La ricerca sull’IA è alimentata dalla ricerca di una sempre maggiore sofisticazione, che comprende l’addestramento dei sistemi a pensare e comportarsi come gli esseri umani.
L’obiettivo finale? Chi lo sa. L’obiettivo per ora? Creare agenti di IA autonomi e generalizzati in grado di svolgere un’ampia gamma di compiti.
Questo concetto è chiamato intelligenza artificiale generale (AGI) o superintelligenza, che significa la stessa cosa.
È difficile individuare con precisione cosa comporti l’AGI perché non c’è praticamente alcun consenso su cosa sia l'”intelligenza”, né su quando e come i sistemi artificiali potrebbero raggiungerla.
Alcuni ritengono addirittura che l’intelligenza artificiale, allo stato attuale, non potrà mai ottenere un’intelligenza generale.
Il professor Tony Prescott e il dottor Stuart Wilson dell’Università di Sheffield hanno descritto i modelli linguistici generativi, come ChatGPT, come intrinsecamente limitati perché sono “disincarnati” e non hanno alcuna percezione sensoriale o fondamento nel mondo naturale.
Il capo scienziato di Meta, Yann LeCun, ha affermato che anche l’intelligenza di un gatto domestico è infinitamente più avanzata dei migliori sistemi di intelligenza artificiale di oggi.
“Ma perché questi sistemi non sono intelligenti come un gatto?” Ha chiesto LeCun al World Government Summit di Dubai.
“Un gatto è in grado di ricordare, di comprendere il mondo fisico, di pianificare azioni complesse, di fare un certo livello di ragionamento – in realtà molto meglio dei più grandi LLM. Questo ci dice che ci manca qualcosa di concettualmente importante per far sì che le macchine siano intelligenti come gli animali e gli esseri umani”
Anche se queste abilità potrebbero non essere necessarie per raggiungere l’intelligenza artificiale, c’è un certo consenso sul fatto che per spostare sistemi complessi di intelligenza artificiale dal laboratorio al mondo reale sarà necessario adottare comportamenti simili a quelli osservati negli organismi naturali.
Quindi, come si può ottenere questo risultato? Un approccio consiste nel sezionare gli elementi della cognizione e capire come i sistemi di IA possano imitarli.
Un precedente saggio di DailyAI ha analizzato la curiosità e la sua capacità di guidare gli organismi verso nuove esperienze e obiettivi, alimentando l’evoluzione collettiva del mondo naturale.
Ma c’è un’altra emozione – un’altra componente essenziale della nostra esistenza – da cui l’intelligenza artificiale potrebbe trarre beneficio. Si tratta della paura.
Come l’intelligenza artificiale può imparare dalla paura biologica
Lungi dall’essere una debolezza o un difetto, la paura è uno degli strumenti più potenti dell’evoluzione per mantenere gli organismi al sicuro.
L’amigdala è la struttura centrale che governa la paura nei vertebrati. Negli esseri umani, è una piccola struttura a forma di mandorla situata in profondità nei lobi temporali del cervello.
Spesso soprannominata “centro della paura”, l’amigdala funge da sistema di allarme precoce, scrutando costantemente le informazioni sensoriali in arrivo alla ricerca di potenziali minacce.
Quando viene rilevata una minaccia – che sia l’improvviso sbandamento di un’auto in frenata o un’ombra che si muove nell’oscurità – l’amigdala entra in azione, innescando una cascata di cambiamenti fisiologici e comportamentali ottimizzati per una rapida risposta difensiva:
- La frequenza cardiaca e la pressione sanguigna aumentano, preparando il corpo a “combattere o fuggire”
- L’attenzione si restringe e si acuisce, focalizzandosi sulla fonte del pericolo
- I riflessi si accelerano, preparando i muscoli a un’azione evasiva in una frazione di secondo
- L’elaborazione cognitiva passa a una modalità rapida, intuitiva, “meglio prevenire che curare”
Questa risposta non è un semplice riflesso, ma una serie di cambiamenti altamente adattivi e sensibili al contesto che adattano in modo flessibile il comportamento alla natura e alla gravità della minaccia.
È anche eccezionalmente rapida. Diventiamo consapevoli di una minaccia circa 300-400 millisecondi dopo il rilevamento iniziale.
Inoltre, l’amigdala non opera in modo isolato. È densamente interconnessa con altre regioni cerebrali chiave coinvolte nella percezione, nella memoria, nel ragionamento e nell’azione.
Perché la paura potrebbe essere utile all’intelligenza artificiale
Allora, perché la paura è importante nel contesto dell’IA?
Nei sistemi biologici, la paura è un meccanismo fondamentale per individuare e rispondere rapidamente alle minacce. Imitando questo sistema nell’IA, possiamo potenzialmente creare sistemi artificiali più robusti e adattabili.
Ciò è particolarmente importante per i sistemi autonomi che interagiscono con il mondo reale. Un esempio: nonostante l’intelligenza artificiale sia esplosa negli ultimi anni, le auto senza conducente tendono ancora a non essere sicure e affidabili.
Le autorità di regolamentazione stanno indagando su numerosi incidenti mortali che hanno coinvolto auto a guida autonoma, compresi i modelli Tesla dotati di Autopilot e di guida autonoma completa.
</x>https://www.youtube.com/watch?v=6Kf3I_OyDlI
Parlando al Guardian nel 2022, Matthew Avery, direttore della ricerca presso Thatcham Research, ha spiegato perché le auto senza conducente sono state così difficili da perfezionare:
“Il punto numero uno è che questa roba è più difficile di quanto i produttori si siano resi conto”, afferma Avery.
Secondo le stime di Avery, circa l’80% delle funzioni di guida autonoma riguardano compiti relativamente semplici come il mantenimento della corsia e l’evitamento degli ostacoli di base.
Le azioni successive, invece, sono molto più impegnative. “L’ultimo 10% è davvero difficile”, sottolinea Avery, “come quando c’è una mucca in mezzo alla strada che non vuole muoversi”
Certo, le mucche non incutono timore di per sé. Ma qualsiasi guidatore concentrato probabilmente non avrebbe alcuna possibilità di fermarsi se si trovasse a sfrecciare verso una mucca a velocità sostenuta.
Un sistema di intelligenza artificiale si affida alla sua formazione e alla tecnologia per vedere la mucca e prendere la decisione appropriata. Questo processo non è sempre sufficientemente rapido o affidabile, il che comporta un elevato rischio di collisioni e incidenti, soprattutto quando il sistema incontra qualcosa che non è stato addestrato a capire.
L’aggiunta della paura ai sistemi di intelligenza artificiale potrebbe fornire un mezzo alternativo, più rapido e più efficiente per prendere una decisione.
Nei sistemi biologici, la paura innesca risposte rapide e istintive che non richiedono un’elaborazione complessa. Ad esempio, un guidatore umano potrebbe frenare istintivamente al solo pensiero di un ostacolo, anche prima di averne valutato appieno la natura.
Questa reazione quasi istantanea, guidata da una risposta di paura, potrebbe fare la differenza tra un quasi incidente e una collisione.
Inoltre, le risposte basate sulla paura in natura sono altamente adattabili e si generalizzano bene a situazioni nuove.
Un sistema di intelligenza artificiale con un meccanismo simile alla paura potrebbe essere meglio equipaggiato per gestire scenari imprevisti.
Decostruire la paura: spunti dal moscerino della frutta
Siamo lontani dallo sviluppare sistemi artificiali che replichino le regioni neurali integrate e specializzate dei cervelli biologici, ma questo non significa che non possiamo modellare questi meccanismi in altri modi.
Quindi, allontaniamoci dall’amigdala e guardiamo come gli invertebrati – i piccoli insetti, per esempio – rilevano ed elaborano la paura.
Anche se non hanno una struttura direttamente analoga all’amigdala, questo non significa che non abbiano circuiti che raggiungano un obiettivo simile.
Ad esempio,recenti studi sulle risposte alla paura della Drosophila melanogaster, il comune moscerino della frutta, hanno dato vita a intriganti intuizioni sugli elementi fondamentali delle emozioni primitive.
In un esperimento condotto al Caltech nel 2015, i ricercatori guidati da David Anderson hanno esposto le mosche a un’ombra sopraelevata, progettata per simulare l’avvicinamento di un predatore.
Utilizzando telecamere ad alta velocità e algoritmi di visione artificiale, hanno analizzato meticolosamente il comportamento delle mosche, alla ricerca di segni di quelli che Anderson chiama “primitivi dell’emozione”, ovvero i componenti di base di uno stato emotivo.
In modo sorprendente, le mosche hanno esibito una serie di comportamenti molto simili alle risposte di paura dei mammiferi.
Quando è apparsa l’ombra, le mosche si sono bloccate sul posto e hanno aperto le ali ad angolo per prepararsi a una rapida fuga.
Quando la minaccia persisteva, alcune mosche prendevano il volo, sfrecciando via dall’ombra ad alta velocità. Altre sono rimaste congelate per un periodo prolungato, suggerendo uno stato di maggiore eccitazione e vigilanza.
</x>https://www.youtube.com/watch?v=c2P73Mgi3UQ
È importante notare che queste risposte non erano semplici riflessi innescati automaticamente dallo stimolo visivo. Al contrario, sembravano riflettere uno stato interno duraturo, una sorta di “paura della mosca” che persisteva anche dopo che la minaccia era passata.
Ciò era evidente nel fatto che i comportamenti difensivi delle mosche potevano essere suscitati da uno stimolo diverso (un soffio d’aria) anche pochi minuti dopo l’esposizione iniziale all’ombra.
Inoltre, l’intensità e la durata della risposta alla paura variavano in base al livello di minaccia. Le mosche esposte a più presentazioni di ombre hanno mostrato comportamenti difensivi progressivamente più forti e duraturi, indicando una sorta di “apprendimento della paura” che ha permesso loro di calibrare la risposta in base alla gravità e alla frequenza del pericolo.
Come sostengono Anderson e il suo team, questi risultati suggeriscono che gli elementi costitutivi degli stati emotivi – persistenza, scalabilità e generalizzazione – sono presenti anche nelle creature più semplici.
Se riusciamo a decodificare il modo in cui organismi più semplici come i moscerini della frutta elaborano e rispondono alle minacce, possiamo potenzialmente estrarre i principi fondamentali del comportamento adattivo e autoconservativo.
Le forme primitive di paura potrebbero essere applicate per sviluppare sistemi di intelligenza artificiale più robusti, sicuri e in grado di affrontare i rischi e le sfide del mondo reale.
Infondere all’IA i circuiti della paura
Si tratta di un’ottima teoria, ma è possibile infondere all’IA una forma autentica e funzionale di “paura” nella pratica?
Un intrigante studio ha esaminato proprio questo aspetto con l’obiettivo di migliorare la sicurezza delle auto senza conducente e di altri sistemi autonomi.
lo studio “Fear-Neuro-Inspired Reinforcement Learning for Safe Autonomous Driving”, guidato da Chen Lv della Nanyang Technological University di Singapore, ha sviluppato un framework di apprendimento rinforzato ispirato alla paura (FNI-RL) per migliorare le prestazioni delle auto senza conducente.
Costruendo sistemi di intelligenza artificiale in grado di riconoscere e rispondere ai sottili spunti e schemi che innescano la guida difensiva umana – quelli che loro chiamano “neuroni della paura” – potremmo essere in grado di creare auto a guida autonoma che navigano sulla strada con la cautela intuitiva e la sensibilità al rischio di cui hanno bisogno.
Il framework FNI-RL traduce i principi chiave dei circuiti della paura del cervello in un modello computazionale di guida sensibile alle minacce, consentendo a un veicolo autonomo di apprendere e implementare strategie difensive adattive in tempo reale.
Si tratta di tre componenti chiave che ricalcano gli elementi fondamentali della risposta neurale alla paura:
- Un “modello di paura” che impara a riconoscere e valutare le situazioni di guida che segnalano un rischio maggiore di collisione, svolgendo un ruolo analogo alle funzioni di rilevamento delle minacce dell’amigdala.
- Un modulo di “immaginazione avversaria” che simula mentalmente scenari pericolosi, consentendo al sistema di “esercitarsi” in modo sicuro sulle manovre difensive senza conseguenze reali – una forma di apprendimento senza rischi che ricorda le capacità di prova mentale dei conducenti umani.
- Un motore decisionale “limitato dalla paura” che valuta le azioni potenziali non solo in base alle ricompense immediatamente previste (ad esempio, l’avanzamento verso una destinazione), ma anche in base al livello di rischio valutato dal modello di paura e dai componenti dell’immaginazione avversaria. Questo rispecchia il ruolo dell’amigdala nel guidare in modo flessibile il comportamento in base a un calcolo continuo di minaccia e sicurezza.
Schema della struttura FNI-RL: (a) Sistemi RL ispirati dal cervello. (b) Modulo di immaginazione avversaria che simula la funzione dell’amigdala. (c) Meccanismo attore-critico vincolato dalla paura. (d) Anello di interazione agente-ambiente. Fonte: ResearchGate.
Per mettere alla prova questo sistema, i ricercatori lo hanno testato in una serie di simulazioni di guida ad alta fedeltà con scenari impegnativi e critici per la sicurezza:
- Improvvisi tagli di corsia e sterzate da parte di automobilisti aggressivi
- Pedoni incostanti che attraversano il traffico con le strisce
- Curve strette e angoli ciechi con visibilità limitata
- Strade sdrucciolevoli e condizioni meteorologiche avverse
In tutti questi test, i veicoli equipaggiati con FNI-RL hanno dimostrato notevoli prestazioni di sicurezza, superando costantemente i conducenti umani e le tradizionali tecniche di apprendimento per rinforzo (RL) per evitare collisioni e mettere in pratica abilità di guida difensiva.
In un esempio eclatante, il sistema FNI-RL è riuscito a superare un’improvvisa fusione nel traffico ad alta velocità con un tasso di successo del 90%, rispetto al 60% di un sistema RL all’avanguardia.
Inoltre, ha ottenuto un aumento della sicurezza senza sacrificare le prestazioni di guida o il comfort dei passeggeri.
In altri test, i ricercatori hanno verificato la capacità del sistema FNI-RL di apprendere e generalizzare le strategie difensive in diversi ambienti di guida.
In una simulazione di un incrocio cittadino molto trafficato, l’intelligenza artificiale ha imparato in poche prove a riconoscere i segnali rivelatori di un guidatore spericolato – cambi di corsia improvvisi, accelerazioni aggressive – e a modificare preventivamente il proprio comportamento per allontanarsi.
In modo sorprendente, il sistema è stato poi in grado di trasferire questa diffidenza appresa in un nuovo scenario di guida autostradale, registrando automaticamente le manovre pericolose di taglio della carreggiata e rispondendo con un’azione evasiva.
Questo dimostra il potenziale dell’intelligenza emotiva ispirata dai neuroni per migliorare la sicurezza e la robustezza dei sistemi di guida autonoma.
Dotando i veicoli di un'”amigdala digitale” sintonizzata sugli indizi viscerali del rischio stradale, potremmo essere in grado di creare auto a guida autonoma in grado di affrontare le sfide della strada aperta con una consapevolezza difensiva fluida e proattiva.
Verso una scienza della robotica emotivamente consapevole
Mentre i recenti progressi dell’intelligenza artificiale si sono basati sulla potenza di calcolo bruta, i ricercatori stanno traendo ispirazione dalle risposte emotive umane per creare sistemi artificiali più intelligenti e adattivi.
Questo paradigma, denominato “AI bio-ispirata“, si estende oltre le auto a guida autonoma a campi come la produzione, la sanità e l’esplorazione spaziale.
Ci sono molti aspetti interessanti da esplorare. Ad esempio, si stanno sviluppando mani robotiche con “nocicettori digitali” che imitano i recettori del dolore, consentendo reazioni rapide a potenziali danni.
In termini di hardware, ichip analogici bio-ispirati di IBM utilizzano i “memristori” per memorizzare valori numerici variabili, riducendo la trasmissione di dati tra memoria e processore.
Allo stesso modo, i ricercatori dell’Indian Institute of Technology di Bombay hanno progettato un chip per le reti neurali spiking (SNN), che imitano fedelmente il funzionamento dei neuroni biologici.
Il professor Udayan Ganguly riferisce che questo chip raggiunge “un’energia per spike 5.000 volte inferiore a parità di area e una potenza in standby 10 volte inferiore” rispetto ai progetti convenzionali.
Questi progressi nell’informatica neuromorfa ci avvicinano a quello che Ganguly descrive come “un nucleo neurosinaptico a bassissimo consumo e un meccanismo di apprendimento in tempo reale su chip”, elementi chiave per reti neurali autonome di ispirazione biologica.
Combinare la tecnologia dell’IA ispirata alla natura con architetture informate da stati emotivi naturali come la paura o la curiosità potrebbe spingere l’IA in uno stato completamente nuovo.
Quando i ricercatori si spingono oltre questi confini, non stanno solo creando macchine più efficienti: stanno potenzialmente dando vita a una nuova forma di intelligenza.
Con l’evolversi di questa linea di ricerca, le macchine autonome potrebbero aggirarsi nel mondo tra di noi, reagendo agli imprevedibili segnali ambientali con curiosità, paura e altre emozioni considerate decisamente umane.
Gli impatti? Questa è un’altra storia.
