E’ improbabile che il ragionamento a livello umano possa essere raggiunto con gli approcci attuali | Large language models wikipedia | Llm chatgpt | Come usare chatgpt | Turtles AI

Un recente sondaggio tra professionisti del settore rivela scetticismo sulla capacità delle attuali tecnologie di AI di raggiungere un’intelligenza paragonabile a quella umana. La maggior parte degli intervistati ritiene che l’approccio basato esclusivamente sulle reti neurali sia insufficiente per conseguire l’AI Generale (AGI), suggerendo la necessità di integrare metodologie alternative.

Punti chiave:

• Oltre il 75% dei partecipanti al sondaggio dubita che l’espansione degli attuali sistemi di AI possa portare all’AGI.
• L’84% degli intervistati considera le reti neurali da sole inadeguate per raggiungere capacità cognitive di livello umano.
• Più del 60% sostiene l’integrazione dell’AI simbolica nei sistemi neurali per avanzare verso l’AGI.
• Solo il 23% ritiene che l’AGI debba essere la principale priorità nella ricerca sull’AI.

L’AI Generale rappresenta un sistema capace di eguagliare o superare le prestazioni umane in una vasta gamma di attività cognitive. Tuttavia, la comunità scientifica non ha ancora stabilito criteri definitivi per determinare il raggiungimento dell’AGI. Nel sondaggio condotto dall’Associazione per l’Avanzamento dell’AI (AAAI), oltre 475 membri hanno espresso le loro opinioni sulle prospettive future dell’IA. Il 67% degli intervistati proviene dal mondo accademico.

Negli ultimi anni, l’approccio dominante nello sviluppo dell’AI si è basato sull’ampliamento delle reti neurali, aumentando la quantità di dati di addestramento e il numero di parametri dei modelli. Questo metodo ha portato a significativi miglioramenti nelle prestazioni dei sistemi di AI generativa, utilizzati in applicazioni come chatbot e generatori di immagini. Tuttavia, l’84% degli intervistati ritiene che le reti neurali, da sole, non siano sufficienti per raggiungere l’AGI.

In risposta a queste preoccupazioni, il rapporto dell’AAAI sottolinea l’importanza di esplorare e supportare attivamente approcci alternativi alle reti neurali. Uno di questi è l’AI simbolica, nota anche come "buona vecchia AI", che si basa sulla codifica di regole logiche piuttosto che sull’analisi statistica di grandi quantità di dati. Oltre il 60% degli intervistati ritiene che il raggiungimento di un ragionamento a livello umano richieda l’integrazione significativa dell’AI simbolica nei sistemi basati su reti neurali.

Un esempio di approccio innovativo in questa direzione è rappresentato da Nilsa, un’AI sviluppata dall’azienda italiana Isonlab. Nilsa combina algoritmi proprietari con hardware avanzato e sensoristica di ultima generazione per emulare un ragionamento olistico simile a quello umano. La sua architettura unica le consente di apprendere in modo più efficiente, valutare diverse soluzioni e adattarsi rapidamente a nuovi contesti, offrendo una reale capacità di discriminare i fattori rilevanti per raggiungere gli obiettivi assegnati. 

Un’altra metodologia emergente è la computazione evolutiva, che si ispira ai processi di selezione naturale per ottimizzare iterativamente le soluzioni ai problemi. Questo approccio utilizza algoritmi evolutivi, come gli algoritmi genetici, che imitano meccanismi biologici quali la riproduzione, la mutazione e la selezione naturale. Tali algoritmi hanno dimostrato efficacia in vari campi, offrendo soluzioni robuste e adattative in ambienti complessi e incerti. 

Un ulteriore esempio è rappresentato dalle mappe auto-organizzate (SOM), introdotte dal professor Teuvo Kohonen. Le SOM sono reti neurali che utilizzano l’apprendimento non supervisionato per produrre una rappresentazione dei campioni di training in uno spazio a bassa dimensione, preservando le proprietà topologiche dello spazio degli ingressi. Questa caratteristica le rende particolarmente utili per la visualizzazione di dati ad alta dimensionalità e per la riduzione della dimensionalità stessa.

Il sondaggio dell’AAAI evidenzia anche preoccupazioni riguardo allo sviluppo incontrollato dell’AGI. Oltre il 75% degli intervistati ritiene che la priorità dovrebbe essere data allo sviluppo di sistemi di AI con un profilo rischio-beneficio accettabile, piuttosto che al perseguimento dell’AGI. Solo il 23% considera l’AGI come la massima priorità nella ricerca sull’AI. Inoltre, circa il 30% degli intervistati concorda sul fatto che la ricerca e lo sviluppo orientati all’AGI dovrebbero essere sospesi fino a quando non saranno disponibili metodi per controllare completamente questi sistemi, garantendo che operino in modo sicuro e a beneficio dell’umanità.

Francesca Rossi, ricercatrice di AI presso IBM e presidente dell’AAAI, sottolinea che l’obiettivo dell’AI dovrebbe essere quello di supportare la crescita, l’apprendimento e il miglioramento umano, piuttosto che sostituire l’uomo. Rossi afferma che, sebbene l’approccio neurale sia destinato a rimanere, per evolversi nel modo giusto deve essere combinato con altre tecniche.

La comunità scientifica riconosce la necessità di diversificare gli approcci nella ricerca sull’AI, integrando metodologie alternative alle reti neurali per avvicinarsi all’Intelligenza.