martedì, 22 Giugno 2021

Oltre quello che possiamo spiegare

Da non perdere

Quando guardiamo una pila di mattoni o anche di Oreo, abbiamo un’idea intuitiva di quanto sia stabile, se può invece cadere e in quale direzione potrebbe cadere. È questo un calcolo abbastanza sofisticato che coinvolge la massa, la consistenza, le dimensioni, la forma e l’orientamento degli oggetti che formano la pila.

I ricercatori del MIT guidati da Josh Tenenbaum ipotizzano che il nostro cervello abbia quello che potremmo chiamare un motore fisico intuitivo: le informazioni che siamo in grado di raccogliere attraverso i nostri sensi sono imprecise e rumorose, ma comunque facciamo una deduzione su ciò che pensiamo che probabilmente accadrà. Così possiamo scappare, correre a fermare la caduta di un sacco di riso che casca o coprire le nostre orecchie quando necessario. Un sistema così rumoroso e newtoniano implica un alto grado di comprensione probabilistica, ma può fallire.

Considera la precaria immagine della pila di mattoni o di Oreo. Basandosi sulla maggior parte della tua esperienza, il tuo cervello ti dice che non è possibile per loro rimanere in piedi. Eppure restano in piedi.

Per decenni, realizzare un’Intelligenza Artificiale (A.I.) dotata di buon senso è stata una delle sfide più difficili che i ricercatori hanno dovuto affrontare: un’A.I. che comprende la funzione che le cose hanno nel mondo reale e la relazione che intercorre tra loro e che ne è quindi in grado di dedurre l’intento, la causalità, e il significato. L’A.I. ha fatto progressi sorprendenti nel corso degli anni, ma la maggior parte dell’A.I. attualmente  si basa sull’apprendimento automatico statistico che richiede molti di dati di machine learning per costruire un modello statistico. I dati sono etichettati dagli esseri umani sotto le categorie come gatto o cane, e la rete neurale di una macchina è esposta a tutte le immagini fino a quando non è in grado di indovinare quale sia l’immagine. Esattamente come un essere umano.

Quello che manca a questi modelli statistici è la comprensione di quali siano gli oggetti. Ad esempio che i cani sono animali o che a volte inseguono le auto. Per questo motivo, i sistemi ora disponibili richiedono enormi quantità di dati per costruire modelli accurati, perché stanno facendo qualcosa di simile al riconoscimento dei pattern piuttosto che alla comprensione di cosa sta succedendo in un’immagine. È un approccio brutale che è diventato possibile grazie a computer più veloci e ai vasti set di dati che sono ora disponibili.

Questo processo si differenzia molto anche dall’apprendimento dei bambini. Tenenbaum mostra spesso un video di Felix Warneken, Frances Chen e Michael Tomasello, del Max Planck Institute for Evolutionary Anthropology di Lipsia. Nel video un bambino piccolo guarda ripetutamente alcuni adulti che camminano verso un armadio. Vogliono entrare nell’armadio ma non ci riescono mai perché ogni volta non riescono ad aprire l’anta nel modo giusto. A quel punto interviene il bambino che, dopo pochi tentativi, apre correttamente l’anta e permette all’adulto di entrare nell’armadio.

Questo video sembra una cosa carina e anche un compito piuttosto ovvio da assolvere. Invece vedere alcuni esempi e, da questi, trovare una soluzione è molto difficile per un computer. Il bambino che apre la porta al posto dell’adulto ha compreso d’istinto la fisica della situazione: c’è una porta, ha i cardini, può essere aperta, l’adulto che cerca di entrare nell’armadio non può semplicemente camminarci sopra. Oltre alla fisica, il bambino capisce anche che l’adulto ha intenzione di passare attraverso la porta ma sta fallendo nel suo intento.

Questo richiede la comprensione del fatto che gli esseri umani hanno piani e intenzioni e potrebbero desiderare o avere bisogno di un aiuto per raggiungerli. La capacità di apprendere un concetto complesso e anche di conoscere le condizioni specifiche in cui tale concetto è realizzato è un’area in cui i bambini esibiscono una padronanza naturale e incontrollata.

I neonati imparano interagendo con il mondo reale, che sembra allenare vari motori intuitivi o simulatori all’interno del suo cervello. Uno è un motore fisico (per usare il termine di Tenenbaum) che insegna a capire – accumulando blocchi di costruzioni, rovesciando tazze e cadendo dalle sedie – come la gravità, l’attrito e altre leggi newtoniane si manifestano nelle nostre vite e impostano i parametri su cosa possiamo fare.

Nel suo libro Pensieri lenti e veloci, Daniel Kahneman spiega che la parte intuitiva del nostro cervello non è così brava in statistica o matematica. Propone il seguente problema. Una mazza da baseball e una palla insieme costano 1,10 dollari. Il pipistrello costa 1 dollaro in più della palla. Qual è il costo della palla? La nostra intuizione vuole dire 10 centesimi, ma è sbagliato. Se la palla è di 10 centesimi e la mazza è di 1 dollaro in più, il pipistrello costerebbe 1,10 dollari, il che farebbe un totale di 1,20 dollari. La risposta corretta è che la palla è di 5 centesimi e la mazza è di 1,05 dollari, portando il totale a 1,10 dollari. Chiaramente, puoi ingannare la nostra intuizione sulle statistiche, proprio come i mattoni sovrapposti esistenti nel mondo naturale confondono il nostro motore fisico interno.

Ma accademici ed economisti usano spesso esempi ragionati per sottovalutare il ruolo dell’intuizione nella scienza e nello studio accademico e questo è un errore enorme. I motori intuitivi che ci aiutano a valutare rapidamente situazioni fisiche o sociali stanno facendo calcoli estremamente complessi che potrebbero non essere nemmeno spiegabili; potrebbe essere impossibile calcolarli in maniera lineare. Ad esempio, uno sciatore esperto non può spiegare quello che fa, né puoi imparare a sciare solo leggendo le istruzioni. Il tuo cervello e tutto il tuo corpo imparano a muoversi, sincronizzare e operare in un modo molto complesso per entrare in un flusso in cui tutto funziona senza un pensiero lineare.

Il tuo cervello subisce un’incredibile trasformazione nella tua infanzia. Il cervello di un neonato inizialmente dà vita al doppio delle connessioni neuronali di un adulto, e quando il cervello del bambino matura le connessioni diminuiscono. Il loro cervello sviluppa una comprensione intuitiva dei sistemi complessi con cui interagiscono: scale, mamma, papà, amici, automobili, montagne innevate. Alcuni impareranno la differenza tra i vari di tipi di onde, per aiutarli a navigare nei mari, o la differenza tra molti tipi di neve. Man mano che il cervello si sviluppa, elimina le connessioni che non sembrano essere importanti.

La nostra capacità di spiegare, argomentare e comprenderci usando le parole resta invece estremamente importante, ma è ugualmente importante capire che le parole sono rappresentazioni semplificate e possono significare cose diverse per persone diverse. Molte idee o cose che sappiamo non possono essere ridotte a parole; quando lo sono, le parole non trasmettono niente di più di una sintesi dell’idea o della nostra reale comprensione.

Se Tenenbaum e i suoi colleghi avranno successo nello sviluppo di macchine in grado di comprendere i modelli intuitivi del mondo, è possibile che capiscano cose che non possono spiegare da principio o che sono così complesse da non riuscire a comprenderle con le teorie e gli strumenti correnti. È questo spazio, oltre lo spiegabile, che è l’eccitante avanguardia della scienza, in cui scopriamo e spingiamo oltre la nostra attuale comprensione del mondo.

 

Leggi l’articolo in lingua originale su WIRED

Traduzione di Alessia Boragine

- Advertisement -spot_img

Talk For

F&NEWS