La tecnica dell'IA che potrebbe infondere alle macchine la capacità di ragionare

Un'immagine di bambini che giocano con i blocchi Getty

A sei mesi, un bambino non batterà ciglio se un camion giocattolo esce da una piattaforma e sembra librarsi nell'aria . Ma esegui lo stesso esperimento solo due o tre mesi dopo, e lei riconoscerà immediatamente che qualcosa non va. Ha già imparato il concetto di gravità.

Nessuno dice al bambino che gli oggetti dovrebbero cadere, ha detto Yann LeCun, il capo scienziato di intelligenza artificiale di Facebook e professore alla New York University, durante un webinar giovedì organizzato dall'Association for Computing Machinery, un ente del settore. E poiché i bambini non hanno un controllo motorio molto sofisticato, ipotizza, molto di ciò che imparano sul mondo è attraverso l'osservazione.

Questa teoria potrebbe avere importanti implicazioni per i ricercatori che sperano di far avanzare i confini dell'intelligenza artificiale.

Il deep learning, la categoria di algoritmi di intelligenza artificiale che ha dato il via alla più recente rivoluzione sul campo, ha fatto passi da gigante nel fornire alle macchine capacità percettive come la visione. Ma non è riuscito a infonderli con un ragionamento sofisticato, fondato su un modello concettuale della realtà. In altre parole, le macchine non capiscono veramente il mondo che li circonda, il che li rende insufficienti nella loro capacità di impegnarsi con esso. Nuove tecniche stanno aiutando a superare questa limitazione, ad esempio fornendo alle macchine una sorta di memoria di lavoro in modo che mentre apprendono e ricavano fatti e principi di base, possano accumularli su cui attingere nelle interazioni future.

Ma LeCun crede che sia solo un pezzo del puzzle. Ovviamente ci sfugge qualcosa, ha detto. Un bambino può sviluppare una comprensione di un elefante dopo aver visto due foto, mentre gli algoritmi di deep learning devono vederne migliaia, se non milioni. Un adolescente può imparare a guidare in sicurezza esercitandosi per 20 ore e riuscire a evitare incidenti senza prima sperimentarne uno, mentre gli algoritmi di apprendimento per rinforzo (una sottocategoria del deep learning) devono superare decine di milioni di prove, inclusi molti errori eclatanti.

La risposta, pensa, è nella sottocategoria sottovalutata dell'apprendimento profondo nota come apprendimento non supervisionato. Mentre agli algoritmi basati sull'apprendimento supervisionato e per rinforzo viene insegnato a raggiungere un obiettivo attraverso l'input umano, quelli non supervisionati estraggono schemi nei dati interamente da soli. (LeCun preferisce il termine apprendimento auto-supervisionato perché utilizza essenzialmente parte dei dati di addestramento per prevedere il resto dei dati di addestramento.)

Negli ultimi anni, tali algoritmi hanno ottenuto un notevole successo nell'elaborazione del linguaggio naturale grazie alla loro capacità di trovare le relazioni tra miliardi di parole. Questo si rivela utile per costruire sistemi di previsione del testo come il completamento automatico o per generare una prosa convincente. Ma la stragrande maggioranza della ricerca sull'IA in altri domini si è concentrata sull'apprendimento supervisionato o di rinforzo.

LeCun ritiene che l'enfasi dovrebbe essere capovolta. Tutto ciò che impariamo come esseri umani, quasi tutto, viene appreso attraverso l'apprendimento auto-supervisionato. C'è un sottile strato che impariamo attraverso l'apprendimento supervisionato e una piccola parte che impariamo attraverso l'apprendimento per rinforzo, ha detto. Se l'apprendimento automatico, o intelligenza artificiale, è una torta, la stragrande maggioranza della torta è l'apprendimento auto-supervisionato.

Che aspetto ha in pratica? I ricercatori dovrebbero iniziare concentrandosi sulla previsione temporale. In altre parole, addestra grandi reti neurali per prevedere la seconda metà di un video quando viene fornita la prima. Sebbene non tutto nel nostro mondo possa essere previsto, questa è l'abilità fondamentale dietro la capacità di un bambino di rendersi conto che un camion giocattolo dovrebbe cadere. Questa è una specie di simulazione di ciò che sta succedendo nella tua testa, se vuoi, ha detto LeCun.

Una volta che il campo svilupperà tecniche che perfezionano tali abilità, avranno anche importanti usi pratici. È una buona idea fare previsioni video nel contesto delle auto a guida autonoma perché potresti voler sapere in anticipo cosa faranno le altre auto per strada, ha detto.

In definitiva, l'apprendimento non supervisionato aiuterà le macchine a sviluppare un modello del mondo in grado di prevedere gli stati futuri del mondo, ha affermato. È un'ambizione elevata che è sfuggita alla ricerca sull'IA, ma aprirebbe una serie completamente nuova di capacità. LeCun è fiducioso: la prossima rivoluzione dell'IA non sarà supervisionata.

Per ricevere più storie come questa direttamente nella tua casella di posta, iscriviti alla nostra newsletter AI nominata da Webby The Algorithm. È gratis.

nascondere