Che cos'è l'AI forte?

L'AI forte mira a creare macchine intelligenti che siano indistinguibili dalla mente umana. Ma proprio come un bambino, la macchina di AI dovrebbe imparare attraverso input ed esperienze, progredendo e migliorando costantemente le sue capacità nel tempo.

Sebbene i ricercatori AI sia nel mondo accademico che nel settore privato siano coinvolti nella creazione di un'intelligenza artificiale generale (AGI), per ora si tratta solo di un concetto teorico. Mentre alcuni, come Marvin Minsky, sono considerati eccessivamente ottimisti su ciò che potremo realizzare in pochi decenni nel campo dell'AI, altri ritengono che i sistemi di AI forte non possano nemmeno essere sviluppati. Fino a quando le misure del successo, come l'intelligenza e la comprensione, non saranno definite in modo esplicito, la loro convinzione sarà fondata. Attualmente, molti utilizzano il test di Turing per valutare l'intelligenza di un sistema AI.

Alan Turing sviluppò il Test di Turing nel 1950 e ne parlò nel suo articolo "Computing Machinery and Intelligence". Noto in origine come Imitation Game, il test valuta se il comportamento di una macchina può essere distinto da quello umano. In questo test c'è una persona nota come "interrogatore" che cerca di trovare una differenza tra l'output generato dal computer e quello generato dall'uomo attraverso una serie di domande. Se l'interrogatore non è in grado di distinguere in modo affidabile la macchina dal soggetto umano, la macchina supera il test. Se l'interrogatore riesce invece a identificare correttamente le risposte umane, allora la macchina non può più essere classificata come intelligente.

Sebbene non esistano linee guida di valutazione per il test di Turing, Turing ha specificato che un valutatore umano ha solo il 70% di possibilità di prevedere correttamente una conversazione umana rispetto a quella generata dal computer dopo 5 minuti. Il test di Turing ha introdotto l'accettazione generale dell'idea di intelligenza artificiale.

Tuttavia, il test di Turing originale verifica solo un insieme di abilità, come ad esempio l'output testuale o il gioco degli scacchi. L'AI forte deve eseguire una varietà di compiti con la stessa efficacia, il che ha portato allo sviluppo del Test di Turing esteso. Questo test valuta le prestazioni testuali, visive e uditive dell'AI e le confronta con l'output generato dall'uomo. Questa versione è utilizzata nel famoso concorso Loebner Prize, in cui un giudice umano deve indovinare se l'output è stato creato da un essere umano o da un computer.

La "stanza cinese" è un esperimento formulato da John Searle nel 1980. Nel suo articolo, Searle parla della definizione di comprensione e pensiero, affermando che sono capacità che i computer non avranno mai. In questo estratto dal suo articolo, dal sito web di Stanford, è riassunta bene la sua argomentazione:

"La computazione è definita puramente in modo formale o sintattico, mentre la mente ha contenuti mentali o semantici reali, e non possiamo passare dal sintattico al semantico semplicemente avendo le operazioni sintattiche e nient'altro... Un sistema, me, per esempio, non potrebbe acquisire una comprensione del cinese semplicemente seguendo i passaggi di un programma informatico che simula il comportamento di un parlante cinese (p.17)".

L'argomento della stanza cinese propone il seguente scenario:

Immagina una persona, che non parla cinese, seduta in una stanza chiusa. Nella stanza c'è un libro con regole, frasi e istruzioni sulla lingua cinese. Un'altra persona, che parla correntemente il cinese, trasmette nella stanza delle frasi o domande scritte in cinese. Con l'aiuto del frasario linguistico, la persona presente nella stanza è in grado di scegliere la risposta appropriata e trasmetterla al parlante cinese.

Sebbene la persona all'interno della stanza sia stata in grado di fornire la risposta corretta utilizzando un frasario linguistico, non parla né capisce il cinese; si è trattato semplicemente di una simulazione di comprensione attraverso l'abbinamento di domande o affermazioni con risposte appropriate. Searle sostiene che l'AI forte richiederebbe una mente reale per avere coscienza o comprensione. L'esperimento della stanza cinese mette in luce i difetti del test di Turing, evidenziando le differenze presenti nelle definizioni dell' intelligenza artificiale.

L'AI debole, nota anche come AI ristretta, si concentra sull'esecuzione di un compito specifico, come rispondere a domande basate su input dell'utente o giocare a scacchi. Può svolgere un solo tipo di compito, ma non entrambi, mentre l'AI forte può svolgere diverse funzioni, imparando autonomamente a risolvere nuovi problemi. L'AI debole si basa sull'interferenza umana per definire i parametri dei suoi algoritmi di apprendimento e per fornire i dati di addestramento necessari a garantirne l'accuratezza. Sebbene l'input umano acceleri la fase di crescita dell'AI forte, non è necessario e, nel tempo, questa AI sviluppa una consapevolezza simile a quella umana, anziché simularla, come accade con l'AI debole. Le auto a guida autonoma e gli assistenti virtuali, come Siri, sono esempi di AI debole.

Sebbene non esistano esempi chiari di intelligenza artificiale forte, il campo dell'AI si sta innovando rapidamente. È emersa un'altra teoria dell'AI, nota come superintelligenza artificiale (ASI), superintelligenza o super AI. Questo tipo di AI supera l'AI forte in termini di abilità e intelligenza umana. Tuttavia, l'intelligenza artificiale superiore è ancora puramente speculativa, poiché non abbiamo ancora raggiunto esempi di AI forte.

Detto questo, ci sono campi in cui l'AI sta giocando un ruolo più importante, come ad esempio:

• Cybersecurity: l'intelligenza artificiale acquisirà un ruolo sempre maggiore nelle misure di cybersecurity delle organizzazioni, con funzionalità di rilevamento delle violazioni, monitoraggio, threat intelligence, risposta agli incidenti e analisi dei rischi.
  
  
• Intrattenimento e creazione di contenuti: i programmi informatici stanno già migliorando sempre di più nella produzione di contenuti, siano essi testi, poesie, videogiochi o persino film. L'app di AI per la generazione di testo GBT-3 di OpenAI sta già creando contenuti quasi impossibili da distinguere dai testi scritti dagli esseri umani.
  
  
• Riconoscimento e previsione comportamentale: gli algoritmi di previsione renderanno l'AI più potente, con applicazioni che spaziano dalle previsioni meteorologiche e di borsa fino alle previsioni, ancora più interessanti, sul comportamento umano. Ciò solleva anche questioni relative ai bias impliciti e all'intelligenza artificiale etica. Alcuni ricercatori nella comunità dell'AI stanno spingendo per la creazione di una serie di regole contro le discriminazioni, spesso associate all'hashtag #responsibleAI.

I termini intelligenza artificiale, machine learning e deep learning sono spesso utilizzati nel contesto sbagliato. Vengono spesso utilizzati per descrivere l'AI forte, quindi vale la pena dare una breve definizione di ognuno di essi:

L'intelligenza artificiale, definita da John McCarthy è "la scienza e l'ingegneria per creare macchine intelligenti, in particolare programmi informatici intelligenti. Si tratta di un compito simile a quello di utilizzare i computer per comprendere l'intelligenza umana, tuttavia l'AI non deve limitarsi a metodi biologicamente osservabili".

Il machine learning è una branca dell'intelligenza artificiale. I modelli di machine learning classico (non deep) richiedono un maggiore intervento umano per segmentare i dati in categorie (ad esempio attraverso l'apprendimento delle caratteristiche).

Il deep learning è a sua volta una sottocategoria del machine learning che tenta di imitare l'interconnessione del cervello umano utilizzando le reti neurali. Le reti neurali sono costituite da strati di modelli che identificano i pattern all'interno di un determinato set di dati. Utilizzano un elevato volume di dati di addestramento per apprendere con precisione, il che di conseguenza richiede hardware, come GPU e TPU, più potente. Gli algoritmi di deep learning sono maggiormente associati all'AI di livello umano.

Per approfondimenti sulle sottili differenze tra queste tecnologie, leggi "AI vs. machine learning vs. deep learning vs. reti neurali: qual è la differenza?"

Il deep learning è in grado di gestire efficacemente problemi complessi e, per questo motivo, oggi viene utilizzato in molte tecnologie innovative ed emergenti. Gli algoritmi di deep learning sono stati applicati in numerosi campi. Ecco alcuni esempi:

• Auto a guida autonoma: Google ed Elon Musk hanno dimostrato che le auto a guida autonoma sono una realtà possibile. Tuttavia, le auto a guida autonoma richiedono più dati di addestramento e prove a causa delle varie attività di cui devono tenere conto, come dare la precedenza o identificare i detriti sulla strada. Con l'avanzare della tecnologia, sarà necessario superare l’ostacolo umano alla loro adozione, poiché i sondaggi indicano che molti guidatori non sono disposti a utilizzarne una.
  
  
• Riconoscimento vocale: il riconoscimento vocale, come quello degli AI chatbot e degli agenti virtuali, rappresenta un aspetto importante dell'elaborazione del linguaggio naturale. L'input audio è molto più difficile da elaborare per un'AI, perché molti fattori, come rumore di fondo, dialetti, difficoltà di linguaggio e altre influenze possono rendere molto più difficile per l'AI convertire l'input in qualcosa che il computer possa elaborare.
  
  
• Riconoscimento dei pattern: l'uso di reti neurali migliora il riconoscimento dei pattern in varie applicazioni. Scoprendo pattern di punti di dati utili, l'AI può filtrare le informazioni irrilevanti, tracciare correlazioni utili e migliorare l'efficienza del calcolo dei big data che gli esseri umani potrebbero trascurare.
  
  
• Programmazione informatica: l'AI debole ha avuto un certo successo nella produzione di testi significativi, favorendo i progressi nella codifica. OpenAI ha recentemente rilasciato GPT-3, un software open source in grado di scrivere codice e semplici programmi per computer con istruzioni molto limitate, automatizzando lo sviluppo di programmi.
  
  
• Riconoscimento delle immagini: la categorizzazione delle immagini può richiedere molto tempo se eseguita manualmente. Tuttavia, adattamenti speciali delle reti neurali profonde, come DenseNet, che collega ogni strato a tutti gli altri strati della rete neurale, hanno reso il riconoscimento delle immagini molto più accurato.
  
  
• Raccomandazioni contestuali: le app di deep learning possono prendere in considerazione molto più contesto quando formulano raccomandazioni, inclusi modelli di comprensione del linguaggio e previsioni comportamentali.
  
  
• Fact checking: l'Università di Waterloo ha recentemente rilasciato uno strumento in grado di rilevare le fake news verificando le informazioni contenute negli articoli, confrontandole con altre fonti di notizie.