Come le intelligenze artificiali diventano sempre più intelligenti

Come le intelligenze artificiali diventano sempre più intelligenti

09.01.2017 | Creare macchine che siano pari all'uomo è ancora fantascienza, ma grazie ai videogiochi potrebbe diventare realtà.

Il termine intelligenza artificiale potrebbe far pensare a macchine dotate di vera conoscenza, in grado di ragionare e consapevoli di ciò che stanno facendo; le cose, invece, sono molto diverse: il fatto che un software impari a riconoscere se in una foto sono presenti dei gatti non significa che sappia che cosa sia un gatto; allo stesso modo, il computer che ha battuto Lee Sedol, il maestro di Go, non aveva la più pallida idea di che cosa stesse facendo (e lo stesso vale per lo storico esempio riguardante le partite a scacchi tra Deep Blue di IBM e Gary Kasparov).

Questi software, insomma, non sono in grado di pensare; sono semplicemente capaci di processare una quantità tale di dati da riuscire a metterli in relazione tra loro, identificando collegamenti e differenze in un paniere di dati o calcolando statisticamente, per esempio, quale mossa di un determinato gioco ha la maggior probabilità di avere successo.

I metodi utilizzati per ottenere questi risultati sono principalmente due: il machine learning (apprendimento automatico) e la sua più recente evoluzione, il deep learning (apprendimento approfondito), un sistema dalle enormi potenzialità che si basa sugli stessi princìpi ma che, a differenza del machine learning, lavora su numerosi strati di “reti neurali” che simulano il funzionamento del cervello, organizzando l'analisi dei dati su diversi livelli e raggiungendo così una maggiore capacità di astrazione. 


Le origini di questa branca dell’intelligenza artificiale risalgono agli anni ‘50 e al lavoro di scienziati come Marvin Minsky, Frank Rosenblatt, Seymour Papert e Arthur Samuel (quest’ultimo ha coniato una importante definizione di machine learning: “una branca dell’intelligenza artificiale che fornisce ai computer l’abilità di apprendere senza essere stati esplicitamente programmati”). Per decenni, però, il fatto che questa tecnica non consentisse di raggiungere una vera e propria intelligenza artificiale, ma solo una sorta di calcolo statistico estremamente evoluto, le ha impedito di ottenere grande popolarità nel mondo accademico.

Nel caso del machine learning, la macchina scopre da sola come portare a termine un compito che le è stato dato

L’atteggiamento generale ha iniziato a cambiare solo negli anni ‘90, quando è diventato evidente come il machine learning consentisse di risolvere parecchi problemi di natura pratica; il salto di qualità che l’ha infine imposto come strada maestra nel mondo della AI è avvenuto più recentemente, grazie alla crescente potenza di calcolo dei computer e a una mole senza precedenti di dati a disposizione, che ne hanno aumentato esponenzialmente le potenzialità.

Alla base di questa tecnica, c’è l’utilizzo di algoritmi che analizzano enormi quantità di dati, imparano da essi e poi traggono delle conclusioni o fanno delle previsioni. Per questo, nella definizione di Arthur Samuel, si parla di “abilità di apprendere senza essere stati esplicitamente programmati”: a differenza dei software tradizionali, che si basano su un codice scritto che spiega loro passo dopo passo cosa devono fare, nel caso del machine learning la macchina scopre da sola come portare a termine l’obiettivo che le è stato dato.

Un software che deve imparare a riconoscere un numero scritto a mano, per esempio il 5, viene quindi sottoposto a centinaia di migliaia di immagini di numeri scritti a mano, in cui è segnalato solo se sono dei 5 oppure non lo sono. A furia di analizzare numeri che sono o non sono dei 5, la macchina impara a un certo punto a riconoscerli, fornendo una percentuale di risposte corrette estremamente elevata. Da qui a essere davvero intelligenti, ovviamente, ce ne passa: basti pensare che, per imparare a riconoscere un certo numero, un’intelligenza artificiale deve essere sottoposta a migliaia e migliaia di esempi; a un bambino di quattro anni basta vederne cinque o sei.

Lo stesso metodo probabilistico è alla base di una quantità di operazioni che quotidianamente ci semplificano la vita: il machine learning viene impiegato dai filtri anti-spam per eliminare la posta indesiderata prima ancora che arrivi nelle nostre caselle, per consentire a Siri di capire (più o meno) che cosa le stiamo dicendo e a Facebook per indovinare quali tra i nostri amici sono presenti nelle foto; permette ad Amazon e Netflix di suggerirci quali libri o film potrebbero piacerci, a Spotify di classificare correttamente le canzoni in base al loro genere musicale. Già oggi, insomma, utilizziamo quotidianamente l'intelligenza artificiale, spesso senza nemmeno rendercene conto.

Ma le applicazioni del machine learning diventano sempre più importanti e ambiziose: l'esempio che ha fatto più parlare è quello delle auto autonome, che promettono di ridurre drasticamente gli incidenti, ma anche il mondo del lavoro sarà investito da queste macchine intelligenti: il primo robot avvocato, in grado di fornire risposte scartabellando nei database legali di tutto il mondo, è già una realtà; così come lo è Watson, l'intelligenza artificiale di IBM che, tra le altre cose, diagnostica i tumori con precisione maggiore dei medici umani.

Dai filtri anti spam alle AI che affiancano i medici in compiti così delicati, il salto di qualità è evidente. Ed è proprio il settore medico uno di quelli destinati a venir maggiormente rivoluzionato dall'intelligenza artificiale. Immaginate un software in grado di analizzare, grazie al deep learning, ogni risonanza magnetica che sia mai stata eseguita, imparando così in un tempo rapidissimo a diagnosticare correttamente ogni cambiamento del nostro corpo, da una microfrattura all'insorgenza di un tumore.

Fin qui, abbiamo visto come le applicazioni del machine learning diventino sempre più importanti in settori molto delicati come la giustizia o la medicina; ma la potenza di calcolo sempre maggiore dei computer e la mole sempre più imponente dei big data sta consentendo a questi software di fare rapidissimi progressi e di diventare, se così si può dire, più intelligenti.

I casi che, recentemente, hanno fatto sensazione sono soprattutto due: le reti neurali progettate da Google Brain, che sono in grado di scambiarsi messaggi cifrati comprensibili solo a loro, e il software creato da DeepMind che utilizza una memoria esterna per imparare da esperienze precedenti a portare a termine al primo colpo un nuovo obiettivo.

La conquista di una vera intelligenza passa da un metodo molto particolare: giocare a migliaia di videogiochi

Ma per quanto queste AI progrediscano, rimangono pur sempre delle cosiddette ANI (artificial narrow intelligence, intelligenze artificiali limitate): quale che sia la loro abilità, insomma, questi software sono in grado di svolgere un compito solo. Anche le sopraccitate intelligenze artificiali di DeepMind, che hanno stupito il mondo grazie all'utilizzo di una memoria, possono riutilizzare quanto appreso solo per compiti assimilabili a quelli precedenti. Per esempio, il software in questione era in grado di sfruttare l'esperienza accumulata su alcune mappe della metropolitana per imparare al primo colpo a muoversi su una nuova mappa della metro; ma non avrebbe mai saputo sfruttare quanto appreso per riutilizzarlo in un compito diverso, come invece siamo in grado di fare noi umani.

Le intelligenze artificiali, insomma, sono del tutto prive di ciò che si definisce intelligenza generale. Per conquistarla, un computer dovrebbe, come minimo, essere in grado di portare a termine in modo efficace una molteplicità di compiti molto diversi tra loro; ma l'obiettivo finale di una AGI (artificial general intelligence) può essere solo uno: diventare intelligente quanto un essere umano.

C'è un modo per consentire alle AI di ottenere una forma di intelligenza di questo tipo? Secondo OpenAI, il gruppo di ricerca non-profit fondato anche da Elon Musk, la risposta è sì. Ma questa conquista passa da un metodo di apprendimento molto particolare: giocare ai videogiochi; a migliaia di videogiochi.

Una nuova piattaforma creata da OpenAI, Universe, permette a ogni intelligenza artificiale che sia stata progettata per raggiungere un determinato obiettivo di mettersi alla prova anche su una miriade di giochi in Flash, così come di provare a cimentarsi nei più complessi Grand Theft Auto V, World of Goo, Mirror's Edge e parecchi altri ancora.

Come sempre, il software impara senza essere stato programmato per farlo, ma semplicemente procedendo nel videogioco e imparando che quando il punteggio migliora significa che sta “lavorando” nel modo corretto. In un gioco di automobili, per esempio, la AI sarà in grado di capire che quando supera le altre auto senza scontrarsi il punteggio migliora, e che quindi è quello il modo giusto di condurre il videogame.

Da qui a trasformare una AI in un software in grado di sostituire l'uomo ce ne passa ancora parecchio; ma se un software progettato, per esempio, per pianificare viaggi dimostra di riuscire a utilizzare la tecnica del machine learning anche per giocare correttamente ai videogame significa che è in grado di fare due cose completamente differenti. E se è in grado di fare due cose diverse, significa che sta iniziando a sviluppare una intelligenza, se non generale, almeno flessibile: il primo passo per diventare sempre più simile a un essere umano.

l'autore
Andrea Daniele Signorelli

Milanese, classe 1982, si occupa del rapporto tra nuove tecnologie, politica e società. Scrive per La Stampa, Gli Stati Generali, Prismo,  Rivista Studio e altri. Nel 2015 ha pubblicato “Tiratura Illimitata: inchiesta sul giornalismo che cambia” per Mimesis edizioni. Su Twitter, @signorelli82