Quest'uomo può rendere l'IA più umana?

Come ogni padre orgoglioso, Gary Marcus è fin troppo felice di parlare degli ultimi successi di suo figlio di due anni. Più insolitamente, crede che il modo in cui il suo bambino impara e ragiona possa essere la chiave per rendere le macchine molto più intelligenti.

Seduto nella sala del consiglio di un vivace incubatore di startup di Manhattan, Marcus, un professore di psicologia di 45 anni alla New York University e fondatore di una nuova società chiamata Geometric Intelligence, descrive un esempio dell'ingegnosità del suo ragazzo. Dal sedile posteriore dell'auto, suo figlio aveva visto un cartello che indicava il numero 11, e poiché sapeva che altri numeri a due cifre avevano nomi come trentatré e settantasette, chiese a suo padre se il numero sul cartello fosse uno.

Questa storia faceva parte del nostro numero di gennaio 2016

• Vedi il resto del problema
• sottoscrivi

Aveva dedotto che esiste una regola su come mettere insieme i numeri, spiega Marcus con un sorriso. Ora, l'aveva generalizzato eccessivamente e ha commesso un errore, ma è stato un errore molto sofisticato.

Marcus ha una prospettiva molto diversa da quella di molti degli informatici e dei matematici oggi in prima linea nell'intelligenza artificiale. Ha trascorso decenni a studiare il modo in cui funziona la mente umana e come i bambini imparano nuove abilità come il linguaggio e la musicalità. Questo lo ha portato a credere che se i ricercatori vogliono creare un'intelligenza artificiale veramente sofisticata, qualcosa che impara facilmente sul mondo, devono prendere spunto dal modo in cui i bambini acquisiscono nuovi concetti e generalizzano. E questa è una delle grandi ispirazioni per la sua nuova azienda, che gestisce durante un anno di congedo dalla New York University. Con il suo approccio radicale all'apprendimento automatico, Geometric Intelligence mira a creare algoritmi da utilizzare in un'IA in grado di apprendere in modi nuovi e migliori.

Il deep learning si basa su un modello troppo semplice? Marcus pensa che gli informatici stiano perdendo un'enorme opportunità ignorando molte sottigliezze della mente umana.

Al giorno d'oggi quasi tutti gli altri che cercano di commercializzare l'IA, da Google a Baidu, si concentrano su algoritmi che modellano approssimativamente il modo in cui i neuroni e le sinapsi nel cervello cambiano quando vengono esposti a nuove informazioni ed esperienze. Questo approccio, noto come deep learning, ha prodotto alcuni risultati sorprendenti negli ultimi anni, soprattutto perché più dati e hardware del computer più potente hanno consentito ai calcoli sottostanti di crescere in scala. I metodi di deep learning hanno eguagliato, o addirittura superato, l'accuratezza umana nel riconoscere i volti nelle immagini o nell'identificare le parole pronunciate nelle registrazioni audio. Google, Facebook e altre grandi aziende stanno applicando l'approccio a quasi tutte le attività in cui è utile individuare uno schema in enormi quantità di dati, come perfezionare i risultati di ricerca o insegnare ai computer come tenere una conversazione (vedi Insegnare alle macchine per Capiscici).

Ma il deep learning si basa su un modello del cervello troppo semplice? L'intelligenza geometrica, in effetti lo stesso Marcus, scommette che gli informatici stanno perdendo un'enorme opportunità ignorando molte sottigliezze nel modo in cui funziona la mente umana. Nei suoi scritti, nelle apparizioni pubbliche e nei commenti alla stampa, Marcus può essere un aspro critico dell'entusiasmo per il deep learning. Ma nonostante il suo approccio occasionalmente abrasivo, offre una preziosa controprospettiva. Tra le altre cose, sottolinea che questi sistemi devono essere alimentati con molte migliaia di esempi per imparare qualcosa. I ricercatori che stanno cercando di sviluppare macchine in grado di conversare naturalmente con le persone lo stanno facendo fornendo ai loro sistemi innumerevoli trascrizioni di conversazioni precedenti. Questo potrebbe benissimo produrre qualcosa capace di una semplice conversazione, ma la scienza cognitiva suggerisce che non è il modo in cui la mente umana acquisisce il linguaggio.

Al contrario, la capacità di un bambino di due anni di apprendere estrapolando e generalizzando, anche se imperfettamente, è molto più sofisticata. Chiaramente il cervello è capace di qualcosa di più del semplice riconoscimento di schemi in grandi quantità di dati: ha un modo per acquisire astrazioni più profonde da dati relativamente piccoli. Dare alle macchine anche una capacità di base per apprendere rapidamente tali astrazioni sarebbe un risultato importante. Un'auto a guida autonoma potrebbe non aver bisogno di percorrere milioni di miglia per imparare a far fronte alle nuove condizioni stradali. Oppure un robot potrebbe identificare e prendere una bottiglia di pillole che è stata mostrata solo una o due volte. In altre parole, queste macchine penserebbero e agirebbero un po' di più come facciamo noi.

Con i capelli leggermente spettinati e un paio di giorni di barba incolta, Marcus sembra adatto al suo nuovo ruolo di imprenditore. Nello spazio della sua azienda, una manciata di programmatori lavora su costose workstation per computer che eseguono potenti processori grafici. A un certo punto, quando Marcus vuole illustrare un punto su come funziona il cervello, cerca quello che pensa sia un pennarello per lavagna. Risulta essere un dardo fuori posto di una pistola Nerf.

Marcus parla rapidamente quando è eccitato, ha un rapido senso dell'umorismo e un sorriso malizioso. Si rifiuta di spiegare esattamente su quali prodotti e applicazioni sta lavorando la sua azienda, per paura che una grande azienda come Google possa ottenere un vantaggio apprendendo le intuizioni cruciali dietro di essa. Ma dice che ha sviluppato algoritmi che possono imparare da quantità relativamente piccole di dati e possono persino estrapolare e generalizzare, in modo rozzo, dalle informazioni che vengono fornite. Marcus afferma che il suo team ha testato questi algoritmi utilizzando compiti in cui gli approcci di deep learning eccellono e si sono rivelati significativamente migliori in diversi casi. Sappiamo qualcosa su quali dovrebbero essere le proprietà del cervello, spiega. E stiamo cercando, in un certo senso, di decodificare da quelle proprietà.

Ragazzo meraviglia

Marcus, nato a Baltimora, è rimasto affascinato dalla mente al liceo dopo aver letto La mente è io , una raccolta di saggi sulla coscienza a cura dello scienziato cognitivo Douglas Hofstadter e del filosofo Daniel Dennett, nonché il libro metaforico di Hofstadter su menti e macchine, Gödel, Escher, Bach . Più o meno nello stesso periodo, scrisse un programma per computer progettato per tradurre il latino in inglese. La difficoltà del compito gli fece capire che ricreare l'intelligenza nelle macchine avrebbe sicuramente richiesto una comprensione molto maggiore dei fenomeni in atto all'interno della mente umana.

Il programma latino-inglese di Marcus non era particolarmente pratico, ma contribuì a convincere l'Hampshire College a fargli intraprendere una laurea con un paio di anni di anticipo. Gli studenti della piccola scuola di arti liberali di Amherst, nel Massachusetts, sono incoraggiati a progettare i propri corsi di laurea. Marcus si dedicò allo studio del puzzle della cognizione umana.

La metà degli anni '80 fu un periodo interessante per il campo dell'IA. Stava diventando diviso tra coloro che cercavano di produrre macchine intelligenti copiando la biologia di base del cervello e coloro che miravano a imitare funzioni cognitive superiori utilizzando computer e software convenzionali. I primi lavori sull'IA si basavano su quest'ultimo approccio, utilizzando linguaggi di programmazione costruiti per gestire la logica e la rappresentazione simbolica. Gli uccelli sono l'esempio classico. Il fatto che gli uccelli possano volare potrebbe essere codificato come un pezzo di conoscenza. Quindi, se a un computer venisse detto che uno storno è un uccello, ne dedurrebbe che gli storni devono essere in grado di volare. Sono stati lanciati diversi grandi progetti con l'obiettivo di codificare la conoscenza umana in vasti database, nella speranza che alla fine potesse emergere una sorta di intelligenza complessa.

Tuttavia, sebbene siano stati compiuti alcuni progressi, l'approccio si è rivelato sempre più complesso e ingombrante. Le regole spesso hanno delle eccezioni; non tutti gli uccelli possono volare. E mentre i pinguini sono interamente legati alla terra, un uccello in gabbia e uno con un'ala spezzata non possono volare per ragioni molto diverse. Si è rivelato incredibilmente complicato codificare tutte le eccezioni a tali regole. Le persone sembrano imparare rapidamente tali eccezioni, ma i computer hanno esitato. (Naturalmente, le eccezioni, comprese le undici anziché l'una, possono creare confusione anche per gli esseri umani.)

Gary Marco

Più o meno nel periodo in cui Marcus si stava preparando per entrare all'Hampshire College, un gruppo di psicologi escogitò un approccio che minacciava di capovolgere l'intelligenza artificiale. Negli anni '40, Donald Hebb aveva presentato una teoria su come i nervi del cervello potessero imparare a riconoscere un input. Ha mostrato come l'attivazione ripetuta dei neuroni potrebbe rafforzare le loro connessioni tra loro, aumentando così la probabilità che si attivino di nuovo tutti quando alimentati con lo stesso input. Alcuni ricercatori hanno costruito computer con un design simile. Ma le capacità di queste cosiddette reti neurali erano limitate fino al 1986, quando un gruppo di ricercatori scoprì modi per aumentare il loro potere di apprendimento. Questi ricercatori hanno anche mostrato come le reti neurali potrebbero essere utilizzate per fare varie cose, dal riconoscimento di schemi nei dati visivi all'apprendimento del passato dei verbi inglesi. Addestra queste reti su un numero sufficiente di esempi e formano le connessioni necessarie per eseguire tali attività.

Chiamando il loro approccio connessionismo, i ricercatori hanno sostenuto che reti neurali sufficientemente grandi potrebbero ricreare l'intelligenza. Sebbene le loro idee non abbiano preso il sopravvento immediatamente, alla fine hanno portato all'era odierna del deep learning.

Proprio mentre il connessionismo stava decollando, Marcus stava decidendo dove fare i suoi studi universitari e ha frequentato una conferenza del famoso scienziato cognitivo Steven Pinker, allora professore al MIT. Pinker stava parlando del modo in cui i bambini imparano e usano i verbi e sosteneva, contrariamente a una prospettiva puramente connessionista, che non sembrano acquisire il passato dei verbi semplicemente memorizzando esempi e generalizzando a quelli simili. Pinker ha mostrato prove che i bambini rilevano rapidamente le regole del linguaggio e poi generalizzano. Lui e altri credono, essenzialmente, che l'evoluzione abbia modellato le reti neurali presenti nel cervello umano per fornire gli strumenti necessari per un'intelligenza più sofisticata.

Un sistema di deep learning può essere addestrato per riconoscere particolari specie di uccelli, ma avrebbe bisogno di milioni di immagini campione e non saprebbe nulla del motivo per cui un uccello non è in grado di volare.

Marcus è entrato nel laboratorio di Pinker al MIT a 19 anni e Pinker lo ricorda come uno studente precoce. Gli ho assegnato un progetto analizzando una semplice ipotesi sì-no su un piccolo set di dati del discorso registrato da tre bambini, ha detto in una e-mail. Pochi giorni dopo aveva svolto un'analisi esauriente sul discorso di 25 bambini che ha verificato una mezza dozzina di ipotesi ed è diventata la base per un'importante monografia di ricerca.

Come studente laureato, Marcus ha raccolto ulteriori prove per supportare le idee di Pinker sull'apprendimento e ha aggiunto le sue intuizioni. Ha aperto la strada all'analisi computerizzata di grandi quantità di dati di ricerca cognitiva, studiando migliaia di registrazioni del discorso dei bambini per trovare casi in cui hanno commesso errori come rotto e andato invece di rotto e andato. Ciò sembrava confermare che i bambini afferrano le regole della grammatica e poi le applicano a nuove parole, imparando a memoria le eccezioni a queste regole.

Sulla base di questa ricerca, Marcus ha iniziato a mettere in discussione la convinzione connessionista secondo cui l'intelligenza sarebbe essenzialmente emersa da reti neurali più grandi e ha iniziato a concentrarsi sui limiti e sulle stranezze dell'apprendimento profondo. Un sistema di apprendimento profondo potrebbe essere addestrato per riconoscere particolari specie di uccelli in immagini o clip video e per distinguere tra quelli che possono volare e quelli che non possono. Ma per farlo avrebbe bisogno di vedere milioni di immagini campione e non saprebbe nulla del motivo per cui un uccello non è in grado di volare.

Il lavoro di Marcus con i bambini, infatti, lo ha portato a una conclusione importante. In un libro del 2001 intitolato La mente algebrica , ha affermato che la mente umana in via di sviluppo impara sia dagli esempi che generando regole da ciò che ha appreso. In altre parole, il cervello usa qualcosa come un sistema di apprendimento profondo per determinati compiti, ma memorizza e manipola anche le regole su come funziona il mondo in modo da poter trarre conclusioni utili da poche esperienze.

Questo non significa esattamente che l'Intelligenza Geometrica stia cercando di imitare il modo in cui le cose accadono nel cervello. In un mondo ideale, sapremmo come fanno i bambini, dice Marcus. Sapremmo quali circuiti cerebrali sono coinvolti, i calcoli che stanno facendo. Ma la neuroscienza rimane un mistero. Piuttosto, suggerisce che l'azienda sta utilizzando un sacco di tecniche, comprese quelle compatibili con il deep learning, per cercare di ricreare l'apprendimento umano.

Buon senso

Il lavoro alla Geometric Intelligence è sicuramente significativo, perché la fusione di nuove idee provenienti da scienze cognitive e neuroscienze sarà senza dubbio importante per il futuro dell'intelligenza artificiale. Tuttavia, dopo l'incontro con Marcus, mi sono sentito un po' come un bambino che cerca di dare un senso ad alcune cifre sconosciute. Come si unirà tutto questo? Avevo bisogno che uno dei collaboratori di Marcus mi mostrasse un altro pezzo del puzzle di ciò che l'azienda sta sviluppando.

Zoubin Ghahramani, professore di ingegneria dell'informazione presso l'Università di Cambridge nel Regno Unito, è un cofondatore di Geometric Intelligence. Ghahramani è cresciuto in Unione Sovietica e Iran prima di trasferirsi in Spagna e negli Stati Uniti e, sebbene abbia esattamente la stessa età di Marcus, è arrivato al MIT un anno dopo. Ma poiché la coppia ha condiviso un compleanno, hanno finito per organizzare feste e socializzare insieme.

Ghahramani si concentra sull'uso della probabilità per rendere le macchine più intelligenti. La matematica alla base di ciò è complicata, ma il motivo è semplice: la probabilità fornisce un modo per far fronte all'incertezza o alle informazioni incomplete. Gli uccelli incapaci di volare possono, ancora una volta, aiutare a illustrare questo. Un sistema basato sulla probabilità può assegnare un'alta probabilità al concetto che un uccello è in grado di volare. Quindi, quando apprende che uno struzzo è un uccello, presumerà che molto probabilmente può volare. Ma altre informazioni, come il fatto che uno struzzo adulto di solito pesa più di 200 libbre, potrebbero cambiare questa ipotesi, riducendo la probabilità che uno struzzo possa volare vicino allo zero. Questo approccio flessibile può impregnare le macchine di qualcosa che assomiglia a una forma grezza di buon senso, una qualità che è di fondamentale importanza per l'intelligenza umana.

Parlando via Skype dal suo ufficio a Cambridge, in Inghilterra, Ghahramani suggerisce un'applicazione particolare su cui lui e Marcus hanno d'occhio: addestrare robot per gestire ambienti complessi. Nella ricerca sulla robotica, avere esperienze è costoso, dice. Se vuoi che un robot impari a camminare, o un veicolo autonomo per imparare a guidare, non puoi presentargli un set di dati di un milione di esempi di cadute, rotture o incidenti, semplicemente non è così opera.

Dato che gli algoritmi probabilistici e altre tecnologie in lavorazione presso Geometric Intelligence sarebbero compatibili con il deep learning, è possibile che alla fine artisti del calibro di Google o Facebook acquisiscano l'azienda e la aggiungano al suo portafoglio complessivo di intelligenza artificiale. E nonostante le critiche di Marcus al connessionismo e alla febbre dell'apprendimento profondo, ho la sensazione che sarebbe abbastanza soddisfatto di un risultato del genere.

Anche se ciò dovesse accadere, sarebbe significativo se Marcus potesse dimostrare che il sistema di apprendimento più miracoloso che conosciamo, la mente umana, è la chiave per il futuro dell'intelligenza artificiale. Marcus mi dà un altro esempio dell'abilità di suo figlio. Mia moglie gli ha chiesto: 'Quale dei tuoi amici animali verrà a scuola oggi?' dice Marcus. E lui dice: 'Big Bunny, perché Orso e Platypus stanno mangiando'. Poi mia moglie torna nella sua stanza e, come se non bastasse, quei giocattoli sono su una sedia a 'mangiare'.

Marcus si meraviglia del fatto che suo figlio di due anni possa ragionare sulle regole relative al comportamento umano, rendendosi conto che stai andando a scuola o facendo qualcos'altro, e costruire una frase completamente nuova basata sulla sua crescente comprensione del modo in cui funziona la lingua. Dopo una pausa e un sorriso, aggiunge: Bene, mostrami il sistema di intelligenza artificiale che può farlo.

nascondere