{"id":72228,"date":"2022-05-16T10:48:37","date_gmt":"2022-05-16T08:48:37","guid":{"rendered":"https:\/\/appelloalpopolo.it\/?p=72228"},"modified":"2022-05-16T10:48:37","modified_gmt":"2022-05-16T08:48:37","slug":"gato-di-deepmind-primo-passo-per-unai-come-luomo","status":"publish","type":"post","link":"https:\/\/appelloalpopolo.it\/?p=72228","title":{"rendered":"Gato di DeepMind: primo passo per un’AI come l’uomo?"},"content":{"rendered":"

di Paolo Benanti (blog)<\/strong><\/p>\n

 <\/p>\n

Ispirati dai progressi nella modellazione linguistica su larga scala, i ricercatori di DeepMind, un’azienda inglese di intelligenza artificiale controllata dal 2014 da Alphabet, la capofila di Google, hanno applicato un approccio analogo per la costruzione di un singolo bot generalista in campi esterni al dominio degli output di testo. Il bot, chiamato Gato, \u00e8 un passo verso un’intelligenza artificiale generale (GAI)? Che cosa ci dice Gato sulle AI? E sull’uomo? Quello che segue vuole essere un tentativo di interrogarsi sul senso di quanto sta accadendo.<\/span><\/p>\n

Gato funziona come una policy generalista multimodale, multi-task, multi-embodiment. La stessa rete neurale con gli stessi pesi pu\u00f2 giocare ai videogame Atari, creare didascalie per immagini, rispondere nelle chat, ammucchiare scatole gestendo un braccio robotico e molto altro, decidendo in base al suo contesto se emettere testo, coppie articolari, pressioni di pulsanti o altri token. <\/span><\/p>\n

<\/div>\n

Seguiremo la presentazione che i ricercatori di DeepMind stessi fanno di Gato in un articolo<\/u><\/a> in fase di pre-pubblicazione e nel loro blog<\/u><\/a>, per poi fare alcune considerazioni di fondo.<\/span><\/strong><\/p>\n

Durante<\/em> la<\/em> fase<\/em> di<\/em> addestramento<\/em> di<\/em> Gato,<\/em> i<\/em> dati<\/em> provenienti<\/em> da<\/em> attivit\u00e0<\/em> e<\/em> modalit\u00e0<\/em> diverse<\/em> vengono<\/em> serializzati<\/em> in<\/em> una<\/em> sequenza<\/em> piatta<\/em> di<\/em> token,<\/em> raggruppati<\/em> ed<\/em> elaborati<\/em> da<\/em> una<\/em> rete<\/em> neurale<\/em> trasformatrice<\/em> simile<\/em> a<\/em> un<\/em> modello<\/em> linguistico<\/em> di<\/em> grandi<\/em> dimensioni.<\/em> La<\/em> perdita<\/em> viene<\/em> mascherata<\/em> in<\/em> modo<\/em> che<\/em> Gato<\/em> predica<\/em> solo<\/em> gli<\/em> obiettivi<\/em> di<\/em> azione<\/em> e<\/em> testo.<\/em><\/span><\/p>\n

Quando<\/em> si<\/em> utilizza<\/em> Gato,<\/em> un<\/em> prompt,<\/em> come<\/em> una<\/em> dimostrazione,<\/em> viene<\/em> tokenizzato,<\/em> formando<\/em> la<\/em> sequenza<\/em> iniziale.<\/em> Successivamente,<\/em> l’ambiente<\/em> produce<\/em> la<\/em> prima<\/em> osservazione,<\/em> anch’essa<\/em> tokenizzata<\/em> e<\/em> aggiunta<\/em> alla<\/em> sequenza.<\/em> Gato<\/em> campiona<\/em> il<\/em> vettore<\/em> delle<\/em> azioni<\/em> in<\/em> modo<\/em> autoregressivo,<\/em> un<\/em> token<\/em> alla<\/em> volta.<\/em><\/span><\/p>\n

Una<\/em> volta<\/em> campionati<\/em> tutti<\/em> i<\/em> token<\/em> che<\/em> compongono<\/em> il<\/em> vettore<\/em> di<\/em> azioni<\/em> (determinato<\/em> dalla<\/em> specifica<\/em> di<\/em> azione<\/em> dell’ambiente),<\/em> l’azione<\/em> viene<\/em> decodificata<\/em> e<\/em> inviata<\/em> all’ambiente,<\/em> che<\/em> passa<\/em> a<\/em> produrre<\/em> una<\/em> nuova<\/em> osservazione.<\/em> Poi<\/em> la<\/em> procedura<\/em> si<\/em> ripete.<\/em> Il<\/em> modello<\/em> vede<\/em> sempre<\/em> tutte<\/em> le<\/em> osservazioni<\/em> e<\/em> le<\/em> azioni<\/em> precedenti<\/em> all’interno<\/em> della<\/em> sua<\/em> finestra<\/em> contestuale<\/em> di<\/em> 1024<\/em> token.<\/em><\/span><\/p>\n

Gato<\/em> \u00e8<\/em> stato<\/em> addestrato<\/em> su<\/em> un<\/em> gran<\/em> numero<\/em> di<\/em> insiemi<\/em> di<\/em> dati<\/em> che<\/em> comprendono<\/em> l’esperienza<\/em> dell’agente<\/em> in<\/em> ambienti<\/em> simulati<\/em> e<\/em> reali,<\/em> oltre<\/em> a<\/em> una<\/em> serie<\/em> di<\/em> insiemi<\/em> di<\/em> immagini<\/em> e<\/em> linguaggio<\/em> naturale.<\/em> Il<\/em> numero<\/em> di<\/em> compiti<\/em> in<\/em> cui<\/em> le<\/em> prestazioni<\/em> del<\/em> modello<\/em> Gato<\/em> pre-addestrato<\/em> sono<\/em> superiori<\/em> a<\/em> una<\/em> percentuale<\/em> del<\/em> punteggio<\/em> degli<\/em> esperti,<\/em> raggruppati<\/em> per<\/em> dominio,<\/em> \u00e8<\/em> mostrato<\/em> qui.<\/em><\/span><\/p>\n

Le<\/em> immagini<\/em> seguenti<\/em> mostrano<\/em> anche<\/em> come<\/em> il<\/em> modello<\/em> Gato<\/em> pre-addestrato,<\/em> con<\/em> gli<\/em> stessi<\/em> pesi,<\/em> sia<\/em> in<\/em> grado<\/em> di<\/em> eseguire<\/em> la<\/em> didascalia<\/em> di<\/em> un’immagine,<\/em> di<\/em> partecipare<\/em> a<\/em> un<\/em> dialogo<\/em> interattivo<\/em> e<\/em> di<\/em> controllare<\/em> un<\/em> braccio<\/em> robotico,<\/em> oltre<\/em> a<\/em> molti<\/em> altri<\/em> compiti.<\/em><\/span><\/p>\n

Sebbene<\/em> gli<\/em> agenti<\/em> generalisti<\/em> siano<\/em> ancora<\/em> solo<\/em> un’area<\/em> di<\/em> ricerca<\/em> emergente,<\/em> il<\/em> loro<\/em> potenziale<\/em> impatto<\/em> sulla<\/em> societ\u00e0<\/em> richiede<\/em> un’analisi<\/em> interdisciplinare<\/em> approfondita<\/em> dei<\/em> loro<\/em> rischi<\/em> e<\/em> benefici.<\/em> Per<\/em> motivi<\/em> di<\/em> trasparenza,<\/em> documentiamo<\/em> i<\/em> casi<\/em> d’uso<\/em> previsti<\/em> per<\/em> Gato<\/em> nella<\/em> scheda<\/em> del<\/em> modello<\/em> in<\/em> Appendice<\/em> A.<\/em> Tuttavia,<\/em> gli<\/em> strumenti<\/em> per<\/em> mitigare<\/em> i<\/em> danni<\/em> degli<\/em> agenti<\/em> generalisti<\/em> sono<\/em> relativamente<\/em> poco<\/em> sviluppati<\/em> e<\/em> richiedono<\/em> ulteriori<\/em> ricerche<\/em> prima<\/em> di<\/em> essere<\/em> impiegati.<\/em><\/span><\/p>\n

Sebbene<\/em> siano<\/em> ancora<\/em> allo<\/em> stadio<\/em> di<\/em> proof-of-concept,<\/em> i<\/em> recenti<\/em> progressi<\/em> nei<\/em> modelli<\/em> generalisti<\/em> suggeriscono<\/em> che<\/em> i<\/em> ricercatori<\/em> sulla<\/em> sicurezza,<\/em> gli<\/em> esperti<\/em> di<\/em> etica<\/em> e,<\/em> soprattutto,<\/em> il<\/em> pubblico<\/em> in<\/em> generale,<\/em> dovrebbero<\/em> considerare<\/em> i<\/em> loro<\/em> rischi<\/em> e<\/em> benefici.<\/em> Al<\/em> momento<\/em> non<\/em> stiamo<\/em> distribuendo<\/em> Gato<\/em> a<\/em> nessun<\/em> utente<\/em> e<\/em> quindi<\/em> non<\/em> prevediamo<\/em> un<\/em> impatto<\/em> immediato<\/em> sulla<\/em> societ\u00e0.<\/em> Tuttavia,<\/em> dato<\/em> il<\/em> loro<\/em> potenziale<\/em> impatto,<\/em> i<\/em> modelli<\/em> generalisti<\/em> dovrebbero<\/em> essere<\/em> sviluppati<\/em> in<\/em> modo<\/em> ponderato<\/em> e<\/em> utilizzati<\/em> in<\/em> modo<\/em> da<\/em> promuovere<\/em> la<\/em> salute<\/em> e<\/em> la<\/em> vitalit\u00e0<\/em> dell’umanit\u00e0.<\/em><\/span><\/p>\n

\u00a0<\/span><\/div>\n
<\/div>\n

Cosa impariamo da Gato? Siamo di fronte al primo passo per realizzare una intelligenza come quella umana? <\/strong><\/span><\/p>\n

La risposta breve \u00e8 no. Per almeno due motivi.<\/span><\/p>\n

Il primo riguarda la natura di queste macchine che di fatto riprendono la macchina di Turing. In informatica una macchina di Turing \u00e8 una macchina ideale che manipola i dati contenuti su un nastro di lunghezza potenzialmente infinita, secondo un insieme prefissato di regole ben definite. In altre parole, si tratta di un modello astratto che definisce una macchina in grado di eseguire algoritmi e dotata di un nastro potenzialmente infinito su cui pu\u00f2 leggere e\/o scrivere dei simboli.<\/span><\/p>\n

Introdotta nel 1936 da Alan Turing come modello di calcolo per dare risposta all’Entscheidungsproblem<\/em> (problema di decisione) proposto da Hilbert nel suo programma di fondazione formalista della matematica, \u00e8 un potente strumento teorico che viene largamente usato nella teoria della calcolabilit\u00e0 e nello studio della complessit\u00e0 degli algoritmi, in quanto \u00e8 di notevole aiuto agli studiosi nel comprendere i limiti del calcolo meccanico; la sua importanza \u00e8 tale che oggi, per definire in modo formalmente preciso la nozione di algoritmo, si tende a ricondurlo alle elaborazioni effettuabili con macchine di Turing.<\/span><\/p>\n

Secondo Turing tali macchine potevano, calcolando, arrivare anche a mostrare delle forme di pensiero e per arrivare a sostenere questa tesi invent\u00f2 il cosiddetto Test di Turing. <\/span><\/p>\n

Il Test di Turing venne pensato appositamente per valutare il livello di intelligenza di una macchina, ma come definire l\u2019intelligenza? Intelligenza, da intelligere<\/em>, intendere, \u00e8 la facolt\u00e0 di conoscere e comprendere. Trattasi di una funzione attiva, che consente a breve termine di trovare soluzioni a problemi di tipo razionale, relazionale, motorio, visivo ed emozionale. Ad oggi l\u2019intelligenza artificiale (IA) \u00e8 all\u2019ordine del giorno, vi sono diversi software e robot umanoidi definiti \u00abintelligenti\u00bb, eppure il Test di Turing risale alla met\u00e0 del secolo scorso, quando le AI erano ancora in evoluzione. Nel 1950, il grande matematico Alan Turing fu il primo a domandarsi se le macchine fossero in grado di pensare, in un famoso articolo<\/u><\/a>. Per rispondere al suo stesso quesito, si serv\u00ec di un gioco chiamato \u00abgioco dell\u2019imitazione\u00bb:<\/span><\/p>\n

Supponiamo<\/em> di<\/em> avere<\/em> una<\/em> persona,<\/em> una<\/em> macchina<\/em> e<\/em> un<\/em> interrogatore.<\/em> L\u2019interrogatore<\/em> si<\/em> trova<\/em> in<\/em> una<\/em> stanza<\/em> separata<\/em> dall\u2019altra<\/em> persona<\/em> e<\/em> dalla<\/em> macchina.<\/em> L\u2019interrogatore<\/em> ha<\/em> il<\/em> compito<\/em> di<\/em> determinare<\/em> quale<\/em> delle<\/em> altre<\/em> due<\/em> \u00e8<\/em> la<\/em> persona<\/em> e<\/em> quale<\/em> \u00e8<\/em> la<\/em> macchina.<\/em> Egli<\/em> conosce<\/em> l\u2019altra<\/em> persona<\/em> e<\/em> la<\/em> macchina<\/em> come<\/em> \u00abX\u00bb<\/em> e<\/em> \u00abY\u00bb,<\/em> ma<\/em> non<\/em> sa<\/em> quale<\/em> etichetta<\/em> corrisponda<\/em> alla<\/em> macchina<\/em> e<\/em> quale<\/em> all\u2019altra<\/em> persona.<\/em> Al<\/em> fine<\/em> di<\/em> comprendere<\/em> chi<\/em> \u00e8<\/em> X<\/em> e<\/em> chi<\/em> \u00e8<\/em> Y,<\/em> \u00e8<\/em> autorizzato<\/em> a<\/em> porre<\/em> domande<\/em> ad<\/em> entrambi,<\/em> quali<\/em> ad<\/em> esempio:<\/em> \u00abX,<\/em> per<\/em> favore,<\/em> pu\u00f2<\/em> dirmi<\/em> se<\/em> X<\/em> gioca<\/em> a<\/em> scacchi?\u00bb.<\/em> Qualunque<\/em> tra<\/em> la<\/em> macchina<\/em> e<\/em> l\u2019altra<\/em> persona<\/em> sia<\/em> X,<\/em> deve<\/em> rispondere<\/em> alle<\/em> domande<\/em> rivolte<\/em> a<\/em> X.<\/em> Lo<\/em> scopo<\/em> della<\/em> macchina,<\/em> che<\/em> sia<\/em> X<\/em> o<\/em> Y,<\/em> \u00e8<\/em> cercare<\/em> di<\/em> indurre<\/em> l\u2019interrogatore<\/em> a<\/em> concludere<\/em> erroneamente<\/em> che<\/em> la<\/em> macchina<\/em> \u00e8<\/em> l\u2019altra<\/em> persona;<\/em> al<\/em> contrario,<\/em> l\u2019obiettivo<\/em> dell\u2019altra<\/em> persona<\/em> \u00e8<\/em> cercare<\/em> di<\/em> aiutare<\/em> l\u2019interrogatore<\/em> a<\/em> identificare<\/em> correttamente<\/em> la<\/em> macchina.<\/em> La<\/em> macchina<\/em> realmente<\/em> in<\/em> grado<\/em> di<\/em> pensare<\/em> \u00e8<\/em> quella<\/em> che<\/em> riesce<\/em> ad<\/em> imitare<\/em> cos\u00ec<\/em> bene<\/em> la<\/em> persona,<\/em> da<\/em> confondere<\/em> l\u2019interrogatore.<\/em> Ipotizziamo<\/em> ora<\/em> di<\/em> ripetere<\/em> il<\/em> gioco<\/em> due<\/em> volte:<\/em> la<\/em> prima<\/em> con<\/em> tre<\/em> umani,<\/em> la<\/em> seconda<\/em> con<\/em> due<\/em> uomini<\/em> e<\/em> una<\/em> macchina.<\/em> Se<\/em> la<\/em> percentuale<\/em> di<\/em> volte<\/em> in<\/em> cui<\/em> l\u2019interrogatore<\/em> indovina<\/em> chi<\/em> \u00e8<\/em> l\u2019uomo<\/em> e<\/em> chi<\/em> la<\/em> macchina<\/em> \u00e8<\/em> simile<\/em> prima<\/em> e<\/em> dopo<\/em> la<\/em> sostituzione<\/em> del<\/em> secondo<\/em> umano<\/em> con<\/em> la<\/em> macchina,<\/em> allora<\/em> l\u2019algoritmo<\/em> \u00e8<\/em> considerato<\/em> intelligente,<\/em> dal<\/em> momento<\/em> che,<\/em> in<\/em> questa<\/em> circostanza,<\/em> non<\/em> \u00e8<\/em> distinguibile<\/em> da<\/em> un<\/em> essere<\/em> umano.<\/em><\/span><\/p>\n

Con l\u2019evoluzione delle IA, il test di Turing \u00e8 stato man mano riformulato. Le ragioni sono diverse, dalla difficolt\u00e0 della prima formulazione, alla nascita di nuove domande relative alla definizione di intelligenza artificiale. In particolare, il filosofo John Searle propose una modifica al test di Turing, che prese il nome di \u00abstanza cinese\u00bb, sostenendo l\u2019inattendibilit\u00e0 del test originale come prova sufficiente a dimostrazione dell\u2019intelligenza di un qualsiasi sistema informatico. In Minds, Brains and Programs<\/u><\/em><\/a>, John Searle si oppose all\u2019affermazione secondo cui \u00abi computer opportunamente programmati hanno letteralmente stati cognitivi\u00bb. <\/span><\/p>\n

Una versione alternativa del test di Turing venne ideata da Searle e prese il nome di \u00abstanza cinese\u00bb.<\/span><\/p>\n

Il protagonista dell\u2019esperimento mentale proposto da Searle era lui stesso, chiuso in una stanza. Come nel test di Turing, dall\u2019altra parte vi era un interlocutore, ma questa volta di lingua cinese che comunicava tramite ideogrammi. Dal momento che Searle non conosceva la lingua straniera, gli veniva fornito un dizionario che spiegava come comporre frasi sensate ordinando meccanicamente gli ideogrammi in un determinato modo. Egli doveva infatti rispondere a delle domande che gli venivano fatte dall\u2019interlocutore straniero. L\u2019obiettivo del filosofo era quello di ingannarlo, facendogli credere che stava capendo il senso del discorso, quando in realt\u00e0 non conosceva il significato di nessun ideogramma. Searle non aveva consapevolezza di ci\u00f2 che stava scrivendo nelle sue risposte, allo stesso modo la macchina del test di Turing non era cosciente di quello che sta facendo, eppure lo faceva. Ci\u00f2 che il filosofo voleva dimostrare era che una macchina poteva solo simulare l\u2019intelligenza. Searle era in grado di metter insieme gli ideogrammi meccanicamente, ma non per questo poteva essere identificato come \u00abcinese\u00bb. La macchina del test di Turing poteva simulare meccanicamente una discussione, ma non per questo poteva essere definita \u00abintelligente\u00bb. Searle voleva dimostrare nello specifico che la mente non poteva fare a meno della semantica. A prescindere dagli elementi che componevano la frase, non era possibile comprenderla senza capire l\u2019interazione tra le componenti.<\/span><\/div>\n

Finora, l\u2019argomento che abbiamo descritto arriva alla conclusione che nessun computer adeguatamente programmato pu\u00f2 pensare. Sebbene questa conclusione non sia la stessa di Turing, \u00e8 importante notare che \u00e8 comunque compatibile con l\u2019affermazione secondo cui il suo \u00e8 un buon test per l\u2019intelligenza. Difatti fino a questo momento non abbiamo parlato di intelligenza in senso stretto, bens\u00ec di metacognizione, intesa come cognizione della propria stessa cognizione, e di coscienza, anche se indirettamente. Il fatto che Searl riesca a comunicare pur non avendo consapevolezza di ci\u00f2 che scrive, descrive una mancanza cosciente di cognizione. Searle sa di non sapere il senso di ci\u00f2 che sta scrivendo, eppure lo sta scrivendo. Se l\u2019intelligenza consente a breve termine di trovare soluzioni a problemi, come abbiamo detto all\u2019inizio, allora Searle \u00e8 intelligente, cos\u00ec come la macchina del test di Turing. Dato un problema comunicativo, entrambi riescono ad affrontarlo. Entrambi sono intelligenti? Potrebbero. Ci\u00f2 che \u00e8 certo \u00e8 che entrambi non sono coscienti del significato delle frasi che stanno componendo meccanicamente. Ci\u00f2 che dimostra l\u2019esperimento di Searle \u00e8 una mancanza di consapevolezza pi\u00f9 che una mancanza di intelligenza.<\/span><\/p>\n

C\u2019\u00e8 da fare una distinzione in intelligenza artificiale forte e debole. Turing era a favore della tesi dell\u2019AI cosiddetta \u00abforte\u00bb (GAI) secondo cui \u00e8 possibile costruire macchine capaci di simulare il pensiero umano. Un computer opportunamente programmato pu\u00f2 davvero essere dotato di una genuina intelligenza, non distinguibile in nessun senso dall\u2019intelligenza umana. Parliamo di \u00abmacchine dotate di mente in senso pieno e letterale\u00bb, citando John Haugeland. Searle si oppose a questa concezione. Anche la tesi de l\u2019AI debole (NAI) ritiene che le macchine possano effettuare compiti e risolvere problemi complessi che richiederebbero l\u2019uso dell\u2019intelligenza da parte degli esseri umani, ma in questo caso l\u2019accento viene posto su ci\u00f2 che un programma \u00e8 in grado di fare, senza fare assunzioni sul modo con cui lo fanno. I processi dell\u2019AI debole non per forza coincidono con quelli mentali umani. Non si parla di \u00abmente\u00bb in senso stretto. Un programma che esplora sistematicamente tutte le mosse potrebbe effettivamente essere in grado di giocare a scacchi come un essere umano, o meglio di lui, ma lo farebbe in un modo differente. Nessun umano gioca a scacchi analizzando di mossa in mossa tutte le possibilit\u00e0 di azione. Se la AI forte parla di mente, quindi di intelligenza come una componente del sistema cosciente, la AI debole la intende come un\u2019abilit\u00e0 isolata di problem solving. Tuttavia, in entrambi i casi si parla di intelligenza, qual \u00e8 la \u00abvera\u00bb definizione?<\/span><\/div>\n
<\/div>\n

Al<\/strong> di<\/strong> l\u00e0<\/strong> di<\/strong> questa<\/strong> problematica,<\/strong> appare<\/strong> qui<\/strong> evidente<\/strong> una<\/strong> prima<\/strong> grande<\/strong> questione:<\/strong> la<\/strong> coscienza<\/strong> non<\/strong> \u00e8<\/strong> un<\/strong> problema<\/strong> Turing-computabile.<\/strong><\/span><\/p>\n

C’\u00e8 poi un secondo motivo e non riguarda la coscienza in s\u00e9 ma il concetto di causazione. L\u2019intelligenza artificiale come \u00e8 stata definita da John McCarthy \u00e8 \u201cla scienza e l\u2019ingegneria per creare macchine intelligenti, in particolare programmi per computer intelligenti. \u00c8 correlata al compito simile di utilizzare i computer per comprendere l\u2019intelligenza umana, ma l\u2019AI non deve limitarsi a metodi biologicamente osservabili\u201d. L\u2019apprendimento automatico o machine learning \u00e8 un sottocampo dell\u2019AI che funziona secondo modelli di apprendimento automatico classici \u2013 detti non-deep \u2013 che richiedono un maggiore intervento umano per segmentare i dati in categorie. Il deep learning \u00e8 a sua volta un sottocampo del machine learning che tenta di imitare l\u2019interconnessione del cervello umano utilizzando le reti neurali. Le sue reti neurali artificiali sono costituite da strati di modelli, che identificano i modelli all\u2019interno di un determinato set di dati. Questi sfruttano un volume elevato di dati di addestramento per apprendere in modo accurato, che di conseguenza richiede hardware pi\u00f9 potente. Per quanto gli algoritmi di deep learning siano oggi fortemente associati con la realizzazione di AI di livello umano presentano enormi problemi per quanto riguarda la spiegabilit\u00e0 dei processi decisionali che mettono in pratica. <\/span><\/p>\n

Per superare questa impasse si teorizza la realizzazione di una intelligenza artificiale forte o Strong AI, nota anche come Intelligenza Artificiale Generale (GAI). L\u2019idea dei ricercatori \u00e8 di sviluppare una GAI mediante la quale la macchina potrebbe avere un\u2019intelligenza pari a quella umana, sviluppare l\u2019equivalente di una coscienza ed avere la capacit\u00e0 di risolvere problemi, imparare e a pianificare azioni future. Di fatto la Strong AI mira a creare macchine intelligenti indistinguibili dalla mente umana che proprio come un bambino imparerebbero attraverso input ed esperienze progredendo nel tempo. I ricercatori, parte del mondo accademico e il settore privato stanno investendo molto nella creazione della GAI. Tuttavia, allo stato attuale dello sviluppo questa \u00e8 solo un concetto teorico e nulla di tangibile che si possa avvicinare a questa \u00e8 ancora stato realizzato. Il dibattito \u00e8 molto acceso e alcuni citano Minsky ricordando le sue previsioni troppo ottimistiche sullo sviluppo delle AI, altri sono pi\u00f9 radicali e arrivano a dire che i sistemi di AI forte non possono nemmeno essere sviluppati. Altri ancora, come Judea Pearl, pensano che sia possibile invece realizzare una macchina capace di inferenza causale e quindi possiamo realizzare il primo passo verso la realizzazione di una GAI.<\/span><\/p>\n

Le linee di sviluppo verso cui vogliamo spingere le intelligenze artificiali includono la causazione. L\u2019intera opera di Judea Pearl va in questa direzione. La sua ricerca sull\u2019apprendimento automatico mostra come realizzare una macchina di inferenza causale richieda almeno tre livelli distinti di abilit\u00e0 cognitiva: vedere, fare e immaginare. <\/span><\/p>\n

La prima abilit\u00e0, che l\u2019autore definisce come vedere o osservare, implica che la macchina sia in grado di individuare gli elementi di regolarit\u00e0 nei dati. Questa abilit\u00e0 \u00e8 una capacit\u00e0 che, come uomini, condividiamo con molti animali e che al momento siamo in grado di realizzare con gli algoritmi di machine learning. Questo \u00e8 ci\u00f2 che fa un predatore quando osserva come si muove la preda e capisce dove questa si trover\u00e0 probabilmente un momento dopo, ed \u00e8 ci\u00f2 che fa un programma informatico come AlphaGo di Deep Mind che ha analizzato un database di milioni di partite di Go in modo da capire quali mosse sono associate a una pi\u00f9 alta percentuale di vittorie. Seguendo la definizione di Hume possiamo intuire che un evento \u00e8 associato ad un altro se l\u2019osservazione della variazione dell\u2019uno cambia la probabilit\u00e0 di osservare una variazione nell\u2019altro. Come abbiamo visto nell\u2019esempio del diamante ci sono molti metodi elaborati per ridurre un gran numero di dati e identificare le associazioni tra variabili. La \u201ccorrelazione\u201d o \u201cregressione\u201d \u00e8 una tipica misura di associazione e come abbiamo visto comporta l\u2019adattamento di una linea a un insieme di punti di dati e la presa della pendenza di quella linea. Alcune associazioni potrebbero avere ovvie interpretazioni causali; altre no. Ma la statistica da sola non pu\u00f2 dire quale sia la causa e quale l\u2019effetto.<\/span><\/p>\n

La seconda competenza prevede la capacit\u00e0 di prevedere gli effetti che alterazioni deliberate dell\u2019ambiente e la scelta di quali tra le possibili diverse alterazioni pu\u00f2 produrre un risultato desiderato. Nel mondo dei viventi, solo una piccola quantit\u00e0 di specie ha mostrato parte di questa abilit\u00e0. L\u2019uomo fa questo con l\u2019uso di strumenti e artefatti tecnologici. Pearl fa notare che anche le specie che mostrano alcune capacit\u00e0 di utilizzare strumenti non possiedono necessariamente una \u201cteoria\u201d sul funzionamento dello strumento. <\/span><\/p>\n

Per raggiungere questa consapevolezza serve un terzo livello: l\u2019immaginazione. Judea Pearl mostra da un punto di vista matematico come questi tre livelli differiscano fondamentalmente tra loro mediante l\u2019emergenza di propriet\u00e0 non presenti al livello inferiore. Acquisire queste capacit\u00e0 \u00e8 l\u2019obiettivo di chi sviluppa la cosiddetta strong o general AI. Lo scopo di questa intelligenza artificiale detta forte \u00e8 avere macchine con un\u2019intelligenza simile a quella umana: in grado di essere motori di inferenze causali e quindi in grado di conversare con gli umani e guidarli. Fino ad oggi i risultati delle intelligenze artificiali, anche del pi\u00f9 sofisticato deep learning, ha prodotto sistemi con capacit\u00e0 impressionanti ma in settori molto specifici, la cosiddetta narrow AI. Di fatto i prodigiosi risultati di previsione che ottengono queste macchine avvengono in una totale assenza di un modello causale di realt\u00e0 ma quasi interamente in modalit\u00e0 associativa. <\/span><\/p>\n

Gli strumenti che abbiamo realizzato lavorano su un flusso di dati \u2013 le osservazioni della realt\u00e0 \u2013 a cui tentano di adattare una funzione matematica, in un modo analogo a quanto fa uno statistico che cerca di adattare una linea a un insieme di punti come nel caso del prezzo del diamante. Gato non \u00e8 altro che uno strumento di questo tipo, anche se molto molto potente.<\/span><\/p>\n

Le innovazioni introdotti dai neural networks consistono nell\u2019aggiungere molti pi\u00f9 strati alla complessit\u00e0 della funzione adattata, ma l\u2019intero processo \u00e8 guidato da dati grezzi. I grandi successi che compaiono nei media testimoniano solamente un continuato miglioramento in accuratezza grazie a quantit\u00e0 di dati sempre maggiori come nel caso del GPT-3 e di Gato ma non si tratta del salto qualitativo che stiamo cercando di realizzare. Judea Pearl mostra senza ombra di dubbio che questa rigidit\u00e0 \u00e8 inevitabile in qualsiasi sistema che lavori a questo primo livello di quella che definisce Scala di causalit\u00e0.<\/span><\/p>\n

L\u2019orizzonte pi\u00f9 avanzato nello sviluppo delle AI vuole realizzare un modello causale sufficientemente forte e accurato pu\u00f2 permetterci di usare i dati (osservazionali) per rispondere a nuovi tipi di domande. Il tipo di intelligenza artificiale che sviluppiamo ora non consente qualsiasi tipo di applicazione: che tipo di decisioni vogliamo o possiamo delegare a una macchina che funziona come un predatore che insegue una preda che fugge? L\u2019intelligenza artificiale oggi \u00e8 molto pi\u00f9 simile a quella di un cane o di un cavallo che non a quella di uomo. Come il soccorso alpino sa bene, un cane da valanga pu\u00f2 salvare delle vite indicando dove scavare anche senza un modello causale dietro la sua capacit\u00e0 olfattiva, ma non pu\u00f2 di certo pilotare un elicottero o fare una diagnosi medica. Gato non si avvicina neanche lontanamente alla capacit\u00e0 di essere una macchina di inferenza causale.<\/span><\/p>\n

<\/div>\n

Rimane<\/strong> allora<\/strong> una<\/strong> domanda.<\/strong> Come<\/strong> \u00e8<\/strong> possibile<\/strong> un<\/strong> sistema<\/strong> cos\u00ec<\/strong> flessibile?<\/strong><\/span><\/p>\n

La risposta la troviamo in recente libro di David Eagelman: L’intelligenza<\/em> dinamica:<\/em> L’evoluzione<\/em> continua<\/em> dei<\/em> circuiti<\/em> del<\/em> nostro<\/em> cervello<\/em>. Proviamo a offrire una breve sintesi del suo contributo.<\/span><\/p>\n

La<\/em> persona<\/em> che<\/em> siamo<\/em> dipende<\/em> in<\/em> uguale<\/em> misura<\/em> dall\u2019ambiente<\/em> che<\/em> ci<\/em> circonda<\/em> e<\/em> dal<\/em> DNA<\/em> che<\/em> \u00e8<\/em> dentro<\/em> di<\/em> noi:<\/em> veniamo<\/em> alla<\/em> luce<\/em> con<\/em> un<\/em> cervello<\/em> in<\/em> gran<\/em> parte<\/em> incompleto.<\/em> La<\/em> nostra<\/em> genetica<\/em> si<\/em> fonda<\/em> su<\/em> un<\/em> semplice<\/em> principio:<\/em> non<\/em> bisogna<\/em> costruire<\/em> una<\/em> struttura<\/em> rigida,<\/em> ma<\/em> un<\/em> sistema<\/em> che<\/em> si<\/em> adatti<\/em> al<\/em> mondo<\/em> circostante.<\/em> Il<\/em> cervello<\/em> si<\/em> adatta<\/em> di<\/em> continuo<\/em> per<\/em> rispecchiare<\/em> sfide<\/em> e<\/em> obiettivi.<\/em> Plasma<\/em> le<\/em> proprie<\/em> risorse<\/em> per<\/em> rispondere<\/em> a<\/em> ci\u00f2<\/em> che<\/em> le<\/em> circostanze<\/em> richiedono.<\/em> Quando<\/em> non<\/em> ha<\/em> ci\u00f2<\/em> che<\/em> gli<\/em> serve,<\/em> lo<\/em> crea. <\/em><\/span><\/p>\n

Nel<\/em> campo<\/em> delle<\/em> neuroscienze<\/em> si<\/em> parla<\/em> di<\/em> \u00abplasticit\u00e0<\/em> cerebrale\u00bb<\/em> (o<\/em> neuroplasticit\u00e0),<\/em> ma<\/em> talvolta<\/em> rischia<\/em> di<\/em> essere<\/em> fuorviante.<\/em> In<\/em> modo<\/em> pi\u00f9<\/em> o<\/em> meno<\/em> intenzionale,<\/em> l\u2019idea<\/em> chiave<\/em> suggerita<\/em> dalla<\/em> parola<\/em> \u00abplasticit\u00e0\u00bb<\/em> \u00e8<\/em> che<\/em> un<\/em> oggetto<\/em> viene<\/em> sagomato<\/em> una<\/em> volta<\/em> e<\/em> poi<\/em> rimane<\/em> cos\u00ec<\/em> per<\/em> sempre:<\/em> si<\/em> d\u00e0<\/em> forma<\/em> al<\/em> giocattolo<\/em> di<\/em> plastica<\/em> e<\/em> non<\/em> lo<\/em> si<\/em> cambia<\/em> pi\u00f9.<\/em> Ma<\/em> il<\/em> cervello<\/em> non<\/em> si<\/em> comporta<\/em> in<\/em> questo<\/em> modo.<\/em> Continua<\/em> a<\/em> rimodellarsi<\/em> per<\/em> tutta<\/em> la<\/em> vita.<\/em> Diventa<\/em> impossibile<\/em> immaginare<\/em> il<\/em> cervello<\/em> come<\/em> un<\/em> oggetto<\/em> divisibile<\/em> in<\/em> livelli<\/em> di<\/em> hardware<\/em> e<\/em> software.<\/em> Se<\/em> vogliamo<\/em> comprendere<\/em> questo<\/em> sistema<\/em> dinamico,<\/em> adattabile<\/em> e<\/em> avido<\/em> di<\/em> informazioni<\/em> ci<\/em> serve<\/em> il<\/em> concetto<\/em> di<\/em> liveware:<\/em> un<\/em> oggetto<\/em> basato<\/em> sul<\/em> cablaggio<\/em> dal<\/em> vivo.<\/em><\/span><\/p>\n

Il<\/em> cervello<\/em> \u00e8<\/em> una<\/em> \u00abmacchina<\/em> dei<\/em> compiti\u00bb<\/em> \u2013<\/em> il<\/em> cui<\/em> scopo<\/em> \u00e8<\/em> svolgere<\/em> mansioni<\/em> come<\/em> individuare<\/em> il<\/em> movimento<\/em> o<\/em> gli<\/em> oggetti<\/em> nel<\/em> mondo<\/em> \u2013<\/em> anzich\u00e9<\/em> un<\/em> sistema<\/em> organizzato<\/em> intorno<\/em> a<\/em> sensi<\/em> specifici.<\/em> In<\/em> altre<\/em> parole,<\/em> alle<\/em> regioni<\/em> cerebrali<\/em> interessa<\/em> portare<\/em> a<\/em> termine<\/em> certi<\/em> compiti,<\/em> a<\/em> prescindere<\/em> dal<\/em> canale<\/em> sensoriale<\/em> tramite<\/em> il<\/em> quale<\/em> arrivano<\/em> le<\/em> informazioni.<\/em><\/span><\/p>\n

Il<\/em> lobo<\/em> occipitale<\/em> pu\u00f2<\/em> essere<\/em> invaso<\/em> da<\/em> molti<\/em> compiti,<\/em> non<\/em> solo<\/em> da<\/em> quelli<\/em> relativi<\/em> all\u2019udito.<\/em> La<\/em> memorizzazione,<\/em> per<\/em> esempio,<\/em> trae<\/em> vantaggio<\/em> dallo<\/em> spazio<\/em> corticale<\/em> extra.<\/em> Il<\/em> concetto<\/em> generale<\/em> \u00e8<\/em> chiaro:<\/em> pi\u00f9<\/em> spazio<\/em> si<\/em> occupa,<\/em> meglio<\/em> \u00e8.<\/em> Di<\/em> tanto<\/em> in<\/em> tanto<\/em> per\u00f2<\/em> questo<\/em> porta<\/em> a<\/em> risultati<\/em> controintuitivi.<\/em> Quasi<\/em> tutti<\/em> noi<\/em> nasciamo<\/em> con<\/em> tre<\/em> tipi<\/em> diversi<\/em> di<\/em> fotorecettori<\/em> per<\/em> la<\/em> visione<\/em> del<\/em> colore,<\/em> mentre<\/em> le<\/em> persone<\/em> affette<\/em> da<\/em> discromatopsia<\/em> ne<\/em> hanno<\/em> solo<\/em> due<\/em> tipi,<\/em> o<\/em> uno,<\/em> o<\/em> addirittura<\/em> nessuno,<\/em> e<\/em> di<\/em> conseguenza<\/em> sono<\/em> meno<\/em> abili<\/em> a<\/em> distinguere<\/em> i<\/em> colori<\/em> (o<\/em> non<\/em> ci<\/em> riescono<\/em> affatto).<\/em> Ma<\/em> non<\/em> tutto<\/em> il<\/em> male<\/em> viene<\/em> per<\/em> nuocere:<\/em> queste<\/em> persone<\/em> infatti<\/em> distinguono<\/em> meglio<\/em> le<\/em> sfumature<\/em> di<\/em> grigio.<\/em><\/span><\/p>\n

Ci<\/em> siamo<\/em> serviti<\/em> dell\u2019apparato<\/em> visivo<\/em> per<\/em> introdurre<\/em> i<\/em> punti<\/em> fondamentali,<\/em> ma<\/em> la<\/em> riqualificazione<\/em> avviene<\/em> ovunque<\/em> nel<\/em> cervello.<\/em> La<\/em> riqualificazione<\/em> neurale<\/em> sostituisce<\/em> il<\/em> vecchio<\/em> paradigma<\/em> delle<\/em> aree<\/em> cerebrali<\/em> predefinite<\/em> con<\/em> qualcosa<\/em> di<\/em> pi\u00f9<\/em> flessibile.<\/em> Lo<\/em> spazio<\/em> pu\u00f2<\/em> essere<\/em> assegnato<\/em> ad<\/em> altri<\/em> compiti.<\/em> Per<\/em> esempio,<\/em> i<\/em> neuroni<\/em> della<\/em> corteccia<\/em> visiva<\/em> non<\/em> hanno<\/em> niente<\/em> di<\/em> speciale.<\/em> Sono<\/em> soltanto<\/em> neuroni<\/em> a<\/em> cui<\/em> \u00e8<\/em> capitato<\/em> di<\/em> essere<\/em> coinvolti<\/em> nell\u2019elaborazione<\/em> dei<\/em> bordi<\/em> o<\/em> dei<\/em> colori<\/em> in<\/em> una<\/em> persona<\/em> che<\/em> ha<\/em> due<\/em> occhi<\/em> funzionanti.<\/em> Nei<\/em> non<\/em> vedenti,<\/em> quegli<\/em> stessi<\/em> identici<\/em> neuroni<\/em> possono<\/em> elaborare<\/em> informazioni<\/em> di<\/em> altro<\/em> tipo.<\/em><\/span><\/p>\n

Le<\/em> mappe<\/em> cerebrali<\/em> non<\/em> sono<\/em> preprogrammate<\/em> dalla<\/em> genetica,<\/em> ma<\/em> vengono<\/em> modellate<\/em> dagli<\/em> input.<\/em> Dipendono<\/em> dall\u2019esperienza.<\/em> Sono<\/em> una<\/em> propriet\u00e0<\/em> emergente<\/em> delle<\/em> lotte<\/em> di<\/em> confine<\/em> locali,<\/em> non<\/em> il<\/em> risultato<\/em> di<\/em> un<\/em> piano<\/em> globale<\/em> specificato<\/em> in<\/em> anticipo.<\/em> Poich\u00e9<\/em> i<\/em> neuroni<\/em> che<\/em> si<\/em> attivano<\/em> insieme<\/em> rafforzano<\/em> la<\/em> loro<\/em> connessione,<\/em> la<\/em> coattivazione<\/em> crea<\/em> rappresentazioni<\/em> contigue<\/em> nel<\/em> cervello.<\/em> A<\/em> prescindere<\/em> da<\/em> come<\/em> \u00e8<\/em> fatto,<\/em> il<\/em> nostro<\/em> corpo<\/em> finisce<\/em> per<\/em> essere<\/em> mappato<\/em> naturalmente<\/em> sulla<\/em> superficie<\/em> del<\/em> cervello.<\/em><\/span><\/p>\n

Per<\/em> afferrare<\/em> questo<\/em> concetto<\/em> bisogna<\/em> scendere<\/em> pi\u00f9<\/em> a<\/em> fondo<\/em> di<\/em> un<\/em> livello:<\/em> non<\/em> \u00e8<\/em> il<\/em> nostro<\/em> chilo<\/em> e<\/em> mezzo<\/em> di<\/em> tessuto<\/em> cerebrale<\/em> a<\/em> udire<\/em> o<\/em> vedere<\/em> direttamente<\/em> il<\/em> mondo<\/em> circostante.<\/em> Anzi,<\/em> il<\/em> cervello<\/em> \u00e8<\/em> racchiuso<\/em> in<\/em> una<\/em> cripta<\/em> di<\/em> silenzio<\/em> e<\/em> oscurit\u00e0<\/em> nel<\/em> cranio.<\/em> Vede<\/em> solo<\/em> i<\/em> segnali<\/em> elettrochimici<\/em> che<\/em> si<\/em> riversano<\/em> al<\/em> suo<\/em> interno<\/em> lungo<\/em> diversi<\/em> cavi<\/em> per<\/em> la<\/em> trasmissione<\/em> dati.<\/em> Questo<\/em> \u00e8<\/em> tutto<\/em> il<\/em> materiale<\/em> che<\/em> ha<\/em> a<\/em> disposizione.<\/em><\/span><\/p>\n

In<\/em> modi<\/em> che<\/em> stiamo<\/em> ancora<\/em> cercando<\/em> di<\/em> comprendere,<\/em> il<\/em> cervello<\/em> \u00e8<\/em> terribilmente<\/em> bravo<\/em> ad<\/em> assorbire<\/em> quei<\/em> segnali<\/em> e<\/em> a<\/em> ricavarne<\/em> dei<\/em> pattern,<\/em> a<\/em> cui<\/em> assegna<\/em> un<\/em> significato.<\/em> E<\/em> con<\/em> il<\/em> significato<\/em> si<\/em> ha<\/em> l\u2019esperienza<\/em> soggettiva.<\/em> Il<\/em> cervello<\/em> \u00e8<\/em> un<\/em> organo<\/em> che<\/em> trasforma<\/em> delle<\/em> scosse<\/em> elettriche<\/em> al<\/em> buio<\/em> nel<\/em> caleidoscopico<\/em> spettacolo<\/em> del<\/em> mondo.<\/em><\/span><\/p>\n

Tutte<\/em> le<\/em> sfumature<\/em> e<\/em> le<\/em> fragranze<\/em> e<\/em> le<\/em> emozioni<\/em> e<\/em> le<\/em> sensazioni<\/em> della<\/em> vita<\/em> sono<\/em> codificate<\/em> in<\/em> migliaia<\/em> di<\/em> miliardi<\/em> di<\/em> segnali<\/em> che<\/em> sfrecciano<\/em> nell\u2019oscurit\u00e0,<\/em> proprio<\/em> come<\/em> un<\/em> bellissimo<\/em> screensaver<\/em> sullo<\/em> schermo<\/em> del<\/em> computer<\/em> non<\/em> \u00e8<\/em> altro<\/em> che<\/em> una<\/em> combinazione<\/em> di<\/em> tanti<\/em> zero<\/em> e<\/em> uno.<\/em> I<\/em> polpastrelli<\/em> o<\/em> i<\/em> bulbi<\/em> oculari<\/em> sono<\/em> soltanto<\/em> il<\/em> dispositivo<\/em> periferico<\/em> che<\/em> trasforma<\/em> le<\/em> informazioni<\/em> provenienti<\/em> dal<\/em> mondo<\/em> esterno<\/em> in<\/em> impulsi<\/em> elettrici<\/em> nel<\/em> cervello.<\/em> Dopodich\u00e9<\/em> \u00e8<\/em> il<\/em> cervello<\/em> a<\/em> sobbarcarsi<\/em> la<\/em> fatica<\/em> dell\u2019interpretazione.<\/em><\/span><\/p>\n

Qualunque<\/em> informazione<\/em> venga<\/em> immessa<\/em> nel<\/em> cervello,<\/em> il<\/em> cervello<\/em> vi<\/em> si<\/em> adatta<\/em> e<\/em> ne<\/em> ricava<\/em> quanto<\/em> pi\u00f9<\/em> materiale<\/em> possibile.<\/em> A<\/em> condizione<\/em> che<\/em> i<\/em> dati<\/em> abbiano<\/em> una<\/em> struttura<\/em> che<\/em> rispecchia<\/em> qualcosa<\/em> di<\/em> importante<\/em> del<\/em> mondo<\/em> esterno<\/em> (insieme<\/em> ad<\/em> alcuni<\/em> altri<\/em> requisiti<\/em> che<\/em> vedremo<\/em> nei<\/em> prossimi<\/em> capitoli),<\/em> il<\/em> cervello<\/em> riesce<\/em> a<\/em> capire<\/em> come<\/em> decodificarli.<\/em><\/span><\/p>\n

Ne<\/em> deriva<\/em> una<\/em> conseguenza<\/em> interessante:<\/em> il<\/em> cervello<\/em> non<\/em> sa<\/em> da<\/em> dove<\/em> vengono<\/em> i<\/em> dati,<\/em> n\u00e9<\/em> gli<\/em> interessa<\/em> saperlo.<\/em> Qualunque<\/em> informazione<\/em> riceva,<\/em> si<\/em> limita<\/em> a<\/em> trovare<\/em> il<\/em> modo<\/em> di<\/em> sfruttarla.<\/em> Questo<\/em> fa<\/em> del<\/em> cervello<\/em> una<\/em> macchina<\/em> molto<\/em> efficiente:<\/em> un<\/em> dispositivo<\/em> computazionale<\/em> multifunzione<\/em> che<\/em> assorbe<\/em> i<\/em> segnali<\/em> disponibili<\/em> e<\/em> decide<\/em> cosa<\/em> farne<\/em> in<\/em> maniera<\/em> (quasi)<\/em> ottimale.<\/em><\/span><\/p>\n

Gato allora essendo costruito sullo schema rilevato dalla naturale disposizione dei neuroni (neural<\/em> network<\/em>) gode di alcuni di questi fenomeni di rimodulazione competitiva delle funzioni. Quello che Eagleman chiama livewire<\/em> \u00e8 di fatto immesso in Gato nella sua stessa struttura software. Gato pi\u00f9 che l’emulazione di una persona \u00e8 una emulazione della nostra capacit\u00e0 di elaborare input esterni in schemi che possono sembrare coerenti.<\/span><\/div>\n

Ma il cuore del mistero che siamo resta ancora oltre e invisibile. Se capiamo come i sensi possano essere elaborati dal cervello il “chi” che li elabora, io e voi, \u00e8 altrove. Se Gato \u00e8 multifunzione come l’area corticale dei sensi non si avvicina neanche lontanamente a un soggetto umano n\u00e9 tantomeno a una persona. <\/span><\/p>\n

Oggi neuroscienze e intelligenze artificiali si sfiorano e si toccano, a volte illuminandosi a vicenda con modelli e metafore che fondano intere stagioni di ricerca. <\/span><\/p>\n

Tuttavia,<\/strong> la<\/strong> persona<\/strong> e<\/strong> il<\/strong> computer<\/strong> ancora<\/strong> distano<\/strong> qualitativamente<\/strong> distanze<\/strong> incolmabili:<\/strong> una<\/strong> esiste,<\/strong> l’altra<\/strong> funziona.<\/strong><\/span><\/p>\n

Fonte: https:\/\/www.paolobenanti.com\/post\/gato-deepmind?utm_campaign=8c90713b-299c-45be-8a8b-60e0165997b3&utm_source=so&utm_medium=mail&cid=f2cdd8a2-f8b5-4514-9e80-b3ec096109e8<\/a><\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"

di Paolo Benanti (blog)   Ispirati dai progressi nella modellazione linguistica su larga scala, i ricercatori di DeepMind, un’azienda inglese di intelligenza artificiale controllata dal 2014 da Alphabet, la capofila di Google, hanno applicato un approccio analogo per la costruzione di un singolo bot generalista in campi esterni al dominio degli output di testo. Il bot, chiamato Gato, \u00e8 un passo verso un’intelligenza artificiale generale (GAI)? Che cosa ci dice Gato sulle AI? E sull’uomo?...<\/p>\n","protected":false},"author":105,"featured_media":64201,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","enabled":false},"version":2}},"categories":[32],"tags":[],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/appelloalpopolo.it\/wp-content\/uploads\/2021\/04\/Paolo-Benanti.jpg","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p7ZaJ4-iMY","_links":{"self":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/72228"}],"collection":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/users\/105"}],"replies":[{"embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=72228"}],"version-history":[{"count":1,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/72228\/revisions"}],"predecessor-version":[{"id":72229,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/72228\/revisions\/72229"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/media\/64201"}],"wp:attachment":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=72228"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=72228"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=72228"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}