Un gruppo di cinque ricercatori propone di trattare alcune decisioni umane come il risultato di dinamiche collettive, anziché come la semplice somma di scelte individuali. Il lavoro, caricato il 7 settembre su arXiv, porta questa idea dentro il dibattito sull’intelligenza artificiale generale: secondo gli autori, futuri sistemi di AGI potrebbero affiancare alle reti neurali moduli capaci di modellare adattamento reciproco, cambiamenti repentini di strategia e comportamenti coordinati.
Il titolo del paper, Adaptive Entangled Game Modules in Artificial General Intelligence, richiama concetti presi dalla teoria dei giochi, dalla fisica matematica e dalle scienze cognitive. Ma il test empirico scelto non è un videogioco né un benchmark di IA: è il trading intraday sul mercato azionario cinese. In quella sede, sostengono Haochen Li, Xinshuai Guo, Jingdong Ouyang, Wei Zhang e Leilei Shi, i movimenti decisionali dei trader offrirebbero tracce osservabili di interazioni più complesse rispetto al modello economico classico dell’investitore indipendente e razionale.
Va chiarito subito il perimetro della notizia. Il documento è un preprint: alla data della pubblicazione su arXiv non risulta una revisione paritaria indicata nella scheda. Le percentuali e le conclusioni sull’architettura dell’AGI sono quindi risultati dichiarati dagli autori, non evidenze consolidate dalla comunità scientifica. La proposta è interessante proprio perché ambiziosa, ma collega passaggi teorici molto distanti tra loro: dati di mercato, comportamento umano, meccanismi cerebrali e progettazione di macchine intelligenti.
Dal trader isolato al comportamento che emerge dal gruppo
Il nucleo del lavoro è una cosiddetta equazione di probabilità non locale della “generalized behavioral intelligence”, abbreviata GBI. In termini meno formali, è un impianto matematico che prova a rappresentare agenti adattivi i cui comportamenti non restano separati: le decisioni di uno possono dipendere dal contesto e dalle scelte altrui in modo distribuito nel sistema. Gli autori descrivono i risultati possibili del modello come autostati o modalità, cioè configurazioni ricorrenti che possono essere sottoposte a verifica sui dati.
La parola “entangled” va letta con cautela. Il paper ricorre a un linguaggio e a strumenti ispirati alle onde di probabilità e chiama in causa anche la fisica quantistica nella propria classificazione arXiv, ma non dimostra che i trader siano fisicamente collegati da fenomeni quantistici. L’uso è riferito a una dipendenza modellata come non locale tra comportamenti: un modo di descrivere, formalmente, decisioni che non appaiono riducibili ad agenti completamente indipendenti.
Questa impostazione contrasta con la finanza neoclassica, dove l’ipotesi di base tende a privilegiare individui razionali, autonomi e informati. I mercati reali, però, sono un ambiente in cui segnali, imitazione, notizie e reazioni simultanee rendono l’indipendenza un’approssimazione spesso limitata. Il contributo degli autori non consiste nel rilevare questa distanza, ampiamente discussa anche dalla finanza comportamentale, bensì nel volerla ricondurre a una struttura matematica unica e poi trasformarla in un componente per l’intelligenza artificiale generale.
Cosa indicano i dati cinesi secondo il paper
Nell’analisi empirica, gli autori affermano che le modalità di gioco adattive e interdipendenti spieghino dal 82% al 94% dei modelli decisionali osservati, con un valore complessivo dell’89%. Le modalità attribuite ad agenti puramente indipendenti resterebbero invece sotto il 5%. Una quota compresa tra il 2% e il 12% dei comportamenti sarebbe associata all’adattamento a notizie, eventi e cambiamenti ambientali avvenuti durante la seduta.
Il paper associa quest’ultima componente a due stati di equilibrio e a bruschi spostamenti del punto di riferimento con cui gli agenti valutano guadagni, perdite o condizioni di mercato. È un elemento rilevante per chi progetta simulazioni: un sistema che non aggiorna il proprio riferimento quando muta il contesto può produrre risposte lineari proprio nei momenti in cui le persone modificano rapidamente la strategia.
Tuttavia, dall’abstract disponibile non emergono tutti i dettagli indispensabili per giudicare portata e robustezza del risultato: composizione precisa del campione, periodo coperto, procedure di validazione fuori campione e confronto con modelli alternativi. Anche un’alta quota di varianza o di pattern spiegati non dimostra automaticamente la correttezza di una teoria sui meccanismi cognitivi sottostanti. Sono verifiche che richiedono l’esame integrale dei metodi, repliche indipendenti e un confronto trasparente con approcci econometrici e comportamentali già esistenti.
Il salto dall’osservazione all’AGI
La parte più prospettica del lavoro riguarda l’architettura dei sistemi intelligenti. Gli autori ritengono che le reti neurali artificiali, pur efficaci in numerosi compiti, si affidino a quantità enormi di parametri difficili da interpretare. La loro proposta è combinarle con simulazioni basate sulle onde di probabilità e su moduli di gioco adattivi, invece di sostituirle. L’obiettivo sarebbe arricchire i foundation model con una rappresentazione esplicita delle interazioni tra agenti e delle variazioni di contesto.
In questa visione compaiono le HPU, human-like processing units: unità di elaborazione che dovrebbero incorporare meccanismi ispirati al cervello e produrre sistemi AGI più compatti, efficienti e robusti. Gli scenari evocati comprendono l’intelligenza incarnata e la robotica, ambiti in cui una macchina deve agire in spazi condivisi con persone e altri dispositivi, interpretando aspettative, cooperazione, conflitto e segnali incompleti.
Per il gaming, la lettura più concreta non riguarda una promessa di “AGI nei videogiochi”, ma la possibilità teorica di costruire agenti non giocanti meno rigidamente scriptati. Un NPC o un avversario controllato dal sistema potrebbe, in linea di principio, adeguare la propria strategia alle mosse del gruppo, cambiare priorità davanti a un evento inatteso e mostrare forme di coordinamento senza dover ricevere regole specifiche per ogni caso. È un’ipotesi progettuale, non un risultato dimostrato dal paper: il lavoro non presenta un prototipo ludico, né benchmark effettuati in un motore di gioco.
Resta inoltre aperta una questione pratica. Un modello matematico più esplicito può essere più leggibile di una rete neurale con miliardi di parametri, ma l’interpretabilità dipende anche da come si stimano le sue variabili, dalla qualità dei dati e da quanto le assunzioni corrispondano davvero al fenomeno. La compattezza dell’architettura, evocata dagli autori, dovrà essere misurata su compiti e hardware reali. Lo stesso vale per l’affidabilità in robotica, dove un comportamento adattivo può essere desiderabile soltanto se resta prevedibile e sottoposto a vincoli di sicurezza.
L’ipotesi neurologica e il test che manca
Il paper collega i propri risultati alla Liu-Chen-Ao hypothesis, indicata come ipotesi di fibre nervose non locali ed “entangled” nel cervello. Gli autori sostengono che il comportamento collettivo dei trader possa offrire un metodo indiretto per esaminarla, perché le decisioni visibili rifletterebbero meccanismi interni dell’intelligenza e della psicologia comportamentale.
È la tesi più delicata del documento. I dati sul trading possono mostrare correlazioni e adattamenti collettivi, ma passare da tali osservazioni a una spiegazione neurobiologica richiede una catena di evidenze molto più ampia, inclusi esperimenti indipendenti e misure direttamente legate all’attività cerebrale. Il lavoro presenta questa connessione come sostegno empirico all’ipotesi; per ora, però, è più corretto considerarla una pista di ricerca proposta dagli autori.
Il prossimo passaggio utile sarà quindi meno narrativo e più sperimentale: rendere verificabili le modalità GBI su dataset diversi, confrontarle con modelli concorrenti e mostrare se i moduli descritti producano vantaggi misurabili in agenti software o robotici. Se questo percorso reggerà, l’idea di far apprendere a una IA non solo le regolarità nei dati ma anche le dinamiche tra soggetti potrebbe trovare applicazioni in simulazioni, mondi di gioco e sistemi multi-agente. Se non reggerà, il preprint resterà comunque un tentativo originale di mettere nello stesso quadro teoria dei giochi, mercati e architetture cognitive artificiali.
