Dal mio punto di vista le due serie di post "Feedback, Caos" e "La Traiettoria Non Esiste" sono stati i temi più concettualmente importanti che ho trattato negli ultimi anni. Non sono testi semplici da seguire, ma credo di aver realizzato due serie di post in cui la matematica (e il codice) servivano a costruire le conclusioni. Sono state serie quasi assiomatiche, in cui le conclusioni derivano coerentemente dalle premesse fisiche e matematiche. Niente di originale, ma qualcosa di fatto assente dal discorso pubblico sulla scienza da circa un quarto di secolo, specialmente in Italia. Le cause di questa assenza sono da cercarsi, secondo me, nel neo-neopositivismo prevalente a partire dal secondo decennio del nuovo millennio, che aveva scaricato la vulgata postmoderna secondo cui con il caos deterministico "la scienza aveva scoperto di non sapere". Quella vulgata era rozza e imprecisa, e molto lontana dalla concezione di Stengers e Prigogine per cui "tutto è prevedibile" e "niente è prevedibile" costituivano i due poli alienati e alienanti della questione. Ma ormai alle parole d'ordine rozze e imprecise il discorso pubblico sui temi scientifici è completamente assuefatto, da anni.
Nelle due serie ho parlato di sistemi caotici fornendo nelle appendici il codice con cui erano state prodotte le grafiche. L'idea è stata che l'inclusione del codice nelle appendici permetteva la riproducibilità dell'esperimento numerico da parte del lettore, ed il passaggio da Mathematica a Python è avvenuto in questa chiave: le distribuzioni Python per windows più diffuse sono free software, in linea di principio scaricabile e installabile da chiunque.
E visto che le moderne teorie del caos sono nate grazie all'evoluzione dei computer tra anni 60 e anni 70, includere il codice era pertinente. La barriera di ingresso alla sperimentazione rispetto ad allora, da un punto di vista economico, è praticamente 0.
E' stata, da un punto di vista concettuale, un'operazione non retrò ma classica. Robert May insisteva sul fatto che chiunque poteva verificare con una calcolatrice. E diede le istruzioni per calcolare i cicli epidemici in un suo famoso articolo:
![]() |
| New Scientist, Vol. 96 n. 1332 |
Inserendo i numeri nelle equazioni (1) e (2) su una calcolatrice tascabile, è possibile scoprire come questi semplici processi generino ondate successive di incidenza. Mostriamo due esempi che rispecchiano l'incidenza del morbillo in due comunità di mezzo milione di persone ciascuna, una con un tasso di natalità annuale di 12 persone ogni 1000 abitanti, simile a quello attuale del Regno Unito (a sinistra), e l'altra con un tasso di natalità tre volte più alto, per riflettere un paese in via di sviluppo come la Nigeria (a destra).
Se il tasso di contatto f è fissato a 0.3×10−4 (dove 1/f è la densità critica di suscettibili necessaria per mantenere l'infezione), con il tasso di natalità del Regno Unito le epidemie di morbillo si verificano approssimativamente ogni due anni, mentre con il tasso di natalità più elevato si verificano annualmente. Queste semplici previsioni imitano da vicino i modelli osservati. La ricomparsa e il calo dell'incidenza sono innescati dal numero di suscettibili che scende al di sotto e sale al di sopra del livello critico, 1/f, per la persistenza della malattia. (Questo modello molto semplice è "neutralmente stabile"; versioni più raffinate possono mostrare oscillazioni smorzate o cicli sostenuti.)
(Robert May, Roy Anderson, The logic Of Vaccination)
Ma non solo. Ci fu chi proponeva esperimenti per cui servivano solamente carta e matita, come il MU puzzle, il primo ad essere proposto in GEB da Douglas Hofstadter.
Rievocare questo tipo di approccio classico serve anche a definire, per contrasto, quella che oggi è la divulgazione scientifica prevalente. Sottolineo prevalente perché qua sopra sono stati spesso citati alcuni esempi che si collocano al di fuori di quel contesto (e sicuramente esistono altri esempi che mi sono sfuggiti).
Resta il fatto che la divulgazione prevalente ha sempre parlato di un metodo scientifico che era del tutto alieno alla definizione originale del termine. E quindi continua a proporre una narrazione moraleggiante, catechistica, e il più delle volte completamente staccata dalla realtà dei temi di cui si vuole occupare. L'avvento e i progressi degli LLM poi hanno abbassato rasoterra l'asticella, quanto a competenze necessarie per produrre contenuti "scientifici".
Il fenomeno si inserisce in quadro più vasto, quello della "AI Slop": contenuti di bassa qualità generati da AI che stanno invadendo la rete. Nel 2025 il 20% dei contenuti proposti da YouTube agli utenti era AI slop, che colpisce pesantemente i contenuti scientifici. E all'incirca sullo stesso fronte l'uso della IA nella divulgazione scientifica è diventato materia nei corsi di divulgazione. Questi fatti, combinati, dovrebbero far riflettere: nell'economia delle rete ci sono aree tematiche "calde", nel senso in grado di generare engagement e quindi monetizzazione, e da questo punto di vista i contenuti ad alto tasso di interesse sono praticamente indistinguibili. L'uso di LLM per la generazione di contenuti è un mezzo per abbassare a quasi 0 tempo e costi di produzione. Stiamo parlando di un cambio di paradigma in cui il creatore di contenuti "tradizionale" deve competere con l'IA per sopravvivere nell'economia digitale, magari usando gli stessi LLM per ottimizzare e velocizzare il lavoro, massimizzare l'engagement.
Ma se per assurdo il prevalente paradigma della comunicazione della scienza avesse voluto affrontare temi analoghi a feedback e traiettorie non avrebbe prodotto le stesse cose che avete letto qua sopra nello stesso modo. Perché la regola aurea, proveniente dagli albori della computazione elettronica, continua ad essere valida: Garbage In, Garbage Out.
APPENDICE
Per quel che riguarda Mathematica continuo a consigliare Wolfram Alpha che, nella versione free, funziona comunque piuttosto bene.
Installare Python sul sistema operativo più diffuso tra gli utenti (Windows) poteva essere macchinoso, in passato . Ma Anaconda è una distribuzione completa, gratuita, con numpy, scipy, matplotlib e molto altro, con un programma di setup che installa e configura tutto. E JupyterLab fornisce un ambiente di facile uso, oggi pure con un AI assistant, se si vuole.
Non mancano introduzioni a Python per principianti come Learn Python.










