Premio Hutter: la AI può comprendere i concetti? | Intelligenza Artificiale pro e Contro | Chatgpt Italiano | Rete Neurale Esempio | Turtles AI

Nel campo dell’intelligenza artificiale, l’obiettivo di una comprensione a livello umano viene ricercato da decenni. Da 17 anni, il ricercatore Marcus Hutter offre una prospettiva unica su questa ricerca, attraverso il Premio per la Compressione della Conoscenza Umana, noto anche come Hutter Prize. Il Hutter Prize sfida i ricercatori e gli ingegneri AI a comprimere, senza perdite di informazioni un file della dimensione ordinale di un gigabyte, tratto da Wikipedia, al fine di ottenere una dimensione inferiore a quella del vincitore precedente. L’obiettivo di questa competizione è dimostrare come la compressione del testo possa portare a una migliore comprensione del testo stesso da parte della macchina. Tra poco spiegherò perché. L’attuale detentore del record ha riuscito a comprimere il file di un gigabyte in soli 115 megabyte. La relazione tra compressione e comprensione può essere spiegata attraverso un esempio pratico. Immaginate un file di testo contenente milioni di coppie di numeri, ognuna rappresentante i valori di x e y (ascissa ed ordinata), originati da una determinata equazione. Mentre qualsiasi algoritmo di compressione potrebbe ridurre le dimensioni di questo file, il modo più efficiente per ottenere il rapporto di compressione più alto sarebbe comprendere i principi dietro la connessione esistente tra x e y, ovvero la funzione stessa e la sua formula analitica. Facendo ciò, un semplice programma informatico potrebbe ricreare perfettamente non solo tutte le coppie contenute nel file originale, ma anche qualsiasi altro set di valori x e y che risponde a quella regola analitica. Un concetto simile può essere applicato all’obiettivo del premio Hutter, ovvero comprimere i contenuti di Wikipedia. Ad esempio, se il programma di compressione avesse conoscenza dell’interconnessione tra i concetti di velocità, tempo e distanza, potrebbe rimuovere informazioni ridondanti quando comprime le pagine relative alla meccanica classica, traendo i risultati da sé. Lo stesso principio vale per i concetti di economia. Più il programma di compressione "comprende" i principi dell’economia, come ad esempio la relazione tra inflazione e politica monetaria, più efficacemente potrà eliminare le parole non necessarie, quando comprime le pagine contenenti estesi concetti. I grandi modelli linguistici, come ChatGPT, sono addestrati per identificare schemi statistici nel testo. Essi analizzano grandi quantità di testo dalla rete e imparano ad associare frasi tra loro, come ad esempio "tasso di disoccupazione aumenta" spesso in prossimità di "crescita economica rallenta". Se un chatbot è addestrato su questa associazione, esso potrebbe rispondere alle domande riguardanti il rapporto tra disoccupazione e crescita economica indicando che un aumento della disoccupazione spesso porta a un rallentamento della crescita economica. Tuttavia, questi modelli non sono (ancora) idonei per il premio Hutter a causa della loro compressione lossy, cioè con (qualche genere di) perdita, il che significa che non ricostruiscono esattamente il testo originale, ma solo un’approssimazione, che può essere anche molto diversa dal vasto campione di training. Nonostante ciò, la loro capacità di stabilire connessioni tra concetti e di rispondere alle domande in modo plausibile solleva la questione se la loro compressione indichi una comprensione del tipo ricercato dagli studiosi di AI. E la risposta, per ora, è no. Possiamo quindi affermare che il premio Hutter rappresenti una sfida unica e continua nel campo dell’intelligenza artificiale, che spinge i ricercatori a esplorare il rapporto tra compressione e comprensione. Man mano che l’AI continuerà a progredire, sarà interessante vedere come questo rapporto evolverà e come potrà essere utilizzato per raggiungere una comprensione di livello umano, o quasi. Solo quando un modello di lingua di grandi dimensioni sarà idoneo a vincere il premio Hutter, esso sarà considerabile privo di errori (almeno rispetto alla fonte originale di conoscenza).