Intelligenza Artificiale e Intelligenza Umana: in cosa saranno diverse? - Pensiero Critico

Cerca nel sito
Vai ai contenuti

Menu principale:

Intelligenza Artificiale e Intelligenza Umana: in cosa saranno diverse?

Teorie > Metodi > Intelligenza Artificiale
Puoi condividere questa pagina:
Il punto chiave

L'intelligenza artificiale (AI) è quella scienza che consente di costruire macchine intelligenti, in particolare programmi per computer intelligenti. Essa è legata a compiti simili a quelli che utilizzano dei computer per capire l'intelligenza umana, ma la AI non deve limitarsi a metodi che sono biologicamente osservabili. (John McCarthy)

-

Il futuro della intelligenza artificiale è costituito dallo sforzo di costruire computer che, come gli esseri umani, imparino dall'esperienza, senza la necessità di matematizzare ogni passo.

_

La natura delle giustificazioni basate sul computer non è affatto come le giustificazioni umane. E' aliena. Ma "aliena" non significa "sbagliata". Quando si tratta di capire come stanno le cose, le macchine possono essere più vicine alla verità di quanto noi umani potremo mai essere. (David Weinberger)

_

Il metodo scientifico umano, basato sull'osservazione di fenomeni, generazione di ipotesi e verifiche sperimentali, viene annullato dalla modalità di funzionamento delle applicazioni di intelligenza artificiale basate sul "machine learning". Esse non producono ipotesi nè fanno verifiche (visibili all'uomo) eppure danno risultati più attendibili, ma incomprensibili all'uomo.

Bucchi
Garry Kasparov vs IBM Deep Blue
chess
Una delle prima applicazioni di intelligenza artificiale.
Come funzionano la mente umana e quella artificiale

Subito dopo la seconda guerra mondiale, agli albori di questo campo di studi avviato dal matematico Alan Turing, l'intelligenza artificiale (AI - artificial intelligence) aspirava solo a risolvere problemi difficili per gli umani, ma relativamente facili per dei computer, cioè problemi che potessero essere descritti da una lista di regole matematiche (ad esempio il supercomputer IBM’s Deep Blue che sconfisse il campione di scacchi Garry Kasparov nel 1997). Inizialmente la AI si proponeva di risolvere problemi pratici quali automatizzare routine di processi produttivi, riconoscere testi o immagini, fare diagnosi mediche, supportare la ricerca scientifica di base, e altri compiti di questo tipo.

L'approccio classico alla AI, conosciuto come "knowledge base" consiste nell'utilizzo di linguaggi formali che impiegano automaticamente regole logiche di inferenza. Questo è l'approccio degli albori dell'intelligenza artificiale. Il termine "intelligenza artificiale"  fu infatti coniato nel 1955 dallo scienziato informatico John McCarthy che ne diede la seguente definizione:


L'intelligenza artificiale è quella scienza che consente di costruire macchine intelligenti, in particolare programmi per computer intelligenti. Essa è legata a compiti simili a quelli che utilizzano computer per capire l'intelligenza umana, ma la AI non deve limitarsi a metodi che sono biologicamente osservabili.


Lo stesso McCarthy diede della "intelligenza umana" la seguente definizione:


L'intelligenza umana è la parte computazionale della capacità di raggiungere degli obiettivi nel mondo. Vari tipi e gradi di intelligenza si riscontrano nelle persone, in molti animali e in alcune macchine.


Alcune questioni basilari sulla differenza tra intelligenza umana e artificiale sono state date da McCarthy (ad esempio se il quoziente IQ è applicabile anche alle macchine, oppure cos'è il Turing Test, ecc) e sono reperibili qui.

Invenzione del "Machine Learning" e del "Deep Learning"

Con il tempo ci si accorse che la vera sfida che la AI doveva affrontare era un'altra, cioè quella di acquisire le proprie conoscenze estraendo strutture ("pattern") da dati grezzi esterni. Questa capacità di apprendimento automatico venne denominata "Machine Learning". Il Machine Learning si può definire un software che crea degli algoritmi che migliorano le proprie prestazioni nel corso del tempo, quando vengono misurati nell'ambito di un compito specifico, dopo aver effettuato una serie di esperienze.


Il tecnologo Daniel Faggella (vedi bibliografia) ha dato dell'apprendimento automatico delle macchine la seguente definizione:


Machine learning è la scienza che permette ai computer di imparare ed agire come gli umani, e di migliorare il proprio apprendimento nel tempo autonomamente, se essi vengono alimentati di dati e informazioni in forma di osservazioni e interazioni con il mondo reale


La AI doveva dunque imparare a risolvere problemi che l'uomo risolve facilmente in modo intuitivo (automatico), come riconoscere parole o volti nelle immagini, ma che non possono essere descritti matematicamente. Dato che non esistono regole per quest'attività, occorreva imparare dall'esperienza. Se la conoscenza proviene dall'esperienza si può fare a meno dell'intervento umano, infatti i computer possono funzionare nei termini di gerarchie di concetti, dove ogni concetto può essere definito con le sue relazioni a concetti più semplici, e il computer può imparare nuovi concetti complessi costruendoli dall'aggregazione di altri più semplici che già possiede. Secondo lo scienziato e filosofo Jürgen Schmidhuber (vedi bibliografia) lo sviluppo di reti neurali, cioè di reti che simulano il comportamento delle reti neurali biologiche, ha consentito il grande sviluppo del "Deep learning", cioè di un apprendimento automatico che richiede lunghe catene causali di fasi computazionali. L'apprendimento consiste nell'assegnazione di pesi corretti alle connessioni che portano la rete neurale verso il risultato desiderato. Il Deep Learning è un processo che continuamente valuta e assegna credito a molte fasi computazionali interconnesse (come il cervello umano).

Il Deep Learning è dunque un particolare apprendimento automatico che consente di ottenere da una rete neurale artificiale grande potenza e flessibilità imparando a rappresentare il mondo come una gerarchia di concetti, dove ogni concetto è definito in relazione a concetti più semplici e le rappresentazioni più astratte calcolate nei termini di quelle meno astratte.
Sviluppo della intelligenza artificiale guidato dalle reti neurali

Le reti neurali artificiali tendono a riprodurre strutture e modalità di funzionamento di quelle biologiche. Benchè il concepimento delle reti neurali artificiali risalga alla metà del secolo scorso, solo adesso esse stanno diventando fruibili per merito di un'accresciuta potenza di calcolo, di immagazzinamento dati (storage) e di superiori conoscenze matematiche.


Uno dei risultati applicativi delle reti neurali artificiali è il "Deep learning" che produce i suoi risultati da un numero enorme di variabili in un altrettanto grande numero di condizioni diverse tali che l'intelligenza umana non è in grado di comprendere il modello costruito dalle elaborazioni del computer ma di vedere solo la correttezza dei suoi risultati.


Il tecnologo e filosofo David Weinberger (vedi bibliografia) evidenzia il fatto che le reti neurali si sono dimostrate (nel 2009) in grado di analizzare, con maggiore successo dei metodi tradizionali, le interazioni dei geni in alcune malattie genetiche, oppure che esse sono state in grado di discriminare, con risultati migliori dell'approccio tradizionale (nel 2016), il decadimento di particelle singole e multiple nel grande acceleratore di particelle Hadron a Ginevra, oppure ancora che esse hanno aiutato (nel 2011) a identificare quale sia il più preciso dei venti modelli di cambiamento climatico usati dal "Gruppo Intergovernativo sul Climate Change".


Secondo il ricercatore Francesco Corea (vedi bibliografia), questa accelerazione è stata determinata in particolare dall'acquisizione della società DeepMind da parte di Google e dalla successiva pubblicazione (nel 2016) di un articolo di David Silver, Aja Huang e Al. (vedi bibliografia) che descrive l'uso di reti neurali nel gioco Go (AlphaGo).

Neuroni biologici
cervello
I neuroni sono composti da un corpo cellulare (il nucleo del neurone) a da parecchi dendriti che smistano i segnali elettrici da/verso i corpi cellulari degli altri neuroni ad una velocità media di 350 km/h. La materia bianca (costituita da assoni) connette la materia grigia (costituita da neuroni). I neuroni sono gli elementi di base del cervello e ogni cervello umano ne contiene oltre 100 miliardi. Il numero di connessioni tra neuroni (sinapsi), che va a formare il "Connettoma umano" è di circa 130 mila miliardi (più del numero di stelle contenuto in 500 galassie delle dimensioni della Via Lattea).
Neuroni artificiali
intelligenza artificiale
In un neurone artificiale ci sarà un'attivazione (cioè il passaggio di uno stimolo dall'ingresso all'uscita verso un altro neurone) se la sommatoria degli ingressi (pesati/weights) supererà una certa soglia (threshold). Inoltre ogni neurone applica una specifica funzione di trasferimento (transfer function) agli ingressi che riceve effettuando delle trasformazioni matematiche prima che la soglia venga superata.
Intelligenza umana e intelligenza artificiale sono diverse
AI
Connettoma umano: 130mila miliardi di sinapsi
brain
Fonte: MGH HUMAN CONNECTOME PROJECT ACQUISITION TEAM
Lo "Human Connectome Project" è stato un progetto quinquennale avviato nel 2009 da sedici dipartimenti della salute degli Stati Uniti. Questo progetto ha acquisito e distribuito al mondo scientifico dettagliate mappe dei percorsi neurali che costituiscono la connettività strutturale e funzionale del cervello umano. Il progetto aveva lo scopo finale di porre le basi per futuri studi che indagassero i percorsi neurali anormali che nel cervello conducono a gravi disordini neurologici quali l'Alzheimer o a disordini psichiatrici quali la schizofrenia.
Rete neurale per applicazioni finanziarie
AI
Sono oggi disponibili alcuni servizi per il "trading" (compravendita di titoli azionari)  a pagamento basati su applicazioni di intelligenza artificiale.
Un esempio di struttura per una rete neurale artificiale è "Neural Trader". Usando degli appositi software è possibile addestrare la rete riguardo al "trading" e la rete neurale tenterà di prevedere l'andamento del mercato titoli in base ai dati ricevuti in ingresso. In ingresso sarà possibile inserire indicatori tecnici quali il prezzo dei vari titoli, delle valute o delle materie prime usando dati storici già noti. E in uscita si inseriranno i prezzi futuri (target), la direzione del mercato o la volatilità. Una volta che la rete neurale sarà stata sufficientemente addestrata, se si inseriranno nuovi dati in ingresso sarà in grado di produrre nuove previsioni in uscita.
La battaglia tra intelligenza umana e intelligenza artificiale è già iniziata e la sta vincendo quest'ultima
Nel 2016 l'Intelligenza Artificiale (AI) è costata il posto di lavoro ad Amit Singhal, veterano di Google e del suo motore di ricerca, che ha annunciato il suo ritiro. Infatti, fin da inizio 2015, Google ha introdotto l'algoritmo RankBrain basato su un approccio in grado di imparare dall'esperienza, cioè di identificare pattern tra ricerche complesse apparentemente non correlate e capire che in realtà sono molto simili tra loro. Questo approccio ha permesso a Google di rispondere in modo più pertinente a quel 15% di ricerche (450 milioni su 3 miliardi giornalieri) che contengono sequenze di parole mai digitate prima da nessun utente (vedi bibliografia Angela Chirico). Dati questi risultati Google ha deciso di estendere gradualmente l'uso di RankBrain a una percentuale maggiore di richieste giornaliere (vedi bibliografia Jack Clark). Il fatto è che la logica con cui lavora un algoritmo in apprendimento automatico (Machine learning) è efficace ma indecifrabile per l'uomo, quindi Singhal se ne è andato (forse) perchè non sarebbe più stato in grado di giustificare e porre rimedio ai numerosi errori di ricerca (per i quali Google viene chiamata a giustificarsi per il comportamento dell'algoritmo vedi qui, qui e qui).
Rielaborazione della figura tratta dal libro "Deep Learning" di Joshua Bengio et Al (p. 9).
Essa mostra un diagramma di Venn che mette in evidenza il fatto che il Deep learning è una tipologia di "Representation learning", la quale, a sua volta, è una tipologia di "Machine learning", e tutte sono contenute all'interno del vasto campo della "Intelligenza artificiale".

Tutte queste tecniche hanno lo scopo di costruire algoritmi che traggono dati da vari ambiti (principalmente da Big Data) per migliorare l'apprendimento delle macchine e, quindi, la loro intelligenza.
Concetti e Settori della Intelligenza Artificiale
intelligenza artificiale
Differenza tra intelligenza umana e intelligenza artificiale

L'utilizzo della parola "intelligenza", fatto da Turing per porre la sua famosa domanda ("Possono le macchine pensare?"), ci porta fuori strada nelle considerazioni che si fanno cercando differenze tra intelligenza umana e intelligenza artificiale, come scrive lo scienziato Brad Allenby (vedi bibliografia):

Per quanto brillante sia il test di Turing, la sua popolarità ha avuto un effetto pernicioso: ha rafforzato in molte persone la confortevole illusione che l'intelligenza umana sia una misura significativa dell'intelligenza in generale. Questo è comprensibile: se non si riesce a definire il "pensare" o la "intelligenza", si fa riferimento all'intelligenza umana come standard. Ma, ovviamente, sappiamo che la cognizione umana è costituita da soluzioni approssimative e scorciatoie. Ciò dipende dal fatto che essa è una intelligenza scaturita dall'evoluzione, o EI (Evoluted Intelligence), che significa che essa riflette i compromessi e le scorciatoie necessarie al cervello di un primate a bassa larghezza di banda che deve funzionare in un mondo incredibilmente complesso. I professionisti della psicologia, dell'economia comportamentale, del marketing e della pubblicità hanno negli ultimi decenni individuato molti esempi di come il cervello, con risorse limitate, ha creato regole del pollice endogene per consentirgli di gestire meglio la complessità. Perché ci sono costosi sistemi a schermo piatto messi davanti ai negozi che vendono prodotti elettronici? Perché incorniciare [framing] una decisione d'acquisto nei termini di sistemi ad alto costo fa apparire, per confronto, altri sistemi meno costosi. "Il pregiudizio di conferma", nel quale i comportamenti desiderati vengono incoraggiati collegandoli a modelli mentali preesistenti, è evidente nei modi di agire odierni. E così via. La EI In realtà funziona abbastanza bene, ma è una pastiche di soluzioni approssimative. E ancora più importante, quelle soluzioni riflettono le sfide evolutive dell'uomo: bassi livelli di attenzione conscia disponibile, limitata memoria, limitata energia decisionale, condizioni ambientali primitive, piuttosto che essere inerenti all'intelligenza in sé. EI è una forma di intelligenza piuttosto idiosincratica; non è intelligenza. E che dire della AI? Ebbene, la prima e più ovvia osservazione è che l'intero discorso attorno alla AI implicitamente presuppone la superiorità di EI - dopo tutto, ogni altra intelligenza è "artificiale", in confronto alla EI umana, che pertanto è implicitamente "naturale" e quindi superiore. La seconda è che gran parte dell'isteria distopica intorno all'AI riflette la paura che essa agirà come agiscono gli esseri umani (vale a dire violentemente, egoisticamente, emotivamente e talvolta irrazionalmente) - solo che avrà maggiori capacità. In sostanza, gran parte di quello che temiamo è una EI molto più competente. [...]  La nostra sfida, insomma, non è quella di continuare a costruire spauracchi al buio, è piuttosto, quella di percepire e comprendere ciò che può essere profondamente diverso e non umano al punto da essere veramente alieno, anche se siamo noi che l'abbiamo costruito.


L'intelligenza artificiale, a differenza di quella umana, non è influenzata da emozioni, non impiega euristiche e non è soggetta a bias cognitivi: essa sembra ricorrere a un diverso paradigma conoscitivo.
Vantaggi Intelligenza umana vs Intelligenza artificiale
vantaggi
Svantaggi Intelligenza umana vs Intelligenza artificiale
svantaggi
Con la AI un nuovo paradigma scientifico è alle porte?

Il tecnologo e filosofo David Weinberger, esaminando i risultati del confronto tra intelligenza umana e intelligenza artificiale, di fronte alla maggiore correttezza dei risultati della AI ma anche alla sua inspiegabilità umana, conclude che la AI cambierà anche il "metodo scientifico" così come noi lo conosciamo. Weinberger scrive (vedi bibliografia):


Se "conoscere" ha sempre comportato essere in grado di spiegare e giustificare le nostre credenze vere - idea di Platone [dal Teeteto], che si è protratta per più di duemila anni - cosa ce ne facciamo di un nuovo tipo di conoscenza in cui il compito della giusticazione è non solo difficile o scoraggiante, ma impossibile? Per migliaia di anni abbiamo agito come se la semplicità dei nostri modelli riflettesse la semplicità - l'eleganza, la bellezza, la pura razionalità - dell'universo. Adesso le nostre macchine ci lasciano vedere che anche se le regole sono semplici, eleganti, belle e razionali, il dominio che esse governano è così granulare, così intricato, così interconnesso, con ogni cosa che causa ogni altra cosa, tutto in una volta e per sempre, che i nostri cervelli e la nostra conoscenza non può iniziare a comprenderla. Ci vuole una rete di esseri umani e computer per conoscere un mondo così ben governato dalla contingenza, un mondo nel quale è caos fino in fondo.

La promessa del machine learning è che ci sono volte in cui i modelli imperscrutabili delle macchine saranno molto più predittivi di quelli costruiti manualmente. In questi casi la nostra conoscenza, se scegliamo di usarla, dipenderà da giustificazioni che non saremo in grado di capire.

Metodo scientifico
AI
La separazione soggetto-oggetto è il presupposto del metodo scientifico
pensiero critico
Etica dell'intelligenza artificiale

La necessità di fare in modo che le applicazioni di intelligenza artificiale rispondano a criteri etici accettabili (da un punto di vista occidentale), è stata espressa da diversi scienziati in un articolo pubblicato nel 2015 su "Nature":


  • Stuart Russell, parlando dei sistemi d'arma comandati da "sistemi AI", mette in rilievo la necessità di leggi internazionali che regolamentino le decisioni autonome dei "sistemi AI" nell'uccisione di umani
  • Russ Altman, parlando dei sistemi sanitari nazionali governati da applicazioni "AI", mette in guardia dal rischio che essi aggravino le disparità di assistenza
  • Manuela Veloso, parlando dei robot collaborativi autonomi, propone che essi vengano corredati della possibilità di chiedere aiuto agli umani in casi controversi

Ma la preoccupazione maggiore degli esperti riguarda il momento in cui le macchine diventeranno più intelligenti dell'essere umano. Secondo il futurologo Ray Kurzweil ciò accadrà entro il 2029. L'esperto di Intelligenza Artificiale Danilo Bologna, parlando della visione di Kurzweil, scrive (vedi bibliografia):

Diversi scienziati, futuristi ed esperti sostengono che quando i computer diventeranno intelligenti come noi allora dovremo iniziare a preoccuparci. E quando lo diventeranno più di noi allora non avremo scampo. Per Elon Musk l’intelligenza artificiale sarà la “minaccia” più grande per la razza umana e per Stephen Hawking “lo sviluppo dell’intelligenza artificiale potrebbe significare la fine del genere umano“. Insomma, quando le macchine saranno più intelligenti di noi allora non saremo più in grado di controllarle.

Intanto gli effetti delle prime applicazioni di AI iniziano a farsi sentire sulla società, ad esempio uno studio della criminologa Jessica Saunders (vedi bibliografia), condotto per la Polizia di Chicago allo scopo di ridurre la violenza armata, e basato sul controllo delle persone inserite su una speciale lista (heat list) costruita con un algoritmo che stimava la propensione al crimine, si è rivelato inefficace nel prevedere futuri crimini e ha solo aumentato i soprusi della polizia nei confronti delle persone inserite in quella lista. Per misurare l'impatto di decisioni prese da sistemi di intelligenza artificiale si è costituito negli USA un gruppo di ricerca "AI Now", che pubblica report (vedi bibliografia) sulle implicazioni sociali ed economiche delle tecnologie di Intelligenza Artificiale.
Il computer HAL9000 si ribella all'uomo (da Stanley Kubrick)
AI
Una scena tratta dal film "Odissea nello spazio"
Altan

________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

La razionalità richiede impegno personale!
Iscriviti alla Newsletter di pensierocritico.eu per ricevere in anteprima nuovi contenuti e aggiornamenti:
Bibliografia (chi fa delle buone letture è meno manipolabile)


Scrivi, se non sei d'accordo
Se ritenete che le tesi del "punto chiave" non vengano sufficientemente supportate dagli argomenti presenti in questa pagina potete esprimere il vostro parere (motivandolo).
Inviate una email con il FORM. Riceverete una risposta. Grazie della collaborazione.
Libri consigliati
a chi vuole migliorare la propria capacità di interpretare le conseguenze della AI
brain
AI
Russell, Norvig
Popper
Cosa si può fare per diventare "pensatori critici"
E' stato ampiamente dimostrato negli ultimi 30-40 anni da parecchi psicologi tra i quali Amos Tversky, Daniel Kahneman, Gerd Gigerenzer e altri, che l'essere umano crede di essere razionale ma non lo è. Quando un individuo si trova a prendere decisioni in condizioni di incertezza il più delle volte usa un "pensiero intuitivo" facendo ricorso alle euristiche, cioè a scorciatoie mentali maturate nel corso dell'evoluzione. Nella maggior parte delle situazioni della vita quotidiana le decisioni euristiche si rivelano giuste ma in situazioni più complesse, apparse solo con la modernità, le euristiche portano a distorsioni del giudizio (bias) che danno luogo a decisioni errate.
Secondo Daniel Kahneman (pp.464-465 di Pensieri lenti e veloci - Mondadori) il nostro pensiero intuitivo non è facilmente educabile e ostacola il riconoscimento dei segnali ambientali che in certi casi renderebbero necessario il passaggio a un pensiero razionale e critico. Un osservatore esterno è sempre meno coinvolto emotivamente di colui che prende decisioni e compie azioni. Occorre quindi impegnarsi a costruire una "società critica", nella quale ci siano "osservatori critici" che sappiano avvertirci dei pericoli insiti in certe situazioni decisionali. Questo è un compito primario delle Istituzioni che devono investire in programmi di formazione al "pensiero critico" degli educatori scolastici. A livello individuale, ecco alcune attività perseguibili:

  1. Atteggiamento critico: sforzarsi di assumere un atteggiamento critico contrastando la tendenza umana innata di saltare subito alle conclusioni e prendere decisioni impulsive. Per approfondire andare alla pagina: Atteggiamento critico 
  2. Lettura: diversi studi confermano che l'attività di lettura migliora l'attività del cervello contrastando i deficit cognitivi e l'invecchiamento cerebrale. Per approfondire andare alla pagina: Lettura e Cervello. Inoltre, il  miglioramento cerebrale viene potenziato dalla lettura critica dei testi (non narrativi). 
  3. Apprendimento linguistico: recenti studi hanno confermato che imparare lingue diverse dalla propria (anche in età avanzata) migliora il rendimento cerebrale. Per approfondire andare alla pagina: Bilinguismo e incremento cognitivo

________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________

Pagina aggiornata il 16 maggio 2017

 
copyright 2012-2017 Licenza Creative Commons
I contenuti di pensierocritico.eu sono distribuiti con Licenza Creative Commons Attribuzione - Non commerciale - Condividi allo stesso modo 3.0 Italia.
Protected by Copyscape
Copyright 2015. All rights reserved.
Torna ai contenuti | Torna al menu