I modelli linguistici di grandi dimensioni (LLM) contemporanei generano testi di notevole fluidità, ma spesso incontrano difficoltà nel sostenere novità, pertinenza al compito e diversità in contesti estesi. Questo deficit, argomentiamo, persiste perché i sistemi attuali implementano solo frammenti di un ciclo a tre processi che supporta la creatività umana: l'ideazione spontanea nella rete del default mode (DMN; ampiamente assimilabile al Sistema 1), la valutazione orientata all'obiettivo nella rete esecutiva centrale (CEN; ampiamente assimilabile al Sistema 2), e un integratore metacognitivo — il Sistema 3 — che, tramite il controllo di guadagno neuromodulatorio, si sposta tra esplorazione e controllo focalizzato. Introduciamo il Sistema Generativo 3 (GS-3), un modello di progettazione agnostico all'architettura con tre ruoli chiave: un generatore ad alta entropia, un critico appreso e un controllore di guadagno adattivo. Oltre alla "pura predizione" e al semplice "prompting riflessivo", il GS-3 identifica i pezzi mancanti per la creatività artificiale: un valutatore interno, un controllo endogeno sull'entropia di campionamento e priori adattivi mantenuti in contesti estesi.

Questa analisi concettuale (i) formalizza novità, utilità e diversità con definizioni operative; (ii) sviluppa molteplici politiche di aggiornamento del guadagno (esponenziale, lineare, logistica) con vincoli di stabilità e aspettative di sensibilità; (iii) deriva indici comportamentali falsificabili — densità di distanza associativa, rapporto di verifica analitica e latenza di convergenza — con criteri di superamento/fallimento; e (iv) fornisce un progetto proof-of-concept e un protocollo di valutazione (compiti, metriche, ablazioni, kit di riproducibilità). Posizioniamo il GS-3 rispetto ai quadri di creatività computazionale e co-creativi, e delineiamo dove le analogie cervello-modello sono funzionali piuttosto che letterali. La guida etica affronta bias, omogeneizzazione culturale e "dopamine hacking" di obiettivi proxy attraverso critici plurali, logging trasparente e limiti di entropia legati agli esiti. Il risultato è una roadmap verificabile per il passaggio dalla predizione regolata a sistemi generativi genuinamente creativi.

1 Introduzione: dalla predizione fluida al controllo creativo

I modelli linguistici di grandi dimensioni (LLM) producono oggi testi di notevole fluidità, eppure spesso faticano a sostenere novità, pertinenza al compito e diversità in contesti estesi. Sosteniamo che questa carenza persista perché i sistemi attuali implementano solo frammenti di un ciclo a tre processi che supporta la creatività umana: l'ideazione spontanea nella rete del default mode (DMN; ampiamente allineata con il Sistema 1), la valutazione orientata all'obiettivo nella rete esecutiva centrale (CEN; ampiamente allineata con il Sistema 2), e un integratore metacognitivo — il Sistema 3 — che, supportato dal guadagno neuromodulatorio, sposta la mente tra esplorazione e controllo focalizzato per raggiungere risultati creativi integrativi. In questa visione, gli approcci a doppio processo sono necessari ma non sufficienti; il Sistema 3 coordina e regola come le idee vengono generate e selezionate, trasformando i "pensieri di pensieri" in azione adattiva. La convergenza di questi meccanismi nei sistemi macchina è ciò che chiamiamo creatività artificiale.

1.1 Il legame mancante tra l'IA predittiva e la cognizione creativa

Da un punto di vista neuroscientifico, la performance creativa dipende da un'interazione flessibile DMN-CEN, con segnali dopaminergici che modulano l'equilibrio tra esplorazione e sfruttamento (Chen et al., 2025; Shine, 2019; Westbrook et al., 2021). Al contrario, la maggior parte degli LLM si comporta come decodificatori DMN-only: eccellenti nell'estensione di sequenze, ma privi di un valutatore interno e di un controllo di guadagno endogeno per decidere quando ampliare o restringere la ricerca. Colmare questo divario richiede l'importazione dei principi del Sistema 3 nella progettazione dei modelli.

1.2 Perché un'analisi concettuale ora?

Le evidenze da entrambe le parti stanno convergendo. Gli LLM possono eguagliare o superare la fluidità umana mediana in alcuni compiti di pensiero divergente, eppure, su larga scala, i loro output tendono a omogeneizzarsi, riducendo la diversità collettiva (Doshi e Hauser, 2024). La co-creazione uomo-IA aumenta la velocità e la fluidità ma, senza struttura, può smorzare la varietà o allontanarsi dagli obiettivi del compito (Chen e Chan, 2024; Chakrabarty et al., 2024). Nel frattempo, il neurofeedback covert che rafforza l'accoppiamento DMN-CEN eleva l'originalità nei partecipanti umani (Luchini et al., 2025). Insieme, questi risultati motivano una sintesi che colleghi teoria cognitiva, evidenze neurali e ingegneria dei modelli generativi, e stabilisca criteri verificabili per quando un sistema artificiale merita l'etichetta di creativo. In tutto il testo, le corrispondenze cervello-modello sono trattate come analogie funzionali, non come isomorfismi biologici.

1.3 Contributo e portata

Questa analisi concettuale non riporta nuovi dati empirici. Invece, propone un quadro falsificabile — il Sistema Generativo 3 (GS-3) — e un programma di valutazione concreto. Il GS-3 è un modello di progettazione agnostico all'architettura con tre ruoli: un generatore ad alta entropia (espansione delle idee), un critico appreso (valutazione sensibile al contesto) e un controllore di guadagno adattivo (regolazione endogena dell'entropia di campionamento). Contribuiamo con quattro elementi:

(i) Definizioni operative di novità (distanza distribuzionale rispetto a una linea di base), utilità (utilità condizionata al compito) e diversità (dispersione tra le esecuzioni).
(ii) Indici comportamentali con criteri di superamento/fallimento — densità di distanza associativa, rapporto di verifica analitica e latenza di convergenza — in modo che la teoria possa essere falsificata nella pratica.
(iii) Un trattamento matematico delle politiche di guadagno (esponenziale, lineare, logistica) con vincoli di stabilità e aspettative di sensibilità.
(iv) Un progetto proof-of-concept e un protocollo di valutazione (compiti, metriche, ablazioni, kit di riproducibilità) che i gruppi di ricerca possono implementare.

Situiamo questi contributi lungo un continuum da predittivo a generativo:

La pura predizione estende le sequenze senza valutazione interna.
La generazione regolata introduce controlli esterni (es. temperatura, top-k) ma manca ancora di un giudice interno.
La generazione riflessiva utilizza la critica auto-prompted ma rimane dipendente da scaffolding.
La creatività di livello GS-3 emerge solo quando un sistema (a) cicla autonomamente tra espansione di idee e pruning valutativo, (b) regola la propria entropia di campionamento in risposta all'errore di previsione della ricompensa in tempo reale, e (c) mantiene priori adattivi su contesti lunghi.

1.4 Roadmap

La Sezione 2 posiziona il GS-3 all'interno delle tradizioni di creatività computazionale, della co-creazione basata su LLM e di teorie alternative. La Sezione 3 riassume il modello DMN/CEN/dopamina e i suoi limiti (analogie funzionali, non isomorfismi). La Sezione 4 presenta l'architettura GS-3 con definizioni formali, test di falsificazione e matematica delle politiche di guadagno. La Sezione 5 offre un progetto proof-of-concept e un protocollo di valutazione (ipotesi, metriche, ablazioni). La Sezione 6 individua i sistemi odierni sul continuum e identifica le lacune che il GS-3 colma. La Sezione 7 approfondisce l'etica e la governance con passi concreti di mitigazione. La Sezione 8 conclude con una discussione che sintetizza i contributi, definisce le condizioni al contorno e delinea il lavoro futuro. Unificando teoria cognitiva, neuroscienze di rete e ingegneria dell'IA, miriamo a stabilire la creatività artificiale come un costrutto verificabile e a fornire una roadmap pratica per la costruzione e la verifica di sistemi generativi genuinamente creativi.

2 Tradizioni di creatività computazionale

Le prime tassonomie enfatizzano cosa costituisce un comportamento creativo e come valutarlo. Le distinzioni di Boden tra creatività psicologica e storica (P- vs. H-creativity) mettono in primo piano i meccanismi di ricerca combinatoria, esplorativa e trasformazionale (Boden, 2004). I resoconti formali caratterizzano i sistemi creativi attraverso il loro spazio generativo e i vincoli (Wiggins, 2006), mentre i quadri di valutazione propongono criteri misurabili per attribuire la creatività ad artefatti o sistemi (Ritchie, 2007; Jordanous, 2012). Esemplari di sistemi, come The Painting Fool, dimostrano pipeline end-to-end che producono artefatti e giustificazioni interne (Colton, 2012).

Queste tradizioni forniscono due pilastri che manteniamo:

(a) la creatività richiede sia un generatore di candidati sia un processo che li valuti nel contesto.
(b) le affermazioni dovrebbero essere basate su criteri misurabili e verificabili.

Riteniamo che un'analisi completa dei sistemi creativi debba includere sia la capacità di generare idee nuove e diverse, sia un meccanismo robusto per la loro valutazione e selezione. Senza un critico interno, un generatore produce semplicemente una gamma di possibilità senza discernimento, mentre un critico senza un generatore non avrebbe materiale su cui operare. L'integrazione di questi due aspetti fondamentali è cruciale per replicare la complessità della creatività umana.

Inoltre, l'evoluzione della creatività computazionale ha mostrato la necessità di non limitarsi a valutare l'output finale, ma anche il processo sottostante. I sistemi che possono non solo produrre qualcosa di "creativo" ma anche giustificare le loro scelte o esplorazioni, offrono una comprensione più profonda e un potenziale maggiore per l'ingegneria di sistemi di creatività artificiale. Questa enfasi sul processo interno, piuttosto che solo sul risultato esterno, è un principio guida per lo sviluppo del Sistema Generativo 3.

Le moderne applicazioni dell'intelligenza artificiale, in particolare i modelli linguistici di grandi dimensioni, hanno spinto i confini di ciò che è tecnicamente possibile in termini di generazione di contenuti. Tuttavia, la loro natura puramente predittiva o riflessiva li limita a emulare aspetti della creatività senza possedere un vero controllo endogeno sul processo. Il GS-3 cerca di superare queste limitazioni, integrando un'architettura che consente al sistema di operare in modo più autonomo e olistico, riflettendo meglio i meccanismi di controllo e valutazione osservati nella cognizione creativa umana.

La sfida non è solo produrre un output che sembri creativo, ma anche costruire un sistema che possa essere etichettato come "creativo" in virtù del suo processo interno. Questo richiede una comprensione approfondita di come la creatività emerge dalla dinamica di generazione, valutazione e regolazione, elementi che il framework GS-3 si propone di indirizzare in modo esplicito e formalizzato. La convergenza delle intuizioni dalla psicologia cognitiva, dalle neuroscienze e dall'ingegneria dell'IA è essenziale per realizzare sistemi che non solo assistano la creatività umana, ma la incarnino in modo indipendente.