Cominciamo a capire un po’ meglio come funzioni un ecosistema: l’introduzione di nuovi attori in un punto decisivo di una catena trofica, l’abbiamo visto la volta scorsa, produce effetti a cascata. In altre parole, un cambiamento a un certo livello produce conseguenze molto significative anche in parti del sistema apparentemente del tutto lontane. Si tratta di un comportamento tipico dei sistemi complessi, dunque fortemente interdipendenti, nei quali ogni elemento è connesso ad altri.

I sistemi complessi, però, non sono solo caratterizzati da questa interdipendenza ma anche da una struttura ben definita, cui ho fatto cenno parlando dei network. Riprendiamo da questo punto: un network è una rete di rapporti tra diversi soggetti (nodi). Ma non basta: per parlare di network, (a) ogni nodo deve essere connesso almeno a un altro e tutti i nodi devono essere connessi in un’unica rete. In altre parole, due insiemi qualsiasi dei nodi di una rete devono avere almeno una connessione che li unisca. Abbiamo visto, però, che non tutti i nodi sono uguali: nelle reti a invarianza di scala, ossia nella quasi totalità delle reti reali, ci sono dei supernodi (hub) con un numero sproporzionato di connessioni.

Anche gli ecosistemi sono così: alcune specie sono in relazione con un numero molto elevato di altre. In altre parole, il loro comportamento ha una forte influenza su molte altre specie. Questo è il caso dei lupi di Yellowstone: sono predatori apicali, vale a dire cacciano diverse altre specie ma nessuno caccia loro. Perciò, se vengono introdotti in un ecosistema, modificano drasticamente le condizioni di vita degli altri e, a loro volta, ciò produce effetti su altre specie altrove. Proprio come lo spostamento degli alci dal fondovalle a opera dei lupi ha migliorato le condizioni di vita dei castori.

Soglie critiche

Come nota Barabási nel suo libro Link, la cui lettura non mi stanco di suggerire, la struttura delle reti a invarianza di scala ha spesso un punto di formazione ben preciso. Si tratta delle cosiddette transizioni di fase, ossia di soglie critiche nelle quali un sistema cambia configurazione. Per chiarire di cosa si tratti, pensiamo a un contenitore pieno d’acqua. Se alziamo gradualmente la temperatura, vediamo che l’acqua resta sempre sostanzialmente uguale, fino a un punto in cui inizia a bollire e poi a evaporare. Se la abbassiamo, notiamo un comportamento simile: per gran parte del tempo non ci sono cambiamenti visibili, fino a che non si formano i primi cristalli e poi si congela tutta. In entrambi i casi, assistiamo a una variazione quantitativa e continua che, a un punto preciso, produce una trasformazione qualitativa e discontinua.

A loro volta, questi nuovi stati sono abbastanza stabili: il vapore non si condensa e il ghiaccio non si scioglie, se la temperatura non cambia in modo cospicuo e prolungato. Questo fenomeno è tipico di diversi sistemi complessi. Per esempio, una serie di collegamenti tra diversi computer, per esempio una rete P2P, avrà all’inizio una configurazione casuale. In altre parole, i vari nodi avranno un numero di collegamenti (relativamente) poco variabile. Ma, non appena il numero di nodi si avvicinerà a una certa dimensione e le connessioni saranno abbastanza stabili, si evidenzieranno alcuni proto-hub, nodi con un numero stabilmente maggiore di connessioni. Al crescere ulteriore della rete, crescerà anche l’importanza di questi hub.

Un altro esempio è la fondazione dei monopoli. Qui la storia del web è molto eloquente. Si parte da settori inizialmente limitati a un numero di utenti relativamente ristretto, come i motori di ricerca o i social network. In questa fase, l’offerta è divisa tra diversi attori in competizione. Quando uno di questi acquista una dimensione preponderante, tutti gli utenti vi si precipitano e gli altri contendenti scompaiono. Questa dinamica è particolarmente potente nel contesto digitale, dato che la sua estrema scalabilità tende ad annullare i vincoli oggettivi che normalmente ostacolano i monopoli. Anche in questo caso, la formazione del predominio nell’offerta è data dall’attraversamento di una soglia critica.

Lo vediamo bene nel comportamento delle AI. I diversi sistemi di machine learning presentano all’inizio una configurazione caotica e casuale. Man mano che gli algoritmi si evolvono e si fanno più complessi, emergono dei pattern ricorrenti attorno a cui si strutturano le diverse variabili. Una volta che questi pattern sono sufficientemente consolidati, le fasi successive di sviluppo si basano in prevalenza su essi. Ed è proprio sulla capacità di strutturare e riconoscere questi pattern che le AI basano il loro lavoro e sono in grado di produrre output soddisfacenti.

Strati e super-hub

Dobbiamo quindi pensare al nostro mondo come a una stratificazione di reti a invarianza di scala, che descrivono e strutturano l’insieme delle nostre relazioni, su diversi piani. In questo contesto, è possibile pensare a dei super-hub, che svolgono una funzione centrale in due o più reti. Pensiamo ai grandi nodi del web: sono articolazioni fondamentali anche in altri sistemi, dalle reti sociali agli spostamenti nello spazio fisico, dalle comunicazioni al lavoro. Probabilmente, lo sviluppo delle AI e la crescente centralità dei flussi di dati nelle nostre vite rafforzeranno ancor più questi super-hub.

Del resto, abbiamo già assistito a eventi paragonabili alle cascate trofiche di cui si diceva in apertura. Pensiamo agli effetti prodotti dai giganti del web su settori economici e sociali come l’informazione, la pubblicità, la comunicazione politica sociale e persino il commercio al dettaglio. In tutti questi casi, la transizione di stato verso altri modelli organizzativi è andata di pari passo con il consolidamento dei super-hub.

Si tratta, indubbiamente, di processi che vanno governati più e meglio di quanto si sia fatto finora. Per poterlo fare, è necessario avere la massima consapevolezza possibile del funzionamento di questi sistemi complessi. Dobbiamo conoscere molto meglio i diversi ecosistemi in cui viviamo e guardare più in profondità quando valutiamo le conseguenze delle nostre scelte. Per farlo, servono tre cose. La prima è la trasparenza informativa: proprio come nel caso della crisi ambientale, dobbiamo disporre di informazioni adeguate su quello che succede. La seconda è la capacità di raccogliere e immagazzinare dati. I sistemi complessi sono, appunto, complessi, il che significa che per conoscerli a fondo ci vogliono enormi quantità di dati. La terza è la potenza di calcolo, intesa non semplicemente come quantità di dati elaborati in un intervallo di tempo ma come capacità di elaborare sistemi di calcolo, algoritmi.

Insomma, si è capito: per governare la complessità, servono le AI. Per aiutarci a gestire gli effetti delle AI, abbiamo bisogno delle AI. Partiamo da qui e pensiamo, sul serio, al mondo che vogliamo.