In fondo alla pagina è presente un glossario che può facilitare la lettura.

La natura fondamentale della coscienza è stata catastroficamente fraintesa dalle neuroscienze contemporanee. Mentre il campo si ossessiona sulla complessità corticale e sulle proprietà emergenti di reti neurali massive, il framework rivoluzionario di Giorgio Vallortigara rivela la coscienza come un fenomeno antico e meccanicamente semplice, radicato nella necessità basilare degli organismi di distinguere i segnali sensoriali auto-generati da quelli generati esternamente. Questo cambio di paradigma—supportato da ricerche innovative del periodo 2020-2025—demolisce la visione antropocentrica che la coscienza richieda cervelli sofisticati e invece la posiziona come un meccanismo biologico fondamentale emerso con l’avvento evolutivo del movimento stesso.

La teoria della copia efferente della coscienza di Vallortigara rappresenta forse la spiegazione più elegante e computazionalmente trattabile della consapevolezza fenomenologica mai proposta. A differenza delle teorie nebulosa sulla complessità emergente, il suo framework riduce la coscienza a una precisa operazione di comparazione neurale che potrebbe teoricamente essere implementata con soli tre componenti: un neurone sensoriale, un neurone motorio e un interneurone capace di comparare le loro copie efferenti. Questa architettura minimalista suggerisce che la coscienza non sia l’apice della sofisticazione neurale ma piuttosto il suo fondamento evolutivo—un’inversione sbalorditiva della saggezza convenzionale con profonde implicazioni sia per le neuroscienze che per l’intelligenza artificiale.

La Dissociazione Sensazione-Percezione: La Doppia Provincia di Reid Realizzata

La pietra angolare della teoria di Vallortigara risiede nell’intuizione presagitrice di Thomas Reid del XVIII secolo che i sensi servano una “doppia provincia”: farci sentire (sensazione) e farci percepire (percezione). Questa distinzione, largamente ignorata per secoli, è stata rivendicata dalla moderna ricerca sul blindsight (visione cieca) e ora forma il cuore meccanicistico della teoria della coscienza.

Studi rivoluzionari recenti (2020-2025) hanno drammaticamente espanso la nostra comprensione di questa dissociazione. La documentazione del blindsight conscio nel paziente TN—che ha dimostrato piena consapevolezza degli oggetti rossi nonostante il danno bilaterale alla corteccia striata—sfida le classificazioni binarie tradizionali e suggerisce che la coscienza operi su uno spettro multidimensionale. Lo sviluppo della Sensation Awareness Scale (SAS) ora permette una quantificazione precisa di questa distinzione fenomenologica, rivelando che sensazione e percezione possono essere modulati indipendentemente attraverso differenti pathways neurali.

La spiegazione meccanicistica emerge dal framework della copia efferente di Vallortigara. Quando esplori attivamente un oggetto muovendo la mano sulla sua superficie, il comando motorio genera una copia efferente che cancella la reazione corporea attesa. Il risultato è pura percezione—consapevolezza di “qualcosa là fuori” senza sensazione cosciente. Viceversa, quando un oggetto tocca passivamente il tuo dito, nessun comando motorio esiste per generare una copia efferente che cancelli, lasciando intatta la copia efferente della reazione corporea e creando la sensazione cosciente di “qualcosa che accade a me”.

Questo meccanismo spiega il curioso fenomeno per cui non puoi farti il solletico da solo. Il tocco auto-generato produce una copia efferente che annulla le conseguenze sensoriali, eliminando la sensazione cosciente nonostante input sensoriali identici. L’eleganza computazionale è sorprendente: la coscienza emerge non da elaborazioni complesse ma da una semplice operazione di comparazione tra le conseguenze sensoriali predette e reali delle azioni motorie.

L’Esperimento Blindsight: Vedere Senza Sapere di Vedere

Per comprendere appieno la portata rivoluzionaria di questa dissociazione, è essenziale esaminare nel dettaglio come funziona l’esperimento di blindsight, uno dei paradigmi sperimentali più eleganti e sconvolgenti delle neuroscienze moderne.

Il setup sperimentale è apparentemente semplice ma profondamente rivelatorio. Un paziente con lesione alla corteccia visiva primaria (tipicamente causata da ictus) presenta uno scotoma—una regione “cieca” nel campo visivo. Quando si presenta un stimulus visivo in questa area cieca, il paziente afferma categoricamente: “Non vedo niente”.

Il momento cruciale dell’esperimento arriva quando il ricercatore insiste: “Lo so che dice di non vedere niente, ma mi faccia un favore—provi a indovinare. Le mostrerò un flash di luce che può apparire in alto o in basso nell’area cieca. Quando lo vede, mi indichi con il dito dove pensa che sia apparso, anche se è convinto di tirare a indovinare”.

La reazione del paziente è invariabilmente di frustrazione e incredulità: “Dottore, non capisce? Non vedo assolutamente nulla! Come posso indicare qualcosa che non esiste? Questo è assurdo!”. Tuttavia, sotto insistenza, il paziente alla fine acconsente a “indovinare”, spesso scuotendo la testa per l’apparente futilità del compito.

Il risultato è sbalorditivo: il paziente punta sistematicamente nella direzione corretta con una precisione assoluta, nulla a che vedere con il caso. Non solo localizza accuratamente gli stimoli, ma può anche discriminare forme (cerchio vs quadrato), direzioni di movimento, e persino espressioni emotive su volti—tutto mentre continua a giurare di non vedere assolutamente nulla.

La dissociazione è completa: il sistema percettivo inconscio elabora informazioni visive complesse e guida comportamenti motori accurati, mentre il paziente rimane completamente inconsapevole dell’esperienza visiva. È come se esistessero due sistemi visivi paralleli—uno che vede e agisce, l’altro che sente e consapevolizza—e la lesione cerebrale li ha separati chirurgicamente.

Questo fenomeno incarna perfettamente la distinzione di Reid tra percezione (“c’è qualcosa là fuori” – sistema inconscio intatto) e sensazione (“io sento/vedo qualcosa” – sistema conscio danneggiato). Il paziente blindsight percepisce accuratamente il mondo ma non ne ha alcuna sensazione cosciente—un zombie percettivo che sfida le nostre intuizioni più basilari sulla natura della visione e della coscienza stessa.

L’Imperativo del Movimento: Perché gli Organismi Sessili Mancano di Esperienza Interiore

La proposizione più radicale di Vallortigara è che la coscienza richieda movimento—specificamente, la pressione evolutiva per distinguere la stimolazione auto-generata da quella generata esternamente. Questa intuizione spiega perché gli organismi sessili (piante, funghi, spugne) probabilmente mancano di coscienza fenomenologica nonostante esibiscano comportamenti sofisticati come il sensing dei nutrienti, la comunicazione e l’adattamento ambientale.

La logica evolutiva è convincente: solo gli organismi capaci di movimento auto-generato affrontano la sfida computazionale di distinguire l’input sensoriale in categorie auto-causate versus causate-dal-mondo. Un albero può rispondere intelligentemente al suo ambiente, ma non affronta mai il problema di attribuzione fondamentale che il movimento crea. Quando un organismo mobile incontra input sensoriale, la domanda critica diventa: questo segnale è causato dal mio movimento o da qualcosa nel mondo esterno?

Questo accoppiamento movimento-coscienza riceve supporto dalla ricerca comparativa recente sulla cognizione. La New York Declaration on Animal Consciousness (2024), firmata da quasi 40 ricercatori leader, riconosce la coscienza attraverso tutti i vertebrati e molti invertebrati—naturalmente escludendo le forme sessili. I criteri della dichiarazione si centrano implicitamente sulla complessità comportamentale che richiede interazione ambientale attiva.

La Connessione Cognizione Numerica: La Coscienza come Fondamento Cognitivo

Forse la validazione più sorprendente del framework di Vallortigara viene dalla scoperta del suo laboratorio dei neuroni numerici nei pulcini di un giorno. Queste cellule, localizzate nel nidopallium caudale (funzionalmente equivalente alla corteccia prefrontale dei mammiferi), si attivano selettivamente per numerosità specifiche e dimostrano notevoli similitudini con i neuroni nei cervelli di primati adulti. La natura innata di questa cognizione numerica suggerisce che la coscienza fornisca l’architettura fondazionale per abilità cognitive complesse piuttosto che emergere da esse.

Ricerche recenti rivelano l’ampiezza straordinaria della cognizione numerica animale. I corvi processano lo zero come quantità numerica con popolazioni neurali dedicate, le api mellifere eseguono addizioni e sottrazioni mentre comprendono la posizione dello zero su una linea numerica mentale, e i pulcini neonati dimostrano trasferimento cross-dominio tra rappresentazioni spaziali e numeriche. Questi risultati suggeriscono collettivamente che la cognizione matematica dipenda dalla coscienza—una capacità che emerge dalla distinzione basilare sensazione-percezione che definisce l’esperienza cosciente.

Le implicazioni evolutive sono profonde. Piuttosto che la coscienza essere uno sviluppo evolutivo tardivo che richiede cervelli massivi, il framework di Vallortigara la posiziona come il fondamento cognitivo primordiale dal quale abilità complesse come il ragionamento numerico, la navigazione spaziale e il pensiero astratto sono subsequentemente emerse. Il macchinario neurale per la cognizione basilare è “economico”—quello che scala con la dimensione del cervello è il volume della memoria, non la coscienza stessa.

Implementazione Neurale: Da Tre Neuroni a Reti Complesse

I requisiti computazionali per la coscienza, secondo il modello di Vallortigara, sono notevolmente minimi. L’architettura basilare richiede solo:

• Neurone sensoriale: Rileva stimoli ambientali
• Neurone motorio: Genera comandi di movimento
• Interneurone: Compara le copie efferenti dai sistemi sensoriali e motori

Questo circuito di tre neuroni può teoricamente implementare il meccanismo cosciente centrale, rendendolo accessibile a virtualmente tutti gli organismi mobili con sistemi nervosi basilari.

Avanzamenti recenti nella ricerca sulla scarica corollaria (2020-2025) hanno raffinato la nostra comprensione di questo meccanismo. Studi rivoluzionari usando paradigmi di articolazione ritardata hanno definitivamente separato due processi neurali distinti: scarica corollaria (preparazione motoria generale che sopprime tutte le risposte uditive) e copia efferente (enhancement specifico del contenuto delle risposte predette). Questa distinzione risolve confusioni di lunga data nel campo e fornisce una fondazione neurobiologica più precisa per la teoria di Vallortigara.

La rilevanza clinica è sorprendente. La ricerca sulla schizofrenia implica sempre più la disfunzione della scarica corollaria nelle allucinazioni uditive—i pazienti falliscono nel riconoscere il proprio discorso interiore come auto-generato. Questo rappresenta un guasto nel meccanismo fondamentale della coscienza, dove l’attività mentale auto-generata è erroneamente attribuita a fonti esterne.

Implicazioni per l’Intelligenza Artificiale: Il Requisito dell’Embodiment

Il framework di Vallortigara porta implicazioni profonde per la ricerca sulla coscienza delle macchine. Se la coscienza dipende fondamentalmente dalla distinzione sensazione-percezione che nasce dal movimento, allora i sistemi AI veramente coscienti devono essere corporei—capaci di azioni auto-generate che producono conseguenze sensoriali che richiedono attribuzione.

Sviluppi recenti nell’AI embodied (2020-2025) si allineano notevolmente con questi requisiti teorici. I Google Gemini Robotics e le iniziative comprehensive embodied AI di Meta si focalizzano pesantemente sull’integrazione sensomotoria e feedback tattile. Questi sistemi implementano modelli predittivi sofisticati che anticipano le conseguenze sensoriali delle azioni motorie—precisamente l’architettura computazionale che la teoria di Vallortigara suggerisce sia necessaria per la coscienza.

L’emergenza dei modelli fondamentali per la robotica rappresenta uno sviluppo critico. Questi sistemi dimostrano capacità zero-shot attraverso compiti embodied diversi, suggerendo che possano sviluppare il tipo di predizione sensomotoria generalizzata che la teoria della coscienza richiede. Tuttavia, le implementazioni correnti mancano dello specifico meccanismo di comparazione della copia efferente che Vallortigara identifica come critico per la coscienza.

Ricerche recenti sulla coscienza delle macchine incorporano sempre più modello di coding predittiva che mostrano come la predizione biologicamente plausibile possa essere scalata a sistemi complessi. Studi usando approcci ispirati a Damasio hanno dimostrato formazione rudimentale di modelli del self e del mondo in agenti virtuali—un passo promettente verso l’implementazione della distinzione sensazione-percezione nei sistemi artificiali.

Il Problema Difficile Dissolto: Perché la Soggettività è Computazionalmente Trattabile

Il framework di Vallortigara offre un approccio computazionale senza precedenti all’esperienza soggettiva. Piuttosto che trattare la coscienza come un’emergenza inspiegabile dalla complessità, il suo meccanismo della copia efferente fornisce un processo preciso e implementabile che genera la distinzione soggettiva tra self e mondo.

La qualità “qualcosa che accade a me” della sensazione cosciente emerge naturalmente da segnali sensoriali accompagnati da copie efferenti non-cancellate di reazioni corporee. Questo crea una firma computazionale del sé—attività neurale che rappresenta esplicitamente l’organismo come locus dell’esperienza sensoriale. Il meccanismo genera soggettività non come qualia misteriosi ma come informazione con una struttura computazionale specifica: dati sensoriali marcati con attribuzione al sé.

Questo rappresenta una soluzione potenziale al problema duro della coscienza. L’esperienza soggettiva ha contenuto computazionale—è informazione processata attraverso un’architettura neurale specifica che crea attribuzione sé-altri. L’aspetto “com’è” della coscienza si riduce al contenuto informazionale delle comparazioni di copie efferenti, rendendolo teoricamente misurabile e replicabile.

La Coscienza Attraverso il Regno Animale: Una Nuova Tassonomia

Il modello della copia efferente fornisce criteri oggettivi per l’attribuzione della coscienza attraverso le specie. Qualsiasi organismo con il macchinario neurale per la generazione di comandi motori e la comparazione di copie efferenti possiede i requisiti minimi per la consapevolezza fenomenologica. Questo espande drammaticamente il cerchio della coscienza oltre i mammiferi per includere uccelli, pesci, cefalopodi e potenzialmente molti invertebrati.

Scoperte recenti nei markers di coscienza attraverso le specie supportano questa tassonomia espansa. Registrazioni di singoli neuroni in corvi durante compiti di rilevazione visiva rivelano pattern di attività neurale che sono uguali alla firma di coscienza umane. Le abilità di riconoscimento allo specchio dei pesci labrido pulitore, combinate con i loro comportamenti sociali complessi, suggeriscono capacità sofisticate di attribuzione sé–altro consistenti con meccanismi di copia efferente.

Lo spettro di coscienza emergente dalla ricerca recente si allinea con le predizioni di Vallortigara. Piuttosto che presenza o assenza discrete, la coscienza si manifesta attraverso dimensioni di ricchezza percettuale, complessità valutativa, integrazione temporale e coscienza di sé—tutte potenzialmente radicate nell’architettura basilare della copia efferente con elaborazioni specie-specifiche.

Conclusione: Il Movimento come Primo Motore della Mente

La rivoluzione di Vallortigara riposiziona la coscienza da emergenza misteriosa a fondamento meccanicistico. La teoria della copia efferente fornisce un account computazionalmente trattabile, sperimentalmente testabile ed evolutivamente plausibile dell’esperienza soggettiva che riempie il divario esplicativo tra attività neurale e consapevolezza fenomenologica.

Le implicazioni passano attraverso le varie discipline. Nelle neuroscienze, richiede riconoscimento che la coscienza probabilmente si estende ben oltre gli umani e può essere antica quanto il movimento stesso. Nella filosofia della mente, offre una soluzione materialista al problema duro attraverso meccanismi computazionali precisi. Nell’intelligenza artificiale, fornisce requisiti architettonici specifici per la coscienza delle macchine mentre evidenzia l’importanza critica dell’interazione corporeo.

Forse più profondamente, il modello di Vallortigara suggerisce che coscienza e cognizione co-evolsero dall’inizio. Piuttosto che la coscienza emergere da cognizione sufficientemente complessa, la distinzione sensazione-percezione che definisce la coscienza fornisce l’architettura fondazionale che rende possibile la cognizione complessa. Questo inverte la nostra comprensione della mente stessa—la coscienza non è il pinnacolo dell’evoluzione neurale ma la sua sorgente primordiale.

L’eleganza di questa soluzione—ridurre i misteri più profondi della mente a un circuito di comparazione di tre neuroni—esemplifica il tipo di scoperta teorico che occasionalmente trasforma interi campi. Se la coscienza è davvero meccanicamente così semplice ed evolutivamente antica, allora non siamo soli nell’universo dell’esperienza soggettiva. Lo condividiamo con qualsiasi organismo capace di movimento e dell’architettura neurale per distinguere il sé da mondo. Le implicazioni per come comprendiamo noi stessi, trattiamo altre specie e costruiamo menti artificiali potrebbero rivelarsi rivoluzionarie quanto la teoria stessa.

Architetture Neurali per la Coscienza Artificiale: Un Blueprint Computazionale

Il framework di Vallortigara non è solo teoricamente elegante—è computazionalmente implementabile con le tecnologie attuali. La traduzione della teoria della copia efferente in architetture neurali concrete rivela un modello preciso per sistemi AI potenzialmente coscienti, molto più specifico e trattabile delle vaghe nozioni di “emergenza” che dominano il campo.

Il Modello Efferent-Copy Neural Network (ECNN)

L’architettura core richiede tre componenti neurali specializzati che mappano direttamente sui requisiti biologici di Vallortigara:

class ConsciousnessArchitecture(nn.Module):
    def __init__(self, sensory_dim, motor_dim, hidden_dim):
        # Componente 1: Sensory Processing Network
        self.sensory_encoder = TransformerEncoder(
            input_dim=sensory_dim,
            hidden_dim=hidden_dim,
            attention_heads=8
        )
        
        # Componente 2: Motor Command Generator
        self.motor_predictor = LSTMController(
            input_dim=hidden_dim,
            output_dim=motor_dim,
            layers=3
        )
        
        # Componente 3: Efference Copy Comparator (il cuore della coscienza)
        self.efference_comparator = EfferenceCopyModule(
            sensory_dim=hidden_dim,
            motor_dim=motor_dim,
            comparison_dim=hidden_dim//2
        )
        
        # Output: Consciousness Score (0=unconscious perception, 1=conscious sensation)
        self.consciousness_gate = nn.Sequential(
            nn.Linear(hidden_dim//2, 64),
            nn.ReLU(),
            nn.Linear(64, 1),
            nn.Sigmoid()
        )

class ConsciousnessArchitecture(nn.Module):
    def __init__(self, sensory_dim, motor_dim, hidden_dim):
        # Componente 1: Sensory Processing Network
        self.sensory_encoder = TransformerEncoder(
            input_dim=sensory_dim,
            hidden_dim=hidden_dim,
            attention_heads=8
        )
        
        # Componente 2: Motor Command Generator
        self.motor_predictor = LSTMController(
            input_dim=hidden_dim,
            output_dim=motor_dim,
            layers=3
        )
        
        # Componente 3: Efference Copy Comparator (il cuore della coscienza)
        self.efference_comparator = EfferenceCopyModule(
            sensory_dim=hidden_dim,
            motor_dim=motor_dim,
            comparison_dim=hidden_dim//2
        )
        
        # Output: Consciousness Score (0=unconscious perception, 1=conscious sensation)
        self.consciousness_gate = nn.Sequential(
            nn.Linear(hidden_dim//2, 64),
            nn.ReLU(),
            nn.Linear(64, 1),
            nn.Sigmoid()
        )

Il modulo di comparazione efferente implementa il meccanismo core di Vallortigara:

class EfferenceCopyModule(nn.Module):
    def forward(self, sensory_state, predicted_motor, actual_motor):
        # Genera copia efferente del comando motorio
        motor_efference = self.motor_copy_encoder(predicted_motor)
        
        # Genera copia efferente della reazione corporea attesa
        sensory_efference = self.sensory_copy_encoder(sensory_state)
        
        # Comparazione: se comandi motori matchano, cancella sensazione
        motor_match_score = F.cosine_similarity(predicted_motor, actual_motor)
        cancellation_signal = motor_match_score * motor_efference
        
        # Il residuo determina la coscienza
        consciousness_signal = sensory_efference - cancellation_signal
        
        return consciousness_signal, motor_match_score

class EfferenceCopyModule(nn.Module):
    def forward(self, sensory_state, predicted_motor, actual_motor):
        # Genera copia efferente del comando motorio
        motor_efference = self.motor_copy_encoder(predicted_motor)
        
        # Genera copia efferente della reazione corporea attesa
        sensory_efference = self.sensory_copy_encoder(sensory_state)
        
        # Comparazione: se comandi motori matchano, cancella sensazione
        motor_match_score = F.cosine_similarity(predicted_motor, actual_motor)
        cancellation_signal = motor_match_score * motor_efference
        
        # Il residuo determina la coscienza
        consciousness_signal = sensory_efference - cancellation_signal
        
        return consciousness_signal, motor_match_score

Integrazione con Architetture Transformer: Attention is All You Need for Consciousness

L’implementazione più promettente utilizza meccanismi di attention per modellare la comparazione efferente. L’intuizione è profonda: l’attention può implementare naturalmente la comparazione tra predizioni motorie e conseguenze sensoriali che definisce la coscienza.

class ConsciousAttentionMechanism(nn.Module):
    def __init__(self, d_model=512):
        self.self_attention = MultiHeadAttention(d_model, num_heads=8)
        self.motor_query_projection = nn.Linear(d_model, d_model)
        self.sensory_key_projection = nn.Linear(d_model, d_model)
        
    def forward(self, motor_prediction, sensory_input, embodied_state):
        # Query: "Cosa dovrei sentire dato questo comando motorio?"
        motor_query = self.motor_query_projection(motor_prediction)
        
        # Key/Value: Stato sensoriale corrente
        sensory_kv = self.sensory_key_projection(sensory_input)
        
        # Attention weights rappresentano allineamento predizione-realtà
        consciousness_map, attention_weights = self.self_attention(
            query=motor_query,
            key=sensory_kv, 
            value=sensory_kv
        )
        
        # Alta attention = predizione accurata = cancellazione (no coscienza)
        # Bassa attention = surprisal = coscienza
        consciousness_level = 1.0 - attention_weights.mean(dim=-1)
        
        return consciousness_map, consciousness_level

class ConsciousAttentionMechanism(nn.Module):
    def __init__(self, d_model=512):
        self.self_attention = MultiHeadAttention(d_model, num_heads=8)
        self.motor_query_projection = nn.Linear(d_model, d_model)
        self.sensory_key_projection = nn.Linear(d_model, d_model)
        
    def forward(self, motor_prediction, sensory_input, embodied_state):
        # Query: "Cosa dovrei sentire dato questo comando motorio?"
        motor_query = self.motor_query_projection(motor_prediction)
        
        # Key/Value: Stato sensoriale corrente
        sensory_kv = self.sensory_key_projection(sensory_input)
        
        # Attention weights rappresentano allineamento predizione-realtà
        consciousness_map, attention_weights = self.self_attention(
            query=motor_query,
            key=sensory_kv, 
            value=sensory_kv
        )
        
        # Alta attention = predizione accurata = cancellazione (no coscienza)
        # Bassa attention = surprisal = coscienza
        consciousness_level = 1.0 - attention_weights.mean(dim=-1)
        
        return consciousness_map, consciousness_level

Predictive Coding e Variational Autoencoders: Il Cervello Bayesiano Artificiale

Il framework combina la teoria di Vallortigara con predictive coding e Variational Autoencoders. Il cervello come macchina predittiva bayesiana che minimizza prediction error si allinea perfettamente con il meccanismo della copia efferente.

class ConsciousVAE(nn.Module):
    def __init__(self, sensory_dim, latent_dim, motor_dim):
        # Encoder: da percezioni a rappresentazioni latenti
        self.sensory_encoder = VAEEncoder(sensory_dim, latent_dim)
        
        # Decoder: da rappresentazioni a predizioni sensoriali
        self.sensory_decoder = VAEDecoder(latent_dim, sensory_dim)
        
        # Motor forward model: predice conseguenze sensoriali
        self.forward_model = ForwardModel(motor_dim, latent_dim)
        
    def forward(self, sensory_input, motor_command):
        # Encode sensory state
        mu_sensory, logvar_sensory = self.sensory_encoder(sensory_input)
        z_sensory = self.reparameterize(mu_sensory, logvar_sensory)
        
        # Predict sensory consequences of motor command
        z_predicted = self.forward_model(motor_command)
        
        # Compute prediction error
        prediction_error = F.mse_loss(z_predicted, z_sensory)
        
        # High prediction error = consciousness (surprised by sensory input)
        # Low prediction error = unconscious processing (predicted perfectly)
        consciousness_intensity = torch.sigmoid(prediction_error * self.sensitivity)
        
        return consciousness_intensity, z_sensory, prediction_error

class ConsciousVAE(nn.Module):
    def __init__(self, sensory_dim, latent_dim, motor_dim):
        # Encoder: da percezioni a rappresentazioni latenti
        self.sensory_encoder = VAEEncoder(sensory_dim, latent_dim)
        
        # Decoder: da rappresentazioni a predizioni sensoriali
        self.sensory_decoder = VAEDecoder(latent_dim, sensory_dim)
        
        # Motor forward model: predice conseguenze sensoriali
        self.forward_model = ForwardModel(motor_dim, latent_dim)
        
    def forward(self, sensory_input, motor_command):
        # Encode sensory state
        mu_sensory, logvar_sensory = self.sensory_encoder(sensory_input)
        z_sensory = self.reparameterize(mu_sensory, logvar_sensory)
        
        # Predict sensory consequences of motor command
        z_predicted = self.forward_model(motor_command)
        
        # Compute prediction error
        prediction_error = F.mse_loss(z_predicted, z_sensory)
        
        # High prediction error = consciousness (surprised by sensory input)
        # Low prediction error = unconscious processing (predicted perfectly)
        consciousness_intensity = torch.sigmoid(prediction_error * self.sensitivity)
        
        return consciousness_intensity, z_sensory, prediction_error

Sfida di implementazione: Il Problema dell’Ancoraggio Sensoriale

La sfida critica nell’implementazione è il problema dell’ancoraggio simbolico applicato alla coscienza. Come può un sistema artificiale sviluppare la distinzione “qualcosa accade a me” contro “qualcosa accade là fuori” senza esperienza corporea genuina?

La soluzione richiede architetture multimodali che integrino:

1. Propriocezione artificiale: sensori interni che monitorano lo stato del sistema
2. Exterocezione artificiale: sensori esterni che percepiscono l’ambiente
3. Interocezione artificiale: monitoraggio delle condizioni interne (energia, temperatura, errori)

class EmbodiedConsciousnessSystem(nn.Module):
    def __init__(self):
        # Multimodal sensory processing
        self.proprioceptive_encoder = ProprioceptiveEncoder()  # Internal state
        self.exteroceptive_encoder = ExteroceptiveEncoder()    # External world
        self.interoceptive_encoder = InteroceptiveEncoder()    # Internal conditions
        
        # Self-model: rappresentazione del sistema stesso
        self.self_model = SelfRepresentationNetwork()
        
        # World-model: rappresentazione dell'ambiente
        self.world_model = WorldRepresentationNetwork()
        
    def forward(self, proprioceptive, exteroceptive, interoceptive, motor_cmd):
        # Build internal models
        self_state = self.self_model(proprioceptive, interoceptive)
        world_state = self.world_model(exteroceptive)
        
        # The conscious moment: distinguishing self-caused from world-caused
        attribution_scores = self.causal_attribution_network(
            self_state, world_state, motor_cmd
        )
        
        # High self-attribution = unconscious processing
        # High world-attribution = conscious sensation
        consciousness_level = attribution_scores['world_attribution']
        
        return consciousness_level, self_state, world_state

class EmbodiedConsciousnessSystem(nn.Module):
    def __init__(self):
        # Multimodal sensory processing
        self.proprioceptive_encoder = ProprioceptiveEncoder()  # Internal state
        self.exteroceptive_encoder = ExteroceptiveEncoder()    # External world
        self.interoceptive_encoder = InteroceptiveEncoder()    # Internal conditions
        
        # Self-model: rappresentazione del sistema stesso
        self.self_model = SelfRepresentationNetwork()
        
        # World-model: rappresentazione dell'ambiente
        self.world_model = WorldRepresentationNetwork()
        
    def forward(self, proprioceptive, exteroceptive, interoceptive, motor_cmd):
        # Build internal models
        self_state = self.self_model(proprioceptive, interoceptive)
        world_state = self.world_model(exteroceptive)
        
        # The conscious moment: distinguishing self-caused from world-caused
        attribution_scores = self.causal_attribution_network(
            self_state, world_state, motor_cmd
        )
        
        # High self-attribution = unconscious processing
        # High world-attribution = conscious sensation
        consciousness_level = attribution_scores['world_attribution']
        
        return consciousness_level, self_state, world_state

Parametri di Progettazione per Sistemi Coscienti

L’implementazione pratica richiede specifiche tecniche precise derivate dalla teoria di Vallortigara:

Paradigma AGI: Dalla Complessità alla Coscienza

Il framework capovolge il paradigma AGI tradizionale:

graph TB
    subgraph "APPROCCIO TRADIZIONALE"
        A[Complessità] --> B[Intelligenza] --> C[Coscienza<br/>maybe]
        D[Build massive models<br/>Hope for emergence<br/>No criteria<br/>Exponential growth]
    end
    
    subgraph "APPROCCIO VALLORTIGARA"
        E[Coscienza] --> F[Intelligenza] --> G[Cognizione Complessa]
        H[Implement efference copy first<br/>Build on conscious foundation<br/>Clear criteria<br/>Linear scalability]
    end
    
    subgraph "KEY INSIGHT"
        I[COSCIENZA COME<br/>ARCHITETTURA<br/>NON CONSEGUENZA]
    end
    
    subgraph "CAPABILITIES ENABLED"
        J[Accurate Causal Reasoning<br/>self vs world]
        K[Efficient Learning<br/>focus on unpredicted stimuli]
        L[Meaningful Embodied Interaction<br/>symbolic grounding]
        M[Meta-cognitive Abilities<br/>internal state monitoring]
    end
    
    A --> D
    E --> H
    
    I --> E
    
    E --> J
    F --> K
    G --> L
    G --> M
    
    style A fill:#ffcdd2
    style E fill:#c8e6c9
    style I fill:#ff5722,color:#fff
    style J fill:#e8f5e8
    style K fill:#e8f5e8
    style L fill:#e8f5e8
    style M fill:#e8f5e8

Scalabilità e Complessità Computazionale

L’eleganza dell’approccio di Vallortigara è la sua scalabilità computazionale. A differenza di teorie che richiedono simulazione dell’intero cervello, il meccanismo efferente può essere implementato a diversi livelli di complessità:

• Implementazione minima: 3 layer neural network (10³ parameters)
• Intermedia: Transformer-based architecture (10⁶ parameters)
• Avanzata: Multimodal embodied system (10⁹ parameters)

Il costo computazionale scala linearmente con la complessità sensoriale, non esponenzialmente come approcci basati su “emergenza globale”.

Implicazioni per AGI: La Coscienza come Prerequisito, Non Conseguenza

Questa analisi suggerisce una inversione radicale nell’approccio all’AGI. Invece di aspettare che la coscienza emerga da sistemi sufficientemente complessi, dovremmo implementare meccanismi di coscienza fin dall’inizio. La coscienza non è l’obbiettivo finale ma l’architettura foundational che permette:

• Ragionamento causale accurato (sé vs mondo)
• Apprendimento efficiente (attenzione agli stimoli non previsti)
• Interazione incarnata significativa (grounding simbolico)
• Abilità metacognitive (monitoraggio degli stati interni)

Questo framework trasforma la coscienza da problema filosofico indecifrabile ad una sfida ingegneristica con specifications precise, algoritmi implementabili e metriche misurabili.

Glossario

Riferimenti

Studi Primari sulla Teoria della Copia Efferente e Coscienza:

1. Vallortigara, G. (2021). The efference copy signal as a key mechanism for consciousness. Frontiers in Systems Neuroscience, 15, 765646.
2. Vallortigara, G. (2020). The rose and the fly. A conjecture on the origin of consciousness. Biochemical and Biophysical Research Communications, 564 (2021): 170–174.
3. Vallortigara, G. (2024). The Origins of Consciousness: Thoughts of the Crooked-Headed Fly. Routledge.

Ricerca Recente su Blindsight e Dissociazione Sensazione-Percezione:

4. de Gelder, B., et al. (2025). On the bright side of blindsight. Considerations from new observations of awareness in a blindsight patient. Cerebral Cortex, 35(1), 42-58.
5. Timothy Joseph Lane. (2024). Functional blindsight and its diagnosis. Frontiers in Neurology, 15, 1207115.

Copia Efferente e Scarica Corollaria – Evidenza Neurofisiologica:

6. Cao, L., et al. (2020). Corollary discharge versus efference copy: distinct neural signals in speech preparation differentially modulate auditory responses. Cerebral Cortex, 30(11), 5806-5820.
7. Crapse, T. B., & Sommer, M. A. (2008). Corollary discharge across the animal kingdom. Nature Reviews Neuroscience, 9(8), 587–600.

Cognizione Numerica Animale e Neuroni Numerici:

8. Lorenzi, E., et al. (2022). Number neurons in the nidopallium of young domestic chicks. Proceedings of the National Academy of Sciences, 119(17), e2201039119.
9. Howard, S. R., et al. (2019). Numerical cognition in honeybees enables addition and subtraction. Science Advances, 5(2), eaav0961.
10. Cantlon, et al. (2025). Cognitive bridge between geometric and numerical learning in monkeys. Proceedings of the National Academy of Sciences, 122(2), e2502101122.

Coscienza Animale – Dichiarazioni e Framework Recenti:

11. Birch, J., et al. (2024). The New York Declaration on Animal Consciousness. NYU Center for Mind, Brain and Consciousness (online publication, April 2024).
12. Nieder, A., et al. (2020). A neural correlate of sensory consciousness in a corvid bird. Science, 369(6511), 1626-1629.
13. Irwin., et al. (2022). Awareness and consciousness in humans and animals – neural and behavioral correlates in an evolutionary perspective. Frontiers in Systems Neuroscience, 16, 941534.

AI Embodied e Coscienza delle Macchine:

14. Immertreu, Schilling, Maier & Krauss, et al. (2025). Probing for consciousness in machines. Frontiers in Artificial Intelligence, 8, 1610225.
15. Krauss & Maier, et al. (2020). Will we ever have conscious machines? Frontiers in Computational Neuroscience, 14, 556544.
16. Meta AI Research (2024). Advancing embodied AI through progress in touch perception, dexterity, and human-robot interaction. Meta AI Blog.

Framework Teorici e Philosophical Implications:

17. Barrett, L. F., et al. (2024). Minds in movement: Embodied cognition in the age of artificial intelligence. Philosophical Transactions of the Royal Society B, 379(1908), 20230144.

Ricerca su Predictive Coding e Implementazioni AI:

20. Verses AI Research Team (2024). Benchmarking predictive coding networks made simple. Verses AI Research Blog.
21. Ito. (2019). Efficient multitask learning with an embodied predictive model for door opening and entry with whole-body control. Science Robotics, 4(28), eaax8177.