IA vs mente umana: ecco quali sarebbero le loro differenze

di
INFORMAZIONI SCHEDA
Nessuno di voi si è mai chiesto come funziona il cervello quando deve compiere una decisione analizzando tutte le possibilità conosciute? Quali sarebbero le differenze tra una IA odierna e l'attività decisionale della mente umana?

I neuroscienziati della Rice University e della Baylor College of Medicine, entrambe in Texas, si sono posti questo quesito e stanno sviluppando nuove strategie di ricerca che simulino le condizioni del mondo reale per capire come operi la mente.

Secondo i ricercatori non si possono studiare le vere abilità di un cervello nel compiere un'inferenza statistica (ovvero nell'analizzare le caratteristiche di varie possibilità) in un contesto nel quale deve compiere mansioni semplici. Infatti nel nuovo articolo pubblicato dal team di neuroscienziati si ipotizza che la mente sfrutterebbe una comunicazione non lineare tra tantissimi neuroni interconnessi, basata su un modello probabilistico del mondo. Questo modello sarebbe innato grazie all'evoluzione della specie e verrebbe migliorato per mezzo dell'esperienza, semplificando la possibilità di decidere basata idee generali e preconcetti particolari.

L'articolo pubblicato sulla rivista Neuron asserisce che l'evoluzione ci ha concesso un buon modello mentale "fazioso". Le neural network sviluppate negli ultimi anni per le IA possono operare su qualsiasi funzione o decisione ma necessitano di un hardware costoso e molto tempo. In contrasto la nostra mente sarebbe un modello limitato che può imparare solo concetti specifici, ovvero quelli sel mondo reale: infatti la nostra mente ha un certo bias (ndr: ovvero è in qualche mondo di parte) che le permette di essere sensibile verso le questioni più importanti della vita quotidiana.

Inizialmente per procedere nello studio del cervello si poneva un soggetto di fronte ad una scelta semplice che richiedeva l'analisi di due sole opzioni. Gli esempi esaminati sono stati decisivi durante le fasi iniziali di ricerca e rimangono tutt'ora utili. D'altro canto questi casi di studio non mettono in luce le reali capacità del cervello, che ha bisogno di condizioni di lavoro più realistiche, ovvero sono necessarie variabili di disturbo ed una certa incertezza.

L'idea dei ricercatori è che la mente stabilisce una soluzione basandosi sull'analisi statistica incrociata di dati ridondanti. Questi dati ridondanti non sono altro che la risposta dei neuroni a determinati input esterni che provengono dalla nostra attività sensoriale. In parole povere il nostro cervello studia tutti gli input che provengono dai sensi in maniera non lineare (ovvero in maniera più o meno "caotica", detto in termini grezzi), assegna delle probabilità a degli eventi e stabilisce qual è la conclusione più adatta. Per fare un esempio pratico: se uno sconosciuto si ferma davanti a voi ed alza il pugno davanti a sé con espressione aggressiva, è plausibile che il cervello interpreti questa situazione come pericolosa. Se invece a fare gli stessi movimenti è un amico, probabilmente è più sensato pensare ad uno scherzo.

I neuroscienziati pensano che sia più plausibile descrivere a livello statistico tutti i neuroni piuttosto che eseguire i calcoli che ciascuno di essi svolge singolarmente.

La differenza che sussiste tra una IA e il cervello umano risulta abbastanza ovvia date queste premesse: mentre una IA può generalizzare solo in un campo specifico, come ad esempio il gioco cinese GO, svolgendo tutti i calcoli del caso in esame, la mente umana ha un modello migliore di tutto quel che concerne il mondo esterno. Il nostro cervello riesce a imparare molte più nozioni avendo a disposizione molti meno dati, proprio perché in qualche modo ha dei preconcetti che lo aiutano a trarre delle conclusioni in un ambito generico. Una IA può battere un umano a GO, ma non è in grado di pensare al di fuori di quello schema, può imparare solo ciò che il suo modello le impone di imparare, mentre il nostro cervello ha degli schemi logici più generici.

La speranza è che questi esperimenti possano tradursi nella creazione di algoritmi più "intelligenti" che riescano ad indirizzarsi verso l'apprendimento di una conoscenza più generale e spendibile nel mondo reale.