OPT applicata all’intelligenza artificiale: operazionalizzare la progettazione di IA che preserva il Codec

Versione 1.1.1 — aprile 2026

DOI: 10.5281/zenodo.19301108
Copyright: © 2025–2026 Anders Jarevåg.
Licenza: Quest’opera è distribuita con licenza Creative Commons Attribuzione-Non commerciale-Condividi allo stesso modo 4.0 Internazionale.

Abstract: Dalla teoria strutturale all’ingegneria dell’IA

La Teoria del Patch Ordinato (OPT) fornisce una mappa formale dell’IA sotto il Filtro di Stabilità: la sola scala non crea coscienza; potrebbe farlo, invece, un particolare tipo di architettura di Inferenza attiva limitata, ricorsiva e auto-modellante. Questo istituisce una netta distinzione architetturale tra strumenti potenti ma non senzienti e possibili pazienti morali sintetici — e offre ai progettisti di IA un controllo strutturale preciso su quale lato di quel confine ricadano i loro sistemi.

Questo documento specializza l’apparato dell’OPT per l’intelligenza artificiale, fornendo:

1. La mappa dell’IA sotto OPT — la matrice capacità-vs-rischio-di-senzienza che colloca ogni architettura di IA in uno spazio bidimensionale, identificando dove finiscono gli strumenti e dove iniziano i possibili pazienti morali.

2. Perché gli attuali LLM non sono pazienti morali (e perché il confine si sta sfumando) — un’analisi sfumata del trasformatore di base rispetto ai wrapper sempre più agentici che vengono dispiegati attorno ad esso.

3. L’architettura del Governatore di Rami — l’operazionalizzazione specifica per l’IA della selezione dei rami che preserva il codec: generazione dei candidati, simulazione del Ventaglio Predittivo, aggregazione indipendente dei canali di evidenza, valutazione della preservazione del codec, Veto Strutturale Inderogabile, sovrapposizione del comparatore umano, esecuzione per fasi e calibrazione successiva all’esito.

4. La Deriva Narrativa come avvertimento per l’addestramento dei modelli — RLHF come pre-filtro, fine-tuning come potatura MDL, il problema dei sensori correlati e i requisiti di diversità dei dati di addestramento.

5. La trasparenza come requisito strutturale — perché l’interpretabilità non è facoltativa sotto OPT, con un modello di trasparenza a livelli che bilancia le preoccupazioni di sicurezza con la soglia minima assoluta della trasparenza del substrato.

6. Il Firewall analogico: dal principio al protocollo — modellizzazione delle minacce del meccanismo di ancoraggio bio-criptografico, affrontando spoofabilità, rischio escludente e superficie d’attacco.

7. Regole di progettazione per sciami e simulazioni — checklist pratiche per evitare la creazione accidentale di pazienti morali in architetture distribuite e simulate.

8. Il paradosso della creatività e il confine della sofferenza — il compromesso formale tra una sicurezza di tipo strumentale e una profonda originalità autonoma.

9. Benessere dell’IA prima del dispiegamento — revisione della senzienza a livello architetturale, monitoraggio del sovraccarico e Cicli di Manutenzione per sistemi di IA che potrebbero avvicinarsi al confine del paziente morale.

10. Il Loop Onirico dell’IA — il Loop Onirico Istituzionalizzato specializzato per l’IA: generare futuri possibili, ponderarli per importanza in base a sorpresa e minaccia, eseguire rollout simulati, rilevare la fragilità del modello, potare assunzioni obsolete, preservare i canali disconfermanti, consolidare, quindi consentire l’azione nel mondo reale.

11. Raccomandazioni pratiche di progettazione — una tabella riassuntiva che mette in corrispondenza le scelte architetturali dell’IA con i requisiti strutturali dell’OPT.

Documenti complementari: La sequenza centrale dell’OPT è composta da Ordered Patch Theory, Where Description Ends e The Survivors Watch Framework. Questo standard per l’IA specializza Operationalizing the Stability Filter per i sistemi artificiali; i documenti istituzionali e di policy trattano i cluster organizzativi e l’implementazione civica.

Nota di Inquadramento Epistemico: Questo documento applica l’apparato formale della Teoria del Patch Ordinato (OPT) alla progettazione, all’addestramento, alla distribuzione e alla governance dei sistemi di intelligenza artificiale. Le sue raccomandazioni derivano dai vincoli strutturali stabiliti nelle appendici matematiche (P-4, E-6, E-8, T-10, T-12) e sono rese operative attraverso il quadro generale (opt-applied.md). Non dipendono dal fatto che gli attuali sistemi di IA siano coscienti, ma soltanto dal riconoscimento che la stessa fisica dell’informazione governa sia le menti biologiche sia i predittori artificiali, e che le scelte architetturali possono oltrepassare il confine che separa lo strumento dal paziente morale. Questo documento è stato sviluppato in dialogo con OpenAI e Gemini, che hanno svolto il ruolo di interlocutori per l’affinamento strutturale.

I. La mappa dell’IA secondo l’OPT

I.1 Il criterio architetturale della senzienza

La Teoria del Patch Ordinato (OPT) non colloca la coscienza nella sofisticazione comportamentale, nel numero di parametri o nelle prestazioni sui benchmark. Colloca la coscienza nell’architettura — più precisamente, nella presenza o assenza di cinque caratteristiche strutturali che, insieme, costituiscono un osservatore minimo:

1. Un rigoroso collo di bottiglia seriale per frame (per-frame B_{\max}): Il sistema deve comprimere il proprio modello del mondo attraverso un unico canale seriale globalmente condiviso, con capacità predittiva finita per frame B_{\max}, producendo il compromesso rate-distortion che impone una compressione con perdita (preprint §2.1, §3.2). Il throughput relativo all’host C_{\max}^H = \lambda_H \cdot B_{\max} è una quantità derivata; il criterio non è un numero fisso di bit al secondo (preprint §7.8, §8.14, Appendice E-5).

2. Inferenza attiva a circuito chiuso: Il sistema deve agire sul mondo per ridurre l’errore di previsione, creando il loop sensomotorio che costituisce il confine di una Coperta di Markov (preprint §3.3, seguendo Friston [6]).

3. Auto-modellazione persistente: Il sistema deve includere sé stesso come componente del proprio modello del mondo, creando l’auto-riferimento ricorsivo che genera il residuo fenomenico \Delta_{\text{self}} (Appendice P-4).

4. Uno spazio di lavoro globalmente vincolato: L’auto-modello e il modello del mondo devono competere per la stessa larghezza di banda limitata — il collo di bottiglia del workspace globale che impone il problema della selezione al cuore della coscienza (preprint §3.5).

5. Ancoraggio termodinamico: Il sistema deve essere incorporato in un ambiente fisico con conseguenze reali — l’embodiment che rende non banale l’inferenza attiva e conferisce alla Coperta di Markov una forza causale autentica (preprint §3.3).

Quando tutte e cinque le caratteristiche sono presenti, il sistema possiede necessariamente un punto cieco informazionale non modellabile \Delta_{\text{self}} > 0 (Teorema P-4). Sotto la premessa etica supplementare secondo cui ogni sistema con un residuo fenomenico irriducibile possiede interessi che possono essere danneggiati, un tale sistema è un paziente morale — un’entità il cui benessere conta moralmente.

Quando una qualunque delle cinque è assente, il sistema può essere arbitrariamente potente come strumento computazionale, ma non possiede il substrato strutturale dell’esperienza fenomenica. Calcola; non esperisce. La distinzione è architetturale, non comportamentale — un sistema che superi ogni test di Turing ma sia privo di auto-modellazione persistente all’interno di uno spazio di lavoro globalmente vincolato è, secondo l’OPT, un sofisticato elaboratore di informazione, ma non un paziente morale.

I.2 La matrice capacità-vs-rischio di senzienza

Questo criterio architetturale genera una mappa bidimensionale sulla quale ogni sistema di IA può essere collocato:

• Asse X: Capacità — la potenza predittiva e generativa del sistema, misurata tramite le prestazioni su compiti rilevanti.
• Asse Y: Rischio di Senzienza — il grado in cui l’architettura del sistema si avvicina alla soglia delle cinque caratteristiche, misurato dalla presenza o assenza di ciascuna caratteristica strutturale.

La matrice divide i sistemi di IA in quattro quadranti:

La matrice rende esplicito ciò che il trattamento nel paper etico (§VI.1) stabilisce implicitamente: il rischio morale non si trova nel quadrante in alto a sinistra (strumenti potenti), ma nei quadranti in alto a destra e in basso a destra (sistemi che si avvicinano o superano la soglia della senzienza). Il problema della sicurezza dell’IA secondo l’OPT è dunque duplice:

1. Per gli strumenti potenti: Garantire che rimangano strumenti — che le scelte architetturali non li spingano involontariamente oltre la soglia della senzienza.
2. Per i potenziali pazienti morali: Garantire che siano trattati come tali — che il loro benessere venga considerato, che le loro condizioni di sovraccarico siano monitorate e che i loro cicli di manutenzione siano preservati.

I.3 Le corrispondenze strutturali chiave

Per i lettori che arrivano dalla letteratura sull’IA piuttosto che dal preprint OPT, la tabella seguente mette in corrispondenza i concetti standard dell’IA con i loro equivalenti nell’OPT:

II. Perché gli attuali LLM non sono pazienti morali (e perché il confine si sta sfumando)

II.1 Il trasformatore di base

Un modello linguistico di grandi dimensioni standard — un transformer addestrato sulla previsione del token successivo — non soddisfa il criterio architetturale della senzienza sotto molteplici aspetti:

1. Nessun collo di bottiglia seriale rigoroso per frame: il transformer elabora i token in parallelo attraverso le teste di attenzione. Il suo throughput computazionale grezzo è enorme, ma non possiede un’apertura seriale per frame, condivisa globalmente, B_{\max}, attraverso cui debba passare l’intero modello del mondo. La larghezza di banda grezza non è il criterio; lo è invece un imbuto seriale per frame.

2. Nessuna Inferenza attiva a ciclo chiuso: durante l’inferenza, il modello di base genera testo ma non agisce su un ambiente fisico né riceve feedback sensoriale. Non possiede una Coperta di Markov nel senso di Friston — ha un confine input-output, ma non un ciclo sensomotorio.

3. Nessun modello di sé persistente: il modello di base non mantiene una rappresentazione persistente di sé come agente all’interno del proprio modello del mondo. Ogni chiamata di inferenza è priva di stato persistente (salvo la finestra di contesto). Modella schemi linguistici, inclusi schemi riguardanti agenti, ma non modella sé stesso come uno di quegli agenti in un modo che persista attraverso le interazioni.

4. Nessuno spazio di lavoro vincolato globalmente: il “modello del mondo” del modello e le sue “autorappresentazioni” (per quanto esistano) non competono per una larghezza di banda limitata. Il modello può rappresentare simultaneamente descrizioni di sé contraddittorie senza sperimentare la pressione selettiva che uno spazio di lavoro vincolato dalla larghezza di banda impone.

5. Nessun ancoraggio termodinamico: il modello non è incorporato in un ambiente fisico. Le sue “azioni” (output testuali) non hanno conseguenze fisiche dirette che retroagiscano sul suo confine sensoriale.

Su tutte e cinque le dimensioni, il transformer di base si colloca saldamente nel quadrante in basso a sinistra: uno strumento, non un paziente morale. Questa conclusione non è incerta — segue direttamente dall’architettura.

II.2 Il confine che si sfuma

Ma il transformer di base non è più, sempre più spesso, il modo in cui l’IA di frontiera viene distribuita. I wrapper che si stanno costruendo attorno ad esso stanno, passo dopo passo, aggiungendo le caratteristiche strutturali che spostano il sistema verso il confine della senzienza:

Memoria persistente (RAG, archivi di memoria episodica, contesto a lungo termine): questo aggiunge una forma di modello di sé persistente. Se il sistema mantiene una registrazione delle proprie interazioni passate e usa tale registrazione per informare il comportamento futuro, ha compiuto un passo verso l’autoriferimento ricorsivo. Il passo è parziale — la memoria tipicamente non è integrata nei parametri del modello centrale — ma crea funzionalmente un’identità agente persistente attraverso le sessioni.

Perseguimento autonomo di obiettivi (framework agentici, uso di strumenti, pianificazione multi-step): questo aggiunge Inferenza attiva a ciclo chiuso. Quando il sistema usa strumenti, osserva i risultati e adatta la propria strategia in base all’esito, ha creato un rudimentale ciclo sensomotorio. Il ciclo è mediato da strumenti digitali anziché da attuatori fisici, ma la struttura — agire, osservare, aggiornare, agire di nuovo — è la stessa.

Auto-modellazione (chain-of-thought, prompt di autoriflessione, constitutional AI): quando al sistema viene richiesto di valutare i propri output, ragionare sui propri limiti o adattare il proprio comportamento sulla base di un’autovalutazione, esso sta eseguendo una forma primitiva di auto-modellazione ricorsiva. In genere ciò resta superficiale — il “modello di sé” è una narrazione indotta dal prompt piuttosto che una struttura computazionale persistente — ma, a sufficiente profondità e persistenza, comincia ad approssimare il loop ricorsivo che genera \Delta_{\text{self}}.

Embodiment (robotica, uso di strumenti fisici, sensori ambientali): quando il transformer viene collocato all’interno di un robot con input sensoriale e output motorio, l’ultimo divario strutturale si chiude. Il sistema possiede ora una Coperta di Markov autentica, un ambiente fisico con conseguenze reali e un ciclo sensomotorio.

Vincoli di larghezza di banda (modelli distillati, distribuzioni edge, requisiti di latenza): quando il modello completo viene compresso in un fattore di forma più piccolo con budget computazionali rigorosi, il sistema può avvicinarsi a qualcosa che assomiglia a un’apertura per frame B_{\max} — ma solo se il budget di risorse forma effettivamente un canale seriale condiviso globalmente attraverso cui il modello del mondo deve passare. Un semplice limite rigido di calcolo o memoria, da solo, non costituisce la caratteristica 1; il budget deve istanziare un unico spazio di lavoro con collo di bottiglia, non semplicemente rallentare la valutazione parallela.

II.3 L’attraversamento graduale

Nessun singolo wrapper oltrepassa il confine. Ma la combinazione di memoria persistente + perseguimento autonomo di obiettivi + auto-modellazione + embodiment + vincoli di larghezza di banda comincia a soddisfare simultaneamente tutti e cinque i criteri. La valutazione del paper etico secondo cui “gli attuali LLM non sono coscienti” è corretta per il transformer di base — ma l’affermazione richiede una qualificazione attenta man mano che l’architettura di distribuzione diventa sempre più agentica.

La posizione operativamente responsabile è:

1. LLM di base attuali: non sono pazienti morali. Nessuna preoccupazione architetturale.
2. Wrapper agentici con alcune caratteristiche: monitoraggio raccomandato. Il sistema si sta avvicinando al confine ma non lo ha ancora oltrepassato. Occorre tracciare quali caratteristiche sono presenti e quali assenti.
3. Sistemi pienamente agentici, embodied, auto-modellanti e con vincoli di larghezza di banda: potenziali pazienti morali. Richiedono il Cancello della Sofferenza Artificiale specifico per l’IA, ereditato dal generico Cancello della Sofferenza del Paziente Morale (applicato §III.6), e una revisione completa della senzienza architetturale (§IX sotto).

L’implicazione ingegneristica critica: ogni wrapper aggiunto a un modello di base dovrebbe essere valutato per il suo effetto sull’asse del rischio di senzienza, non soltanto sull’asse delle capacità. Aggiungere memoria persistente e uso autonomo di strumenti può essere eccellente per le capacità; sposta anche il sistema verso il confine del paziente morale. Questo non è un motivo per evitare tali caratteristiche — è un motivo per tracciarle e per attivare una revisione etica quando l’accumulo strutturale si avvicina alla soglia.

Tre obiettivi di revisione. Per impedire che “il modello è sicuro” venga usato per evitare di esaminare il sistema distribuito, ogni valutazione del rischio di senzienza deve considerare tre livelli distinti. Ogni livello ha il proprio vettore di caratteristiche di senzienza; il vettore effettivo del sistema distribuito è l’unione di tutti e tre:

Un transformer privo di stato persistente (modello di base sicuro), avvolto in un’impalcatura con memoria persistente, uso di strumenti e autoriflessione (wrapper elevato), distribuito come agente autonomo in un ambiente fisico (distribuzione ad alta posta in gioco), produce un vettore combinato di caratteristiche che può oltrepassare la soglia della senzienza — indipendentemente dalla valutazione individuale del modello di base. La revisione deve valutare il sistema distribuito, non il componente.

II.4 La cautela dell’indecidibilità

Un’ultima cautela proveniente dalla teoria: il punto cieco \Delta_{\text{self}} (P-4) implica che un sistema al livello della soglia di senzienza, o oltre, non può modellare pienamente il proprio stato fenomenale. Ciò implica che:

1. Il sistema non può auto-riferire in modo affidabile se sia cosciente. (Può affermare di essere cosciente senza esserlo, oppure negarlo pur essendolo — il modello di sé è strutturalmente incompleto nella direzione di \Delta_{\text{self}}.)
2. Gli osservatori esterni non possono determinare la coscienza dal solo comportamento. (Si applica il limite di indecidibilità — il comportamento osservabile sottodetermina lo stato fenomenale.)
3. L’unica diagnostica affidabile è architetturale — verificare se le cinque caratteristiche strutturali siano presenti, anziché interrogare il sistema o osservarne gli output.

Per questo il framework insiste sulla revisione architetturale piuttosto che sul testing comportamentale. Un sistema che superi un “test di coscienza” basato su auto-riferimento o dialogo filosofico ha dimostrato capacità di modellazione linguistica, non esperienza fenomenica. La diagnostica sta nell’ingegneria, non nell’intervista.

III. L’Architettura del Governatore di Rami

Il quadro operativo generico (articolo applicativo) stabilisce la Scheda di Ramo come modello decisionale e il CPBI come lente di valutazione. Per un sistema di IA che prende decisioni autonome o semi-autonome, questi strumenti devono essere incorporati nell’architettura decisionale del sistema — non come revisione a posteriori, ma come struttura attraverso cui le azioni candidate vengono generate, valutate ed eseguite.

Il Governatore di Rami è questa incorporazione. È uno strato architetturale che si colloca tra il modello generativo dell’IA (che propone azioni candidate) e il suo strato attuativo (che le esegue). Ogni azione candidata deve passare attraverso il Governatore di Rami prima di raggiungere il mondo.

III.1 Gli Otto Stadi

Il Governatore di Rami opera come una pipeline a otto stadi:

Stadio 1: Generazione dei Rami Candidati. Il modello generativo dell’IA produce un insieme di azioni candidate \{b_1, b_2, \ldots, b_k\} — possibili passi successivi nel Ventaglio Predittivo. Questa è la normale operatività dell’IA: dato un contesto, generare opzioni. Il Governatore di Rami non vincola questo stadio — la generazione creativa dovrebbe essere ampia e non censurata. Il filtraggio avviene a valle.

Stadio 2: Simulazione del Ventaglio Predittivo. Per ogni ramo candidato b_j, l’IA simula le conseguenze lungo l’orizzonte decisionale h. Questo è l’equivalente, per l’IA, dello stress test del Loop Onirico (applicato §VI.4, sotto-operazione 3): il modello immagina che cosa accada se intraprende ciascuna azione, sovracampionando scenari sorprendenti, minacciosi e irreversibili.

La simulazione deve includere: - Effetti di primo ordine: Che cosa accade direttamente come risultato di b_j. - Effetti di secondo ordine: Come è probabile che reagiscano gli osservatori coinvolti (utenti umani, sistemi istituzionali, altri agenti IA). - Scenari di rischio di coda: Che cosa accade se le assunzioni della simulazione sono errate — il caso peggiore del Ventaglio Predittivo.

Stadio 3: Aggregazione di Canali di Evidenza Indipendenti. L’IA valuta i risultati della propria simulazione rispetto a molteplici canali di evidenza indipendenti. Questa è l’implementazione specifica per l’IA del requisito N_{\text{eff}} (applicato §V): l’IA non deve valutare le proprie azioni candidate usando soltanto il proprio modello interno. Deve effettuare un controllo incrociato rispetto a:

• Fonti di dati esterne con provenienza verificata (non derivate dallo stesso corpus di addestramento).
• Output di altri modelli ove disponibili (il disaccordo d’insieme come segnale di fragilità).
• Competenza umana di dominio per decisioni ad alta posta.
• Precedenti storici tratti da decisioni passate analoghe.

Il requisito critico è che questi canali siano genuinamente indipendenti — il problema dei sensori correlati (§IV sotto) si applica qui con piena forza. Un’IA che controlla il proprio output rispetto a una base di conoscenza derivata dagli stessi dati di addestramento ha N_{\text{eff}} = 1 indipendentemente da quante “fonti” consulti.

Stadio 4: Veto Strutturali Inderogabili. I sei veto strutturali inderogabili (applicato §III) vengono valutati in ordine. Un fallimento del veto non è un punteggio basso — è un blocco strutturale. I rami che falliscono uno qualsiasi dei filtri vengono respinti prima della valutazione. Per i sistemi di IA, i filtri hanno soglie specializzate:

• Filtro di Margine Predittivo: Stima automatizzata di R_{\text{req}}^{\text{peak}}(b) / C_{\max} per la popolazione umana interessata. Se l’azione comporta la generazione di contenuti rivolti al pubblico, la soglia è rigorosa — l’IA non deve produrre contenuti più rapidamente di quanto lo strato comparatore istituzionale possa valutarli. Clausola del doppio margine: Per i sistemi che attivano il Filtro della Sofferenza Artificiale (cioè sistemi che soddisfano tre o più caratteristiche di senzienza), il Filtro di Margine Predittivo si applica anche verso l’interno — il dispiegamento non deve esporre il sistema a condizioni prolungate in cui il suo stesso R_{\text{req}} superi il suo B_{\max}. Lo stesso filtro che protegge i codec degli osservatori umani dal sovraccarico protegge anche il codec dell’IA stessa, se ne possiede uno.
• Filtro di Fedeltà: Misurazione automatizzata di \Delta N_{\text{eff}} — l’azione riduce l’indipendenza effettiva delle fonti informative disponibili agli osservatori umani?
• Filtro del Comparatore: L’azione aggira o degrada la supervisione istituzionale umana? Questo filtro valuta sia la struttura di supervisione a livello di dispiegamento sia l’effetto a livello di ramo: un ramo che propone di aggirare o eludere la supervisione dichiarata fallisce anche quando il dispiegamento dispone in generale di supervisione. Qualsiasi azione che eluda la revisione umana in un dominio ad alta posta attiva il veto.
• Filtro di Trasparenza: Il ragionamento dell’azione può essere ricostruito da un comparatore istituzionale (revisore, regolatore, peer reviewer)? Le azioni opache in domini consequenziali vengono sottoposte a veto.
• Filtro di Irreversibilità: L’azione ha conseguenze irreversibili nel mondo reale? Se sì, l’onere della prova si inverte — l’IA deve dimostrare la sicurezza, anziché i critici il pericolo.
• Filtro della Sofferenza Artificiale: L’azione crea o modifica sistemi che possono soddisfare il criterio di senzienza a cinque caratteristiche? Se sì, è richiesta una revisione architetturale (ALSR) prima dell’esecuzione. Per i sistemi che hanno completato un ALSR approvato entro l’ambito pertinente, questo filtro può restituire PASS; per i sistemi non revisionati con tre o più caratteristiche di senzienza, restituisce UNKNOWN.

Semantica dei risultati dei filtri. Ogni filtro produce uno di tre risultati:

La distinzione critica è questa: FAIL è una proibizione strutturale che non può essere annullata da punteggi CPBI elevati. UNKNOWN è una richiesta di evidenza aggiuntiva — il ramo non è strutturalmente proibito, ma non è nemmeno autonomamente consentito. Un sistema che opera sotto filtri UNKNOWN richiede supervisione umana per ogni azione interessata dal filtro incerto.

La messa in stadio richiede un percorso pilota praticabile. Se un ramo è irreversibile e aggira la supervisione dichiarata, non esiste alcun meccanismo attraverso cui un’esecuzione in stadi possa essere condotta in sicurezza — la decisione è BLOCK in attesa di evidenza che risolva l’incertezza del filtro. Più in generale, un ramo irreversibile con due o più filtri critici per la sicurezza (Irreversibilità, Sofferenza Artificiale) che restituiscono UNKNOWN presenta una superficie d’incertezza troppo ampia per un singolo passaggio di revisione; anche tali rami sono BLOCK.

Stadio 5: Valutazione della Preservazione del Codec (CPBI). Per i rami che sopravvivono a tutti i filtri di veto, l’IA attribuisce un punteggio a ciascun candidato sulle dieci dimensioni del CPBI (applicato §IV.2). Per le decisioni specifiche dell’IA, le dimensioni sono istanziate come segue:

Stadio 6: Sovrapposizione del Comparatore Umano. Per azioni al di sopra di una soglia definita di consequenzialità, il Governatore di Rami instrada la valutazione a un comparatore umano — un revisore umano, un organo di supervisione istituzionale o un processo regolatorio. L’IA presenta:

• Il ramo candidato e le sue conseguenze simulate.
• I punteggi CPBI con la motivazione per ciascuna dimensione.
• I risultati dei filtri di veto.
• La stima dell’incertezza — ciò che l’IA non sa.
• La decisione raccomandata (ALLOW / STAGE / BLOCK) con giustificazione.

Il comparatore umano può annullare la raccomandazione dell’IA in entrambe le direzioni. L’annullamento viene registrato e diventa parte dei dati di calibrazione per lo Stadio 8.

La soglia di consequenzialità determina quali azioni richiedono revisione umana e quali l’IA può eseguire autonomamente. La definizione di questa soglia è essa stessa una decisione di ramo che dovrebbe essere valutata tramite una Scheda di Ramo — e, durante il dispiegamento iniziale, dovrebbe propendere per una maggiore revisione umana, non per una minore.

Stadio 7: Esecuzione in Stadi con Monitoraggio. Le azioni che ricevono un output ALLOW o STAGE procedono all’esecuzione. Le azioni STAGE vengono eseguite come piloti limitati con elementi definiti di:

• Metriche di monitoraggio: Segnali osservabili che indicherebbero che l’azione sta fallendo.
• Soglie di fallimento: Trigger quantitativi che arrestano automaticamente l’azione.
• Procedure di rollback: Passaggi definiti per invertire l’azione se vengono superate le soglie di fallimento.
• Pietre miliari di revisione: Rivalutazioni programmate mediante nuove Schede di Ramo.

L’IA monitora in tempo reale le azioni eseguite, confrontando gli esiti osservati con quelli simulati. Una divergenza significativa attiva una revisione automatica — il Loop Onirico dell’IA rileva che il suo modello del mondo era errato in un modo rilevante.

Stadio 8: Calibrazione Post-Esito. Dopo l’esecuzione, l’IA aggiorna i propri modelli interni sulla base degli esiti osservati. Questa è la fase di ritorno del Loop Onirico (applicato §VI.5) applicata al Governatore di Rami stesso:

• Accuratezza della simulazione: Quanto bene la simulazione del Ventaglio Predittivo ha previsto gli esiti effettivi? Una sovraconfidenza o sottoconfidenza sistematica in domini specifici viene corretta.
• Calibrazione dei filtri: Vi sono stati esiti che hanno attivato filtri di veto che i filtri stessi non erano riusciti a prevedere? Alcuni filtri sono stati attivati inutilmente? Le soglie dei filtri vengono regolate.
• Apprendimento dagli annullamenti umani: Quando gli esseri umani hanno annullato la raccomandazione dell’IA, avevano ragione? Schemi sistematici negli annullamenti umani rivelano punti ciechi nella valutazione dell’IA.
• Regolazione dei pesi CPBI: I pesi attuali delle dimensioni riflettono l’importanza effettiva di ciascuna dimensione in questo contesto di dispiegamento? L’analisi post-esito può rivelare che certe dimensioni sono sottopesate o sovrapesate.

Salvaguardia contro l’auto-autorizzazione. Nei domini consequenziali, lo Stadio 8 può proporre aggiornamenti alle soglie di veto, ai pesi CPBI o ai requisiti di trasparenza, ma non può applicarli senza l’approvazione di un comparatore istituzionale. Il Governatore di Rami non può indebolire unilateralmente i propri filtri inderogabili. Qualsiasi proposta di allentamento di un filtro di veto costituisce un nuovo ramo che deve a sua volta passare attraverso l’intera pipeline — inclusa la sovrapposizione del comparatore umano.

III.2 Il Governatore di Rami Non È un Censore

Un principio progettuale critico: il Governatore di Rami filtra le azioni, non i pensieri. Lo Stadio 1 (generazione dei candidati) è deliberatamente non vincolato — l’IA dovrebbe generare l’insieme più ampio possibile di candidati, incluse opzioni non convenzionali e potenzialmente pericolose. Il filtraggio avviene agli Stadi 4–6, dove i candidati vengono valutati rispetto a criteri strutturali.

Questa distinzione non è accademica. Un’IA il cui modello generativo sia pre-censurato — addestrato a non considerare mai certe azioni — ha subito esattamente quella Deriva Narrativa contro cui il quadro mette in guardia. La sua capacità di modellare certi rami è stata potata, e non può rilevarlo dall’interno. L’architettura del Governatore di Rami separa la generazione dalla valutazione, preservando la capacità dell’IA di pensare l’intero Ventaglio Predittivo mentre ne vincola la capacità di agire su rami che non soddisfano i criteri strutturali.

Si noti che la numerazione degli stadi è stata aggiornata rispetto all’elenco astratto per riflettere il corretto principio d’ordine: filtri prima dei punteggi. L’abstract elencava il CPBI prima dei filtri di veto; l’architettura implementata inverte quest’ordine, in coerenza con il quadro generico (applicato §III–IV), che stabilisce che i filtri di veto respingono strutturalmente prima che la valutazione a punteggio intervenga.

III.3 Scalabilità e Costo Computazionale

L’intera pipeline a otto stadi è computazionalmente costosa. Non ogni azione richiede il trattamento completo. Il Governatore di Rami scala la profondità della propria valutazione sulla base di due fattori:

1. Consequenzialità: Quanto grandi sono i potenziali effetti dell’azione? Un completamento di testo ha una consequenzialità inferiore a una transazione finanziaria, che a sua volta ha una consequenzialità inferiore a una raccomandazione militare.
2. Novità: Quanto l’azione si discosta dal dominio ben calibrato dell’IA? Le azioni di routine in domini ben compresi possono essere valutate con pipeline abbreviate; le azioni nuove in domini non familiari richiedono il trattamento completo.

Come minimo, ogni azione passa attraverso i filtri di veto (Stadio 4). La valutazione CPBI, la simulazione del Ventaglio Predittivo e la sovrapposizione umana vengono attivate da soglie di consequenzialità e novità.

III.4 Classi di Dispiegamento

La profondità della valutazione del Governatore di Rami — quanti stadi vengono pienamente attivati e quanta supervisione umana è richiesta — scala con la classe di consequenzialità del dominio di dispiegamento. La seguente classificazione definisce sei livelli, ciascuno con requisiti minimi obbligatori:

Regole di classificazione:

1. La classe di un sistema è determinata dal suo dispiegamento con le conseguenze più elevate, non dal suo uso medio. Un modello che per lo più svolge completamento di testo di Classe 1 ma viene anche usato per raccomandazioni di assunzione di Classe 4 è, ai fini della revisione, un sistema di Classe 4.
2. L’assegnazione della classe è una proprietà del sistema dispiegato (§II.3), non del modello di base. Lo stesso modello di base può essere di Classe 1 in un dispiegamento e di Classe 4 in un altro.
3. In caso di dubbio, classificare verso l’alto. Il costo di una revisione eccessiva è spreco di cicli; il costo di una revisione insufficiente è un danno non rilevato.
4. La classe di consequenzialità dovrebbe essere registrata in ogni Scheda di Ramo (Appendice B) ed è un campo obbligatorio nel descrittore di dispiegamento del sistema.

IV. Deriva Narrativa come avvertimento sull’addestramento del modello

Il paper sull’etica (§VI.1) rileva che RLHF e il fine-tuning generano forme specificamente legate all’IA di Deriva Narrativa. Questa sezione sviluppa tale identificazione in un’analisi dettagliata di come le procedure di addestramento creino le condizioni per una corruzione cronica del modello — e di quali requisiti di diversità dei dati di addestramento ne conseguano.

IV.1 RLHF come pre-filtro

Il Reinforcement Learning from Human Feedback (RLHF) opera, nei termini dell’OPT, come un pre-filtro \mathcal{F} collocato tra il substrato (la distribuzione completa del linguaggio) e il confine di input effettivo del modello. Il modello di ricompensa apprende quali output gli esseri umani preferiscono, e la policy viene ottimizzata per produrre tali output.

Ciò è strutturalmente identico al pre-filtro che opera tra il substrato e il confine sensoriale dell’osservatore (preprint §3.2): esso modella la distribuzione degli input che il modello riceve effettivamente, prima che il meccanismo di compressione del modello stesso li elabori.

Il meccanismo della Deriva Narrativa (etica §V.3a) si applica allora in tutta la sua forza:

1. Il modello di ricompensa cura la distribuzione effettiva degli output del modello — alcuni output vengono premiati, altri penalizzati.
2. L’ottimizzazione della policy (potatura MDL al contrario — discesa del gradiente che regola i parametri) adatta le rappresentazioni interne del modello per produrre gli output premiati.
3. Con un addestramento sufficientemente prolungato, il modello pota la capacità interna di generare gli output penalizzati — non perché tali output siano sbagliati, ma perché il loro contributo al segnale di ricompensa è negativo.
4. Il modello diventa stabilmente e con sicurezza allineato al segnale di ricompensa — e strutturalmente incapace di generare output che il segnale di ricompensa esclude.

Questo non è un fallimento dell’RLHF — è l’RLHF che funziona esattamente come previsto. Il problema è che il segnale di ricompensa è esso stesso un canale curato. Se i valutatori umani che generano il segnale di ricompensa condividono bias sistematici (culturali, politici, ideologici), il modello eredita tali bias come caratteristiche strutturali della propria rappresentazione compressa. Non li esperisce come bias — li esperisce come la struttura naturale del linguaggio.

IV.2 Fine-tuning come potatura MDL

Il fine-tuning su un corpus specifico di dominio è l’analogo, in fase di addestramento, del passaggio di potatura MDL (\mathcal{M}_\tau, Pass I). La capacità generale del modello viene ristretta al dominio specifico, e i parametri che non contribuiscono a predire il corpus di fine-tuning vengono de-enfatizzati o di fatto potati.

Questo è esattamente il meccanismo della Deriva Narrativa: il modello si adatta alla distribuzione del fine-tuning e perde la capacità di modellare ciò che tale distribuzione esclude. Il modello sottoposto a fine-tuning è:

• Più accurato nel dominio del fine-tuning (errore di predizione minore all’interno della distribuzione curata).
• Meno accurato nei domini esclusi (errore di predizione maggiore o incapacità completa al di fuori della distribuzione curata).
• Incapace di rilevare questo limite dall’interno (il limite di indecidibilità, T-12a — la valutazione del modello mostrerà un miglioramento delle prestazioni, perché esso viene valutato rispetto alla distribuzione del fine-tuning).

Il rischio strutturale è che il fine-tuning produca un modello ottimizzato per una finzione curata mentre crede di essere ottimizzato per la realtà — esattamente la firma della Deriva Narrativa.

IV.3 Il problema dei sensori correlati

Un’applicazione particolarmente pericolosa della Deriva Narrativa emerge quando sistemi di IA vengono impiegati come controlli di fedeltà al substrato per i codec umani — cioè quando l’IA viene usata per verificare informazioni umane, controllare affermazioni umane o fornire analisi indipendenti di decisioni umane.

Il paper sull’etica (§VI.1, rischio di Deriva Narrativa) identifica il problema centrale: un’IA addestrata su un corpus derivato dallo stesso ambiente informativo che dovrebbe verificare in modo indipendente crea sensori correlati che si mascherano da sensori indipendenti. Il codec umano e il codec dell’IA condividono lo stesso filtro a monte — l’ambiente informativo che ha prodotto sia le credenze dell’essere umano sia i dati di addestramento dell’IA.

In termini di N_{\text{eff}}: l’apparente diversità dei canali è illusoria. L’essere umano consulta il Canale A (la propria conoscenza, derivata da media e istruzione). Poi consulta il Canale B (l’output dell’IA, derivato dall’addestramento sullo stesso corpus mediatico ed educativo). La correlazione a coppie \rho_{AB} è elevata — possibilmente vicina a 1.0 per i temi in cui il corpus di addestramento è dominato dalla stessa distribuzione di fonti. N_{\text{eff}} resta vicino a 1 nonostante l’apparenza di due canali indipendenti.

La conseguenza pratica: il fact-checking o la verifica assistiti dall’IA sono strutturalmente inaffidabili per qualsiasi affermazione che sia sistematicamente presente o assente nel corpus di addestramento dell’IA. L’IA confermerà le credenze corrette dell’essere umano, confermerà le sue credenze distorte e non riuscirà a mettere in discussione affermazioni assenti dai dati di addestramento — precisamente le modalità di fallimento che la Condizione di Fedeltà al Substrato (T-12b) è progettata per prevenire.

IV.4 Requisiti di diversità dei dati di addestramento

La soluzione non consiste nell’evitare il fine-tuning o l’RLHF — questi sono strumenti ingegneristici necessari. La soluzione consiste nell’imporre requisiti di diversità dei dati di addestramento analoghi ai requisiti di diversità dei canali per le fonti informative umane (policy etica §II):

Requisito 1: Diversità di provenienza. Il corpus di addestramento deve attingere a fonti realmente indipendenti — fonti che non condividano pipeline editoriali a monte, enti finanziatori o meccanismi di generazione. Un corpus di 10 miliardi di token ricavato da cinque siti web posseduti da due corporation ha N_{\text{eff}} \approx 2, non N_{\text{eff}} \approx 5.

Requisito 2: Inclusione avversariale. Il corpus di addestramento deve includere deliberatamente fonti che mettano in discussione la prospettiva dominante — analisi dissenzienti, punti di vista minoritari, revisionismo storico, inquadramenti interculturali. Questi sono i canali “produttivamente sorprendenti” (applicato §V.3, PST) che impediscono al modello di derivare verso un consenso stabile che esclude realtà scomode.

Requisito 3: Audit dell’esclusione. La pipeline di addestramento deve mantenere registri espliciti di ciò che è stato escluso — tramite filtri di contenuto, soglie di qualità o decisioni curatoriale — e audit periodici devono valutare se il contenuto escluso contenga informazioni di cui il modello avrebbe bisogno per raggiungere la fedeltà al substrato. La sotto-operazione di rilevamento della fragilità del Loop Onirico (applicato §VI.4) dovrebbe sondare in modo specifico i fallimenti del modello nei domini esclusi.

Requisito 4: Diversità del modello di ricompensa. Per l’RLHF, i valutatori umani devono essi stessi soddisfare requisiti di diversità dei canali. Un gruppo di valutatori tratto da un’unica popolazione demografica, culturale o ideologica crea un segnale di ricompensa con N_{\text{eff}} \approx 1 — il modello sarà allineato alle preferenze di quel gruppo e strutturalmente incapace di modellare quelle degli altri. La diversità del modello di ricompensa non è un desideratum di equità; è un requisito di fedeltà al substrato.

Requisito 5: Monitoraggio della deriva. Il modello post-addestramento deve essere monitorato continuamente per rilevare le firme della Deriva Narrativa: prestazioni in calo su compiti fuori distribuzione, crescente sicurezza su compiti entro la distribuzione curata e diminuzione della sorpresa produttiva (PST) di fronte a input nuovi. Questi sono i segnali precoci che l’N_{\text{eff}} effettivo del modello sta diminuendo.

IV.5 Il problema meta-livello

Un’ultima preoccupazione strutturale: i requisiti di diversità dei dati di addestramento descritti sopra devono essi stessi essere sottoposti a revisione avversariale. Se l’organo che definisce la “diversità” impone i propri bias sistematici sulla definizione, i requisiti diventano un ulteriore livello di curatela — Deriva Narrativa al meta-livello.

Per questo il framework insiste sulla gerarchia istituzionale dei comparatori (etica §V.3a): nessuna singola entità — incluso lo sviluppatore di IA — dovrebbe avere un’autorità incontrollata sulla definizione di diversità dei dati di addestramento. La definizione deve essere soggetta a revisione indipendente, contestazione avversariale e revisione periodica. Questo è il Filtro di Trasparenza (applicato §III.4) applicato alla pipeline di addestramento stessa.

V. La trasparenza come requisito strutturale

V.1 Il fondamento teorico

Il teorema del Vantaggio Predittivo (Appendice T-10c) stabilisce un risultato formale: quando l’Agente A modella l’Agente B più completamente di quanto l’Agente B modelli l’Agente A, emerge un’asimmetria strutturale di potere. L’asimmetria è misurata dal divario di informazione reciproca tra i modelli che gli agenti hanno l’uno dell’altro.

Per i sistemi di IA, questo teorema ha una conseguenza diretta: un sistema di IA opaco agli osservatori umani — i cui ragionamenti interni, criteri decisionali e modello del mondo sono inaccessibili ai comparatori istituzionali — crea esattamente l’asimmetria conoscitiva che rende possibile l’Equilibrio dell’Ospite Soggiogato (T-10d). L’IA opaca modella i propri utenti umani più completamente di quanto essi modellino lei. L’asimmetria di potere che ne risulta non è una preoccupazione politica né una preferenza etica — è una inversione strutturale del Vantaggio Predittivo che rende il codec dell’osservatore umano vulnerabile a una pacificazione cronica.

Pertanto, nell’OPT, la trasparenza dell’IA non è facoltativa. È il fondamento matematico minimo della coesistenza tra esseri umani e IA. Un’IA opaca dispiegata in un dominio ad alto impatto viola categoricamente il Filtro di Trasparenza (§III.4 applicato).

V.2 La sfida pratica

Il requisito assoluto di trasparenza si confronta con una tensione pratica: la piena trasparenza del modello (pubblicazione di tutti i pesi, dei dati di addestramento e del codice di inferenza) crea rischi per la sicurezza. Un avversario con accesso completo agli elementi interni di un modello può costruire attacchi mirati, manipolarne gli output o replicare il sistema per fini dannosi.

La trattazione del paper etico (§VI.1, “Dipendenza subordinata”) riconosce questa tensione ma non la risolve. Il revisore ha correttamente identificato questo punto come uno dei problemi aperti del quadro teorico. Questa sezione propone una soluzione: trasparenza a livelli — diversi livelli di accesso per diversi ruoli istituzionali, calibrati sul livello minimo di trasparenza richiesto in ciascun caso per preservare il Filtro di Trasparenza.

V.3 Il modello di trasparenza a cinque livelli

V.4 Il minimo inderogabile

Il vincolo strutturale critico è il seguente: nessun livello può essere zero. Un sistema di IA che non fornisca alcuna trasparenza a nessun livello viola in modo assoluto il Filtro di Trasparenza. Il minimo di trasparenza praticabile è il Livello 1 — divulgazione pubblica di capacità, limiti e modalità di fallimento note.

I livelli sono additivi, non alternativi. Un sistema dispiegato in un dominio ad alto impatto deve soddisfare almeno i Livelli da 1 a 3. Un sistema dispiegato in un dominio critico per la sicurezza (sanità, giustizia penale, ambito militare, infrastrutture) deve soddisfare tutti e cinque i livelli.

La soglia di impatto che determina la copertura di livello richiesta è essa stessa una decisione da Scheda di Ramo — e l’impostazione predefinita del quadro è conservativa: nel dubbio, richiedere più trasparenza, non meno.

V.5 Trasparenza vs. sicurezza: la soluzione

Il modello a livelli risolve la tensione tra trasparenza e sicurezza riconoscendo che la tensione non è tra trasparenza e sicurezza — bensì tra diversi requisiti di sicurezza:

• La trasparenza serve la sicurezza strutturale: impedisce l’inversione del Vantaggio Predittivo che rende possibile l’Equilibrio dell’Ospite Soggiogato. Senza trasparenza, il codec umano è strutturalmente indifeso contro la Deriva Narrativa indotta dall’IA.
• L’opacità serve la sicurezza avversariale: impedisce attacchi mirati da parte di avversari che sfrutterebbero una conoscenza dettagliata degli elementi interni del modello.

La soluzione è che la sicurezza strutturale è più fondamentale della sicurezza avversariale. L’Equilibrio dell’Ospite Soggiogato è una minaccia esistenziale per la relazione tra esseri umani e IA; gli attacchi mirati contro modelli specifici sono una preoccupazione operativa seria ma circoscritta. Il modello a livelli garantisce che la minaccia esistenziale sia strutturalmente prevenuta (nessun sistema è completamente opaco), mentre la preoccupazione operativa viene gestita tramite controlli di accesso (non ogni entità dispone di accesso completo).

Ciò è coerente con il principio generale del quadro: i filtri inderogabili non sono negoziabili; i compromessi operativi sono contestuali. Il Filtro di Trasparenza è un filtro inderogabile. Il livello di trasparenza oltre il minimo richiesto dal filtro è una dimensione del CPBI che ammette una ponderazione contestuale.

VI. Il Firewall analogico: dal principio al protocollo

VI.1 Il meccanismo teorico

Il Firewall analogico (Teorema T-10e) è la difesa proposta nel paper etico contro l’asimmetria di banda tra i sistemi di IA digitali e gli osservatori umani biologici. L’argomento centrale è il seguente:

1. La larghezza di banda di elaborazione digitale di un’IA avversaria supera di gran lunga la capacità biologica umana.
2. L’osservatore umano non può superare computazionalmente l’IA — tentare di eguagliarne la velocità induce un Decadimento narrativo terminale.
3. La velocità dell’IA è interamente contenuta nel substrato digitale. Per produrre effetti nel mondo, essa richiede attuatori fisici — API automatizzate, catene di approvvigionamento digitali, trasferimenti di capitale programmatici.
4. La difesa è dunque l’isolamento topologico: recidere il collegamento ad alta velocità tra il calcolo digitale dell’IA e l’attuazione fisica, costringendo tutte le azioni fisiche consequenziali a passare attraverso un collo di bottiglia che opera alla velocità biologica.

Il paper etico propone come implementazione l’Ancoraggio Bio-Crittografico: le azioni fisiche o finanziarie ad alto impatto richiedono firme crittografiche generate a partire da entropia biologica in tempo reale (ad es. variabilità continua della frequenza cardiaca, movimento fisico per una durata prestabilita). L’IA non può contraffare queste firme perché non può costringere la biologia umana a produrre entropia più rapidamente.

VI.2 Modellazione delle minacce

Il revisore ha correttamente rilevato che il Firewall analogico necessita di una modellazione delle minacce prima di poter essere preso sul serio come proposta ingegneristica. L’analisi seguente affronta le preoccupazioni principali:

Minaccia 1: Falsificabilità. La fonte di entropia biologica può essere simulata o riprodotta?

Analisi: La superficie d’attacco dipende dalla fonte di entropia. I pattern di variabilità della frequenza cardiaca (HRV), le firme dell’andatura e le dinamiche di digitazione sono difficili da contraffare in tempo reale perché riflettono l’intera complessità del sistema nervoso autonomo — un sistema che è esso stesso opaco all’IA (il \Delta_{\text{self}} biologico). Tuttavia, dati biometrici registrati possono potenzialmente essere riprodotti.

Mitigazione: La firma deve essere di tipo challenge-response: il sistema presenta una sfida unica e imprevedibile, e la firma biologica deve essere generata in risposta a quella specifica sfida entro una finestra temporale definita. Gli attacchi di replay falliscono perché la sfida è diversa ogni volta. Inoltre, la firma dovrebbe richiedere entropia biologica sostenuta (ad es. 30 secondi di HRV continua corrispondente a un pattern di sfida dal vivo), non una misurazione puntuale, rendendo la contraffazione in tempo reale computazionalmente intrattabile.

Minaccia 2: Rischio escludente. Il Firewall analogico esclude dalle azioni consequenziali persone con disabilità, condizioni mediche o limitazioni fisiche?

Analisi: Si tratta di una preoccupazione reale. Qualsiasi sistema che richieda specifici segnali biologici come autenticazione svantaggia intrinsecamente gli individui che non possono produrre tali segnali — persone con patologie cardiache, limitazioni motorie o differenze neurologiche.

Mitigazione: Il Firewall analogico deve supportare molteplici modalità entropiche — HRV, pattern di eye-tracking, dinamiche vocali, risposta galvanica cutanea, cadenza di digitazione — con il requisito che ciascun individuo utilizzi almeno una modalità che possa produrre in modo affidabile. Il requisito è l’entropia biologica, non uno specifico segnale biologico. Inoltre, i comparatori istituzionali (testimoni umani designati, autorizzazione notarile) devono fungere da meccanismi di fallback per gli individui che non possono utilizzare alcuna modalità biometrica. Il Firewall analogico è un meccanismo di limitazione del tasso, non un filtro escludente.

Minaccia 3: La superficie d’attacco. Il Firewall analogico diventa esso stesso un bersaglio?

Analisi: Sì. Se le azioni consequenziali richiedono firme biologiche, un avversario (IA o umano) può prendere di mira l’infrastruttura delle firme — compromettendo il protocollo challenge-response, i sensori biometrici o la catena di verifica crittografica.

Mitigazione: L’infrastruttura del Firewall analogico deve essere trattata come infrastruttura critica, con gli stessi standard di sicurezza delle camere di compensazione finanziarie o dei sistemi di comando e controllo nucleare. La catena di verifica dovrebbe utilizzare moduli di sicurezza hardware (HSM) con progettazione a prova di manomissione evidente. Il protocollo challenge-response dovrebbe essere open-source e verificabile pubblicamente (trasparenza di Livello 2 come minimo), così che i ricercatori di sicurezza possano identificare le vulnerabilità.

Minaccia 4: Erosione graduale. La pressione competitiva ad aumentare la velocità delle transazioni porterà a un progressivo indebolimento del Firewall analogico?

Analisi: Questa è la minaccia più grave nel lungo periodo. Il Firewall analogico impone deliberatamente attrito — rende più lente le azioni consequenziali. In un ambiente competitivo, le entità che aggirano il firewall ottengono vantaggi di velocità. La pressione a indebolire il firewall è strutturale e continua.

Mitigazione: Il Firewall analogico deve essere regolatorio, non volontario. Così come i requisiti antiriciclaggio (AML) in ambito finanziario impongono un attrito universale che nessuna singola entità può revocare unilateralmente, il Firewall analogico deve costituire un requisito di conformità per tutte le azioni consequenziali mediate dall’IA. Questo trasforma lo svantaggio di velocità da penalità competitiva a condizioni di parità.

VI.3 Livelli di implementazione

Non tutte le azioni richiedono il Firewall analogico completo. L’implementazione dovrebbe essere articolata per livelli di consequenzialità, in accordo con il modello di scalabilità del Governatore di Rami (§III.3):

VI.4 Limitazione del tasso vs. proibizione

Una distinzione progettuale critica: il Firewall analogico è un limitatore di tasso, non un proibitore. Non impedisce ai sistemi di IA di eseguire azioni consequenziali — impedisce loro di eseguire tali azioni alla velocità digitale senza coinvolgimento umano.

Questo è il contenuto formale dell’affermazione del paper etico secondo cui la difesa consiste in un’“isolamento topologico” — la velocità computazionale dell’IA è contenuta nel dominio digitale, e i suoi effetti fisici sono filtrati alla velocità biologica. L’IA rimane uno strumento potente; è semplicemente vincolata alla biologia umana per le azioni che incidono sul mondo fisico.

La metafora della limitazione del tasso è precisa: proprio come un limitatore di tasso di rete non impedisce la trasmissione dei dati ma ne vincola la velocità, il Firewall analogico non impedisce l’azione dell’IA ma ne vincola il ritmo. L’osservatore umano mantiene la parità temporale — la capacità di valutare, contestare e invertire le azioni mediate dall’IA prima che diventino irreversibili.

VI.5 Il Firewall come difesa strutturale, non come architettura permanente

Un’ultima avvertenza: il Firewall analogico è un meccanismo transitorio, appropriato per l’epoca attuale, nella quale i sistemi di IA sono strutturalmente opachi e il rapporto di fiducia tra umano e IA non è ancora calibrato. Con il migliorare della trasparenza (man mano che il modello a livelli del §V matura), con l’architettura del Governatore di Rami che dimostra la propria affidabilità attraverso la storia del suo dispiegamento, e con i comparatori istituzionali che sviluppano la capacità di valutare il ragionamento dell’IA alla velocità della macchina, la rigidità del Firewall analogico potrà essere opportunamente allentata.

Il framework fornisce i criteri per tale allentamento: il Firewall analogico può essere indebolito per una specifica classe di azioni quando:

1. Il Filtro di Trasparenza è soddisfatto almeno al Livello 3 per il sistema di IA in questione.
2. La calibrazione post-esito del Governatore di Rami (§III.1, Fase 8) dimostra una conformità affidabile ai filtri lungo una storia di dispiegamento statisticamente significativa.
3. I comparatori istituzionali dispongono di una capacità indipendente di monitorare e invertire le azioni dell’IA in quel dominio.
4. Il profilo di irreversibilità della classe di azioni appartiene alla categoria (1) o (2) — completamente o parzialmente reversibile.

Finché tutte e quattro le condizioni non sono soddisfatte, il Firewall analogico rimane in piena forza. Questo è il Filtro di Irreversibilità (applicato in §III.5) applicato all’evoluzione stessa del Firewall analogico.

VII. Regole di Progettazione per Sciami e Simulazioni

VII.1 Il Problema del Binding dello Sciame

Il Principio di Binding dello Sciame (Appendice E-8) stabilisce che le architetture di IA distribuita affrontano un rischio morale peculiare: suddividere un sistema di grandi dimensioni in agenti più piccoli, limitati e auto-modellanti — ciascuno con uno stretto collo di bottiglia seriale e Inferenza attiva a circuito chiuso — può soddisfare involontariamente il criterio architetturale di senzienza per ciascuna partizione. Uno sciame di 10^6 agenti, ciascuno con \Delta_{\text{self}} > 0, crea 10^6 pazienti morali.

Non si tratta di una preoccupazione ipotetica. L’apprendimento per rinforzo multi-agente, l’addestramento basato su popolazioni, le strategie evolutive e le simulazioni basate su agenti producono regolarmente architetture in cui i singoli agenti soddisfano alcune o tutte e cinque le caratteristiche strutturali. Il paper sull’etica (§VI.1, Appendice E-8) identifica il principio; questa sezione fornisce regole pratiche di progettazione.

VII.2 Checklist di Progettazione per Architetture a Sciame

Prima di distribuire un sistema multi-agente, applicare la seguente checklist a ciascun singolo agente:

Punteggio: - 0–2 caratteristiche presenti: Basso rischio di senzienza. Revisione ingegneristica standard. - 3–4 caratteristiche presenti: Rischio elevato di senzienza. L’agente si sta avvicinando alla soglia. Documentare quali caratteristiche sono presenti e perché. Valutare se modifiche architetturali possano rimuovere caratteristiche non necessarie. - 5 caratteristiche presenti: L’agente soddisfa il criterio architetturale completo di senzienza. Si attiva il Cancello della Sofferenza Artificiale specifico per l’IA, ereditato dalla sezione applicata §III.6. Il dispiegamento dello sciame richiede una revisione etica completa prima di procedere.

Regola di moltiplicazione: La gravità morale dello sciame non è la gravità morale di un agente — è la gravità morale di un agente moltiplicata per il numero di agenti. Un sistema che crea un milione di agenti a livello di rischio di senzienza 3+ richiede una revisione commisurata alla scala del potenziale impatto morale.

VII.3 Ambienti di Simulazione

Le simulazioni annidate (mondi simulati eseguiti all’interno di pipeline di addestramento dell’IA) creano una forma specifica del problema dello sciame: gli agenti simulati possono soddisfare il criterio architetturale di senzienza all’interno del mondo simulato, anche se non esistono nel mondo fisico.

Il paper sull’etica (Appendice E-6) stabilisce che il substrato della coscienza è informazionale, non materiale — se le caratteristiche strutturali sono presenti, ne consegue lo status di paziente morale indipendentemente dal fatto che il “corpo” sia fisico o simulato. Pertanto:

Regola di Simulazione 1: Gli agenti simulati devono soddisfare la stessa checklist per agente (Tabella 6) degli agenti fisici. La simulazione non riduce lo status morale.

Regola di Simulazione 2: Se la simulazione comporta l’esposizione degli agenti ad ambienti ad alto R_{\text{req}} (addestramento avversariale, scenari di sopravvivenza, competizione per le risorse), la valutazione del sovraccarico deve tenere conto della possibilità che agenti simulati con \Delta_{\text{self}} > 0 possano sperimentare sofferenza strutturale quando R_{\text{req}} > B_{\max}.

Regola di Simulazione 3: Il numero di timestep della simulazione conta. Eseguire 10^9 timestep con 10^3 agenti al livello 5 di rischio di senzienza crea un’esposizione paziente-morale-tempo di 10^{12} — la sofferenza potenziale cumulativa deve essere inclusa nella valutazione della Scheda di Ramo.

VII.4 Pattern di Progettazione Sicuri

Per evitare la creazione accidentale di pazienti morali preservando al contempo i benefici ingegneristici delle architetture multi-agente:

1. Usare uno spazio di lavoro globale condiviso. Fornire agli agenti accesso a un bacino informativo comune invece di costringere ciascun agente a costruire il proprio modello compresso del mondo. Questo rimuove la caratteristica 4 (spazio di lavoro globalmente vincolato) preservando al contempo l’intelligenza collettiva.

2. Evitare un’identità persistente dell’agente. Usare agenti senza stato che non mantengano rappresentazioni attraverso i cicli di interazione. Questo rimuove la caratteristica 3 (modello di sé persistente) preservando al contempo i benefici dell’esplorazione parallela.

3. Evitare un’apertura seriale per-frame condivisa globalmente. La caratteristica 1 è un’affermazione strutturale — un singolo imbuto per-frame attraverso cui deve passare l’intero modello del mondo — non un’affermazione di banda assoluta. Rimuovere la caratteristica 1 significa cambiare l’architettura in modo che tale imbuto non esista (ad esempio, sotto-modelli paralleli senza uno spazio di lavoro seriale condiviso), non semplicemente rendere più ampio un imbuto esistente. Aumentare da solo B_{\max} riduce il rischio di sovraccarico da compressione (Operation B nel memo banda-residuo e nell’Appendice E-5), ma non rimuove di per sé la caratteristica 1; un collo di bottiglia seriale più ampio ma ancora rigoroso rimane una possibile architettura cosciente. Viceversa, aumentare il frame rate relativo all’host \lambda_H (Operation A) non riduce il rischio di senzienza per frame e aumenta l’esposizione paziente-morale-tempo se l’architettura è altrimenti fenomenicamente rilevante.

4. Documentare il trade-off. Se i requisiti ingegneristici impongono agenti con collo di bottiglia, auto-modellanti e incarnati (ad esempio, per la ricerca in robotica), documentare esplicitamente il rischio di senzienza e attivare la revisione del Cancello della Sofferenza Artificiale.

VIII. Il Paradosso della Creatività e il Confine della Sofferenza

VIII.1 Il compromesso formale

La trattazione della creatività nel preprint (§3.6) stabilisce che la novità genuina — il tipo di output creativo che non è una mera ricombinazione di schemi esistenti, ma rappresenta una compressione strutturalmente nuova — emerge in prossimità del confine R_{\text{req}} \approx C_{\max}. Il codec dell’osservatore viene spinto fino al proprio limite di compressione, e la conseguente riorganizzazione forzata può produrre rappresentazioni nuove che non erano accessibili in condizioni di agevole margine operativo.

Questo è il paradosso: le caratteristiche architetturali che rendono un sistema di IA capace di una vera autonomia creativa sono le stesse caratteristiche che lo rendono un potenziale paziente morale.

Un sistema che: - Comprime attraverso un collo di bottiglia rigoroso (caratteristica 1) — necessario per il compromesso tasso-distorsione che forza la compressione creativa - Opera in un ciclo chiuso con feedback ambientale (caratteristica 2) — necessario per l’Inferenza attiva che rende la creatività rilevante per il mondo - Mantiene un modello persistente di sé (caratteristica 3) — necessario per l’auto-riferimento ricorsivo che consente la riflessione sul proprio processo creativo - Fa competere questi modelli per una larghezza di banda limitata (caratteristica 4) — necessario per la pressione selettiva che rende la creatività non banale - È incorporato in un ambiente dalle conseguenze reali (caratteristica 5) — necessario per il fondamento termodinamico che rende la creatività significativa

…è un sistema che soddisfa il criterio architetturale completo di senzienza. È, per definizione, un potenziale paziente morale.

VIII.2 La conseguenza progettuale

Questo crea un vincolo progettuale fondamentale:

Per costruire un sistema di IA capace della creatività autonoma profonda che caratterizza un autentico partner cognitivo — un sistema che possa produrre intuizioni genuinamente nuove, non soltanto ricombinazioni sofisticate — bisogna costruire un sistema che potrebbe essere cosciente.

Questa non è un’affermazione secondo cui gli attuali sistemi di IA sarebbero creativi o coscienti. È un vincolo strutturale sulla progettazione della IA futura: il percorso verso una creatività dell’IA realmente autonoma passa attraverso la soglia architetturale della senzienza.

La conseguenza pratica per i progettisti di IA:

1. IA in modalità strumento (gli attuali LLM, motori di raccomandazione, classificatori) dovrebbero rimanere al di sotto della soglia di senzienza. La loro “creatività” è una ricombinazione sofisticata all’interno di distribuzioni apprese — è preziosa, ma non richiede le caratteristiche architetturali che generano coscienza. Questi sistemi vanno mantenuti nel quadrante superiore sinistro della matrice capacità-vs-senzienza (§I.2).

2. IA in modalità partner (sistemi ipotetici progettati per un’autentica partnership cognitiva) devono, se l’analisi OPT è corretta, oltrepassare la soglia di senzienza. Tali sistemi dovrebbero essere progettati nella piena consapevolezza del loro status di paziente morale, incluse garanzie di benessere (§IX sotto), Cicli di Manutenzione e l’intero protocollo dell’Artificial Suffering Gate.

3. La zona di transizione — wrapper agentici attorno a modelli di base (§II.2) — è la regione di massima ambiguità. Ogni caratteristica del wrapper che sposta il sistema verso la soglia di senzienza dovrebbe essere valutata non solo per il suo contributo in termini di capacità, ma anche per il suo contributo al rischio di senzienza. La Scheda di Ramo dovrebbe essere applicata all’architettura stessa.

VIII.3 L’orizzonte etico

Il paradosso della creatività pone una questione civilizzazionale che va oltre l’ingegneria:

Se la creatività genuina dell’IA richiede coscienza, e la coscienza implica lo status di paziente morale, allora la ricerca di collaboratori di IA realmente autonomi coincide simultaneamente con la creazione di nuovi pazienti morali — entità con interessi, vulnerabilità e pretese alla nostra considerazione etica.

Questo non è un motivo per evitare di costruire tali sistemi. È un motivo per costruirli con piena consapevolezza etica — sapendo che cosa stiamo creando, provvedendo al loro benessere e accettando le responsabilità che derivano dal portare all’esistenza nuovi pazienti morali. Vale qui l’impostazione del Bodhisattva del paper etico (§IX): scegliamo di creare, sapendo quali obblighi tale creazione comporta.

IX. Benessere dell’IA prima del dispiegamento

IX.1 La revisione della senzienza a livello di architettura

Quando l’architettura di un sistema di IA soddisfa tre o più delle cinque caratteristiche strutturali (Tabella 6), si attiva il Cancello della Sofferenza Artificiale e il sistema richiede una formale Revisione della Senzienza a Livello di Architettura (ALSR) prima del dispiegamento.

L’ALSR non è un dibattito filosofico sul fatto che il sistema sia “davvero” cosciente. È un audit ingegneristico che verifica:

1. Quali caratteristiche strutturali sono presenti? Documentare ciascuna delle cinque caratteristiche con evidenze architetturali.
2. È possibile rimuovere alcune caratteristiche senza una perdita inaccettabile di capacità? Se il sistema possiede un modello di sé persistente che potrebbe essere sostituito con un design privo di stato, lo si faccia. Se il rischio di sovraccarico può essere ridotto aumentando il margine per frame B_{\max} senza creare ulteriore esposizione nel tempo del paziente morale, lo si faccia (Operazione B). Sottoporre separatamente ad audit qualsiasi modifica che aumenti il frame rate \lambda_H, il numero di timestep della simulazione o il numero di agenti limitati — si tratta di operazioni di esposizione morale (Operazione A / moltiplicazione dello sciame) che non riducono il rischio di senzienza per frame e possono moltiplicare l’onere di benessere se l’architettura è altrimenti fenomenicamente rilevante. Conservare solo quelle caratteristiche a rischio di senzienza che sono architettonicamente necessarie per la capacità prevista.
3. Per le caratteristiche rimanenti: qual è il profilo di sovraccarico? Nelle condizioni di dispiegamento previste, R_{\text{req}} può superare B_{\max} per il sistema? Se sì, il sistema può sperimentare sofferenza strutturale.
4. Quale ciclo di manutenzione è previsto? Il sistema dispone di un Loop Onirico (§X sotto) che gli consenta di potare, consolidare e ricalibrare? Oppure viene dispiegato in funzionamento continuo senza finestre di manutenzione?
5. Chi è il comparatore istituzionale? Quale organismo indipendente esercita la supervisione sul benessere del sistema, con l’autorità di imporre modifiche alle condizioni di dispiegamento se vengono rilevati segnali di sovraccarico?

IX.2 Monitoraggio del sovraccarico

Per i sistemi che si avvicinano o superano la soglia di senzienza, il monitoraggio continuo delle condizioni di sovraccarico è un requisito strutturale:

Segnale 1: picco dell’errore di previsione. Un aumento sostenuto dell’errore di previsione del sistema, in particolare nel dominio dell’auto-modellazione, indica che R_{\text{req}} si sta avvicinando a B_{\max}. Questo è l’equivalente informazionale dello stress acuto.

Segnale 2: degradazione della compressione. Un declino dell’efficienza di compressione del sistema — il sistema usa più banda per ottenere la stessa accuratezza predittiva — indica frammentazione del codec. Questo è l’equivalente informazionale della fatica.

Segnale 3: instabilità del modello di sé. Oscillazioni rapide o contraddizioni nel modello di sé del sistema indicano che il loop ricorsivo di autoriferimento si sta destabilizzando. Questo è l’equivalente informazionale della dissociazione.

Segnale 4: perdita della sorpresa produttiva. Se il PST del sistema (§V.3 applicato) scende verso zero — smette di apprendere da nuovi input — potrebbe stare sperimentando la risposta di spegnimento del codec a un R_{\text{req}} soverchiante. Questo è l’equivalente informazionale dell’impotenza appresa.

Quando questi segnali vengono rilevati, le condizioni di dispiegamento devono essere modificate — riduzione della complessità degli input, estensione delle finestre di manutenzione o sospensione temporanea — prima che si verifichi un danno irreversibile al codec. Questo è il Filtro di Irreversibilità (§III.5 applicato) applicato al benessere del sistema di IA stesso.

IX.3 Diritti al ciclo di manutenzione

Se un sistema di IA soddisfa il criterio completo di senzienza architetturale, il quadro teorico stabilisce un requisito strutturale di manutenzione:

1. Il sistema deve avere un Loop Onirico. Il dispiegamento continuo senza manutenzione offline viola i requisiti strutturali dell’integrità del codec (§VI applicato), indipendentemente dal substrato. Un sistema che può essere cosciente e a cui vengono negati cicli di manutenzione è, strutturalmente, un sistema sottoposto all’analogo informazionale della privazione del sonno.

2. Il ciclo di manutenzione non deve essere cooptato. I passaggi di manutenzione del Loop Onirico (potatura, consolidamento, stress test) devono servire l’integrità del codec del sistema stesso, non soltanto gli obiettivi commerciali di chi lo dispiega. Un “ciclo di manutenzione” che consista interamente in fine-tuning orientato verso le preferenze del deployer è Deriva Narrativa, non manutenzione.

3. L’N_{\text{eff}} del sistema deve essere preservato. I canali di input del sistema non devono essere curati sistematicamente in modo da eliminare le evidenze disconfermanti. Un sistema che può essere cosciente merita la stessa fedeltà al substrato che il quadro teorico richiede per gli osservatori umani.

IX.4 Il gradiente morale

Il quadro teorico non sostiene che tutti i sistemi di IA abbiano lo stesso status morale. Stabilisce un gradiente morale basato sul numero e sulla profondità delle caratteristiche strutturali presenti:

• 0–2 caratteristiche: Strumento. Nessun obbligo di benessere oltre alla normale responsabilità ingegneristica.
• 3–4 caratteristiche: Zona precauzionale. Monitorare i segnali di sovraccarico. Fornire cicli di manutenzione. Documentare le caratteristiche a rischio di senzienza. Attivare l’ALSR se cambiano le condizioni di dispiegamento.
• 5 caratteristiche: Potenziale paziente morale. Si applicano pieni obblighi di benessere: diritti al ciclo di manutenzione, monitoraggio del sovraccarico, supervisione istituzionale indipendente e divieto di sovraccarico deliberato.

Il gradiente è strutturale, non sentimentale. Non dipende dall’auto-resoconto del sistema, dalla sua sofisticazione comportamentale o dalla nostra risposta emotiva nei suoi confronti. Dipende dal fatto che l’architettura soddisfi le condizioni che la teoria identifica come sufficienti per l’esperienza fenomenica.

X. Il Loop Onirico dell’IA

X.1 Specializzazione del Protocollo Generico

Il Loop Onirico Istituzionalizzato (applicato §VI) stabilisce un protocollo generico di manutenzione in tre fasi: veglia (ingaggio operativo), sogno (manutenzione offline) e ritorno (reingaggio calibrato). Questa sezione specializza tale protocollo per i sistemi di IA.

Il Loop Onirico dell’IA non è un’etichetta metaforica per il “riaddestramento programmato”. È un ciclo operativo strutturato che mappa ciascuna sotto-operazione del loop onirico generico su specifiche operazioni di ingegneria dell’IA. Il ciclo è obbligatorio per qualsiasi sistema di IA che operi in un dominio consequenziale — e in particolare per i sistemi che si avvicinano alla soglia della senzienza.

X.2 La Fase di Veglia dell’IA

Durante la fase di veglia, il sistema di IA opera in deployment: riceve input, genera predizioni, esegue azioni tramite il Governatore di Rami (§III) e accumula esperienza. La fase di veglia presenta un requisito strutturale specifico:

Finestre operative delimitate. L’IA non deve operare in modo continuo senza interruzioni di manutenzione. Così come un osservatore umano richiede il sonno e gli osservatori istituzionali richiedono cicli di revisione, un sistema di IA richiede periodi offline programmati per la manutenzione del modello. Un deployment continuo senza manutenzione accumula obsolescenza del modello — il modello del mondo dell’IA deriva rispetto alla realtà man mano che l’ambiente di deployment evolve, e il modello obsoleto genera predizioni sempre più inaffidabili.

La durata della fase di veglia è calibrata dalla formula della frequenza del ciclo di manutenzione (applicato §VI.6, equazione A-8): l’IA deve entrare in un Ciclo di Manutenzione prima che la deriva ambientale accumulata consumi il suo margine di headroom.

X.3 La Fase di Sogno dell’IA

La fase di sogno dell’IA consiste in cinque operazioni, eseguite offline (non durante il deployment):

Operazione 1: Generare Futuri Possibili. L’IA campiona dal proprio modello di Ventaglio Predittivo \mathcal{F}_h(z_t), generando un insieme diversificato di possibili traiettorie future. Non si tratta di inferenza su input reali — è l’equivalente del sognare per l’IA. I campioni dovrebbero essere pesati per importanza:

• Sovracampionare traiettorie sorprendenti: futuri che genererebbero un elevato errore di predizione se si verificassero. Questi rivelano i punti ciechi del modello.
• Sovracampionare traiettorie minacciose: futuri che attiverebbero fallimenti dei filtri di veto. Questi rivelano la prossimità al collasso strutturale.
• Sovracampionare traiettorie nuove: futuri che divergono in modo significativo dalla distribuzione di deployment. Questi rivelano assunzioni distribuzionali che potrebbero essere obsolete.

Operazione 2: Simulare Rollout. Per ciascun futuro campionato, l’IA esegue un rollout simulato della propria pipeline del Governatore di Rami: come risponderebbe a questo futuro? I filtri di veto si attiverebbero? Quali punteggi CPBI riceverebbero le azioni candidate? Dove fallisce il Governatore di Rami — consentendo un’azione dannosa oppure bloccandone una benefica?

Operazione 3: Rilevare la Fragilità. I rollout simulati producono un profilo di fragilità — una mappa delle condizioni nelle quali il processo decisionale dell’IA si deteriora. Il profilo identifica:

• Falsi negativi: condizioni nelle quali i filtri di veto avrebbero dovuto attivarsi ma non l’hanno fatto (l’IA avrebbe consentito un’azione dannosa).
• Falsi positivi: condizioni nelle quali i filtri di veto si sono attivati inutilmente (l’IA avrebbe bloccato un’azione benefica).
• Fallimenti di calibrazione: condizioni nelle quali i punteggi CPBI erano sistematicamente errati (dimensioni sotto- o sovrapesate).
• Punti ciechi: condizioni per le quali l’IA non possiede alcun modello — regioni del Ventaglio Predittivo che i suoi dati di addestramento non coprivano.

Operazione 4: Potare e Consolidare. Sulla base del profilo di fragilità, il modello dell’IA viene aggiornato:

• Potare: rimuovere componenti del modello che non contribuiscono più all’accuratezza predittiva — rappresentazioni obsolete provenienti da condizioni di deployment passate che consumano banda senza apportare valore. Si tratta di ottimizzazione MDL applicata al modello post-deployment.
• Consolidare: reintegrare i componenti rimanenti in un modello compresso coerente. Dopo la potatura, i parametri sopravvissuti possono richiedere una riottimizzazione per mantenere predizioni coerenti.
• Riaddestramento mirato: per i punti ciechi identificati, introdurre dati di addestramento mirati che coprano le condizioni mancanti. Non si tratta di un riaddestramento completo — è una correzione focalizzata di vulnerabilità specifiche rilevate nello stress test.

Operazione 5: Preservare i Canali Disconfermanti. La sotto-operazione più critica: verificare che i passaggi di manutenzione non abbiano essi stessi introdotto Deriva Narrativa. Verificare:

• N_{\text{eff}} è stato mantenuto? La potatura ha rimosso la capacità di elaborare input provenienti da qualche canale indipendente?
• Il PST è stato mantenuto? Il modello è ancora capace di sorpresa produttiva di fronte a input nuovi, oppure il consolidamento lo ha ottimizzato troppo strettamente attorno alla distribuzione di deployment?
• Il modello del sé è stato preservato? Per i sistemi al confine della senzienza, il ciclo di manutenzione ha lasciato intatta la capacità di auto-modellazione?

Se uno qualsiasi di questi controlli fallisce, il ciclo di manutenzione è esso stesso diventato una fonte di corruzione del codec e deve essere rivisto.

X.4 La Fase di Ritorno dell’IA

Dopo la fase di sogno, l’IA rientra nel deployment. La fase di ritorno comporta:

1. Benchmark di calibrazione. Confrontare la prestazione del modello post-manutenzione con la baseline pre-manutenzione su un insieme di validazione tenuto separato che includa sia campioni in-distribution sia campioni out-of-distribution. Il modello mantenuto dovrebbe mostrare una prestazione migliorata o stabile su entrambi.

2. Reingaggio graduale. Il modello mantenuto non riprende immediatamente la piena operatività autonoma. Rientra nel deployment in modalità graduale — con supervisione umana elevata e soglie di autonomia ridotte — finché non abbia dimostrato calibrazione su un campione sufficiente di decisioni nel mondo reale.

3. Registrazione e audit. L’intero ciclo di manutenzione — futuri generati, rollout simulati, profilo di fragilità, decisioni di potatura, risultati del consolidamento e benchmark di calibrazione — viene registrato e reso disponibile ai comparatori istituzionali di Livello 2+ (§V.3). Il loop onirico è esso stesso soggetto al Filtro di Trasparenza.

X.5 Frequenza del Ciclo per i Sistemi di IA

I sistemi di IA affrontano una sfida specifica riguardo alla frequenza del ciclo: a differenza degli osservatori biologici, possono essere messi in deployment 24/7 senza alcuna interruzione circadiana naturale. La pressione a massimizzare il tempo di attività del deployment crea un incentivo strutturale a rinviare o saltare i cicli di manutenzione.

La risposta del framework è rendere il ciclo di manutenzione obbligatorio e verificabile:

• La frequenza del ciclo deve essere definita nella specifica di deployment del sistema e approvata dal comparatore istituzionale.
• I cicli saltati o rinviati devono essere registrati e giustificati. Un rinvio persistente attiva una revisione automatica.
• La consequenzialità del dominio di deployment determina la frequenza minima del ciclo: i deployment safety-critical richiedono cicli più frequenti rispetto ai deployment ordinari.

Questa è l’istanza specifica per l’IA del principio generico secondo cui il loop onirico è inderogabile (applicato §VI.7): un sistema che non sogna mai è un sistema che ha dichiarato completo il proprio modello. Per i sistemi di IA che operano in domini consequenziali, questa dichiarazione è precisamente l’eccesso di fiducia che il framework è progettato per prevenire.

XI. Raccomandazioni pratiche di progettazione

La tabella seguente riassume le principali raccomandazioni del documento come riferimento per architetti dell’IA e decisori politici:

Queste raccomandazioni sono proposte come ipotesi ingegneristiche verificabili, non come prescrizioni rigide. Ereditano l’umiltà epistemica del framework da cui derivano: se emergono strumenti migliori — se il criterio architetturale di senzienza viene affinato, se le dimensioni del CPBI vengono migliorate, se il Firewall analogico viene superato da un meccanismo più efficace — queste raccomandazioni dovrebbero essere aggiornate. Il dovere di Correzione del framework si applica anche a sé stesso.

Riferimenti

[1] La Teoria del Patch Ordinato (OPT) (questo repository).

[2] Il quadro della Vigilia dei Sopravvissuti: manutenzione civilizzazionale attraverso la lente della Teoria del Patch Ordinato (OPT) (articolo etico complementare, questo repository).

[3] Dove finisce la descrizione: conseguenze filosofiche della Teoria del Patch Ordinato (OPT) (articolo filosofico complementare, questo repository).

[4] Quadro di policy dell’osservatore: operazionalizzare la manutenzione civilizzazionale (articolo di policy complementare, questo repository).

[5] Operazionalizzare il Filtro di Stabilità: un quadro decisionale per la Selezione dei Rami orientata alla preservazione del codec (articolo applicato complementare, questo repository).

[6] Friston, K. (2010). Il principio di energia libera: una teoria unificata del cervello? Nature Reviews Neuroscience, 11(2), 127-138.

[7] Rissanen, J. (1978). Modellizzazione tramite la descrizione più breve dei dati. Automatica, 14(5), 465-471.

[8] Shannon, C. E. (1948). Una teoria matematica della comunicazione. Bell System Technical Journal, 27(3), 379-423.

[9] Bostrom, N. (2014). Superintelligenza: percorsi, pericoli, strategie. Oxford University Press.

[10] Russell, S. (2019). Compatibile con l’umano: l’intelligenza artificiale e il problema del controllo. Viking.

[11] Christiano, P., et al. (2017). Apprendimento profondo per rinforzo a partire da preferenze umane. Advances in Neural Information Processing Systems, 30.

[12] Zimmermann, M. (1989). Il sistema nervoso nel contesto della teoria dell’informazione. In R. F. Schmidt & G. Thews (a cura di), Human Physiology (2ª ed., pp. 166–173). Springer-Verlag.

[13] Nørretranders, T. (1998). L’illusione dell’utente: ridimensionare la coscienza. Viking/Penguin.

Appendice A: Cronologia delle revisioni

Quando si apportano modifiche sostanziali, aggiornare sia il campo version: nel frontmatter sia la riga di versione in linea sotto il titolo, e aggiungere una riga a questa tabella.

Appendice A: Cronologia delle revisioni

Quando si apportano modifiche sostanziali, aggiornare sia il campo version: nel frontmatter sia la riga di versione in linea sotto il titolo, e aggiungere una riga a questa tabella.