Dalle fondamenta gettate da Ada Lovelace e Charles Babbage alle rivoluzionarie ricerche informatiche di Alan Turing, il mondo è stato affascinato dalla promessa dell'IA, il sogno di creare entità basate su macchine in possesso di capacità cognitive simili a quelle umane.
Tuttavia, la traiettoria dello sviluppo dell'IA si è successivamente allontanata dalle sue radici biologiche a favore della potenza di calcolo bruta e della complessità algoritmica.
Con ciò, i sogni fantascientifici di robot realistici si sono un po' ridimensionati in una realtà di modelli linguistici di grandi dimensioni (LLM) più superficiali, come ChatGPT.
Certo, gli attuali modelli di IA sono ancora affascinanti, ma agiscono come uno strumento piuttosto che come un essere.
È ancora presto, ma nonostante i progressi fenomenali, la corsa agli armamenti computazionali dell'IA ha messo in luce le lacune nella ricerca di macchine veramente intelligenti.
Per quanto potenti possano diventare i nostri algoritmi, essi mancano di eleganza, adattabilità ed efficienza energetica, caratteristiche proprie dei sistemi biologici.
I ricercatori lo sanno e questo li frustra.
Il professor Tony Prescott e il dottor Stuart Wilson dell'Università di Sheffield hanno recentemente evidenziato che la maggior parte dei modelli di intelligenza artificiale, come ChatGPT, sono "disincarnati", cioè non hanno una connessione diretta con l'ambiente fisico.
Al contrario, il cervello umano si è evoluto all'interno di un sistema fisico - il nostro corpo - che ci permette di percepire e interagire direttamente con il mondo.
I ricercatori non vedono l'ora di liberare le IA dalla loro architettura monolitica, il che ha portato a una rinascita dell'IA bioispirata, talvolta chiamata IA neuromorfa, una sottodisciplina che cerca di emulare i processi complessi presenti in natura per creare sistemi più intelligenti ed efficienti.
Questi sforzi si basano su diversi quadri biologici, dalle strutture che costituiscono il nostro cervello all'intelligenza di sciame osservata nelle formiche o negli uccelli.
Nella ricerca dell'autonomia e dell'efficienza, l'intelligenza artificiale bioispirata ci costringe a esaminare problemi computazionali di vecchia data, come l'abbandono di architetture pesanti dal punto di vista delle risorse, costruite con migliaia di GPU affamate di energia, per passare a sistemi analogici più leggeri e intricati.
Prescott, coautore di un recente articolo, "Comprendere l'architettura funzionale del cervello attraverso la roboticaÈ molto più probabile che i sistemi di IA sviluppino una cognizione simile a quella umana se vengono costruiti con architetture che imparano e migliorano in modo simile al cervello umano, utilizzando le sue connessioni con il mondo reale".
Il cervello umano ne è un esempio: ogni pensiero e azione che il vostro cervello evoca richiede solo la potenza di una lampadina fioca, circa 20 watt.
E va oltre. Anche quando gli esseri umani non ricevono energia esterna dal cibo, possono sopravvivere per oltre un mese. Gli estremofili hanno trovato metodi per prosperare in alcuni degli ambienti più inospitali del pianeta.
Confrontate questo dato con l'infrastruttura necessaria per alimentare modelli di intelligenza artificiale come ChatGPT, che richiede una potenza equivalente a quella di una piccola città e non può autoreplicarsi, guarire o adattarsi all'ambiente.
Per dare all'IA un giusto ascolto, si può sostenere che paragonare l'IA ai sistemi biologicamente intelligenti è un esercizio errato.
Dopo tutto, i computer e i cervelli eccellono semplicemente in compiti diversi: forse è la natura umana a fonderli insieme in visioni antropomorfiche di IA autonome che interagiscono con l'ambiente come gli esseri biologici accanto ai quali ci siamo evoluti.
Tuttavia, sia i ricercatori di IA che i neuroscienziati sono disposti a cadere in questa impasse intellettuale e molti descrivono il cervello "come un computer" che può essere modellato e replicato artificialmente.
Il Progetto cervello umano (HBP) dell'UE, un esperimento multinazionale da quasi $1 miliardi di dollari nella Big Science, è stata una lezione su come la complessità del cervello sfugga alla modellazione artificiale.
L'HBP si proponeva di modellare il cervello umano nella sua interezza, ma è riuscito a modellare solo pezzi della sua funzionalità.
Il nostro cervello - come un'unica entità - sconfiggere i cervelli collettivi di migliaia di ricercatori che hanno a disposizione vasti finanziamenti e potenza di calcolo. - chiamarlo giustizia poetica.
Si dà il caso che la coscienza e l'essenza della formazione del pensiero siano una frontiera altrettanto lontana, nelle profondità dello spazio. - wSolo che non ci siamo ancora.
Al centro di questo problema c'è lo scollamento tra la biologia e le macchine.
Mentre le reti neurali e altre forme di architettura di apprendimento automatico (ML) sono modellate per analogia con i cervelli biologici, il metodo di calcolo è fondamentalmente diverso.
Rodney Brooks, professore emerito di robotica al MIT, ha riflettuto su questa situazione di stallo, dichiarazione, "C'è il timore che la sua versione del calcolo, basata su funzioni di numeri interi, sia limitata. I sistemi biologici sono chiaramente diversi. Devono rispondere a stimoli diversi per lunghi periodi di tempo; tali risposte modificano a loro volta l'ambiente e gli stimoli successivi. I comportamenti individuali degli insetti sociali, ad esempio, sono influenzati dalla struttura della casa che costruiscono e dal comportamento dei loro fratelli all'interno di essa".
Brooks riassume questo paradosso chiedendo: "Queste macchine dovrebbero essere modellate sul cervello, dato che i nostri modelli del cervello sono eseguiti su tali macchine?".
Il viaggio dell'intelligenza artificiale bioispirata
La natura ha avuto milioni di anni di "ricerca e sviluppo" per perfezionare i suoi meccanismi incredibilmente resistenti.
La tendenza verso un'intelligenza artificiale bioispirata può essere vista come una correzione di rotta, un umile riconoscimento del fatto che la nostra ricerca di un'intelligenza artificiale avanzata potrebbe averci condotto su un sentiero che, pur essendo ancora abbagliante nella sua complessità, potrebbe essere insostenibile nel lungo periodo.
O almeno, la traiettoria attuale potrebbe non soddisfare ciò che l'umanità sta cercando di ottenere dall'IA. Se vogliamo vivere in un "futuro" in cui umani e robot camminano fianco a fianco (anche se, ovviamente, non tutti lo vogliono), allora dobbiamo fare di meglio che accumulare più GPU e addestrare modelli più grandi.
Detto questo, c'è speranza per gli ardenti futuristi tra di noi, poiché i ricercatori hanno elaborato idee di bio-inspired computing per decenni, e alcune idee speculative stanno iniziando a farsi strada.
Tra la fine degli anni '50 e l'inizio degli anni '60, il lavoro di Frank Rosenblatt sulla Percettore ha offerto il primo modello semplificato di un neurone biologico.
Tuttavia, il documento del 1986 "Apprendimento di rappresentazioni mediante retropropagazione degli errori" di David Rumelhart, Geoffrey Hinton e Ronald Williams ha cambiato il gioco.
Oggi spesso definito il "padrino delle reti neurali (o dell'IA in generale)", Hinton e il suo team hanno introdotto l'algoritmo di retropropagazione, fornendo un meccanismo robusto per l'addestramento di reti neurali multistrato, che ha spinto il campo in applicazioni che vanno dall'elaborazione del linguaggio naturale (NLP) alla computer vision (CV), due branche fondamentali della moderna IA.
Poco dopo, la bioispirazione ha preso una strada diversa, mutuando i principi darwiniani. Il libro di John Holland del 1975 "L'adattamento nei sistemi naturali e artificiali" ha posto le basi per gli algoritmi genetici.
Simulando meccanismi come la mutazione e la selezione naturale, questo approccio ha reso disponibile un potente strumento per i problemi di ottimizzazione, che trova impiego in settori come quello aerospaziale e finanziario.
Concetti come la "swarm intelligence", osservata negli sciami di insetti e nel movimento sincronizzato di uccelli e pesci, sono stati introdotti per la prima volta nell'informatica negli anni '80 e '90 e hanno visto notevoli progressi nel 2023.
Nell'agosto del 2023, gli ex dipendenti di Google ha fondato Sakana, una startup che propone di sviluppare un insieme di modelli AI più piccoli che operano in concerto.
L'approccio di Sakana si ispira a sistemi biologici come i banchi di pesci o le reti neurali, dove unità più piccole lavorano insieme per raggiungere un obiettivo più complesso.
Riconoscendo le architetture monolitiche dei moderni modelli di intelligenza artificiale come ChatGPT, questo approccio di assemblaggio promette di ridurre il consumo di energia e offre una maggiore adattabilità e resilienza, qualità intrinseche agli organismi biologici.
Anche l'apprendimento per rinforzo (RL), una branca dell'apprendimento automatico che si occupa di insegnare agli algoritmi a prendere decisioni per ottenere una ricompensa, è stato ampiamente ispirato dalla biologia.
Il libro fondamentale di Richard Sutton e Andrew Barto "Apprendimento per rinforzo: Un'introduzione" trae numerosi esempi da come gli animali imparano dal loro ambiente, ispirando algoritmi in grado di adattarsi in base a ricompense e penalità.
Il libro fa centinaia di paragoni con il comportamento animale, citando: "Di tutte le forme di apprendimento automatico, l'apprendimento per rinforzo è il più vicino al tipo di apprendimento che fanno gli esseri umani e gli altri animali".
Verso un'intelligenza artificiale bioispirata
In esseri biologici complessi come gli esseri umani e altri vertebrati, diversi componenti del sistema nervoso lavorano in concerto per gestire un'ampia gamma di funzioni.
Il sistema nervoso centrale (SNC) funge da centro di controllo, elaborando le informazioni e orchestrando le risposte.
Nel frattempo, il sistema nervoso periferico (PNS) funge da rete di comunicazione, trasmettendo segnali tra il SNC e altre parti del corpo.
All'interno del sistema nervoso centrale si trova il sistema nervoso autonomo (ANS), che opera involontariamente per gestire funzioni vitali come la frequenza cardiaca e la digestione. Ciascun sistema ha ruoli distinti, ma è interconnesso e collabora perfettamente per aiutarci a navigare nell'ambiente.
Gli organismi più semplici, come gli insetti, hanno un sistema nervoso più snello ed economico, anche se ancora incredibilmente complesso. Un moscerino della frutta ha alcuni 3.000 neuroni e mezzo milione di sinapsi.
I componenti del sistema nervoso biologico sono anatomicamente distinti ma funzionano in modo olistico, collegati tramite neuroni che inviano e ricevono stimoli sensoriali, formando infine una comprensione concettuale - o coscienza negli esseri più complessi.
Per creare robot autonomi con cervelli e sistemi sensoriali strettamente accoppiati, i ricercatori devono abbandonare l'elaborazione a forza bruta e creare sistemi leggeri basati sulla realtà sensoriale.
Sebbene i modelli di intelligenza artificiale come ChatGPT abbiano una conoscenza immensa, sono in qualche modo bloccati nel tempo e fuori dalla realtà sensoriale, con una comprensione guidata principalmente dai loro dati di addestramento.
Questo conferisce dei vantaggi, o meglio, conferisce all'IA un insieme di competenze distinguibili da quelle degli esseri biologici - ed è forse per questo che l'umanità è desiderosa di sviluppare l'IA per colmare le inefficienze dell'essere un essere biologico.
Come Amnon Shashua punti salientiL'architettura del computer, molto diversa, favorisce le strategie che fanno un uso ottimale della sua capacità di memoria praticamente illimitata e della forza bruta".
Tuttavia, se vogliamo che l'IA esca dai confini dei centri dati e dei browser web, i ricercatori devono risolvere queste sfide e trovare il modo di collegare i sistemi di IA a un "corpo", o almeno di fornirgli una solida base sensoriale.
Questo ha un'utilità pratica immediata. Prendiamo l'esempio delle auto senza conducente: i loro sistemi sensoriali devono funzionare in modo simile ai nostri per funzionare in modo sicuro. Altrimenti, non hanno alcuna speranza di "vedere" un potenziale ostacolo e reagire rapidamente per evitare un disastro, il che si sta rivelando un ostacolo significativo alla loro adozione di massa.
In questo senso, Dennis Bray, Dipartimento di Fisiologia, Sviluppo e Neuroscienze dell'Università di Cambridge, ha affermato: "Le macchine possono eguagliarci in molti compiti, ma funzionano in modo diverso dalle reti di cellule nervose. Se il nostro obiettivo è costruire macchine sempre più intelligenti e abili, allora dovremmo usare circuiti di rame e silicio. Ma se il nostro obiettivo è quello di riprodurre il cervello umano, con la sua eccentrica brillantezza, la capacità di svolgere più compiti e il senso di sé, dobbiamo cercare altri materiali e progetti diversi".
Questi commenti, ancora oggi attuali, sono stati pubblicati in un articolo di Articolo di discussione su Nature pubblicato nel 2012 per il centenario di Turing - e da allora l'intelligenza artificiale si è evoluta rapidamente.
A che punto siamo ora?
Reti neurali spiking (SNN) e hardware biologico
Oggi i ricercatori stanno esplorando "altri materiali e progetti diversi" a cui si riferisce Bray, come le reti neurali di spike (SNN), un tipo di rete neurale intimamente modellata sulla funzionalità neuronica.
Le SNN offrono un'alternativa specializzata alle reti neurali convenzionali che spesso incontriamo nell'apprendimento automatico.
Invece di affidarsi a funzioni di attivazione continue per elaborare i dati di ingresso, le SNN imitano le complessità delle reti neurali biologiche impiegando picchi discreti per la comunicazione inter-neuronale.
In queste reti, ogni neurone artificiale integra i picchi in arrivo dai neuroni collegati nel tempo. Quando il segnale accumulato, o potenziale di membrana, supera una certa soglia, il neurone stesso emette uno spike.
Questo meccanismo di spike permette alla rete di catturare ed elaborare modelli spaziali e temporali, proprio come i neuroni dei cervelli biologici.
Cosa rende le SNN un punto focale dell'IA bioispirata?
In primo luogo, la loro capacità di elaborare naturalmente sequenze di dati temporali le distingue, eliminando la necessità di unità di memoria aggiuntive come quelle delle reti neurali ricorrenti (RNN).
In secondo luogo, le SNN sono state progettate per essere incredibilmente efficienti dal punto di vista energetico. A differenza delle reti neurali tradizionali, in cui ogni neurone è costantemente attivo, la natura rada e guidata dagli eventi delle SNN consente ai neuroni di rimanere per lo più inattivi, emettendo picchi solo quando è indispensabile. Questo riduce significativamente il loro consumo energetico.
Infine, imitando più da vicino i sistemi biologici, le SNN hanno il potenziale per aumentare la robustezza e la flessibilità, soprattutto in contesti rumorosi o imprevedibili.
Sebbene il concetto di SNN affondi le sue radici nella comprensione teorica dei sistemi neurali biologici, i progressi della tecnologia hardware hanno reso queste reti più accessibili per i compiti computazionali.
I chip neuromorfici, specificamente progettati per simulare in modo efficiente le dinamiche di spike, hanno svolto un ruolo significativo nel rendere le SNN praticamente utilizzabili.
Il chip analogico bioispirato e le SNN di IBM
Negli ultimi due anni sono stati compiuti progressi fondamentali nella costruzione di strutture ultraleggere, IA ad alta efficienza energetica soluzioni, chiamate anche chip neuromorfi.
Oggi sono disponibili anche diversi altri tipi di tecnologie neuromorfiche, come le telecamere neuromorfiche modellate sugli occhi biologici.
Sviluppato nel 2023, Il chip di IBM utilizza componenti analogici come i memristori per memorizzare valori numerici variabili. Utilizza anche la memoria a cambiamento di fase (PCM) per registrare uno spettro di valori anziché 0 e 1.
Questi attributi consentono di ridurre la trasmissione di dati tra memoria e processore, offrendo un vantaggio in termini di efficienza energetica. Il progetto di IBM presenta "64 core di calcolo analogici in-memory, ciascuno contenente un array sinaptico di 256 per 256". Ha ottenuto un'impressionante precisione di 92,81% in un test di benchmark di computer vision (CV), pur essendo oltre 15 volte più efficiente di diversi chip esistenti.
Sebbene il chip di IBM non sia esplicitamente basato sulle SNN, la natura analogica e l'uso di memristori lo rendono altamente compatibile con il modello SNN.
In sostanza, le SNN potrebbero essere implementate in modo più naturale su questo tipo di architettura.
Chip basato su SNN dell'IIT di Bombay
Nel 2022, i ricercatori dell'Istituto Indiano di Tecnologia di Bombay, progettato un chip che lavora specificamente con gli SNN.
Questo chip utilizza la corrente di tunneling da banda a banda (BTBT) per ottenere neuroni artificiali a bassissima energia. Secondo il professor Udayan Ganguly, il chip raggiunge "un'energia per spike 5.000 volte inferiore a parità di area e una potenza in standby 10 volte inferiore a parità di area e di energia per spike".
Questo tipo di chip trova applicazione diretta in dispositivi compatti come telefoni cellulari, veicoli autonomi senza pilota (UAV) e dispositivi IoT, soddisfacendo l'esigenza di un'elaborazione AI leggera ed efficiente dal punto di vista energetico.
Entrambi gli approcci mirano a rendere possibile ciò che Ganguly descrive come "un nucleo neurosinaptico a bassissimo consumo e lo sviluppo di un meccanismo di apprendimento in tempo reale su chip, che sono fondamentali per reti neurali autonome di ispirazione biologica". Questo è il Santo Graal".
Questi sistemi potrebbero combinare il "sistema del pensiero" con il "sistema dell'azione e del movimento", in modo simile a quanto osserviamo negli organismi biologici.
Questo ci permetterebbe di fare un passo significativo verso la creazione di sistemi artificiali potenti, sostenibili e strettamente allineati con i sistemi biologici che hanno ispirato l'IA per quasi un secolo.
Finalmente l'umanità potrebbe liberare le IA da un'architettura monolitica, staccarle dalle loro fonti di energia e mandarle nel mondo - e nell'universo - come esseri autonomi.
Se questa sia o meno una buona idea, beh, è una discussione per un'altra volta.
