La Definizione di Intelligenza Artificiale

Introduzione

La definizione di intelligenza artificiale presenta diverse sfumature che dipendono dalla corrente di pensiero.

In generale però si può definire intelligenza artificiale (IA) una sorta di simulazione dell’intelligenza umana processata all’interno di una macchina.

Questi processi includono tutte le competenze umane di acquisizione delle informazioni e i modi di sfruttare le stesse.

Ascoltare, parlare, ragionare e l’auto correzione sono solo una piccola parte di ciò che dovrebbe essere in grado di fare autonomamente un sistema di intelligenza artificiale.

All’improvviso tutto il mondo parla di AI e questo è diventato un argomento caldo, qui ti darò la definizione di Intelligenza Artificiale .

Dopo diversi successi ottenuti dal 2010 in poi, dai più performanti algoritmi di intelligenza artificiale, l’interesse per questo argomento è salito alle stelle.

Infatti, grazie all’evoluzione delle tecnologie che stanno alla base di questo campo di studi, negli ultimi anni l’intelligenza artificiale ha visto uno sviluppo molto importante.

In realtà, se vogliamo essere sinceri ed oggettivi, oggi in questo mondo non esiste ancora un sistema che sia veramente dotato di una reale intelligenza artificiale.

Sempre più vicini alla meta

Comunque, con le ultime scoperte ci stiamo velocemente avvicinando a qualcosa di simile e con risultati veramente sorprendenti.

Le scienze informatiche, i ricercatori, i matematici e le tecnologie recenti (cpu, gpu, tpu etc..) stanno facendo, giorno dopo giorno, grandi progressi in questo campo.

Infatti, nascono continuamente nuovi algoritmi, nuove strategie per l’apprendimento dei numerosi modelli di Machine Learning e tutto con una velocità incredibile

Certo, un traguardo lontano ancora. Ma tutto questo fa pensare sempre di più che la definizione di un IA è, ogni giorno di più, nel raggio delle nostre reali possibilità.

Cervello umano VS Intelligenza artificiale

Lo sapevate che il cervello umano conta all’incirca 86 miliardi di neuroni?

Questi sono connessi tra di loro con una quantità di connessioni, cioè sinapsi, che è pari a circa 1000 volte il numero di neuroni.

Abbiamo molte più connessioni sinaptiche che stelle nella nostra galassia: parliamo quindi, di una cifra letteralmente astronomica.

Basta questo per farci capire quanto è ardua l’impresa di realizzare un cervello artificiale confrontabile con quello umano.

Ad ogni modo, dobbiamo tenere bene in mente che l’evoluzione del cervello umano ha un percorso di almeno 2,5 milioni di anni.

Se anche dovessimo riuscire nell’impresa della creazione di un Intelligenza Artificiale in un centinaio di anni, sarebbe in ogni caso un enorme successo.

Tutto cambierà

Ad ogni modo, l’intelligenza artificiale come materia di ricerca e come applicazione pratica, nel suo piccolo, si è sviluppata negli ultimi 80 anni.

È stato uno sviluppo continuo e con metriche di crescita esponenziali.

Aree specifiche dell’ AI come Machine Learning e in particolar modo Deep Learning sfornano algoritmi e modelli con caratteristiche strabilianti.

Modelli computazionali che dimostrano di essere all’altezza di poter coprire tasks (vedi articolo sul CERN ) e funzioni che fino a qualche anno fa potevano essere portate a termine esclusivamente tramite il controllo umano.

La cosa interessante è che questi sistemi sono più precisi e più veloci: per questo motivo è già possibile pensare la probabile e progressiva sostituzione delle risorse umane con algoritmi intelligenti.

Una lenta sostituzione che questo sarà possibile per la maggior parte dei lavori esistenti entro trenta anni ( secondo me questo accadrà in molto meno).

Cos’è l’intelligenza artificiale?

Definizione di intelligenza

Prima di calarci nel significato di intelligenza artificiale diamo un occhiata su che cosa significa il termine intelligenza.

Wikipedia ci dice che in generale l’intelligenza è la capacità di un agente di affrontare e risolvere con successo situazioni e problemi nuovi o sconosciuti.

Inoltre, sempre la stessa fonte ci ricorda che per uomo e animali l’intelligenza è anche l’insieme di tutti quei meccanismi mentali cognitivi ed emotivi che danno come risultato finale la capacità suddetta ossia risolvere problemi anche quelli con cui non si ha mai avuto a che fare.

Alla base c’è la sopravvivenza

In realtà, lasciando stare gli aspetti spirituali e occupandoci esclusivamente di questioni terrene, per gli esseri viventi l’unico problema da risolvere, alla base di tutti i problemi, c’è la sopravvivenza e allargando ancora un po’ il concetto troviamo la sopravvivenza della specie.  

Fatta questa precisazione, l’intelligenza di un essere vivente è la capacità derivante da quell’insieme di meccanismi mentali e quindi comportamenti che hanno come ultimo scopo la risoluzione con successo dell’immane problema della sopravvivenza del singolo, inserito in un insieme di suoi simili, in un certo tipo di ambiente e con altri esseri di specie diverse etc…

Anche il mondo vegetale, ovviamente ha questa problematica da risolvere e infatti si ritiene che anche le piante abbiano una sorta di sistema nervoso e una loro intelligenza come si evince da questo interessate articolo su Science

In generale oggi abbiamo tanti pezzettini di un grande puzzle che a breve qualcuno sarà in grado di comporre.

Intelligenza artificiale Human-Like

La parola intelligenza deriva dal latino intelligĕre che ha significato di capire.

Secondo alcuni, potrebbe derivare dalla composizione della parola “legĕre” cioè leggere ed “intŭs” cioè dentro e quindi con il siginficato di “leggere dentro”.

Ancora, legĕre ĭnter cioè leggere tra le righe.

Infatti, gli ultimi studi di psicologia suggeriscono che l’intelligenza, come noi la intuiamo dal punto di vista umano, sia in realtà la capacità di leggere all’interno della mente dell’altro, intuendone il modello mentale. E’ ciò che scrive Bob Azarian su Psycologist Today, nota rivista scientifica, nel suo articolo “Intelligent Social Robots Must Have a Theory of Mind“. Non stiamo parlando quindi di “semplice” competenza ma di una capacità, della quale l’essere umano ne è la massima espressione in questa terra, di inter-lettura dello stato psico-emozionale di un altro essere. Questa abilità permettè l’interazione sociale fra essere.

E’ ciò che scrive Bob Azarian su Psycologist Today, nota rivista scientifica, nel suo articolo “Intelligent Social Robots Must Have a Theory of Mind“. Non stiamo parlando quindi di “semplice” competenza ma di una capacità, della quale l’essere umano ne è la massima espressione in questa terra, di inter-lettura dello stato psico-emozionale di un altro essere. Questa abilità permettè l’interazione sociale fra essere.

Una teoria della mente per l’intelligenza artificiale

Secondo questi studi questo averrebbe principalmente attraverso l’uso degli occhi e secondariamente con il resto del corpo… cosa strana vero? Su Psicologist Today nell’articolo di Bob Azarian leggiamo proprio questo

Cosa significa teoria della mente che, secondo l’autore, è quasi totalmente mancante nell’intelligenza artificiale implementata fino ad ora?

La “teoria della mente”, stringi, stringi, è una abilità (e quindi come tale si può apprendere n.d.r.) che permette di attribuire stati mentali come ad esempio credenze,desideri,obbiettivi, e intenzioni ad un altro essere, e di capire che questi stati sono differenti dal proprio.

Un computer dotato di una “teoria della mente” potrebbe quindi riconoscerti come sistema o agente consciente fornito di un proprio mondo mentale, piuttosto che qualcosa di puramente meccanico, inanimato e privo di… vita?

L’autore in oltre suggerisce che probabilmente l’abilità che dovrebbe avere un intelligenza artificiale simile all’essere umano dovrebbe essere quella di leggere lo stato della mente altrui attraverso l’orientamento degli occhi e non sorprende il fatto che i bambini appena nati acquisiscano prima di tutto l’abilità di identificare prima di tutto viso e occhi: abilità cruciale per innescare un interazione sociale.

Storia dell’intelligenza artificiale

Il modello di neurone di McCulloc e Pitts

L’alba delle reti neurali comincia nel 1943 quando, il neurofisiologo Warren Sturgis McCulloch e l’esperto di logica Walter Pitts, scrivono un articolo in cui descrivono un modello di neurone artificiale basato sulla funzione gradino di Heaviside detto anche Threshold Logic Unit. Essi, oltre ad aver elaborato il modello matematico ne realizzarono anche un prototipo utilizzando componenti elettriche.

Fu il primo neurone artificiale realizzato nella storia.

Il neurone artificiale è di fatto una procedimento matematico concepito analizzando il comportamento delle reali reti di neuroni biologici. I neuroni artificiali sono appunto le unità elementari di una rete neuronale artificiale.

Il percettrone di Rosenblatt : la prima macchina intelligente

Nel 1957 al Cornell Areonautical Laboratory (Buffalo, New York) cominciavano le prime sperimentazioni di intelligenza artificiale attraverso l’uso del calcolatore IBM704 e nello specifico si sperimentava un nuovo dispositivo elettronico chiamato Percettrone.

Questo sistema elettronico dimostrava di essere in grado di apprendere autonomamente semplici regole partendo da una serie di esempi relativi al problema accompagnati dalla rispettiva soluzione.

Frank Rosenblatt

L’idea nasce dal giovane psicologo Frank Rosenblatt che, fresco di laurea e appassionato di temi come “intelligenza artificiale” e sistemi cognitivi, si dedico alla definizione del primo sistema basato sul funzionamento dell’apprendimento dal punto di vista biologico degli esseri viventi.

Il lavoro di ricerca sul percettrone si concluse nel 1960 con lo sviluppo e la costruzione del l’hardware del Mark I Perceptron: il primo computer che essenzialmente era in grado di imparare nuove abilità attraverso un procedimento basato su prove ed errori utilizzando una rudimentale rete neurale che simula la meccanica del pensiero umano.

In effetti “meccanica” è proprio un termine dalla definizione azzeccata in quanto il Mark I Perceptron, più che a un avanzato sistema di calcolo elettronico per l’intelligenza artificiale, assomigliava ad un grossolano e rudimentale macchinario elettro-meccanico con tanto di motori elettrici.

Infatti questo dispositivo nacque come applicazione nella visione artificiale ed era composto da una matrice di 400 fotocellule in grado di catturare forme geometriche poste dinanzi.

Queste fotocellule erano connesse attraverso un potenziometro che fungeva da peso sinaptico al nucleo del percettrone.

Il percettrone doveva essere in grado di distinguere diverse forme geometriche. L’aggiustamento dei pesi e quindi del valore dei potenziometri avveniva tramite l’azionamento di motori elettrici.

Il primo insuccesso nel campo dell’IA

Il New York Time mise immediatamente la scoperta rivoluzionaria in prima pagina : “Il dispositivo della Marina Militare in grado di imparare facendo”.

Allo stesso modo fece il New Yorker esaltando la scoperta tecnologica che avrebbe cambiato le sorti dell’umanità.

Intanto Rosenblatt cominciò subito a dedicarsi alla sua nuova attività di studio sul trasferimento dei comportamenti e delle competenze da un ratto all’altro.

Oltre a questo si dedicò ad altre sue passioni come l’astronomia e la politica che ben poco avevano a che fare con la definizione di intelligenza artificiale.

L’eccitazione iniziale sfumò dopo qualche anno con l’uscita nel 1969 del paper “Perceptrons” in cui gli autori Minsky e Papert evidenziavano alcune limitazioni.

Attraverso una dimostrazione matematica, mostravano i limiti del modello feed-forward a singolo percettrone che lo stesso Rosemblatt ammetteva.

I due autori sottolineavano infatti l’impossibilità del modello matematico alla base del percettrone di risolvere classificazioni che implicavano una relazione di non linearità con i dati di input.

Per quanto riguarda invece la possibilità di realizzare reti a due o più strati di percettroni, che al contrario potevano risolvere anche problemi non lineari (come la famosa funzione XOR) avvisavano la difficoltà di addestramento di tale rete multistrato per mancanza di potenza di calcolo.

Il primo inverno

Questa ricerca fu un elemento sufficiente per smorzare l’entusiasmo tanto da ridurre i fondi per la ricerca in quest’ ambito e soprattutto alimentò lo scetticismo all’interno della comunità di ricercatori.

Pochi anni dopo Frank Rosenblatt morì in un incidente in barca e non ebbe la possibilità di vedere l’effetto che ebbe la sua scoperta qualche anno dopo.

Leggi anche l’articolo Il percettrone.

Il ritorno del percettrone

Dopo la morte di Rosenblatt, nei dieci anni successivi, nessuno parlo più di intelligenza artificiale se non nei film, nei fumetti e nei romanzi fantascientifici.

Ma nel 1980 qualche ricercatore testardo riprese in mano il famoso libro “Perceptrons” per dare vita al concetto di “Connettivismo”: stiamo parlando di James McClelland,David Rumelhart con il loro lavoro “Parallel Distributed Processing: Explorations in the Microstructure of Cognition”.

Questo lavoro riporta in auge la ricerca sulle reti neurali artificiali e che mise in piedi le basi per la realizzazione di una simulazione della percezione dando al mondo dei ricercatori i primi modelli di processo di apprendimento neurale.

E’ così che nel nel 1986 il famoso paper scritto da Rumelhart e Geoffrey Hinton nel quale verrà applicata la backpropagation al multilayer perceptron. Quest’ultimo diverrà il modello di riferimento per le reti neurali artificiali e ovviamente per tutto il mondo dell’intelligenza artificiale.

Error Back Propagation

Il concetto di error back propagation o retropropagazione dell’errore è il concetto centrale di tutto il ramo del machine learning dominato dalle reti neurali artificiali ossia il Deep Learning.

In realtà anche se questo concetto è stato reso famoso dal paper Rumelhart e Hinton la procedura matematica di Error Backpropagation (EBP) è stata realizzata a cavallo tra gli anni 60 e 70 partendo da un idea contenuta nella teoria del controllo dei sistemi dinamici (Henry J. Kelley nel 1960 e Arthur E. Bryson nel 1961 ) e in parte dalla programmazione dinamica di Richard Bellmann.

Ma questi algoritmi quindi, sono o non sono intelligenti?

La risposta è assolutamente affermativa!

Un algoritmo che, per fare alcuni esempi, è in grado di capire ciò che gli viene chiesto o di distinguere un cane da una volpe oppure che è in grado di guidare un auto senza bisogno dell’intervento umano è certamente un algoritmo intelligente ma ciò non significa che si tratti di intelligenza artificiale come generalmente la si intende.

Infatti, come abbiamo visto, si utilizza la definizione di intelligenza artificiale, in maniera impropria. Abbiamo infatti parlato di strong e weak AI, attualmente abbiamo realizzato alcune parti intelligenti di una weak AI per quanto riguarda la strong AI siamo ancora molto lontani.

La Strong AI è quell’intelligenza artificiale che rappresenta nell’immaginario collettivo quel tipo di capacità cognitive e comportamentali così dette human-like, ossia paragonabili a quelle umane.

Quindi quando parliamo di intelligenza artificiale generalizziamo intendendo tutto quell’insieme di tecnologia, algoritmi, concetti matematici e quel particolare ramo della ricerca informatica che ha lo scopo ultimo di creare sistemi autonomi.

Sistemi che via, via, si avvicinano sempre più all’intelligenza umana fino a superarla : punto di singolarità.

Cosa sanno fare gli algoritmi oggi?

Il mondo dell’intelligenza artificiale gira attorno a due grandi temi:

1) Machine Learning

2) Deep learning

Senza addentrarci nelle definizioni possiamo dire che Machine Learning è un insieme di algoritmi e teorie matematico-statistiche nel ramo del grande tema dell’ intelligenza artificiale.

L’obbiettivo del machine learning è quello di far apprendere ad un elaboratore, velocemente e nel modo più accurato possibile, le competenze necessarie a portare a termine un attività ben precisa.

All’interno della area Machine Learning si sta espandendo un sottoinsieme di algoritmi che ben si distinguono dagli altri per il fatto che si basano quasi esclusivamente su complesse strutture di reti neurali artificiali.

Stiamo parlando, infatti, di Deep Learning, che è ciò che oggi più si avvicina all’ intelligenza artificiale nel senso stretto cioè human-like.

Con Deep Learning la possibilità di accedere a una vera intelligenza aumenta notevolmente.

Deep learning

Il Deep Learning porta un vantaggio enorme rispetto ai classici algoritmi di Machine Learning e cioè la capacità di apprendere, costruire regole e generare logiche partendo dai dati di input grezzi.

Non è necessario manipolare il dato in input ( per lo meno non più del dovuto ) e quindi, in soldoni, la rete neurale nell’algoritmo Deep Learning è in grado di capire in autonomia ciò che del dato di apprendimento serve e ciò che invece risulta irrilevante e quindi va scartato o non considerato.

Ancora un altro inverno dell’AI

Il concetto di Machine Learning era arrivato ad un punto nel quale le strade, per conseguire il tanto agoniato obiettivo dell’AI, sembrano chiuse. Sembrava che le proprietà intrinseche del dato grezzo potevano essere estratte esclusivamente dall’intelligenza umana. Capitolo chiuso! Questa AI non s’ha da fare!

Invece non fu chiuso per niente, perché gli algoritmi di Machine Learning ritrovarono nuova linfa dall’utilizzo delle reti neurali artificiali.

Un altra storia

Da qui in poi la macchina è in grado di decidere e apprendere il significato dei simboli impartiti come dato per l’apprendimento e quindi, in poche parole, capire la realtà per come gli viene proposta.

Ovviamente, si tratta di piccoli segmenti di realtà ma la novità è, che ora, la nostra AI è in grado di estrarne concetti ben definiti e usarli per arrivare allo scopo prefissato.

Esistono algoritmi di intelligenza artificiale che replicano, ed in alcuni casi egregiamente, funzioni cognitive importanti ben definite.

Funzioni come, ad esempio, l’abilità del riconoscimento e la categorizzazione nella visione artificiale, nell’ ascolto della voce umana e non solo.

La funzione di decision making nel Reinforcement Learning, il modellamento di un linguaggio e l’interpretazione di sequenze di parole e immagini sono solo alcune delle abilità.

Addestramento Supervisionato

Convolutional Neural Networs (CNN) : visione artificiale, classificazione immagini, classificazione sequenze di dati, tutto ciò che è possibile codificare in un immagine la CNN, dato un opportuno dataset di dati di apprendimento è in grado di eseguire una classificazione con una accuratezza che facilmente supera il 90% .

Long Short Term Memory (LSTM ) : lo dice il nome stesso, questa rete è in grado di memorizzare e di contestualizzare informazioni disposte in sequenze di dati distribuite nel tempo. Utilizzate nel riconoscimento vocale, nella previsione finanziaria, nell’analisi di segnali e di sequenze di immagini.

Multi Layer Neural Networks (MLP) : la forma più semplice di rete neurale spesso utilizzata come strato intermedio o finale per raffinare l’accuratezza dei risultati del modello.

Addestramento NON Supervisionato

Deep Belief Network

Variational Autoencoder Con addestramento Rinforzato (REINFORCEMENT LEARNING)

Deep Reinforcement Learning

Abilità come pose-estimation ( individuare la posizione di persone piuttosto che animali), face recognition, behaviour recognition, la capacità di generare immagini, testi, musica in maniera fantasiosa ( Generative Adversarial Networks) e ancora ,un algoritmo in grado di proporre o raccomandare l’acquisto di prodotti cercando di incrociare i tuoi gusti, le tue necessità o tendenze.

In generale oggi abbiamo tanti pezzettini di un grande puzzle che a breve qualcuno sarà in grado di comporre.

La filosofia dell’intelligenza artificiale Strong AI VS Weak AI

Possiamo distinguere due tipi di intelligenza artificiale di cui ne vedremo la definizione.

1. L’intelligenza artificiale Strong (Strong AI)
2. L’intelligenza artificiale Weak (Weak AI)

Definizione di Strong AI

Strong AI ha come risultato finale la definizione di un intelligenza artificiale simile se non uguale all’essere umano.

Questo tipo di intelligenza artificiale ha in buona sostanza l’obbiettivo di emulare una persona vera; se non altro nel modo di pensare e di interagire con il mondo esterno.

Le Strong AI saranno macchine con la completa potenza mentale che abbiamo noi esseri umani includendo tutti i fenomeni psichici relativi alla coscienza.

Definizione di Weak AI

La definizione di weak AI ossia l’ intelligenza artificiale debole, d’altro canto, si accontenta di ricreare una macchina in grado di processare informazioni che sembrano avere tutto il repertorio di meccanismi mentali di un essere umano.

La differenza sta nel fatto che nel caso di un intelligenza artificiale debole non esiste una coscienza.

Un IA debole, semmai, potrebbe consistere in una sorta di monitoraggio del sistema.

Questo sistema è coordinato da un altro sistema gerarchicamente più importante che amministra e determina quali tasks utilizzare a fronte di un determinato evento.

Il risultato finale è una macchina in grado di colloquiare, di osservare e analizzare, memorizzare, e fare previsioni, eseguire azioni, soddisfare richieste.

Qual’è la differenza tra Weak AI e Strong AI?

Boh! 🙂

Apparte gli scherzi, sembra che la definizione di intelligenza artificiale di tipo Weak abbia comunque come obbiettivo quello di passare, non solo il Turing Test ma anche il TTT ossia il Total Turing Test ridefinito da Harnad nel 1991.

Nel Total Turing Test un WeakAI deve assemblare molto più che l’effetto di indistinguibilità nel linguaggio previsto da Turing.

Deve assere indistinguibile anche nei comportamenti, deve saper giocare a calcio, mangiare, insegnare ad un classe e chi più ne metta!

e quindi…

Ritornando a quale sia la differenza, vorrei formulare un mio pensiero personale.

L’intelligenza è, come abbiamo detto, l’insieme di meccanismi mentali che hanno lo scopo finale di farci sopravvivere.

Dobbiamo sopravvivere come specie e collettività prima che come individui.

Probabilmente lo scopo è sopravvivere come esseri viventi sulla terra in generale e quindi come esseri umani e non, in maniera indistinta .

Se tutto il bagaglio di comportamenti e dinamiche che mettiamo in atto si sono generati con l’evoluzione per rispondere a questo unica grande spinta. La vita.

Allora, una intelligenza artificiale debole potrà rispondere a regole ben definite “meramente” cognitive.
Questa, potrà essere una simulazione probabilistica ben fatta.

Una simulazione dell’essere umano esistente, privo di spinta egoica, privo di necessità di evoluzione e fondamentalmente priva di libero arbitrio.

Al contrario l’ intelligenza artificiale di tipo strong dovrebbe evolvere naturalmente come sistema che risponde autonomamente al bisogno di esistere e all’imperativo della sopravvivenza.