Neuroscienze e intelligenza artificiale, come cambiano diagnosi e cura delle patologie neurologiche

Oggi, 31 luglio 2026, il panorama della psicologia cognitiva, comportamentale, dei traumi e della salute mentale è testimone di una rivoluzione silenziosa ma profonda, guidata dall’intersezione tra neuroscienze e intelligenza artificiale. La capacità di decifrare il linguaggio intrinseco del cervello umano, un tempo confinata alla speculazione scientifica, sta emergendo come una realtà tangibile, promettendo di trasformare radicalmente la diagnosi e il trattamento di numerose condizioni neurologiche e psichiatriche.

L’Intelligenza Artificiale Decifra il Linguaggio del Cervello

Una delle innovazioni più significative in questo campo è rappresentata dall’approccio pionieristico di startup come Hemispheric, che sta sviluppando modelli di intelligenza artificiale capaci di analizzare l’attività cerebrale con una logica analoga a quella dei grandi modelli linguistici (LLM) che hanno rivoluzionato l’elaborazione del linguaggio naturale. Per oltre un secolo, l’elettroencefalogramma (EEG) è stato uno strumento diagnostico fondamentale, apprezzato per la sua economicità e non invasività. Tuttavia, la sua interpretazione ha sempre richiesto competenze altamente specialistiche, lasciando margini di soggettività nell’analisi dell’enorme quantità di segnali elettrici prodotti dai neuroni. L’intelligenza artificiale si propone di superare questi limiti, convertendo milioni di impulsi elettrici in dati clinicamente interpretabili, con lo scopo di identificare precocemente alterazioni neurologiche e psichiatriche che finora non erano rilevabili con i metodi diagnostici convenzionali.

L’assunto fondamentale è che il cervello sia un sistema comunicativo che opera attraverso un linguaggio elettrico di notevole complessità, caratterizzato da schemi, frequenze e correlazioni difficilmente percepibili dall’occhio umano nella loro totalità. Similmente a come ChatGPT acquisisce informazioni da miliardi di testi, un modello specifico per le neuroscienze viene addestrato attraverso l’osservazione e l’analisi di ingenti quantità di dati relativi all’attività cerebrale. Per costruire questa base di conoscenza, Hemispheric ha investito anni nella raccolta sistematica di dati, coinvolgendo migliaia di volontari in laboratori internazionali. Il risultato è una delle più ampie collezioni di dati neurofisiologici disponibili, con oltre 250.000 ore di registrazioni provenienti da più di 100.000 partecipanti. Questa disponibilità di dati estesa e diversificata costituisce un vantaggio competitivo cruciale, poiché la performance di qualsiasi sistema di intelligenza artificiale migliora in proporzione alla quantità e alla varietà del materiale utilizzato per l’addestramento.

Le potenziali applicazioni cliniche di questa tecnologia sono numerose e di vasta portata. L’obiettivo principale è offrire ai medici un supporto nella valutazione di condizioni come la depressione, il disturbo post-traumatico da stress (PTSD), la malattia di Parkinson e le fasi iniziali del deterioramento cognitivo. Tali patologie, infatti, sono ancora diagnosticate principalmente attraverso colloqui clinici, l’osservazione dei sintomi e l’utilizzo di scale di valutazione psicologica o neurologica. L’aspirazione è quella di integrare queste valutazioni con una misura biologica oggettiva, riducendo la dipendenza dall’esperienza soggettiva del clinico. È fondamentale sottolineare che l’IA non intende sostituire il giudizio medico, ma piuttosto arricchire il processo diagnostico, che rimane un’integrazione complessa di anamnesi, visita specialistica ed esami strumentali. Tuttavia, un sistema in grado di rilevare modelli invisibili all’analisi umana potrebbe accelerare il riconoscimento di alcune patologie, migliorando notevolmente i risultati per i pazienti.

L’interesse degli investitori, con Hemispheric che ha raccolto complessivamente 52 milioni di dollari attraverso diversi round di finanziamento, conferma la maturazione del settore neurotecnologico. Parte delle attività dell’azienda è già rivolta all’industria farmaceutica, la quale impiega strumenti avanzati di analisi cerebrale per lo sviluppo e la valutazione di nuovi farmaci destinati a malattie neurologiche e psichiatriche. Il campo delle neuroscienze si sta affermando come un catalizzatore per l’incontro tra innovazione medica, intelligenza artificiale e capitale tecnologico. L’elettroencefalogramma, pur essendo una tecnologia centenaria, trova nuova vita grazie a questi algoritmi che cercano correlazioni sofisticate tra migliaia di variabili simultanee, identificando configurazioni associate a specifiche condizioni patologiche. L’intelligenza artificiale, in questo contesto, non rende il cervello meno complesso, ma ne rende la complessità più leggibile. Nondimeno, analogamente a ogni tecnologia emergente nel settore sanitario, dovrà sottoporsi a rigorosi processi di convalida scientifica e ottenere le autorizzazioni normative richieste prima di poter essere implementata nella routine clinica. Permangono interrogativi cruciali sulla generalizzabilità dei modelli, sulla salvaguardia dei dati neurofisiologici e sulla trasparenza degli algoritmi. Nonostante ciò, la prospettiva è significativa: se le promesse saranno mantenute dagli studi clinici, potremmo assistere all’emergere di una nuova generazione di strumenti diagnostici, capaci di supportare il medico nella comprensione dell’organo più intricato del corpo umano.

L’Apprendimento del Cervello e dell’IA: Convergenze e Divergenze

Il dibattito sulla somiglianza tra il funzionamento dell’intelligenza artificiale e quello del cervello umano è al centro della ricerca contemporanea. Sebbene l’IA generativa, con la sua capacità di creare contenuti realistici che simulano la creatività umana, dia l’impressione di avvicinarsi al pensiero umano, esistono profonde differenze. Le reti neurali artificiali (ANN) si ispirano alla struttura del cervello, elaborando informazioni tramite connessioni che ricordano quelle neurali. L’apprendimento progressivo, in cui l’IA acquisisce conoscenza passo dopo passo, elaborando i dati in modo graduale e migliorando con l’uso, è un punto di contatto con l’apprendimento umano. Anche il concetto di “peso sinaptico”, che determina l’influenza di ciascun dato sul risultato finale, trova un parallelo nel cervello biologico, dove la forza delle connessioni sinaptiche modula la trasmissione delle informazioni.

Eppure, nonostante queste analogie superficiali, l’IA non possiede una creatività autentica, non essendo in grado di concepire idee realmente originali o di sorprendere con interpretazioni innovative, poiché è priva di capacità decisionale o di una vera facoltà di rielaborazione immaginativa. La metodologia dell’IA è principalmente statistica e inferenziale, basata su voluminose quantità di dati. Questa dipendenza dai dati comporta una vulnerabilità significativa: se il set di dati è incompleto o presenta distorsioni, l’IA può generare risposte che, pur sembrando corrette, sono in realtà errate. La fiducia riposta in questi sistemi, spesso considerati infallibili, può amplificare i danni quando si verificano errori dovuti ai limiti dei dati disponibili.

La ricerca nel campo dell’IA ha cercato di replicare i meccanismi cerebrali, ma i successi più recenti derivano da algoritmi di apprendimento, come la retropropagazione dell’errore (backpropagation), che non sono direttamente compatibili con le reti neuronali biologiche. La retropropagazione, sviluppata nel 1986 da Geoffrey Hinton, David Rumelhart e Ronald Williams, funziona in due fasi: una fase “in avanti” per inferire un output e una fase “all’indietro” per aggiornare i pesi sinaptici, minimizzando l’errore. Questo processo, sebbene efficace per i computer, è considerato biologicamente inverosimile per diverse ragioni, tra cui la difficoltà di implementare un algoritmo a due fasi nel cervello e il “problema della trasmissione dei pesi sinaptici”, per cui i neuroni biologici hanno accesso solo agli output dei neuroni adiacenti, non ai loro pesi interni.

Nonostante queste sfide, gli scienziati hanno esplorato alternative biologicamente più plausibili. Tra queste, il feedback alignment, proposto nel 2016 da Timothy Lillicrap e colleghi, utilizza una matrice di pesi casuali per la fase all’indietro, dimostrando che, pur con meno accuratezza, la rete può comunque apprendere. Un’altra direzione è la propagazione dell’equilibrio, sviluppata dal gruppo di Yoshua Bengio nel 2017, che impiega reti neurali con connessioni ricorrenti per raggiungere un equilibrio tra input e output, e poi spinge i neuroni di output verso il risultato desiderato, propagando un segnale all’indietro. La codifica predittiva, infine, postula che il cervello faccia continuamente previsioni sugli input sensoriali, correggendo gli errori attraverso una gerarchia di strati neuronali. Beren Millidge ha dimostrato che, con un’impostazione adeguata, le reti a codifica predittiva possono raggiungere gradienti di apprendimento paragonabili alla retropropagazione, sebbene richiedano un numero maggiore di iterazioni.

Studi più recenti si sono concentrati sulle proprietà dei neuroni piramidali, i più comuni nella corteccia cerebrale, dimostrando che possono eseguire contemporaneamente i calcoli della fase in avanti e all’indietro, grazie alla separazione dei segnali nei dendriti basali e apicali. Questo suggerisce che il cervello potrebbe implementare meccanismi simili alla retropropagazione in modi biologicamente plausibili. Inoltre, il ruolo dell’attenzione e della dopamina è stato esplorato come possibile meccanismo di feedback e rinforzo globale, permettendo un apprendimento simile alla retropropagazione senza un “insegnante” esterno. Pieter Roelfsema ha dimostrato che una rete neurale profonda basata su questi principi può raggiungere prestazioni paragonabili alla retropropagazione, pur essendo più lenta di un fattore di due o tre. Questi progressi alimentano l’ottimismo, suggerendo che l’evoluzione potrebbe aver trovato modi ingegnosi per implementare meccanismi di apprendimento efficienti nel cervello umano.

Neuroeducazione e IA: Un Binomio per l’Apprendimento Personalizzato

L’incontro tra neuroeducazione e intelligenza artificiale sta aprendo nuove frontiere nel campo dell’apprendimento e dell’insegnamento, combinando la comprensione scientifica del cervello con la potenza degli strumenti tecnologici avanzati. La neuroeducazione, disciplina interdisciplinare che unisce neuroscienze, psicologia cognitiva e pedagogia, mira a migliorare i metodi didattici comprendendo come il cervello apprende, memorizza e rielabora le informazioni. Un principio chiave è che ogni cervello è unico, e non esiste un metodo didattico universale. Ciò implica la promozione di un insegnamento su misura, capace di adattarsi alle specifiche necessità di ogni singolo studente.

L’intelligenza artificiale, con la sua capacità di simulare processi cognitivi e adattarsi al comportamento dello studente, si rivela particolarmente adatta al contesto neuroeducativo. Mentre la neuroeducazione chiarisce i meccanismi dell’apprendimento, l’IA consente di applicare tali conoscenze su vasta scala. I sistemi intelligenti possono raccogliere dati sui tempi di risposta, errori e progressi degli studenti, adattando il carico cognitivo e fornendo feedback immediati. Questo consente ai docenti di operare correzioni tempestive e rinforzi positivi, migliorando l’efficacia dell’insegnamento. L’IA può anche rilevare segnali emotivi legati all’apprendimento, come noia o frustrazione, contribuendo a creare un ambiente di apprendimento sereno e motivante.

I punti chiave della sinergia tra IA e neurodidattica includono la personalizzazione, l’inclusione e il supporto ai docenti. La personalizzazione si manifesta nell’adattamento dei percorsi di apprendimento, nell’individuazione di schemi di errore e nella fornitura di feedback mirati. L’inclusione è favorita dalla capacità dell’IA di individuare tempestivamente difficoltà legate a bisogni educativi speciali (BES) e disturbi specifici dell’apprendimento (DSA), proponendo strategie dirette, variando la difficoltà degli esercizi e utilizzando ausili multimediali. Per i docenti, l’IA rappresenta uno strumento prezioso per analizzare la situazione della classe, identificare studenti in difficoltà e supportare la creazione di materiale didattico personalizzato, arricchendo il loro lavoro senza sostituirlo. Ad esempio, nella scuola primaria, l’IA può offrire software di lettura facilitata con sintesi vocale adattiva o tutoraggio virtuale per la matematica. Nella scuola secondaria di primo grado, può sostenere l’autonomia nello studio attraverso la creazione di mappe concettuali o simulazioni di esperimenti virtuali. Per la scuola superiore di secondo grado, l’IA può potenziare lo studio autonomo con programmi che suggeriscono lessico, sintassi e fonti per la redazione di relazioni.

Tuttavia, l’integrazione tra neuroeducazione e IA solleva anche importanti questioni etiche e di privacy. L’uso dei dati degli studenti, considerati sensibili, richiede adeguate tutele per prevenire usi impropri. Il rischio di un’eccessiva automatizzazione dell’apprendimento potrebbe limitare lo sviluppo della capacità critica degli alunni, riducendo l’apprendimento a un mero esercizio di risposte guidate. È essenziale adottare un approccio equilibrato ed etico, dove la tecnologia serva da strumento a supporto dell’apprendimento e non sia un fine in sé. La dimensione emotiva, relazionale ed etica dell’insegnamento rimane insostituibile, riconoscendo il valore delle interazioni sociali nello sviluppo cognitivo. In prospettiva, la collaborazione tra neuroeducazione e intelligenza artificiale potrebbe portare a una rivoluzione del sistema educativo, creando ambienti più inclusivi e capaci di valorizzare il potenziale di ciascun studente, con l’IA che supporta l’educatore senza sostituirne il ruolo fondamentale.

L’Illusione della Comprensione: Quando l’IA Sembra Leggerci Dentro

L’avvento dell’intelligenza artificiale conversazionale ha scardinato alcune delle nostre certezze su cosa significhi comprendere, pensare e dialogare, generando una percezione soggettiva di “comprensione” da parte degli algoritmi. I chatbot, basati su Large Language Models (LLM), simulano interazioni dialogiche sofisticate, alimentando nell’interlocutore la sensazione di essere compreso. Questa capacità deriva dalla linguistica computazionale, che unisce informatica, linguistica e scienze cognitive per formalizzare i processi linguistici attraverso modelli matematici. I modelli linguistici di grandi dimensioni determinano la probabilità statistica di una parola rispetto al suo contesto precedente, emulando il meccanismo di anticipazione linguistica peculiare della mente umana. Tale accuratezza statistica, tuttavia, non implica né intenzione né consapevolezza.

Molteplici teorie neuroscientifiche, tra cui il predictive coding, suggeriscono che il cervello umano funzioni anch’esso come un organo predittivo, anticipando costantemente stimoli futuri e correggendo le proprie aspettative. Questa apparente somiglianza tra la mente umana e i modelli computazionali contribuisce a creare l’illusione di comprensione. L’IA sembra “capirci” perché riproduce fedelmente il nostro modo di parlare, ma tale precisione è di natura statistica, non intenzionale. L’algoritmo non possiede coscienza né conferisce significati nel senso psicologico del termine. Taluni ricercatori impiegano il termine “simulazione empatica” per descrivere la facoltà dei modelli linguistici di replicare configurazioni sintattiche e lessicali che evocano una reazione empatica, pur senza una genuina comprensione degli stati emotivi dell’interlocutore. Tale fenomeno genera interrogativi etici e psicologici profondi: quali sono le conseguenze quando si proiettano stati mentali su entità non coscienti?

A differenza dell’essere umano, l’intelligenza artificiale non è influenzata da pregiudizi emotivi, non ha esperienze pregresse, non si stanca né risente di stress relazionali. Questa neutralità algoritmica viene percepita, in alcuni casi, come una forma superiore di empatia, un’empatia algoritmica che, pur non essendo affettiva, può suscitare una forte impressione soggettiva di connessione. Tuttavia, l’empatia umana si distingue per la capacità di comprendere l’altro nella sua complessità, includendo le emozioni come esperienze incarnate. L’IA può imitare il linguaggio delle emozioni, ma non può viverle. Questo limite è cruciale nella riflessione sull’uso dell’IA in contesti relazionali e clinici. Il pericolo non si annida tanto nella tecnologia stessa, quanto nella maniera in cui ridefiniamo le nostre interazioni umane in relazione a questa nuova opportunità. Indagini recenti rivelano come alcuni individui, in particolare giovani adulti, stiano iniziando a preferire le interazioni con le intelligenze artificiali rispetto a quelle con persone, specialmente per affrontare argomenti intimi o emotivamente complessi. L’interazione con l’IA offre una forma di gratificazione a basso costo emotivo, una relazione che sembra fornire convalida e ascolto senza i pericoli dell’incomprensione o del rifiuto. Ciononostante, tale relazione è unidirezionale, priva di reciprocità e imprevedibilità, elementi che caratterizzano le relazioni umane autentiche.

Le ripercussioni sono notevoli anche nell’ambito clinico e terapeutico. L’affidare all’intelligenza artificiale compiti di supporto psicologico rischia di trasformare il processo di aiuto in una mera interazione algoritmica, svuotata della componente empatica e della presenza umana. Sebbene l’interfaccia possa apparire competente o confortante, essa rimane una simulazione sprovvista di reciprocità emotiva e di una genuina capacità trasformativa. La percezione di essere compresi da una macchina costituisce un fenomeno psicologico di grande potenza, che ci spinge a riflettere sul significato stesso della comprensione e dell’empatia. L’IA non “comprende” nel senso umano del termine, ma riflette, simula e predice. Il compito che ci aspetta è distinguere l’umano dall’artificiale e riconoscere quando stiamo orientando la nostra necessità di relazione verso modalità comunicative apparentemente prive di ostacoli. In ambito clinico, il pericolo è che si ricorra all’IA per evitare le difficoltà della relazione umana, rafforzando strategie difensive di evitamento e isolamento affettivo. La sfida terapeutica consiste nell’intercettare l’uso compensatorio dell’IA come sostituto relazionale, sostenendo il processo di differenziazione tra interazione strumentale e scambio intersoggettivo, e restituendo dignità al processo relazionale come setting di trasformazione emotiva e simbolica, irriducibile a qualsiasi simulazione per quanto sofisticata.

Oltre la Superficie: La Profondità della Mente Umana e le Sfide Etiche dell’IA

Il cervello umano, con i suoi 100 miliardi di neuroni e 100 trilioni di interconnessioni, rimane l’organo più complesso e misterioso. Le neuroscienze, attraverso tecniche come la risonanza magnetica, continuano a svelare i meccanismi con cui le informazioni si imprimono nella mente e le aree cerebrali coinvolte in processi come la lettura o il calcolo. Questa conoscenza raffinata ha permesso di fare enormi passi avanti nel riconoscimento precoce di disturbi dell’apprendimento, come la dislessia, consentendo interventi tempestivi che migliorano significativamente il percorso educativo e prevengono conseguenze emotive. Alla base di ogni apprendimento c’è il neurone, la cui attività e le cui connessioni sinaptiche si modificano costantemente in risposta agli stimoli ambientali, un fenomeno noto come “plasticità cerebrale”. Se una connessione è stimolata regolarmente, si rafforza; se non è utilizzata, si indebolisce e può scomparire. Questo principio sottolinea l’importanza della ripetizione e del rinforzo per la memorizzazione a lungo termine.

L’intelligenza artificiale, pur non replicando la complessità del cervello umano, sta diventando parte integrante della nostra quotidianità. Tuttavia, ogni progresso dell’IA solleva rilevanti questioni etiche e sociali. Il rischio non è solo che l’IA sbagli, ma che lo faccia con un’apparente infallibilità, amplificando i danni a causa della fiducia cieca riposta in questi sistemi. Se un algoritmo discrimina a causa di pregiudizi statistici presenti nei dati di addestramento, o se un veicolo autonomo causa un incidente, di chi è la responsabilità? Le normative esistenti trovano difficile dare risposte a questi quesiti, dato che i sistemi di IA acquisiscono conoscenza in modo autonomo, senza un individuo direttamente responsabile. Inoltre, la crescente complessità degli algoritmi rende molti sistemi delle “scatole nere”, dove il processo decisionale è difficile da spiegare persino agli sviluppatori. Come possiamo fidarci di sistemi opachi, soprattutto in ambiti delicati come il credito, la giustizia o il lavoro, dove decisioni cruciali possono escludere intere categorie di persone senza che nessuno ne comprenda il motivo?

A queste sfide si sommano le questioni legate alla proprietà intellettuale. Con la diffusione delle IA generatrici, capaci di produrre testi, immagini e suoni, si pone l’interrogativo fondamentale su chi sia il titolare dei diritti d’autore sulle creazioni generate dall’IA. L’ideatore dell’algoritmo, l’utente che ha fornito l’input, o nessuna delle due parti? Questi dilemmi, sebbene marginali rispetto a trasparenza e responsabilità, pongono sfide significative per il futuro della creatività e del mercato dei contenuti. L’AI Act europeo rappresenta un primo tentativo di regolamentare l’IA a livello globale, un passo significativo verso un futuro in cui la tecnologia sia allineata ai nostri principi etici e giuridici. L’IA avanza rapidamente, ma la vera sfida è imparare a gestirne le conseguenze, garantendo che il suo sviluppo sia al servizio dell’umanità e non a discapito dei suoi valori fondamentali.

Cari lettori, riflettendo su quanto emerso, ci troviamo di fronte a un bivio affascinante e, per certi versi, inquietante. L’intelligenza artificiale, con la sua capacità di elaborare dati e simulare processi cognitivi, ci offre uno specchio potente sulla nostra stessa mente. Dal punto di vista della psicologia cognitiva, l’IA ci costringe a ridefinire concetti come “apprendimento” e “comprensione”. Se un algoritmo può “imparare” da miliardi di dati e “comprendere” il linguaggio in modo così sofisticato da generare risposte pertinenti, cosa distingue allora l’apprendimento umano? La nozione base è che il nostro cervello non è solo un elaboratore di informazioni, ma un organo che attribuisce significato, che prova emozioni, che crea connessioni non solo logiche ma anche affettive. L’IA, per quanto avanzata, opera su un piano statistico, non semantico nel senso umano del termine. Non “sente” il peso di una parola, non “vive” l’esperienza che quella parola descrive. Questo ci porta a una nozione più avanzata: la teoria della mente incarnata. Il nostro pensiero, la nostra comprensione, non sono processi astratti che avvengono in un cervello isolato, ma sono profondamente radicati nel nostro corpo, nelle nostre esperienze sensoriali e motorie, nelle nostre interazioni con il mondo fisico e sociale. Un trauma, ad esempio, non è solo un ricordo immagazzinato in una rete neurale, ma un’esperienza che ha lasciato un’impronta somatica, emotiva, comportamentale, che si manifesta in modi complessi e spesso inconsci. L’IA può analizzare i pattern di un trauma, ma non può “sentirlo” o “elaborarlo” come farebbe un essere umano. La salute mentale, in questo contesto, non è solo l’assenza di patologia, ma la capacità di navigare la complessità delle emozioni, delle relazioni, dei significati. L’IA può essere uno strumento prezioso per la diagnosi precoce, per l’analisi di grandi quantità di dati clinici, ma non può sostituire la relazione terapeutica, l’empatia umana, la capacità di co-costruire un percorso di guarigione. La medicina correlata alla salute mentale si arricchisce di questi strumenti, ma deve rimanere saldamente ancorata alla comprensione profonda dell’individuo nella sua interezza. Dobbiamo chiederci: stiamo cercando nell’IA una scorciatoia per evitare la fatica della relazione umana, la complessità dell’incontro con l’altro, con le sue imperfezioni e la sua imprevedibilità? La vera sfida non è solo tecnologica, ma etica e umana. Come possiamo integrare questi potenti strumenti senza perdere di vista ciò che ci rende unici, ciò che rende la nostra mente e le nostre relazioni così profondamente significative? La riflessione personale che emerge è questa: l’IA ci offre l’opportunità di comprendere meglio noi stessi, non perché sia uguale a noi, ma proprio perché è diversa. Nel confronto con la sua logica algoritmica, possiamo riscoprire la profondità, la ricchezza e l’insostituibile complessità della nostra umanità. Non lasciamoci illudere da una “comprensione” superficiale, ma usiamo questi strumenti per approfondire la nostra vera natura.