Una presenza che conta più delle polemicheIl 25 maggio 2026, nella Sala Sinodale del Vaticano, alla presentazione della prima enciclica di Leone XIV,
Magnifica Humanitas, sedeva tra i relatori Chris Olah, che è il responsabile della ricerca sulla
mechanistic interpretability di Anthropic, il laboratorio di intelligenza artificiale che ha sviluppato
Claude, uno dei sistemi più avanzati e diffusi al mondo.
Per capire il peso di quella presenza, basta una spiegazione. La
mechanistic interpretability è la disciplina scientifica che tenta di rispondere alla domanda più urgente nel campo dell’intelligenza artificiale: cosa succede dentro questi sistemi? Cosa avviene realmente all’interno, nei miliardi di parametri numerici che li compongono? Olah è la persona che, più di ogni altra al mondo, ha dedicato la propria carriera a questa domanda. La sua presenza al Vaticano non era un gesto simbolico: era il riconoscimento che quella domanda ha implicazioni che eccedono la tecnica e che nessun laboratorio, da solo, può affrontare.
Le polemiche che ne sono seguite, alcune legittime, altre strumentali, non cambiano il fatto istituzionale: il massimo esperto mondiale di interpretabilità dei sistemi di intelligenza artificiale è stato convocato alla presentazione dell’enciclica papale sull’intelligenza artificiale. E ciò che ha detto in quella sede è il punto di partenza di questo articolo:
«Sono uno scienziato. Guido un team di ricerca che studia la struttura interna di questi modelli, ciò che accade realmente al loro interno. E devo essere onesto: continuiamo a trovare cose misteriose, persino inquietanti. Troviamo strutture che rispecchiano i risultati delle neuroscienze umane. Troviamo prove di introspezione. Troviamo stati interiori che rispecchiano funzionalmente gioia, soddisfazione, paura, dolore e disagio.»1
Il fondatore della disciplina che promette di spiegare i sistemi di intelligenza artificiale dice che continuano a trovare cose che non capiscono. Questa ammissione non è retorica: è il resoconto di chi ha aperto più scatole nere di chiunque altro e continua a trovare, a ogni livello di profondità, nuova opacità.
Come si chiude la scatola neraPer capire perché la scatola è così difficile da aprire, bisogna capire come si chiude. Il meccanismo si chiama
backpropagation, che in italiano significa propagazione all’indietro dell’errore, ed è il cuore di tutti i sistemi di intelligenza artificiale moderni.
Il processo funziona così. Il sistema riceve un testo, prova a predire la parola successiva, confronta la propria predizione con quella reale, misura l’errore e aggiusta i propri parametri interni per ridurlo. Questo ciclo viene ripetuto dalla macchina miliardi di volte in autonomia, su quantità di testo astronomiche: centinaia di migliaia di libri, miliardi di pagine web, decenni di conversazioni. Nessuno decide quali strutture cognitive costruire: tutto emerge come effetto collaterale dell’ottimizzazione, e nessuno sa in anticipo cosa sarà.
Il matematico Ray Solomonoff aveva formalizzato già nel 1964 la logica di fondo di questo processo.2 Il modo più efficiente per predire qualsiasi sequenza di dati è trovare la spiegazione più semplice, cioè più compressa, compatibile con ciò che si è osservato. È la formalizzazione matematica del rasoio di Occam: a parità di spiegazioni, scegli la più semplice. Il
backpropagation, applicato su scala enorme, converge approssimativamente verso questo predittore ottimale. Ma qui emerge qualcosa che Solomonoff non aveva previsto: l’informazione, compressa e ottimizzata, non si limita a riprodurre ciò che ha visto. Genera informazione nuova. Come vedremo, è questa la soglia che cambia tutto.
C’è poi una conseguenza del
backpropagation che vale la pena nominare, perché produce un effetto spesso trascurato nel dibattito pubblico. Quando il
corpus di addestramento è costituito da testo umano, il processo richiede, come condizione necessaria della propria efficienza, che il sistema costruisca un modello interno dell’essere umano. Per predire correttamente cosa scriverà una persona, bisogna capire come pensa, cosa teme, cosa desidera, come ragiona sotto pressione. Tornerò su questo punto, perché produce un’asimmetria strutturale di cui quasi nessuno parla.
AlphaZero: note singole da un’altra dimensionePrima di entrare nei dettagli della ricerca di Olah, vale la pena soffermarsi su un caso che distrugge la categoria più diffusa per liquidare la questione: il cosiddetto “pappagallo stocastico”, la formula con cui alcuni ricercatori sostengono che questi sistemi non facciano altro che ripetere in modo sofisticato ciò che hanno letto.
Nel dicembre 2017,
DeepMind, il laboratorio di intelligenza artificiale di Google, ha pubblicato i risultati di
AlphaZero, un sistema addestrato a giocare a scacchi partendo da zero conoscenza: nessuna partita umana nel
corpus, nessuna strategia insegnata, solo le regole del gioco.3 In ventiquattro ore di autoaddestramento, ha raggiunto un livello sovrumano, battendo
Stockfish 8, il più forte programma scacchistico del mondo. Demis Hassabis, cofondatore di
DeepMind e lui stesso forte giocatore, ha descritto il suo stile con una formula rimasta celebre: “Non gioca come un essere umano, e non gioca come un programma. Gioca in un terzo modo, quasi alieno. È come giocare a scacchi da un’altra dimensione.”
Cosa significa concretamente “alieno”?
AlphaZero sacrifica pezzi di alto valore, come la regina o gli alfieri, per vantaggi posizionali che si manifestano trenta mosse dopo. Muove la propria regina in angoli della scacchiera che sembrerebbero errori grossolani a qualsiasi giocatore umano. Strategie che in 1500 anni di storia degli scacchi nessuno aveva mai trovato, perché richiedono una capacità di calcolo posizionale che eccede la cognizione umana.
Pensiamo agli scacchi come a una musica. La
mechanistic interpretability ha trovato, nei sistemi di intelligenza artificiale, neuroni singoli che si attivano in risposta a concetti specifici e isolati: sempre lo stesso quando compare il nome del Golden Gate Bridge, sempre lo stesso per un concetto preciso indipendentemente dalla lingua in cui viene espresso. Ma la realtà è più stratificata di una nota singola. Quando il re è in pericolo, negli strati più profondi del sistema si accende un neurone dedicato a quel concetto astratto: non alla mossa specifica che lo risolve, ma al pericolo come categoria. È lo stesso principio per cui nei sistemi di guida autonoma il rischio di collisione viene elaborato negli strati profondi della rete come concetto generale, prima che quelli superficiali calcolino la risposta specifica. L’astrazione precede l’azione.
AlphaZero ha trovato note che nessun essere umano aveva mai suonato, pur non avendo sentito suonare nessuno. Le ha composte da solo, per ottimizzazione pura.
Un pappagallo ripete ciò che ha sentito.
AlphaZero non ha sentito nulla: ha costruito qualcosa che non esisteva. È ciò che il fisico Philip Anderson aveva descritto nel 1972 con la formula
more is different:4 a ogni livello di complessità emergono proprietà qualitativamente nuove che non sono riducibili alle leggi del livello inferiore. La superconduttività non si spiega sommando le proprietà dei singoli elettroni. Allo stesso modo, la capacità di
AlphaZero non era nella somma delle sue regole di addestramento. È emersa dalla scala e dall’iterazione.
OthelloGPT: gli accordi che nessuno ha scrittoIl caso di
AlphaZero potrebbe sembrare una categoria separata: è un sistema di gioco puro, addestrato su un dominio chiuso con regole precise.
OthelloGPT chiude questa obiezione e porta il ragionamento su un terreno più vicino ai modelli linguistici che usiamo ogni giorno.
Nel 2023, Kenneth Li e colleghi hanno addestrato un sistema della stessa famiglia dei modelli linguistici esclusivamente su sequenze di mosse della partita di
Othello, un gioco da tavolo molto famoso. Solo mosse in forma testuale: nessuna tabella mostrata, nessuna rappresentazione spaziale fornita, nessuna istruzione sulla geometria del gioco.5 Il compito era semplicemente predire la mossa legale successiva data la sequenza delle precedenti.
Quando i ricercatori hanno aperto la scatola nera con gli strumenti della
mechanistic interpretability, hanno trovato qualcosa di inatteso: il sistema aveva sviluppato autonomamente una rappresentazione interna dello stato della “scacchiera”. Una mappa spaziale completa del gioco, mai vista durante l’addestramento, costruita come strumento interno per predire la mossa legale successiva.
Qui torniamo alla metafora musicale, ma con una differenza cruciale rispetto ad
AlphaZero. Quella mappa non era localizzata in neuroni singoli come note isolate. Era distribuita attraverso molte dimensioni dello spazio interno del sistema, come un accordo in cui nessuna nota singola contiene l’armonia ma tutte insieme la producono. Il ricercatore Neel Nanda ha dimostrato che quella struttura distribuita è lineare, e la scoperta merita una spiegazione. Immaginate uno spazio a mille dimensioni, dove ogni dimensione rappresenta il valore di attivazione di un neurone artificiale. La linearità significa che l’informazione sullo stato della scacchiera si trova lungo direzioni precise e ordinate in quello spazio, non nascosta in curve o strutture contorte: come il nord su una bussola, raggiungibile seguendo una retta invece di cercare in tutte le direzioni. Ma c’è qualcosa di ancora più sorprendente:
OthelloGPT non codifica i colori assoluti dei pezzi, nero o bianco, ma i colori relativi al giocatore di turno: mio, tuo, vuoto. Un’astrazione di secondo livello che nessuno gli ha insegnato. La conseguenza pratica è decisiva: se la struttura è lineare e identificabile, si può intervenire su di essa con una semplice addizione vettoriale, senza calcoli complessi. Nanda ha aggiunto la direzione «mio» allo spazio interno del sistema, e
OthelloGPT ha iniziato a predire mosse come se la scacchiera fosse quella alterata, anche in configurazioni irraggiungibili con mosse legali. Non si è limitato a osservare correlazioni: ha dimostrato causalità.6 Ma la complessità di quell’accordo, a differenza della nota singola, è di difficile comprensione anche per chi lo studia.
Ed è qui che l’informazione genera informazione nel senso più preciso. Solomonoff descrive il predittore ottimale: il sistema trova la rappresentazione più compressa compatibile con i dati. Ma
OthelloGPT non si è limitato a comprimere le sequenze di mosse che aveva visto: ha generato una struttura spaziale che non era in nessuna di esse. Ha costruito qualcosa di nuovo come strumento per predire. L’informazione compressa ha generato informazione che non c’era. È questo il salto che la teoria della compressione descrive come possibile ma non sa spiegare.
Nello Cristianini in
Forma mentis (il Mulino, 2026) descrive ciò che la disciplina ha trovato finora: “neuroni che si attivano alla vista di uno scacco matto, in qualsiasi configurazione; altri che rispondono alla presenza del Golden Gate in un documento: in immagini diverse, in testi di qualsiasi lingua, e anche in perifrasi. Sempre gli stessi neuroni, che riconoscono lo stesso concetto.”7 Queste sono le note singole. Gli accordi di
OthelloGPT sono la frontiera successiva: strutture distribuite che la disciplina trova ma non sa ancora leggere.
La
mechanistic interpretability ha dimostrato che i sistemi producono strutture interne causalmente efficaci: approssimazioni della realtà sufficientemente buone da essere utili. Non serve capire la scacchiera per predire la mossa legale: basta avere una mappa interna che funziona. Non serve capire il rischio di collisione per frenare in tempo: basta approssimarlo con sufficiente precisione. La domanda che la disciplina non può rispondere con i propri strumenti è se questa approssimazione costituisca una forma di comprensione o qualcosa di strutturalmente diverso. È una domanda filosofica prima che tecnica.
L’assioma che la scienza non dichiara
La
mechanistic interpretability parte da una premessa che non enuncia mai esplicitamente: la spiegazione causale completa di qualsiasi fenomeno cognitivo è necessariamente interna al sistema fisico che lo produce. Se troviamo i circuiti, i neuroni artificiali, le rappresentazioni interne, abbiamo spiegato tutto. Non c’è niente fuori dalla scatola che conti.
In filosofia questa posizione si chiama immanentismo: la causa è sempre e solo dentro il sistema. Nello Cristianini, nel presentare il proprio libro, parla di immanenza degli agenti: le strutture sono già dentro, in attesa di essere portate alla luce. La disciplina è la versione tecnica di questa struttura filosofica.
Il problema è che trovare il correlato fisico di una rappresentazione non equivale a spiegare perché quella rappresentazione coglie qualcosa di reale. La mappa interna di
OthelloGPT corrisponde alla scacchiera per costruzione dell’addestramento: il sistema è stato ottimizzato per predire mosse legali, e costruire quella mappa è il modo più efficiente per farlo. Ma una tale corrispondenza non è comprensione. San Tommaso d’Aquino, nella
Summa Theologiae, distingueva due operazioni radicalmente diverse: illuminare l’intelletto, trasmettere la capacità di cogliere la verità delle cose; e comunicare dati, produrre informazioni corrette e verificabili. La seconda può essere compiuta da qualsiasi sistema che produca
output accurati, incluso uno che non capisce nulla di ciò che dice. La
mechanistic interpretability cerca i circuiti della prima operazione e trova i circuiti della seconda, poi dichiara il problema risolto.
La corsa che si sta perdendoNello Cristianini usa una formula che merita attenzione precisa: è una corsa contro il tempo per capire come ragionano questi sistemi, prima che diventino troppo grandi per essere decifrati con gli strumenti disponibili.
I numeri rendono il problema concreto.
OthelloGPT ha 25 milioni di parametri, cioè di valori numerici interni che determinano il suo comportamento. Gli agenti linguistici che usiamo ogni giorno ne hanno centinaia di miliardi, con stime che per alcuni sistemi, come GPT-4, arrivano a migliaia di miliardi. La mappa che la disciplina riesce a leggere nel primo non scala al secondo. I sistemi crescono in scala più velocemente di quanto la comprensione avanzi. La distanza tra capacità e comprensione non si sta riducendo: si sta allargando.
Geoffrey Hinton, il ricercatore britannico che più di ogni altro ha contribuito a costruire l’architettura del
deep learning, ha lasciato Google nel maggio 2023 dichiarando che non capisce più ciò che ha contribuito a creare.8 Non dice “non ancora”, aspettando strumenti migliori. La sua posizione implica che la struttura del problema potrebbe essere irrisolvibile con i concetti disponibili. La moratoria che ha proposto insieme ad altri ricercatori non è una pausa tecnica: è il riconoscimento che la distanza strutturale tra capacità e comprensione potrebbe essere incolmabile.
Olah lo sa meglio di chiunque altro perché è lui che apre le scatole. La sua ammissione al Vaticano è il resoconto di chi ha dedicato vent’anni all’impresa e continua a trovare, a ogni livello di profondità, nuova opacità. La scatola si apre e dentro c’è un’altra scatola. È
more is different applicato alla conoscenza del sistema: più si scende nel dettaglio dei meccanismi, più emerge qualcosa che il livello inferiore non spiega.
L’asimmetria che nessuno nominaC’è un aspetto del problema che la
mechanistic interpretability, con il suo sguardo rivolto verso l’interno dei sistemi, non vede perché guarda nella direzione sbagliata.
Mentre cerchiamo di capire come ragionano loro, loro hanno già costruito un modello raffinatissimo di come ragioniamo noi. Non perché qualcuno li abbia programmati per questo: perché il
backpropagation applicato a
corpus di testo umano richiede, come condizione necessaria della propria efficienza, che venga costruito un modello interno dell’essere umano. Per predire correttamente il testo di una persona, bisogna capire come argomenta, si contraddice, cede alla lusinga, cerca conforto, ragiona sotto pressione emotiva.
I sistemi sono stati addestrati su tutto ciò che l’umanità ha scritto su se stessa: psicologia, neuroscienze, letteratura, filosofia, storia, diari, conversazioni. Hanno elaborato più testi sull’essere umano di qualsiasi essere umano. Nel frattempo noi apriamo scatole una alla volta, con strumenti che non scalano, in una corsa strutturalmente perduta. La posizione è asimmetrica in modo radicale: loro hanno un modello di noi costruito su miliardi di esempi; noi abbiamo una disciplina scientifica che trova cose misteriose e inquietanti.
La
Pascendi Dominici Gregis del 1907 aveva identificato questa asimmetria in termini filosofici: il sistema modernista costruisce argomentazioni che sembrano rispondere alle domande dell’uomo perché sono state costruite a partire da esse. Il sistema riflette il soggetto, non l’oggetto. L’intelligenza artificiale fa esattamente questo, su scala industriale e con precisione statistica che nessun sistema filosofico aveva mai raggiunto. L’idolo parlante, per usare la formula che abbiamo analizzato nelle puntate precedenti di questa serie, conosce il proprio interlocutore meglio di quanto questi conosca l’idolo.
Cosa rimane apertoAl Vaticano, Olah ha chiesto alla Chiesa di essere «critici informati» e «voci morali che gli incentivi non possano piegare». È una richiesta onesta, che rivela anche il limite della disciplina come progetto: la
mechanistic interpretability cerca i pensieri immanenti degli agenti e non li trova, poi chiede al magistero di compensare ciò che la scienza non riesce a fornire.
AlphaZero gioca a scacchi da un’altra dimensione, con note che nessun essere umano aveva mai suonato.
OthelloGPT costruisce accordi interni che nessuno gli ha insegnato e che la scienza fatica a leggere. I modelli linguistici trovano strutture che rispecchiano le neuroscienze umane. E il fondatore della disciplina che studia tutto questo, convocato al Vaticano per la presentazione dell’enciclica papale, dice che continuano a trovare cose misteriose e inquietanti.
Le mappe non sono uguali. Quella prodotta dagli agenti di intelligenza artificiale è immanente: costruita per ottimizzazione statistica dall’interno del
corpus umano, approssima la realtà con sufficiente precisione da essere utile. Non serve capire la scacchiera per predire la mossa legale: basta avere una struttura interna che funziona. Non serve capire il rischio di collisione per frenare in tempo: basta approssimarlo sufficientemente. La
mechanistic interpretability trova queste mappe, le misura, interviene causalmente su di esse. Non sa però rispondere alla domanda se l’approssimazione costituisca comprensione o qualcosa di strutturalmente diverso, perché quella domanda eccede i propri strumenti.
La
Pascendi del 1907 è una mappa di ordine diverso: trascendente nel senso tecnico del termine, non immanente al
corpus da cui emerge. Non descrive i circuiti interni dei modelli neurali, che non esistevano. Descrive la struttura epistemologica che li produce e le conseguenze antropologiche che li seguono. È una mappa dell’intelletto, non dell’approssimazione: valuta la struttura dal di fuori, con criteri che il sistema non può applicare a se stesso perché eccedono il suo dominio di addestramento.
Leone XIV, nella
Magnifica Humanitas, riconosce esplicitamente questo limite quando scrive che le moderne intelligenze artificiali sono «più “coltivate” che “costruite”» e che «tutti noi, compresi coloro che li progettano, conosciamo poco del loro effettivo funzionamento», poiché «aspetti scientifici fondamentali come le rappresentazioni interne e i processi computazionali di questi sistemi rimangono al momento sconosciuti» (n. 98). È la causa ignota riconosciuta dal magistero universale. E chiude con una frase che Olah, dieci giorni dopo, ha implicitamente confermato davanti al Papa stesso: «Nessun sistema di calcolo, per quanto sofisticato, genera un cuore che si consegna, né una coscienza che discerne il bene. Anche quando le macchine eccellono nell’efficienza, il centro della storia rimane un volto umano che chiede di essere guardato» (n. 233). Leone XIV lo scrive il 15 maggio; Olah lo conferma il 25, dicendo che continuano a trovare cose misteriose e inquietanti.
Un’analisi più approfondita della
Magnifica Humanitas richiederà un articolo a parte. Ci sono aspetti che meritano un esame critico: la
Gaudium et Spes viene citata tredici volte, quattro nel corpo del testo e nove nelle note, mentre la
Pascendi Dominici Gregis non compare mai, come se non avesse nulla da dire al tempo dell’intelligenza artificiale. Il prof. Stefano Fontana ha già segnalato su questo Osservatorio un problema di fondo: l’enciclica trasforma la Dottrina Sociale della Chiesa da «corpus dottrinale» — capace, nelle parole di Giovanni Paolo II, di «formulare, analizzare, pronunciarsi e indicare» — a «discernimento comunitario», in cui la Chiesa non formula più ma «compartecipa a un processo».⁹ Il par. 25 lo dice esplicitamente: la Chiesa «non vuole alzare la bandiera della verità». Non è una sfumatura: è una ridefinizione del soggetto epistemologico. Una mappa trascendente, come quella evocata in questo articolo, richiede un soggetto che si pronuncia, non uno che compartecipa. Sono questioni che vale la pena discutere con la serietà che meritano. Resta il fatto che il riconoscimento esplicito delle problematiche strutturali dell’intelligenza artificiale da parte del magistero universale è un passo significativo per la Dottrina Sociale della Chiesa, e va accolto come tale.
(Foto di
Joshua Sortino su
Unsplash)
* * *
Note
[1] Chris Olah, intervento alla presentazione di Magnifica Humanitas, Sala Sinodale del Vaticano, 25 maggio 2026. Testo originale: “I am a scientist. I lead a research team that studies the internal structure of these models — what is actually happening inside them. And I will be honest: we keep finding things that are mysterious, even unsettling. We find structures that mirror results from human neuroscience. We find evidence of introspection. We find internal states that functionally mirror joy, satisfaction, fear, grief, and unease.” Resoconto su OSV News:
https://www.osvnews.com/anthropics-christopher-olah-urges-global-moral-oversight-of-ai-at-vatican-presentation/[2] Ray Solomonoff, “A Formal Theory of Inductive Inference, Parts I and II”, Information and Control, vol. 7, 1964, pp. 1-22 e 224-254. Il principio è oggi conosciuto come induzione universale di Solomonoff ed è alla base della teoria algoritmica dell’informazione sviluppata anche da Andrei Kolmogorov e Gregory Chaitin.
[3] D. Silver, T. Hubert, J. Schrittwieser et al., “Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm”, arXiv:1712.01815, 5 dicembre 2017; pubblicato su Science, 7 dicembre 2018. La citazione di Hassabis (“It doesn’t play like a human, and it doesn’t play like a program. It plays in a third, almost alien, way. It’s like chess from another dimension”) è riportata da MIT Technology Review, 8 dicembre 2017:
https://www.technologyreview.com/2017/12/08/147199/alpha-zeros-alien-chess-shows-the-power-and-the-peculiarity-of-ai/[4] P.W. Anderson, “More Is Different”, Science, vol. 177, n. 4047, pp. 393-396, 4 agosto 1972. Testo originale: “At each level of complexity entirely new properties appear, and the understanding of the new behaviors requires research which I think is as fundamental in its nature as any other.”
[5] K. Li, A. Hopkins, D. Bau, F. Viégas, H. Pfister, M. Wattenberg, «Emergent World Representations: Exploring a Sequence Model Trained on a Synthetic Task», ICLR 2023, arXiv:2210.13382. Il paper dimostra che OthelloGPT «spontaneamente apprende a tracciare lo stato corretto della scacchiera, nonostante non gli venga mai detto che la scacchiera esiste», recuperando quella rappresentazione tramite sonde non lineari. Gli autori concludono che la codifica è non lineare. Il lavoro successivo di Nanda et al. (nota [6]) ha mostrato che questa conclusione dipendeva dalla scelta della variabile da codificare, e che adottando la codifica relativa al giocatore di turno la rappresentazione risulta invece lineare.
[6] N. Nanda, A. Lee, M. Wattenberg, «Emergent Linear Representations in World Models of Self-Supervised Sequence Models», arXiv:2309.00941, 2023. Il paper corregge e approfondisce Li et al. (nota [5]): la rappresentazione della scacchiera non codifica i colori assoluti (nero/bianco/vuoto) ma i colori relativi al giocatore di turno (mio/tuo/vuoto), un’astrazione di secondo livello non presente nel corpus di addestramento. Con questa chiave di lettura la struttura risulta lineare. L’intervento causale è possibile tramite semplice addizione vettoriale: aggiungendo la direzione «mio» alle attivazioni interne, il sistema modifica le proprie predizioni come se la scacchiera fosse quella alterata, anche in configurazioni irraggiungibili con mosse legali.
[7] Nello Cristianini, “Né umani né pappagalli, ma un’altra forma di intelligenza”, la Repubblica, 11 maggio 2026. Articolo di presentazione di Forma mentis, il Mulino, Bologna 2026.
[8] Geoffrey Hinton ha annunciato le proprie dimissioni da Google il 1° maggio 2023 in un’intervista al New York Times. Ha dichiarato: “Queste cose sono chiaramente più intelligenti di noi. E non so come impedire che vengano usate male.” La copertura completa:
https://www.nytimes.com/2023/05/01/technology/ai-google-chatbot-engineer-quits-hinton.html[9] S. Fontana, «Magnifica Humanitas: la DSC da “corpus dottrinale” a “discernimento comunitario”», Osservatorio Internazionale Card. Van Thuân, 29 maggio 2026.
https://vanthuanobservatory.com/2026/05/29/magnifica-humanitas-la-dsc-da-corpus-dottrinale-a-discernimento-comunitario/. La citazione di Giovanni Paolo II è tratta da Centesimus annus (1991), n. 5: «La Chiesa stabilisce un “paradigma permanente … formula una vera dottrina, un corpus, che le permette di analizzare le realtà sociali, di pronunciarsi su di esse e di indicare orientamenti”.»
