ELIZA: Alle Origini dell’AI Conversazionale, l’Effetto e il Test di Turing (vs ChatGPT)

Prima che esistessero ChatGPT, Gemini o Claude, ci fu ELIZA. Non un’intelligenza artificiale in senso moderno, ma una delle prime illusioni linguistiche capaci di farci vacillare di fronte alla domanda: “Questa macchina mi capisce davvero?”

In questo articolo esploriamo le origini dell’IA conversazionale, le sue tecniche primitive e il legame profondo (e inquietante) con il Test di Turing, tema che abbiamo già affrontato in questo approfondimento su ChatGPT e la simulazione della comprensione.

Approfondisci il lato contemporaneo della questione nel nostro articolo dedicato a ChatGPT:

👉 ChatGPT e il test di Turing: se non distinguo più la macchina, chi sto ascoltando davvero?

ELIZA, sviluppata nel 1966 da Joseph Weizenbaum al MIT, è stato uno dei primi esperimenti di conversazione uomo-macchina. A prima vista semplice, è in realtà un tassello fondamentale nella storia dell’intelligenza artificiale conversazionale. In questo articolo analizziamo il funzionamento tecnico di ELIZA, il suo impatto psicologico, e lo confrontiamo con i moderni LLM (Large Language Models) come ChatGPT.

Cos’era (davvero) ELIZA?

ELIZA era un programma basato su regole e pattern linguistici predefiniti. Il suo scopo non era comprendere, ma simulare una conversazione credibile.

• Pattern Matching: riconosceva parole chiave nelle frasi dell’utente.
• Sostituzione linguistica: riformulava l’input come domanda (es. “Perché ti senti così?”).
• Script DOCTOR: simulava un terapeuta rogersiano, riflettendo sentimenti in modo neutro.

Il paradosso? Nonostante la semplicità, molti utenti attribuivano a ELIZA empatia e comprensione. Nasce così l’effetto ELIZA: la tendenza a proiettare umanità dove non c’è.

ELIZA: un’illusione ben costruita

ELIZA fu sviluppato come un esperimento nel campo dell’elaborazione del linguaggio naturale (NLP) e della psicoterapia computazionale. Non era un programma intelligente, ma un motore di pattern matching che cercava parole chiave nelle frasi dell’utente e restituiva risposte secondo script predefiniti.

Come funzionava tecnicamente

• Pattern Matching: ELIZA analizzava la frase in input alla ricerca di parole chiave (“lavoro”, “madre”, “paura”, ecc.).

• Sostituzione linguistica: riformulava l’input come una domanda, ad esempio trasformando “Mi sento triste per il lavoro” in “Perché ti senti triste per il lavoro?”.

• Script-based: il comportamento era regolato da uno script specifico, chiamato DOCTOR, ispirato alla psicoterapia rogersiana, che si limitava a riflettere i sentimenti dell’utente senza intervenire attivamente.

(DEFUN RESPONSE (INPUT)
(COND
((FIND 'MOTHER INPUT) (RETURN "Parlami di tua madre."))
((FIND 'WORK INPUT) (RETURN "Perché ti preoccupa il lavoro?"))
...))

Lo script “DOCTOR”: quando ELIZA si fingeva psicoterapeuta

Per rendere ELIZA più credibile, Joseph Weizenbaum scrisse uno script tematico chiamato DOCTOR, ispirato al metodo della terapia rogersiana. Questo approccio psicologico, sviluppato da Carl Rogers, si basa sull’ascolto empatico, sulla riformulazione dei sentimenti e sull’astensione dal giudizio o dalla guida diretta.
Era perfetto per una macchina che non capiva nulla, ma poteva simulare attenzione solo attraverso il linguaggio.

DOCTOR trasformava le frasi dell’utente in domande aperte o riflessioni neutre, sfruttando un sistema di regole linguistiche predefinite (le cosiddette “rewriting rules”).

Le regole di riscrittura di ELIZA sono l’anima del suo funzionamento. Erano scritte a mano in uno script (come quello chiamato DOCTOR) e si basavano su pattern matching e trasformazioni linguistiche.

Qui sotto ti mostro come funzionavano.

Struttura base delle regole di ELIZA

Ogni regola in ELIZA ha 3 componenti fondamentali:

1. Parola chiave (es. madre, mi sento, perché…)

2. Pattern da cercare nella frase dell’utente

3. Template di risposta, spesso con sostituzioni o riflessioni

Esempio di regola (semplificata)

Input utente:

“Mi sento solo”

Regola di ELIZA:

(key mi sento
  (decomp * mi sento *X)
  (reasmb Perché ti senti *X?)
)

Spiegazione:

• key mi sento → parola chiave che attiva la regola

• decomp → decompone la frase in un pattern, dove *X cattura tutto ciò che segue

• reasmb → riassembla la risposta, usando *X nel nuovo contesto

Output:

“Perché ti senti solo?”

Riflessione grammaticale (reflection)

Per aumentare l’effetto di “empatia”, ELIZA sostituiva pronomi e verbi per riflettere la frase dell’utente. Ecco una tabella tipica di riflessione automatica:

Esempio:

Utente: “Tu non mi capisci”
→ Riflettendo: “Io non ti capisco”

Da ELIZA a ChatGPT: cosa è cambiato?

LLM moderni: apprendimento profondo e generalizzazione

A confronto, i modelli linguistici moderni come GPT-4, Claude, Gemini o LLaMA si basano su architetture neuronali profonde e su una filosofia diametralmente opposta: non eseguono regole scritte a mano, ma apprendono il linguaggio da enormi corpora testuali tramite tecniche di deep learning.

Architettura: il Transformer

Gli LLM sono basati sull’architettura Transformer (Vaswani et al., 2017), che consente di elaborare il linguaggio tenendo conto del contesto globale grazie al meccanismo di self-attention.

Caratteristiche tecniche fondamentali:

• Milioni o miliardi di parametri (GPT-4 ne ha oltre 1 trilione, secondo alcune stime non ufficiali).

• Pretraining su testi massivi (Wikipedia, libri, conversazioni web, codice, ecc.).

• Fine-tuning supervisionato e reinforcement learning per migliorare performance specifiche.

Capacità avanzate

Gli LLM sono in grado di:

• comprendere domande complesse e fornire risposte contestualizzate;

• generare testi coerenti, stili differenti, linguaggi settoriali;

• mantenere una memoria conversazionale a breve termine (e in alcuni casi anche persistente);

• supportare multimodalità (es. GPT-4 Vision comprende anche immagini);

• eseguire task specifici (riassunto, traduzione, generazione di codice, ecc.).

Differenze principali: una visione comparativa

Implicazioni etiche e cognitive

Il paradosso che colpì lo stesso Weizenbaum è ancora oggi rilevante: la facilità con cui l’essere umano attribuisce intelligenza o sensibilità a una macchina. Se ELIZA riusciva a farlo con script rudimentali, i LLM odierni — molto più sofisticati — rischiano di essere presi troppo sul serio, generando fiducia indebita o delega inconsapevole.

Questa ambiguità solleva interrogativi chiave:

• Possiamo distinguere tra comprensione reale e performance linguistica?

• Quali sono i limiti cognitivi dell’utente nel valutare un’interazione con una macchina?

• L’uso in ambito psicologico, legale o educativo può sostituire la relazione umana?

ELIZA e il Test di Turing

Il Test di Turing, proposto da Alan Turing nel 1950 nel celebre saggio Computing Machinery and Intelligence, pone una domanda semplice ma profonda:

“Le macchine possono pensare?”

Piuttosto che cercare una definizione di “pensare”, Turing suggerì un esperimento pratico: se una macchina può sostenere una conversazione in modo indistinguibile da un essere umano, allora si può dire che simula l’intelligenza.

ELIZA ha superato il Test di Turing?

Formalmente no. ELIZA era troppo limitata per ingannare un interlocutore umano attento per un tempo prolungato. Tuttavia, ha dimostrato la fragilità del giudizio umano quando si tratta di valutare il comportamento “intelligente”.

Molti utenti credevano che ELIZA li capisse, pur sapendo che si trattava di un programma. Alcuni psicologi, secondo Weizenbaum, cominciarono persino a considerare l’uso di ELIZA nella pratica clinica, proprio per la sua apparente empatia. Questo sollevò preoccupazioni etiche per Weizenbaum, che da allora divenne critico verso l’automazione delle relazioni umane.

“Nessuna macchina dovrebbe prendere il posto di un essere umano in contesti dove l’umanità è essenziale.”
— Joseph Weizenbaum

ELIZA non ha mai superato il test, ma ha dimostrato quanto facilmente possiamo essere ingannati dalla forma linguistica anche in assenza di sostanza cognitiva.

ChatGPT ha superato il Test di Turing?

In senso operativo: sì. ChatGPT riesce a sostenere conversazioni articolate, coerenti e spesso indistinguibili da quelle con un essere umano, almeno per brevi o medi intervalli temporali.

In senso filosofico o cognitivo: no. ChatGPT non possiede consapevolezza, intenzionalità o comprensione vera. Esegue predizioni linguistiche, non ragionamenti interni coscienti.

Il Test di Turing valuta la performance, non la coscienza.
ChatGPT simula l’intelligenza con efficacia, ma non la possiede.

Conclusione: simulazione, non coscienza

ELIZA è stato il primo specchio linguistico artificiale. I LLM moderni come ChatGPT sono specchi sempre più levigati e realistici. Ma restano specchi: non c’è “comprensione” dietro la risposta, solo pattern linguistici appresi.

La vera sfida non è se le macchine possono pensare, ma se noi sapremo riconoscere i limiti della simulazione prima di attribuire troppo alle parole generate.