In un vecchio film di Wolf Rilla, Patricia Dainton, attrice britannica di rara e perturbante bellezza, è una ragazza cieca che sfiora accidentalmente l’assassino di un’anziana signora. Minacciata a sua volta, sarà proprio grazie alla memoria tattile che riuscirà ad assicurarlo alla giustizia.
Il modello di Chatgpt corrente promette capacità accresciute di ricerca ed elaborazione, ma ancora non ci vede.
Se gli date in pasto un PDF, un ePUB e un MOBI, è in grado di riassumere un intero libro, anche in forma strutturalmente complessa, con analisi concettuali capitolo per capitolo.
Se gli fornite un podcast audio in formato MP3, WAV, FLAC, può fare la stessa cosa. Ma se provate con un video o un film di un’ora e mezza, non ha capacità di visione del contenuto in tempo reale. Può ingannarvi, proponendovi comunque una sintesi, ma questa viene elaborata a partire dal contenuto sonoro, o nei casi in cui vogliate provare con una fonte audiovisiva pubblicata su YouTube, riesce nel compito grazie alla presenza dei sottotitoli opzionali.
Non è ancora in grado di ricostruire con affidabilità la continuità narrativa di un’opera audiovisiva completa, seguendone simultaneamente immagine, suono, montaggio e sviluppo temporale Se infatti le fosse richiesto di raccontarvi i contenuti di un film muto, non potrebbe elaborare la trama servendosi delle sole immagini.
Per l’AI sarebbe silenzio, il nero assoluto, quello dopo l’ultimo titolo di coda.
Alcuni modelli sperimentali di OpenAI, Google DeepMind e Meta AI, sono già in grado di “vedere” immagini singole, tanto da poterle descrivere con estrema precisione. La sfida futura sarà quella di estendere questa capacità in termini temporali. Ovvero, riconoscere le azioni, le transizioni, il contesto narrativo e persino le intenzioni dei personaggi all’interno di una sequenza. I modelli LLaVA-Video o Video-LLaMA, che sono in grado di elaborare interazioni complesse come quelle descritte, lo possono fare nell’arco di una sequenza di pochi secondi.
Un’operazione molto difficile se pensate che un film ha molti più dati di un’immagine e che un’ora di video a 24 fps significa oltre 86.000 frame, dove ogni frame rappresenta un’immagine da interpretare.
L’AI deve collegare visivamente gli eventi per comprendere l’articolazione di una trama e riconoscere che il personaggio visto 20 minuti fa mentre attraversava la strada, è lo stesso che adesso sta entrando in una stanza, o che un’azione ha un rapporto causale con un’altra.
Serve quindi un modello di memoria capace di gestire il contesto per tutta la durata del film, non solo per pochi secondi.
Allo stesso tempo dovrebbe essere in grado di interpretare codici narrativi specifici, come i numerosi simbolismi incorporati, le forme del montaggio parallelo, le ellissi temporali, ovvero tutto ciò che un essere umano è in grado di capire al volo anche se non conosce esattamente la grammatica di un film, ma che per l’AI è un territorio complesso per capacità di calcolo.
Si stima che la possibilità di comprendere integralmente un film da parte dell’AI potrebbe essere raggiunta a fine decennio o all’inizio del successivo. Da quel momento in poi, l’analisi di un film o di un’intera serie VOD potrebbe essere possibile, inclusa l’elaborazione di una struttura narrativa complessa, ma anche di tutti i sottotesti visivi, l’evoluzione dei personaggi, le differenze del linguaggio cinematografico, le tecniche di regia, l’utilizzo della luce, lo stile del montaggio e di conseguenza l’analisi comparativa tra differenti prodotti dell’ingegno, basandosi su un database storico di informazioni specifiche, tanto da poter analizzare secondo un livello interpretativo automatico, come un critico “allenato” alla lettura di numerosi lungometraggi.
Su quel “come un critico” ho alcuni dubbi ovviamente, non per timori particolari, ma temo che di fronte all’esplosione di narrazioni sempre più lineari, l’AI capace di “vedere”, potrebbe livellare anche la scrittura cinematografica futura, diventando autore sulla base di un calcolo comparativo, che è lo stesso attualmente utilizzato per determinare i percorsi di fruizione sulle piattaforme, in base ad algoritmi che sbagliano associazioni 7 volte su 10.
In quale categoria finirebbero i non categorizzabili?
E se riuscisse a capire Griffith al volo, come se la caverebbe con Godard, Roeg, Robbe-Grillet, Resnais, Apichatpong Weerasethakul, Penek Rattanarueang, Julio Bressane, Werner Schroeter, Carmelo Bene, l’ultimo Seijun Suzuki?
Se attualmente provate a sperimentare la scrittura analitica con l’AI, anche quando non fallisce, elabora l’analisi delle sequenze sulla base di una letteratura critica preesistente. Talvolta azzarda forme interpretative, se piegata verso la “letteratura” specialistica, ma occorre stare molto attenti alle cosiddette allucinazioni, ovvero output imprecisi e privi di senso.
Al di là di aspetti meramente compilativi, il margine di invenzione di una lingua scientificamente creativa come quelle di Deleuze, Bazin, Pasolini, non è possibile. Ovvero non è possibile tornare a quella “verginità” dopo il tavolo autoptico dell’accademia, e non sarà possibile, forse mai più, se l’AI si servirà di quelle carcasse come base dati, senza prevedere la cecità di un occhio per vederci meglio con l’altro.
[Immagine elaborata da Michele Faggi, rielaborata con strumenti digitali e corretta con ausilio di AI. © indie-eye 2026 ]
