L'AI impara a ragionare

I ricercatori del MIT hanno recentemente introdotto tre nuove "librerie di astrazione", cioè collezioni di algoritmi e architetture di reti neurali, che migliorano la capacità di "ragionamento" dei sistemi di AI. L'obiettivo è insegnare all'AI ad apprendere autonomamente nuovi compiti e concetti complessi, esattamente come il nostro cervello.

Gli studi sono stati resi pubblici solo in misura limitata, ma lasciano intuire che forse il ragionamento complesso non sarà più un'esclusiva degli esseri umani.

L'obiettivo dell'AI

Allo stato attuale della ricerca, la tanto ambita Artificial General Intelligence (AGI) - cioè quel preciso punto in cui le macchine potranno considerarsi complessivamente migliori degli esseri umani - è una sorta di Sacro Graal informatico ancora lontano. Sebbene i modelli di intelligenza artificiale siano diventati incredibilmente sofisticati in poco tempo, infatti, ci sono ancora alcune attività di cui gli umani rimangono indiscussi maestri.

Tra queste, per esempio, il ragionamento astratto: senza nemmeno pensarci, gli umani possono apprendere nuovi concetti creando rappresentazioni teoriche complesse della realtà, cogliendo analogie e differenze ed eliminando i dettagli meno importanti. Capacità cognitive di cui l'AI chiaramente non dispone (ancora).

Le tre librerie di astrazione

È per questo che i ricercatori del MIT (Massachusetts Institute of Technology) hanno sviluppato tre "librerie di astrazione", cioè tre collezioni di algoritmi, architetture di reti neurali e altre componenti software che è possibile implementare nei modelli linguistici affinché questi ultimi producano ragionamenti simili a quelli umani. 

Le tre librerie - LILO (Library induction from language observations), Ada (Action domain acquisition) e LGA (Language-guided abstraction) - lavorano tutte per impartire ragionamenti analoghi a quelli umani all'AI in determinate funzioni, come la programmazione, la pianificazione delle attività e i compiti meccanici

LILO riesce ad identificare le astrazioni attraverso il metodo neurosimbolico integrato e il suo algoritmo Stitch (bellissima citazione). Il processo permette agli LLM di avere e applicare quello che potremmo chiamare "buon senso" comune, una conoscenza che i modelli precedenti non avevano.

Ada, invece, mostra il ragionamento della mente umana che, lavorando in background, ci porta a compiere specifiche azioni:  "Per preparare la colazione al mattino, convertiamo un'ampia conoscenza culinaria in decine di azioni motorie dettagliate  per trovare, rompere e friggere uno specifico uovo" , come affermano i ricercatori nel loro studio. Per addestrare Ada, gli scienziati hanno fatto ricorso a dataset di attività domestiche  e comandi di videogiochi, e quando la libreria è stata implementata nei modelli già esistenti (tra cui GPT-4), le prestazioni dell'AI sono migliorate dal 59% all'89%.

Infine, LGA aiuta i robot a completare compiti la cui complessità va oltre il semplice riconoscimento delle immagini. Il suo funzionamento è spiegato dal MIT: "Nel caso di LGA, gli esseri umani forniscono a un modello linguistico preaddestrato una descrizione del compito in linguaggio naturale, come “portami il cappello”. Quindi, il modello traduce queste informazioni nelle astrazioni relative agli elementi necessari per eseguire il compito. Infine, una funzione di imitazione addestrata su alcune dimostrazioni implementa queste astrazioni per guidare il robot ad afferrare l'oggetto desiderato"

LGA è stato testato su Spot, il cane-robot di Boston Dynamics: grazie alle astrazioni fornite dalla libreria, il robot è stato in grado di creare un piano d'azione e soddisfare le richieste degli scienziati ("raccogliere frutta o porre bottiglie in un contenitore per il riciclo). La grande novità è che queste azioni sono state compiute in ambiente non preparato artificialmente, ma in una situazione reale e complessa.
 

Mentre tutte queste tecniche rappresentano un progresso per lo sviluppo dell'AI, mostrano anche un'incredibile verità: la mente umana è una cosa meravigliosa e potente. Ricrearne le straordinarie capacità cognitive nelle macchine rimane una sfida epocale per i ricercatori di tutto il mondo.

Fonti:
MIT
Popular Mechanics