Oltre il deep learning per raggiungere l’Intelligenza Artificiale Generale

La ricerca di un’intelligenza artificiale generale affidabile

Le voci sul rivoluzionario modello Q* di OpenAI hanno riacceso l’interesse del pubblico sui potenziali vantaggi e svantaggi dell’intelligenza artificiale generale (AGI).

L’AGI potrebbe essere istruita e addestrata a svolgere compiti cognitivi di livello umano. I rapidi progressi dell’intelligenza artificiale, in particolare dell’apprendimento profondo (deep learning), hanno suscitato sia speranze che timori riguardo alla possibilità di un’intelligenza artificiale generale (AGI) o intelligenza artificiale forte. L’AGI potrebbe essere sviluppata da alcune aziende, tra cui xAI e OpenAI di Elon Musk. La domanda che però sorge spontanea è la seguente: Stiamo andando verso l’intelligenza artificiale generale (AGI)? Forse no.

Limiti del deep learning

Come spiegato qui, in ChatGPT e nella maggior parte dell’IA moderne, viene impiegato il deep learning, una tecnica di apprendimento automatico (machine learning) basata sulle reti neurali artificiali. Tra gli altri vantaggi, la sua versatilità nel gestire vari tipi di dati e la scarsa necessità di pre-elaborazione hanno contribuito alla sua crescente popolarità. Molti pensano che il deep learning continuerà a svilupparsi e sarà essenziale per raggiungere l’intelligenza artificiale generale (AGI).

L’apprendimento profondo presenta però alcuni svantaggi. I modelli che riflettono i dati di addestramento richiedono grandi insiemi di dati e risorse informatiche costose. Questi modelli producono regole statistiche che replicano eventi osservati nella realtà. Per ottenere risposte, questi criteri vengono poi applicati a dati recenti del mondo reale.

Pertanto, le tecniche di apprendimento profondo operano secondo una logica di previsione, aggiornando le loro regole in risposta a nuovi eventi osservati. Queste regole sono meno adatte a realizzare l’intelligenza artificiale generale, perché sono soggette all’imprevedibilità del mondo naturale. L’incidente del giugno 2022 che ha coinvolto un Robotaxi potrebbe essersi verificato perché il veicolo non era stato addestrato per il nuovo scenario, impedendogli di prendere decisioni sicure.

L’enigma del “cosa succederebbe se…”

I modelli per le AGI, ossia gli esseri umani, non sviluppano regole esaustive per gli eventi che si verificano nel mondo reale. Per interagire con il mondo, gli esseri umani di solito lo percepiscono in tempo reale, utilizzando rappresentazioni preesistenti per comprendere le circostanze, il contesto e qualsiasi altro elemento accidentale che possa influenzare le scelte. Invece di creare nuove regole per ogni nuovo fenomeno, adattiamo e rielaboriamo le regole già esistenti per consentire un processo decisionale efficiente.

Quando si incontra un oggetto cilindrico a terra durante un’escursione in un bosco, per esempio, e si vuole usare il deep learning per determinare cosa fare dopo, si devono raccogliere dati sulle varie caratteristiche dell’oggetto, classificarlo come non pericoloso (come una corda) o potenzialmente pericoloso (come un serpente), e quindi intraprendere le azioni appropriate.

D’altra parte, un essere umano probabilmente inizierebbe valutando l’oggetto da lontano, tenendo aggiornate le informazioni e scegliendo una linea d’azione solida basata su una “distribuzione” di scelte che hanno funzionato bene in circostanze analoghe precedenti. Questo approccio fa una piccola ma evidente distinzione, concentrandosi sulla definizione di azioni alternative relative ai risultati desiderati piuttosto che fare previsioni future.

Quando la previsione non è possibile, per raggiungere l’AGI può essere necessario abbandonare le deduzioni predittive e migliorare la capacità induttiva “e se…?”.

Processo decisionale in condizioni di profonda incertezza

Il ragionamento delle AGI sulle scelte può essere realizzato attraverso tecniche decisionali in condizioni di profonda incertezza (DMDU) come il Robust Decision-Making. Senza la necessità di un continuo aggiornamento su nuovi dati, le tecniche DMDU esaminano la vulnerabilità delle possibili opzioni alternative in una serie di circostanze future. Identificando gli elementi cruciali condivisi da quei comportamenti che non soddisfano i criteri di risultato predefiniti, valutano le decisioni.

L’obiettivo è identificare le decisioni che dimostrano robustezza, ossia la capacità di ottenere buoni risultati in diversi scenari futuri. Mentre molti approcci di deep learning danno priorità a soluzioni ottimali che potrebbero non funzionare in circostanze inaspettate, i metodi DMDU valutano alternative solide che potrebbero compromettere l’ottimalità per la capacità di produrre risultati soddisfacenti in una varietà di ambienti. Gli approcci DMDU forniscono un’utile base concettuale per la creazione di IA in grado di gestire l’incertezza nel mondo reale.

La creazione di un veicolo completamente autonomo potrebbe essere un esempio di come utilizzare la metodologia suggerita. Simulare il processo decisionale umano durante la guida rappresenta un problema perché le condizioni del mondo reale sono diverse e imprevedibili. Le aziende automobilistiche hanno investito molto in modelli di deep learning per la completa autonomia, ma questi modelli spesso vacillano in circostanze imprevedibili. I problemi imprevisti vengono continuamente affrontati nello sviluppo dei sistemi di navigazione autonoma, perché non è pratico modellare ogni scenario e prepararsi ai guasti.

Punti chiave del processo decisionale robusto (RDM):

• Vengono definiti più scenari futuri possibili che rappresentano un’ampia gamma di incertezze.
• Per ogni scenario, si valutano le potenziali opzioni decisionali simulandone i risultati.
• Le opzioni vengono confrontate per identificare quelle “robuste”, che danno risultati soddisfacenti nella maggior parte degli scenari.
• Vengono selezionate le opzioni più solide, che danno risultati soddisfacenti in una varietà di futuri incerti.
• L’obiettivo non è trovare l’opzione ottimale per uno scenario specifico, ma quella che funziona bene nel complesso.
• L’accento è posto sulla flessibilità in ambienti mutevoli, non sull’accuratezza della previsione.

Decisioni solide

Un possibile rimedio è l’utilizzo di un approccio decisionale robusto. Per determinare se una particolare circostanza del traffico richieda una frenata, un cambio di corsia o un’accelerazione, i sensori dei veicoli a guida autonoma raccoglieranno dati in tempo reale.

Se i fattori critici sollevano dubbi sulla risposta routinaria dell’algoritmo, il sistema valuta la vulnerabilità di decisioni alternative in un determinato contesto. Ciò faciliterebbe l’adattamento all’incertezza nel mondo reale e ridurrebbe l’urgente necessità di riaddestramento su grandi set di dati. Un cambiamento di paradigma come questo potrebbe migliorare le prestazioni dei veicoli autonomi, spostando l’accento dalla realizzazione di previsioni perfette alla valutazione dei pochi giudizi che un veicolo autonomo deve fare per funzionare.

Forse, con lo sviluppo dell’intelligenza artificiale, dovremo abbandonare il paradigma dell’apprendimento profondo e porre maggiormente l’accento sull’importanza del contesto decisionale per arrivare all’intelligenza artificiale generale. L’apprendimento profondo ha dei limiti nel raggiungere l’AGI, nonostante il suo successo in molte applicazioni.

Per spostare l’attuale paradigma dell’IA verso tecniche di IA affidabili e guidate dalle decisioni, in grado di gestire l’incertezza nel mondo reale, i metodi DMDU possono offrire un quadro iniziale.

La ricerca dell’intelligenza artificiale generale continua ad affascinare e sfidare la comunità dell’IA. Sebbene l’apprendimento profondo abbia ottenuto notevoli successi in compiti ristretti, i suoi limiti diventano evidenti quando si considera la conoscenza flessibile necessaria per l’IA. Gli esseri umani navigano nel mondo reale adattando rapidamente i modelli mentali esistenti alle nuove situazioni, piuttosto che affidarsi a regole predittive esaustive.

Tecniche come il Robust Decision Making (RDM), che si concentra sulla valutazione delle vulnerabilità delle scelte in scenari plausibili, possono fornire un percorso promettente. Anche se l’apprendimento profondo continuerà a essere uno strumento importante, per ottenere AGI affidabili potrebbe essere necessario enfatizzare il ragionamento induttivo e le strutture incentrate sulle decisioni, in grado di gestire l’incertezza. I prossimi anni ci diranno se l’intelligenza artificiale potrà fare i salti concettuali necessari per eguagliare l’intelligenza umana generale. Tuttavia, ampliando il paradigma al di là dell’apprendimento profondo, potremo scoprire nuove prospettive per creare un’intelligenza artificiale capace e affidabile.