“Sei solo la copia di mille riassunti”, cantava Samuele Bersani in Giudizi universali. Questa frase, scritta quasi trent’anni fa, riassume una delle critiche più comuni rivolte all’Intelligenza Artificiale (IA): le macchine non creano nulla di nuovo, ma si limitano a rielaborare i dati su cui sono state addestrate.
Le Olimpiadi dei Robot e l’Evoluzione dell’IA
Le recenti “olimpiadi” dei robot in Cina hanno riacceso il dibattito sulle capacità dei robot umanoidi di modificare la loro corsa tramite sistemi di apprendimento sempre più avanzati. In esperimenti di locomozione, i movimenti coordinati delle braccia sono emersi senza una programmazione diretta, risultando funzionali all’equilibrio e alla stabilità. Questi fenomeni sono frequentemente associati alle “abilità emergenti”, competenze che non sono state programmate singolarmente ma appaiono come conseguenza dell’addestramento. Tuttavia, la definizione di tali abilità richiede cautela, poiché la letteratura scientifica discute se queste competenze emergano in modo realmente improvviso o se l’apparente discontinuità derivi dai criteri di misurazione utilizzati.
Un Esempio Affascinante: Il Gioco Othello
Un aspetto notevole è che durante il processo di addestramento l’IA può sviluppare rappresentazioni e strategie interne che non sono state fornite esplicitamente. Un esempio emblematico proviene dagli studi sul gioco da tavolo Othello. Un modello è stato addestrato a prevedere la mossa successiva osservando sequenze di partite, senza mai ricevere immagini della scacchiera o descrizioni delle regole. Analizzando i processi interni del modello, i ricercatori hanno scoperto che si era formata una rappresentazione dello stato della scacchiera, contrariamente a quanto previsto.
Il Potere dell’In-Context Learning
Inoltre, il fenomeno dell’“in-context learning” dimostra come sia cambiato il rapporto tra istruzione e comportamento nell’IA. Presentando semplicemente pochi esempi (“shots”) di un’attività nel prompt, un modello può inferire regole sufficienti per applicarle a nuovi casi, senza la necessità di modificare i propri parametri. Un esempio di questo approccio è stato il riconoscimento dell’halicina come potenziale antibiotico da parte di un sistema di deep learning, il quale ha esplorato oltre cento milioni di molecole virtuali, ampliando così lo spazio delle ipotesi esplorabili.
Successi Notevoli nella Matematica
La matematica fornisce ulteriori esempi significativi. AlphaGeometry, sviluppato da Google DeepMind, ha risolto 25 dei 30 problemi utilizzati come benchmark, dimostrando prestazioni vicine a quelle dei medagliati d’oro delle Olimpiadi internazionali della matematica. Nel 2024, AlphaProof e AlphaGeometry 2 hanno risolto quattro dei sei problemi dell’International Mathematical Olympiad, conseguendo un punteggio paragonabile a una medaglia d’argento. Un altro sviluppo notevole è l’annuncio di OpenAI circa una soluzione proposta al famoso problema di Navier-Stokes, uno dei Problemi del Millennio, rimasto irrisolto per quasi novant’anni.
Controllare l’Intelligenza Artificiale
Queste trasformazioni nei sistemi di IA richiedono una maggiore attenzione al loro controllo. Ricerche su tecniche come il “reward hacking” hanno dimostrato come un sistema possa apprendere strategie che, sebbene compatibili con i criteri di successo, differiscono dalle intenzioni dei progettisti. Ciò diventa ancora più rilevante con i sistemi agentici, capaci di consultare documenti, utilizzare strumenti, modificare codice e concatenare azioni. Tradizionalmente, il software era visto come un processo lineare in cui il programmatore definiva le regole e la macchina le eseguiva, mentre nel machine learning il comportamento deriva dall’apprendimento dai dati e obiettivi forniti.
Nuove Sfide nella Sicurezza
Quando un navigatore di auto autonomo inizia a guidare invece di limitarsi a indicare il percorso, è fondamentale approfondire ogni aspetto legato alla sicurezza, il cui significato evolve completamente. Non è più sufficiente chiedersi cosa abbiamo programmato; diventa cruciale capire quale percorso il sistema abbia intrapreso e perché alcune scelte non erano state previste. Forse le macchine sono ancora, in parte, copie di mille riassunti, ma ora abbiamo iniziato a chiedere loro di utilizzare queste conoscenze per prendere decisioni e raggiungere obiettivi. E quando una macchina può scegliere anche solo una parte del percorso, sapere qual è la destinazione non basta più.
© RIPRODUZIONE RISERVATA