Riassunto esame Logica ed epistemologia della comunicazione, prof. Di Caro, libro consigliato La singolarità è vicina, Kurzveil

La singolarità è vicina (Kurzveil)

Il software dell'intelligenza umana

Secondo Watts, entro i prossimi due decenni sarà possibile comprendere il funzionamento del cervello, in quanto i progressi scientifici, resi possibili da quelli tecnologici, hanno portato già all'inizio del 21^° secolo a un punto di svolta nella conoscenza neuroscientifica e nella potenza di calcolo.

Retroingegnerizzazione del cervello

I progressi saranno ottenuti grazie alla combinazione di intelligenza umana e superiorità del computer a livello di velocità e capacità di condivisione e memoria. Finora, la ricerca sull’Intelligenza Artificiale ha utilizzato metodi ingegneristici non necessariamente basati sul funzionamento del cervello umano, a causa della mancanza di strumenti adeguati. Tuttavia, la crescente capacità di retroingegnerizzare il cervello, ovvero di vederlo internamente e costruirne quindi modelli che ne simulino il funzionamento, ci permetterà di comprendere i principi al di sotto della capacità di pensiero, procedure potenti utili a sviluppare software di macchine intelligenti, ma anche a trattare in modo nuovo problemi neurologici come l’Alzheimer, il morbo di Parkinson e i disturbi degli organi di senso.

Gli strumenti per guardare all'interno del cervello stanno infatti presentando grandi miglioramenti in risoluzione spaziale e temporale, nel rapporto prezzo-prestazioni e nella larghezza di banda. I dati sulle caratteristiche e le dinamiche che avvengono dalle singole sinapsi alle grandi regioni come il cervelletto, permettono di realizzare simulazioni funzionanti basate sui principi matematici della teoria della complessità e del chaotic computing.

Alla base della previsione della Singolarità c’è l’assunzione fondamentale secondo cui i mezzi non biologici saranno in grado di emulare ricchezza, sottigliezza e profondità del pensiero umano. Tuttavia, la capacità computazionale hardware del cervello non include i diversi modi in cui un essere umano può essere intelligente (come le abilità artistiche o le emozioni), ovvero il software dell’intelligenza. La chiave dell’intelligenza non biologica è infatti la capacità delle macchine di condividere facilmente la loro conoscenza, che nell’uomo è invece incorporata in un’enorme configurazione di concentrazioni di neurostramettitori (ovvero sostanze chimiche nelle sinapsi che consentono a un neurone di influenzare l’altro) e di connessioni interneuronali (parti di neuroni chiamati assoni e dendriti, che collegano i neuroni stessi fra di loro).

La divergenza fra intelligenza umana e artificiale è infatti testimoniata dal modo di affrontare la soluzione di un problema di scacchi: se un essere umano riconosce degli schemi, la macchina costruisce “alberi” logici di possibili mosse e contromosse. Quest’ultimo approccio ingegneristico è stato fino ad oggi utilizzato dalla maggior parte della tecnologia, che tuttavia si sta dirigendo ora verso l’emulazione della natura, sebbene per svilupparsi fino a giungere allo stato attuale, il cervello abbia avuto bisogno di miliardi di anni di evoluzione. Non è tuttavia necessario tentare di replicare ogni singola connessione neurale, in quanto i modelli di livello più alto delle regioni celebrali sono spesso più semplici di quelli dettagliati delle componenti neuronali.

Il progetto iniziale del cervello si basa sul genoma umano, formato da 800 milioni di byte in gran parte ridondanti, e da informazioni univoche che vanno da 30 a 100 milioni di byte. Sebbene la complessità aumenti grazie all’interazione col mondo, è possibile progettare software “neuroformici” simulati equivalenti, ovvero algoritmi equivalenti alle prestazioni complessive di una regione del cervello. Le fonti dei modelli sono molteplici: scansioni del cervello, modelli di connessioni interneuronali, test psicofisici.

In termini di velocità, il rapporto tra l’elettronica contemporanea e i segnali elettrochimici nelle connessioni biologiche fra neuroni è di almeno un milione a uno. L’evoluzione biologica ha infatti costruito tutti i suoi meccanismi e sistemi sui materiali, ossia le cellule, a loro volta composte da un insieme limitato di proteine vincolate all’uso di molecole complesse.

Il processo a “sbucciatura di cipolla” permette di comprendere le funzioni delle regioni fra loro sovrapposte. Tuttavia, gli algoritmi di modellazione del cervello non corrispondono ai metodi sequenziali e logici usati nell’informatica di oggi. Il cervello tende infatti ad utilizzare processi caotici ad autorganizzazione, cioè informazioni che non si trovano in un unico luogo ma sono distribuite in una certa regione. Una volta compresi gli algoritmi di tale regione, essi possono essere raffinati ed estesi prima di essere implementati in equivalenti neurali sintetici ed eseguiti su un substrato computazionale di gran lunga più veloce dei circuiti neurali, utilizzando i metodi per costruire macchine intelligenti che già comprendiamo.

Il cervello umano è diverso da un computer?

Il cervello differisce da un computer tradizionale per molti aspetti.

• I tempi di ripristino delle sinapsi e dei neuroni (ovvero il tempo di cui necessitano un neurone e le sue sinapsi per riazzerarsi dopo l’attivazione) sono infatti molto lenti. Infatti, sebbene nel cervello il riconoscimento di oggetti si verifichi in circa 150 millisecondi, il numero di cicli operativi si misura in centinaia, e non in miliardi, come nel computer.
• Mentre un computer svolge uno o pochi calcoli alla volta a velocità elevata, i neuroni sono più lenti, ma lavorano contemporaneamente, eseguendo simultaneamente fino a cento miliardi di calcoli. Il parallelismo massiccio del cervello umano è la chiave del riconoscimento di forme, tanto che molti dei metodi di organizzazione caratteristici sono efficacemente simulati.
• La maggior parte delle funzioni del cervello sono piene di non linearità, ovvero improvvise variazioni dell’output, e non variazioni continue e regolari dei livelli. Tuttavia, simulando le regioni neurali, si può ottenere una potenza più elevata di 3-4 ordini di grandezza.
• Il cervello si riconfigura, poiché i dendriti esplorano continuamente nuove sinapsi. Il sistema nervoso, infatti, si autorganizza a tutti i livelli, a differenza delle semplici tecniche matematiche usate nei sistemi automatici. Il processo del cervello può essere facilmente simulato via software (offrendo così una maggiore flessibilità per i programmatori) e, in futuro, implementato anche in hardware.
• La maggior parte dei dettagli del cervello sono casuali, data la presenza di numerosi processi stocastici (ossia casuali entro vincoli attentamente controllati), sebbene certi dettagli siano critici per la decodificazione dei principi di funzionamento, distinguendosi, quindi, da quelli che sono puro “rumore”.
• Il cervello usa proprietà emergenti, in quanto l’output emerge dall’interazione imprevedibile di tutte le parti che lo compongono, ciascuna delle quali esegue operazioni relativamente semplici.
• Esso è imperfetto, poiché l’intelligenza emersa è subottimale, ossia riflette un livello di intelligenza inferiore a quello che sarebbe reso da una disposizione ottimale dei suoi elementi. Tuttavia, il livello di intelligenza ci è stato sufficiente per consentirci di superare i concorrenti della nostra nicchia ecologica. Ad esempio, anche i primati combinano la funzione cognitiva con l’appendice opponibile, ma i loro cervelli non sono sviluppati come i nostri.
• Noi ci contraddiciamo, in quanto una varietà di idee ed approcci spesso conflittuali porta ad esiti superiori.
• Il cervello usa l’evoluzione, seguendo un paradigma di apprendimento evolutivo, in cui gli schemi di connessione che hanno maggior successo nel dare senso al mondo e nel contribuire al riconoscimento e alla decisione sopravvivono. Il cervello di un neonato contiene infatti connessioni interneuronali prevalentemente casuali, di cui solo una parte sopravviverà ai due anni di età.
• Forme e schemi sono importanti, in quanto il sistema si auto-organizza a rappresentare i tratti invarianti delle informazioni presentate al sistema, non in nodi o connessioni specifiche, ma seguendo uno schema distribuito.
• Data l’analogia tra informazione distribuita in un ologramma e metodo di rappresentazione delle informazioni nelle reti del cervello, possiamo affermare che il cervello è olografico.
• Esso è anche profondamente connesso, poiché le informazioni dispongono di molte vie per navigare da un punto all’altro della rete. Così come Internet è diventata stabile al crescere del numero di nodi che la costituiscono, analogamente noi perdiamo continuamente neuroni, ma ciò non influenza l’integrità del cervello.
• Esso presenta un’architettura formata da centinaia di regioni con funzioni e reciproci schemi di connessione specifici.
• Il progetto di una regione del cervello è più semplice di quello di un neurone, poiché spesso essi si semplificano a livelli più alti, così come per un intero computer, l’insieme delle istruzioni e la descrizione dei registri possono offrirne un modello.
• I programmi di un sistema operativo, i compilatori e gli assembleari di linguaggi sono abbastanza complessi, a differenza del modello di un programma particolare. Allo stesso modo, una particolare disposizione neurale che rileva un tratto visivo invariate (come un volto) o che esegue un filtraggio passa-banda (ovvero che limita l’input) su informazioni sonore o temporali, può essere descritto in modo più semplice delle effettive relazioni fisiche e chimiche che controllano i neurotrasmettitori e le variabili sinaptiche e dendritiche coinvolte.

Il tentativo di capire il nostro stesso pensiero: una ricerca in accelerazione

Ci stiamo avvicinando al gomito della curva, ossia alla fase di crescita esponenziale rapida, nella comprensione del cervello umano. Saper riflettere sul nostro pensiero e costruirne modelli è un attributo specifico della nostra specie. I primi modelli mentali erano infatti basati sull’osservazione del comportamento esteriore.

All’inizio del Ventesimo secolo abbiamo poi sviluppato gli strumenti per esaminare i processi fisici interni al cervello. Misurando l’output elettrico delle cellule nervose, nel 1928, Adrian dimostrò infatti l’esistenza di processi elettrici nel cervello. La scoperta che la frequenza degli impulsi provenienti dal nervo sensoriale è proporzionale all’intensità dei fenomeni è stata una pietra angolare della neuroscienza moderna, utile ad esempio nello stabilire che quanto più elevata è l’intensità della luce, tanto più sarà elevata la frequenza degli impulsi dalla retina al cervello. Barlow ha poi elaborato un’altra idea duratura, quella delle “caratteristiche di innesco” dei neuroni: la percezione comporta, cioè, una serie di fasi, in cui ciascuno strato di neuroni riconosce tratti sempre più raffinati dell’immagine.

Nel 1939, poi, ci si interessa del comportamento dei neuroni, che accumulando input, producono un picco di conduttanza della membrana (ovvero un aumento improvviso della capacità di conduzione dei segnali dalla membrana al neurone) e un picco di tensione lungo l’assone del neurone (che lo collega ad altri neuroni attraverso una sinapsi, come dimostrato dalla teoria del “potenziale d’azione” di Hodgkin e Huxley). Successivamente, McCulloch e Pitts, nel 1943, formularono un modello semplificato di neuroni e reti neurali su cui si basò mezzo secolo di ricerche sulle reti neurali artificiali, ossia sull’uso di un programma per computer che simulasse il modo in cui nel cervello i neuroni operano come una rete.

Oggi sappiamo che i neuroni reali sono molto più complessi rispetto ai primi modelli, e che presentano una nonlinearità (la soglia di attivazione) nel soma neuronale, cioè nel corpo cellulare. Al crescere degli input, infatti, la risposta del neurone resta relativamente bassa fino alla soglia critica. Tali idee hanno portato a molte ricerche sulla creazione di reti neurali artificiali, un settore oggi conosciuto come connessionismo. Un requisito chiave per un sistema ad autorganizzazione è la non linearità, ovvero il mezzo per creare output che non siano semplici somme di input. I primi modelli di reti neurali fornivano la non linearità nella replica del nucleo del neurone.

Oggi sappiamo, invece, che i neuroni biologici hanno molte altre non linearità, risultanti dall’azione elettrochimica delle sinapsi e dalla morfologia dei dendriti. La capacità dei neuroni di eseguire moltiplicazioni consente la modulazione del comportamento di una rete di neuroni da parte dei risultati dei calcoli di un’altra rete. Gli esperimenti confermano infatti che il tasso di segnali da parte dei neuroni nella regione corticale chiamata V5, quando viene elaborata un’immagine, aumenta o diminuisce in base all’attenzione prestata ad un’area particolare dell’immagine.

Nel 1949, Hebb elabora la teoria dell’apprendimento neurale, la cosiddetta “risposta hebbiana”: se una sinapsi (o un gruppo di sinapsi) viene stimolata ripetutamente, diventa più forte. Tale condizionamento produce, quindi, una risposta di apprendimento.