo dominio ristretto), per l'AGI vera e propria esistono, oggi, solo esempi ai livelli 0 e 1.

Il framework di DeepMind è già una risposta sufficiente a chi sostiene con leggerezza che l'AGI sia stata raggiunta: anche il criterio più autorevole e permissivo colloca i sistemi attuali lontanissimi dal livello massimo. Ma la loro stessa scelta - valutare le capacità, non i meccanismi - apre uno spazio che vale la pena esplorare, non per contraddire quel framework, ma per aggiungervi un asse che loro stessi hanno escluso.

Se riparto dal principio con cui ho aperto - che la funzione emerge dalla disposizione della materia, che si tratti di un reticolo cristallino o di pesi in una rete neurale - allora la "G" di AGI implica una componente precisa: la capacità di adattare l'intelligenza a situazioni nuove, secondo logiche mai impresse in fase di addestramento. Non solo esibire funzioni emergenti da una struttura fissa, ma poter modificare quella struttura - come fa un cervello con la plasticità sinaptica, e come non fa, oggi, un modello i cui pesi restano invariati indipendentemente da quante conversazioni nuove attraversi.

Non è una definizione alternativa in competizione con quella di DeepMind: loro misurano la performance, io propongo di guardare al meccanismo che la produce - perché è lì che si gioca la differenza tra imitare la generalità ed esserla davvero.

La materia, dopo aver dato vita alla prima cellula, non ha smesso di "evolversi" nel senso ampio del termine: ha continuato a dispiegare funzioni nuove attraverso la disposizione - nei cristalli, nei sistemi nervosi, oggi in sistemi costruiti artificialmente. Ma tra questi livelli non c'è equivalenza automatica. Un cristallo mostra funzione senza apprendimento. Un cervello mostra funzione e riorganizzazione persistente. Un modello linguistico di frontiera mostra funzioni emergenti, ma su una struttura che, una volta fissata, resta cristallizzata.

Sono, in questo senso preciso, cristalli sofisticati. Non in grado di superare la prova della "generalità" che nasce dal caos della vita.