AI neuro-simbolica: la nuova frontiera

Due nuove frontiere stanno guidando il futuro dell'intelligenza artificiale: l'AI neurosimbolica e l'AI adattiva. Entrambe promettono di superare i limiti dell'AI tradizionale, aprendo scenari finora inesplorati.

A illustrare i due trend tecnologici è stato il Professor Manuel Roveri durante il suo illuminante intervento al convegno "Artificial Intelligence, e questo è solo l'inizio", organizzato dall'Osservatorio AI del Politecnico di Milano. La sua analisi ha messo in luce come questi due approcci, pur seguendo strade diverse, convergano verso un obiettivo comune: potenziare le capacità dell'AI oltre i confini attuali.

Sulla base degli spunti del Professor Roveri, questo articolo intende presentare i due principali paradigmi emergenti nel settore dell'AI. 

Ma, prima, è necessario ripassare brevemente un po' di storia.

Da dove veniamo? L’AI tradizionale tra regole e reti neurali 🏛️💡

L’AI simbolica: regole e logica 🧠

Prima che il machine learning diventasse la norma, l’AI era basata su regole esplicite, dette anche AI simbolica o GOFAI (Good Old-Fashioned AI). Si tratta di sistemi che utilizzavano logica formale, simboli e motori inferenziali per risolvere problemi. Ne sono un esempio i primi sistemi esperti utilizzati in ambito medico, che diagnosticavano malattie basandosi su regole IF/THEN definite dagli esseri umani. Il vantaggio di questo tipo di AI è la trasparenza e l'interpretabilità. Ogni decisione presa dalla macchina è trasparente e tracciabile, poiché può essere ricondotta a specifiche regole logiche. Il grande, grandissimo svantaggio è invece la rigidità. Se tutto è regolato da regole programmate, come gestire situazioni non previste dalle suddette regole? Se qualcosa cambia nel mondo reale, il sistema non riesce ad adattarsi.

L’AI connessionista: il boom di Machine Learning e Deep Learning🔥

Con l’avvento del Machine Learning e soprattutto del Deep Learning, l’intelligenza artificiale ha iniziato a funzionare in modo più simile a un cervello biologico. Grazie alle reti neurali, l’AI moderna non ha bisogno di regole scritte a mano, ma apprende autonomamente dai dati.

Questo approccio ha reso possibili incredibili innovazioni, come il riconoscimento vocale, la traduzione automatica e i chatbot avanzati. Tuttavia, c’è un problema: questi modelli sono delle “black box”, ovvero sistemi in cui è difficile capire il motivo di una decisione. E più questi sistemi diventano sofisticati, più diventa difficile comprendere i loro processi decisionali. Inoltre, l'attuale deep learning è vulnerabile a piccoli cambiamenti nei dati (i cosiddetti adversarial attacks) e ha difficoltà a generalizzare oltre i dati di addestramento (per generalizzazione si intende la capacità di un modello di applicare le conoscenze apprese sui dati a situazioni nuove e non viste prima).

L’AI Neurosimbolica: il meglio dei due mondi? 🤯

Cos’è l’AI Neurosimbolica?

Una delle frontiere più promettentid dell'AI è l'AI neurosimbolica (Neurosymbolic AI) un approccio ibrido che unisce il potere predittivo del deep learning con la trasparenza della logica simbolica.

Questa tecnologia promette di creare sistemi che imparano dai dati ma sono anche in grado di ragionare e spiegare le loro decisioni. Dunque, un’AI che non solo funziona, ma che può dirci perché funziona.

In pratica, combina:

1. Apprendimento da dati (deep learning)
2. Inferenza logica e simbolica (motori di ragionamento)
3. Capacità di spiegazione e astrazione

Per questo motivo, esperti e ricercatori (come quelli della City, London University) definiscono la neurosimbolica la "terza ondata" (3rd wave) dell'AI.

📌 Esempio: Immagina un sistema di AI per la diagnosi medica. Un modello puramente connessionista potrebbe prevedere che un paziente ha il diabete con una certa probabilità, ma senza spiegare il motivo. Un sistema neurosimbolico, invece, potrebbe integrare dati con regole mediche esplicite, fornendo una diagnosi motivata: "Il paziente ha il diabete perché ha una glicemia a digiuno superiore a 126 mg/dL in tre misurazioni consecutive"

ATTENZIONE! I modelli di ragionamento (reasoning models) come o1, o3-mini e DeepSeek R1, "spiegano" le loro risposte e illustrano i loro ragionamenti, ma lo fanno attraverso tecniche avanzate di deep learning, come il "chain-of-thought prompting" e il "test-time compute", che consentono al modello  valutare più risposte prima di fornire quella finale. Tuttavia, non integrano esplicitamente componenti di ragionamento simbolico.

Esempi di AI Neurosimbolica

🔹 IBM Watson - Utilizza NLP e regole simboliche per diagnosi mediche intelligenti.
🔹AlphaGo - Ha battuto i campioni di Go combinando reti neurali con ricerca simbolica.

Si, ma come funziona?

Un sistema neurosimbolico può integrare i due approcci in diversi modi. Ecco le tre principali strategie:

1️⃣ Integrazione nei modelli neurali

Si incorporano regole simboliche direttamente nel processo di apprendimento delle reti neurali. Questo può avvenire tramite:

• Compilazione simbolica: le regole logiche vengono trasformate in vincoli che influenzano il training della rete neurale.
• Regolarizzazione nella loss function: il modello viene "penalizzato" se viola le regole logiche.

📌 Esempio: In un sistema di AI per il riconoscimento delle immagini, possiamo dire alla rete neurale che "nessun oggetto può essere sia una sedia che un tavolo contemporaneamente". Questo vincolo aiuta il modello a evitare errori assurdi.

2️⃣ Comunicazione tra rete neurale e sistema simbolico

Si costruiscono due moduli separati:

1. Una rete neurale che elabora i dati.
2. Un motore simbolico che effettua inferenze logiche.

📌 Esempio: Un chatbot avanzato può usare una rete neurale per comprendere il linguaggio naturale e un sistema simbolico per rispondere in modo strutturato e coerente.

3️⃣ Traduzione neurale-simbolica 

Si cerca di estrarre conoscenza simbolica dalle reti neurali e viceversa.

📌 Esempio: Un modello di deep learning potrebbe generare regole simboliche dopo aver analizzato un grande numero di dati finanziari, creando conoscenza strutturata utile per l’analisi del rischio.

AI Adattiva: l’intelligenza si evolve da sola! 🦾

Cos’è l’AI adattiva?

L'altra frontiera dell'AI più recente è l'AI adattiva (su cui torneremo più nel dettaglio). Mentre la neurosimbolica punta a un’AI più spiegabile, l’AI adattiva (Adaptive AI) mira a creare un sistema che si aggiorna autonomamente. Non segue solo le regole o i pattern appresi, ma modifica il proprio codice per adattarsi ai cambiamenti del mondo reale

Un esempio (banale) di un'eventuale AI adattiva:

Immagina un assistente virtuale che ti aiuta a fare la spesa online. All’inizio, ti suggerisce prodotti basandosi su acquisti comuni. Ma con il tempo, nota che compri più frutta in estate e più zuppe in inverno. Se cambi dieta o inizi a preferire prodotti biologici, l’AI si adatta automaticamente, aggiornando le sue raccomandazioni senza bisogno che tu glielo dica. 

Questo è un esempio semplice. Va da sé che le applicazioni di un'AI adattiva hanno una portata rivoluzionara pressocché in ogni settore, dalla finanza (sistemi di trading che si adattano alle fluttuazioni di mercato), alla medicina (algoritmi che aggiornano le diagnosi basandosi su nuove ricerche), alla cybersecurity (sistemi di difesa AI che imparano a individuare minacce incombenti)

Dove stiamo andando? Neurosimbolica + Adattiva = il futuro!

Il futuro dell’AI potrebbe essere l’unione di questi due approcci: un’intelligenza che capisce e ragiona aldilà dei dati (neurosimbolica) e che impara e si adatta (adattiva). Questa è la terza ondata dell’AI. Siamo solo all’inizio.

Per approfondire sull'AI neurosimbolica, si consiglia la lettura del paper "Neurosymbolic AI: the 3rd wave"