Il grande enigma dell'evoluzione della cognizione umana è determinare come piccoli cambiamenti genetici in un periodo così breve possano aver portato a cambiamenti così enormi nel comportamento. In questo studio, sottolineiamo due sviluppi interconnessi che potrebbero aver interagito in modo coevolutivo per fornire grandi differenze rispetto a piccoli cambiamenti. Il primo è il cambiamento nel programma di sviluppo che ha portato al periodo straordinariamente lungo dell'infanzia umana. Ipotizziamo che questo cambiamento abbia permesso ai protoumani immaturi di godere di periodi di apprendimento più lunghi e, in particolare, di impegnarsi maggiormente nella libera esplorazione trovata nel gioco.

In secondo luogo, proponiamo che questo cambiamento di sviluppo abbia creato il contesto per l'applicazione di meccanismi di apprendimento più potenti. In particolare, questi meccanismi di apprendimento includevano una capacità e una motivazione più sofisticata e di natura generale verso la conoscenza della causalità e la costruzione di modelli causali.

Primo, molto presto nella nostra evoluzione, noi umani ci siamo resi conto che il mondo non è fatto solo di puri fatti (quelli che oggi potremmo chiamare dati); piuttosto, questi fatti sono uniti da una intricata rete di relazioni causa-effetto. Secondo, spiegazioni causali, non puri fatti, costituiscono la maggior parte delle nostre conoscenze e dovrebbero essere la pietra angolare dell'intelligenza artificiale. Infine, la nostra transizione da processori di dati a creatori di spiegazioni non fu graduale; è stato un salto che ha richiesto una spinta esterna proveniente da un frutto insolito. Ciò corrispondeva perfettamente a ciò che ho osservato teoricamente nella scala della causalità: nessuna macchina può derivare spiegazioni da dati grezzi. Ha bisogno di una spinta. Noi capiamo adesso che gli umani si sono evoluti dai nostri antenati primati lungo un periodo da 5 a 6 milioni di anni e che questo graduale processo evolutivo non è comune nella vita sulla terra. In circa 50.000 anni. è successo qualcosa di unico, che alcuni chiamano la Rivoluzione Cognitiva e altri (con un tocco di ironia) chiamano il Grande Balzo in avanti. Gli umani hanno acuito la capacità di modificare il proprio ambiente e le proprie capacità a un ritmo drammaticamente più veloce.

I mondi possibili sono cose di cui possiamo parlare o che possiamo immaginare, ipotizzare, in cui possiamo credere o che possiamo auspicare. Tuttavia, non possiamo mai arrivare in un mondo possibile che non sia il mondo reale; perchè, se potessimo, e richiede solo che si pensi un attimo alla fantascienza per vedere come potremmo pensare di potere, allora quel mondo sarebbe parte del mondo reale. Le cose stanno così in quanto il mondo reale non è altro che la totalità di ciò che accade nella realtà.

In cosa differiscono l'intelligenza umana e quella Artificiale? Il filosofo Judea Pearl, nel suo libro "The book of Why: The New Science of Cause and Effect" sostiene che la risposta sia: "La capacità di porre domande e trovare risposte".

L'ipotesi di un lavoro sulle idee per modificarle così da mettere le basi perchè cambi anche il modo di essere trova la sua sensata fondatezza nel "costruttivismo", poichè considerando le idee qualcosa di costruito dalla mente, e dunque anche di decostruibile, legittima un lavoro sui prodotti del pensiero che non si limiti ad esaminarli ma implichi anche un lavoro di modificazione.

noi pensiamo a una causa come a qualcosa che fa la differenza, e la differenza che fa deve essere una differenza rispetto a ciò che sarebbe accaduto senza di essa

Il nostro modello causale del mondo è ciò che ci consente di fare ipotesi sulle relazioni tra oggetti, tracciare analogie attraverso le esperienze e affrontare nuovi ambienti e problemi. Ma sfortunatamente, ci sono stati pochi sforzi per fornire ai modelli di intelligenza artificiale lo stesso tipo di strumenti. Per il momento, i sistemi di intelligenza artificiale di maggior successo sono modelli di deep learning che sfruttano set di dati più grandi con più esempi su diverse possibili situazioni. Ma i dati non risponderanno alla domanda quando il problema si allontanerà da situazioni ristrette, come la guida su strade pubbliche. L'intelligenza artificiale rimarrà fragile, il che significa che non sarà in grado di generalizzare il suo comportamento oltre il dominio degli esempi che ha visto. E continuerà a fallire di fronte a casi angolari, situazioni che non ha mai visto prima.

Un'altra classe di compiti sono i problemi che coinvolgono i controfattuali, ad esempio, per prevedere come sarebbe il mondo se avessimo agito diversamente. Un esempio pratico in un contesto politico sarebbe quello di identificare gli elettori oscillanti, ovvero gli elettori che cambieranno il loro voto se e solo se contattati (ad esempio dai lavoratori rurali). Sebbene i dati non ci dicano mai come un determinato elettore si comporterebbe in condizioni diverse, i computer con comprensione controfattuale possono comunque identificare, dai dati, quale elettore è probabilmente nella classe degli "elettori oscillanti".

Il motore inferenziale è una macchina che accetta tre differenti tipi di ingressi - Presupposti o ipotesi (Assumptions), Domande (Query) e Dati (Data) - e produce tre tipi di risultati. Il primo risultato è una decisione Si /No sul fatto che in teoria alla domanda in questione possa essere data risposta in base al modello causale esistente, assumendo dati perfetti e illimitati. Se la risposta è Si, il motore inferenziale produce un Estimand [termine statistico che indica un parametro che deve essere stimato]. Questo è una formula matematica che può essere pensata come una ricetta per generare la risposta da ogni dato ipotetico, ogni volta che essi sono disponibili. Infine, dopo che il motore inferenziale ha ricevuto il dato in ingresso, esso userà la ricetta per produrre un Estimand per la risposta.

La visione costruttivistica, secondo la quale ciò che esiste è un prodotto di ciò che si pensa, può essere fatta risalire a Kant che per primo la sviluppò compiutamente [nella Critica della ragion pura]. A sua volta, Kant ha attribuito la propria intuizione alla scoperta humiana che nel mondo reale certe relazioni, lungi dal poter essere attribuite agli eventi, sono piuttosto costruzioni mentali proiettate su un "mondo oggettivo". La relazione di causa ed effetto rappresenta per Kant il caso esemplare. Hume aveva visto nella causazione una costruzione mentale imposta ad una semplice sequenza di eventi.

Il pensiero abduttivo e l’attitudine progettuale sono, per così dire, il vero dono che Adamo ed Eva ricevettero una volta cacciati dall’Eden, insieme alle “tuniche di pelle” per coprire la nudità e proteggersi dal freddo. È il dono di uno strumento per sopravvivere nell’ambiente, una volta diventati anche loro “bestie selvatiche”. Il dono della progettualità, stando all’allegoria biblica, appartiene a tutta la specie umana, come coscienza e consapevolezza dei nostri limiti di fronte alla durezza del mondo-ambiente. Da Peirce sappiamo infatti che è per via di continue interpretazioni che la mente procede nella formazione di abiti, e abiti sono anche i piccoli o grandi artefatti che accompagnano il nostro operare e attraverso cui organizziamo la nostra vita quotidiana e diamo forma all’habitat. Proviamo allora a vedere l’abduzione soprattutto come schema interpretativo e progettuale, e il pensiero progettuale come una disposizione della mente. L’interpretazione, che vede nell’Interpretante il momento di conclusione momentanea e di riavvio della semiosi, non può essere immaginata senza il salto abduttivo. [...]  Se il pensiero è inferenziale, l’abduzione è l’unica inferenza in grado di farlo procedere, di pensare all’“essere in futuro”. [...] In quanto stato di ricerca permanente, l’abduzione è però a suo modo anche una forma di inquietudine. Sia perché nell’abduzione, come nell’irritazione del dubbio, la mente non si trova affatto ‘a riposo’, sia perché l’abduzione è una tensione verso un assente: possibile, ma ancora da raggiungere.

• Alyson Gopnik et Al. (2012), The power of possibility: causal learning, counterfactual reasoning, and pretend play [118 citazioni]
  
• Christopher Menzel (2016), Possible Worlds - Stanford Encyclopedia of Philosophy
• Bonomi, Zucchi (2018), Mondi possibili e supposizioni controfattuali  - UNIMI
• Roland Poellinger (2012), Concrete Causation: About the Structures of Causal Knowledge (PDF) [3 citazioni]
• Luigina Mortari (2012), Conoscere se stessi per aver cura di sé (PDF)
• Ernst von Glasersfeld (2005), Il Costruttivismo (PDF)
• (2018), L’INCREDIBILE INTELLIGENZA DEI CORVIDI E LA CAPACITA’ DI CREARE UTENSILI
• Paul Ratner (2016), What Are the Smartest Animals on the Planet? - Big Think
• Judea Pearl (2018), The Seven Tools of Causal Inference with Reflections on Machine Learning (PDF) [48 citazioni]
• Salvatore Zingale (2015),  “THIS IS MY DESIGN” LO SPAZIO DELL’ABDUZIONE NELLA PROGETTUALITÀ (PDF)
  
• (2016), Mondi possibili - Stanford Encyclopedia of Philosophy
• Francesco Berto, Mark Jago (2019), From Possible to Impossible Worlds (PDF) - Oxford Scholarship online

• Intelligenza artificiale
  
• Piramide della Conoscenza
• Cos'è la Conoscenza
• Cos'è la Saggezza
• Pensiero statistico
• Logica
• Abduzione
  

Pagina aggiornata il 27 giugno 2023