L’11 settembre 2026 Oliver Buchholz, ricercatore dell’ETH di Zurigo, ha pubblicato sull’European Journal for Philosophy of Science The curve-fitting problem revisited, uno studio che riprende una questione classica della metodologia scientifica alla luce del comportamento delle reti neurali profonde. Il problema può essere formulato senza tecnicismi. Disponendo di una serie di osservazioni, è quasi sempre possibile costruire più formule capaci di descriverle. Alcune sono semplici ma lasciano inevitabilmente fuori parte delle variazioni presenti nei dati; altre sono tanto flessibili da aderire quasi perfettamente a ogni osservazione. La tradizione statistica ha insegnato a diffidare del secondo caso: un modello può imparare non soltanto la struttura reale del fenomeno, ma anche errori di misura, fluttuazioni accidentali e peculiarità irripetibili del campione, diventando molto preciso sul passato e poco affidabile sul futuro. Le grandi reti neurali hanno complicato questa rappresentazione. Possono contenere milioni o miliardi di parametri, adattarsi perfettamente ai dati usati per addestrarle e tuttavia mantenere una notevole capacità di prevedere osservazioni nuove. La questione non riguarda soltanto l’intelligenza artificiale. Riguarda una norma molto più generale della conoscenza scientifica: per quale ragione preferiamo modelli semplici e che cosa significa realmente “semplice” quando un sistema estremamente complesso può prevedere meglio di uno apparentemente più parsimonioso?