Le migliori innovazioni del 2015 nel settore dell'intelligenza artificiale

Negli ultimi anni abbiamo fatto enormi progressi nell'ambito dell'intelligenza artificiale (IA). Su kurzweilai.net sono state raccolte le innovazioni più importanti di questo settore avvenute nel 2015. Ho provato a tradurre fedelmente e, allo stesso tempo, ho cercato di semplificare alcuni concetti perché la terminologia adottata dall'autore del post è abbastanza complessa.

Ma adesso passiamo ai fatti e scopriamo quali sono le innovazioni più significative del 2015 nell'ambito dell'IA e perché hanno lasciato un segno importante per il nostro futuro.

Disegno di un cervello collegato a un chip
Fonte: Flickr

L'intelligenza artificiale nel 2015

Il 2015 è stato un anno prospero per quanto riguarda gli sviluppi nel campo dell'intelligenza artificiale. Di seguito sono elencate alcune tra le più importanti innovazioni che caratterizzeranno il nostro futuro. Possiamo racchiuderle in 5 categorie: astrazione attraverso gli ambienti, comprensione intuitiva del concetto, pensiero astratto creativo, sognare visioni e abili capacità motorie. Vediamole una alla volta per capire meglio di cosa si tratta.


1. Astrazione attraverso gli ambienti

Uno degli obiettivi principali di coloro che si occupano di IA è quello di creare un'intelligenza artificiale generale, ovvero un singolo programma di apprendimento che può imparare ed agire contemporaneamente in differenti ambiti. Un passo importante in questa direzione è stato fatto da  Parisotto, Ba e Salakhutdinov: hanno sviluppato DQN (deep Q-Network) un sistema che ha imparato a giocare a differenti giochi dell'Atari.

I ricercatori, guidati da Demis Hassabis di DeepMind, sono riusciti a costruire DQN unendo diverse tecniche di apprendimento tipiche delle macchine con reti neurali implementate seguendo un modello biologico. In questo modo, il sistema è riuscito ad apprendere autonomamente 48 giochi partendo da pochissimi dati. Un esempio? Se DQN possiede alcuni dati su un videogioco di tennis, riuscirà ad apprendere più velocemente il prossimo gioco simile perché possiederà già i concetti base, come colpire una palla con una paletta o una racchetta.

Siamo ancora lontani dal raggiungere il livello di un'IA generale, ma la creazione di DQN è un primo passo importante, la rimozione di un grosso ostacolo nel percorso. Ecco un video in cui possiamo vedere come l'algoritmo di DQN abbia appreso le nozioni base di un gioco e le abbia applicate per poter aumentare la sua prestazione:


2. Comprensione intuitiva del concetto

La conoscenza subsimbolica e il ragionamento sono implicitamente compresi da un sistema, anziché essere esplicitamente programmati o rappresentati. Nel 2015 sono stati fatti progressi in quest'ambito partendo da un punto fondamentale: come i simboli e le parole ottengono il loro significato. Il modo sempre più popolare per raggiungere questo obiettivo è dividere le inclusioni differenziali e le rappresentazioni profondamente distribuite dove diverse modalità o prospettive per lo stesso concetto sono posizionate molto vicine tra loro in uno spazio vettoriale ad alta dimensionalità.

Grazie a questa tecnica è possibile ottenere automaticamente una didascalia di un'immagine; i ricercatori delle università di Stanford e Tel Aviv, invece, sono riusciti ad estendere quest'idea per tagliare insieme immagini e forme 3D per combinare visione artificiale e grafica. Ramanathan e altri scienziati hanno sfruttato l'incorporamento congiunto per supportare la confluenza di molteplici mappature collegate tra loro in una sola volta attraverso diverse modalità e diversi linguaggi. Più si migliora questa tecnica, più otteniamo un'IA efficiente. Ramanathan ha intenzione di creare un sistema che apprende uno schema significativo di rapporti tra diversi tipi di azioni da una serie di fotografie e un dizionario.

Un'altra dimostrazione dell'efficacia di questa tecnica deriva dal lavoro dei ricercatori della Cornell University e della Washington University di St. Louis: hanno usato una riduzione dimensionale dei pesi di una rete profonda per formare una superficie di lineamenti convoluzionali che possono essere fatti scorrere per alterare in modo automatico e fotorealistico i dettagli delle immagini fotografiche. Ad esempio, possono modificare le espressioni facciali, ringiovanire o invecchiare i volti e colorare le foto.

Fotografie alterate grazie a un'intelligenza artificiale
L'IA dei ricercatori della Cornell e della Washington University altera splendidamente alcuni volti ritratti in foto

3. Pensiero astratto creativo

Anche la combinazione dell'apprendimento profondo (deep learning) e delle nuove architetture di memoria hanno permesso agli scienziati di innovare il settore dell'IA. Queste architetture forniscono a ogni nodo della rete neurale profonda una semplice interfaccia di memoria.

Kumar e Socher hanno sviluppato un sistema di reti di memoria dinamiche migliorate sulle reti di memoria attraverso un migliore supporto per l'attenzione e della comprensione in sequenza. Tale sistema può leggere storie e rispondere a domande riguardo queste imparando implicitamente 20 tipi di ragionamento, come la deduzione, l'induzione, il ragionamento temporale e la scoperta di un percorso logico.

Grefenstette e altri scienziati hanno dimostrato come i programmi possono essere trasdotti utilizzando un nuovo tipo di reti neurali ricorrenti basati sulla memoria (RNN) dove i nodi accedono a strutture di dati differenziabili.

Reed e de Freitas di DeepMind hanno recentemente dimostrato come il loro programmatore-interprete neurale può rappresentare programmi di livello inferiore che controllano funzionalità di livello superiore.

Park e Kim della Seoul National U. hanno sviluppato una nuova architettura che hanno definito come una rete convoluzionale ricorrente coerente per la creazione di storie testuali nuove e fluide partendo da sequenze di immagini.

Un'altra modalità importante che include la comprensione causale e la creatività nel pensiero astratto è la formulazione di un'ipotesi scientifica. Un team della Tufts ha combinato algoritmi genetici e la simulazione di un percorso genetico per creare un sistema che è arrivato alla prima significativa teoria scientifica formulata da una IA: come i vermi piatti sono in grado di rigenerare parti del corpo così prontamente. In un paio di giorni, l'IA aveva scoperto che cosa ha eluso gli scienziati per un secolo. Un motivo in più per sviluppare IA sempre più efficienti.

4. Sognare visioni

L'intelligenza artificiale non si limita a scrivere testi, fare calcoli o a formulare teorie. Essa è anche in grado di immaginare, o meglio, di creare delle specie di allucinazioni. L'apprendimento profondo, dunque, non è utile solo ed esclusivamente per il riconoscimento di schemi, ma anche per la comprensione e addirittura la creazione di modelli.

Alcuni scienziati dell'MIT e di Microsoft Research hanno creato una rete profonda di grafica a circonvoluzione inversa che, tra le altre cose, contiene una speciale tecnica di formazione per consentire ai neuroni nel suo strato di codice grafico di differenziarsi dalle trasformazioni significative di un'immagine. In questo modo la rete è in grado di comprendere le forme 3D dalle nuove immagini 2D che riceve e di "immaginare" cosa succederebbe se si modificassero alcuni elementi come l'angolazione della telecamera e l'illuminazione.

I ricercatori della NYU e di Facebook hanno ideato un modo per generare nuove immagini realistiche partendo da aggregazioni di elementi. Utilizzando una piramide di reti antagoniste, cioè dove alcune provano a produrre immagini realistiche e dove altre giudicano criticamente quanto sembrino reali quelle immagini, il loro sistema è in grado di fare sempre meglio nell'immaginare nuove fotografie. Qui sotto c'è un chiarissimo esempio:

Immagini create da un'IA basate su delle descrizioni

Ci sono stati anche notevoli progressi nell'immaginazione computazionale di nuovi videoclip animati nel 2015. Una squadra dell'università del Michigan ha creato un sistema di analogia profonda che riconosce le relazioni implicite complesse nei modelli ed è in grado di applicare tale rapporto come una trasformazione generativa di esempi di query.

5. Abili capacità motorie

Il progresso dell'IA nel 2015 non ha riguardato solo gli schermi. Una squadra tedesca specializzata in primatologia, ad esempio, ha registrato i movimenti delle mani di alcuni primati in corrispondenza con la loro attività neurale, e sono riusciti a prevedere, sulla base dell'attività cerebrale, quali piccoli movimenti stavano compiendo. Sono stati anche in grado di trasmettere quelle stesse capacità motorie a delle mani robotiche al fine di sviluppare protesi avanzate.

Un gruppo di ricercatori dell'Università di Berkeley, invece, ha annunciato una tecnica molto più facile per insegnare ai robot alcuni movimenti. Hanno applicato un particolare sistema di apprendimento profondo per fare in modo che i robot fossero in grado avvitare i sulle bottiglie, di utilizzare la parte posteriore di un martello per rimuovere un chiodo dal legno, e di effettuare altre azioni che noi umani svolgiamo quotidianamente. Sono azioni banali per noi, ma molto difficili per le macchine. Il sistema sviluppato da questa squadra permette ai robot di raggiungere il livello umano di destrezza e di velocità nello svolgimento di questi compiti. Fantastico vero?




È stato un 2015 brillante dal punto di vista dell'innovazione nel settore dell'intelligenza artificiale. Questi erano alcuni tra i più importanti progressi e probabilmente quest'anno faremo anche meglio. Dovremmo preoccuparci di questa costante evoluzione? Ho parlato in diverse occasioni di come alcuni esperti siano più preoccupati rispetto ad altri per quanto riguarda l'avvento delle macchine superintelligenti.

Se vuoi saperne di più su alcune discussioni sull'argomento, ti suggerisco la lettura delle due lettere aperte sui rischi dell'intelligenza artificiale (qui la prima e qui la seconda) e di dare un'occhiata alle posizioni che hanno assunto alcuni esperti del settore nei confronti dello sviluppo futuro dell'IA. Ad esempio, Nick Bostrom si è chiesto cosa succederà quando i computer diventeranno più intelligenti di noi e ha espresso alcune preoccupazioni a riguardo. Ray Kurzweil invece, più entusiasta, considera l'intelligenza artificiale come un imperativo morale. Alcune previsioni, felici e non, le ha fatte anche Roman Yampolskiy, mentre super ottimista è sicuramente Lawrence Krauss.

Insomma, i progressi dell'IA suggeriscono due strade: una più positiva e desiderabile e un'altra più negativa che porta con sé alcuni rischi. Di recente è stata fondata una società no profit chiamata OpenAI che ha intenzione di indirizzare lo sviluppo dell'intelligenza artificiale seguendo dei principi etici, proprio per evitare che questo progresso porti alla creazione di intelligenze digitali non solo superiori alle nostre capacità intellettive, ma anche molto pericolose. È un rischio reale? Non possiamo saperlo con certezza, anche perché le previsioni riguardano un arco temporale di decine e decine di anni, a volte anche centinaia. L'importante, forse, è essere sempre consapevoli della strada che stiamo percorrendo.

Etichette: , ,