Deep learning e reti neurali artificiali. Così i robot sfidano l’uomo

do androids dream of electric sheep?
(Philip K. Dick)

Capire il cervello umano resta una delle più grandi sfide del 21esimo secolo. Da Freud a Sacks, siamo ancora a caccia di risposte: come funziona la nostra mente? come si innescano i processi cognitivi? La comunità scientifica pensa di aver trovato la soluzione all’enigma. Si chiama “artificial brain”, cervello artificiale, ed è un supercomputer che promette di riprodurre il più fedelmente possibile il funzionamento del cervello dell’uomo.

Da alcuni anni ci stanno lavorando 150 scienziati di 24 Paesi europei, nell’ambito di Human Brain, progetto decennale da oltre un miliardo di euro, i cui risultati potrebbero rivelarsi decisivi nel campo della medicina – per la cura di malattie neurologiche come il Parkinson e l’Alzheimer – dell’informatica e della robotica. Sfruttando le conoscenze che i ricercatori acquisiranno sul funzionamento di cellule e neuroni, entro il 2024 potrebbe vedere la luce un simulatore potentissimo, capace di replicare il nostro sistema nervoso centrale. Un cervello artificiale su cui plasmare i computer e i robot del futuro rendendoli più autonomi e capaci di apprendere.
Per questo, un gruppo di ricercatori tedeschi dell’Università di Bielefeld, in collaborazione con l’Istituto Italiano di Tecnologia e il Politecnico Federale di Zurigo, sta studiando la realizzazione di chip bioispirati e a basso consumo energetico in grado di replicare l’attività del cervello umano e animale.

Deep learning e reti neurali artificiali. Così i robot sfidano l’uomo 

Il Deep Learning (in italiano Apprendimento Approfondito) è un insieme di algoritmi e tecniche statistiche che permettono di individuare pattern, modelli, schemi ricorrenti, regolarità in un insieme di dati non organizzato.
Per esempio, utilizzando le tecniche di Deep Learning è possibile per un computer riconoscere un viso in una fotografia (questo strumento è utilizzato da Facebook per suggerire tag in un’immagine), oppure individuare degli ostacoli lungo un percorso stradale (come fanno molte driverless car, attualmente in fase di sperimentazione).

Il Deep Learning, le Reti Neurali Artificiali e il cervello umano
Il Deep Learning si basa su Reti Neurali Artificiali, ovvero modelli computazionali ispirati al funzionamento del cervello umano. Le Reti Neurali Artificiali sono nate negli anni Cinquanta e si sono evolute in modo altalenante fino ad oggi.
La caratteristica principale di una Rete Neurale Artificiale è la sua capacità di apprendere durante una fase di addestramento e quindi generalizzare le conoscenze acquisite per prevedere situazioni nuove. Proprio come un cervello umano, queste reti hanno una memoria interna che viene incrementata con l’esperienza. Una Rete Neurale Artificiale è composta da unità interne collegate da connessioni. L’unità è l’equivalente del neurone e le connessioni sono l’equivalente delle sinapsi.
Le reti neurali degli anni Cinquanta avevano una struttura semplice con poche unità interne mentre quelle attuali utilizzano milioni di unità. Reti con molte unità possono apprendere pattern complessi ma non sono facili da gestire perché richiedono computer più potenti e tecniche di addestramento più sofisticate. Se dovessimo descrivere in una frase il funzionamento di una Rete Neurale Artificiale, potremmo dire che una rete artificiale prende in ingresso delle informazioni e trova un senso, delle regolarità, dei pattern.
Mentre stai leggendo questo articolo il tuo cervello organizza lettere in parole, e parole in frasi, finché non ne emerge il significato. Allo stesso modo una Rete Neurale Artificiale può analizzare i tuoi commenti su un sito web in cerca di parole significative e argomenti rilevanti. Questa spinta a dare un senso alle informazioni è così profondamente insita nel nostro cervello che viene applicata anche a pattern privi di significato. Quando guardiamo delle nuvole ci viene spontaneo associare ad esse delle categorie reali. Questo stesso meccanismo è presente nelle Reti Neurali Artificiali, il che le rende estremamente affascinanti e allo stesso tempo spaventose.

Il Deep Learning e i robot sempre più intelligenti
Il Deep Learning fa ampiamente uso delle Reti Neurali Artificiali ed in modo particolare di reti con un elevato numero di unità definite in gergo tecnico “profonde” (da qui deriva il termine inglese “Deep”). In tempi recenti la gestione di queste reti enormi è diventata più semplice grazie all’uso delle schede di calcolo utilizzate per il gaming (GPU) che hanno trovato ampio utilizzo nelle server-farm delle maggiori compagnie del mondo e negli istituti di ricerca.
La quantità di investimenti nel settore del Deep Lerning è aumentata in modo esponenziale. Il Deep Learning viene utilizzato in diversi settori e per diversi scopi. In robotica permette di creare robot più intelligenti, macchine in grado di percepire l’ambiente circostante e di reagire a particolari stimoli.
Un sito web può utilizzare tecniche di Deep Learning per capire I gusti degli utenti e inviare annunci pubblicitari ritagliati su una particolare categoria. Facebook per esempio, può analizzare le foto che pubblicate, il tipo di commenti, il numero di amici e la vostra posizione geografica per capire meglio i vostri gusti. Un algoritmo di Deep Learning può quindi aggregare le informazioni di milioni di utenti al fine di individuare diverse categorie.

Deep Blue, così la macchina ha battuto l’uomo

L’11 maggio 1997 è passato alla storia come il momento in cui le macchine hanno battuto l’uomo. Deep Blue il supercomputer ideato da IBM ha vinto il campione del mondo di scacchi Garry Kasparov. Gli scacchi sono da sempre collegati ad abilità cognitive di alto livello. Un buon giocatore deve possedere memoria, strategia, intuito. Dunque se un computer può sconfiggere il campione del mondo questo significa che tale computer deve possedere le stesse abilità spinte al massimo livello. Seguendo questo ragionamento la vittoria di Deep Blue venne descritta dalle testate giornalistiche dell’epoca come l’inizio di una nuova era. Le macchine avrebbero presto preso il sopravvento e soppiantato gli esseri umani nella maggior parte delle attività.
Dove siamo arrivati dopo quasi venti anni? Nel 1997 Deep Blue era il 249° computer più potente al mondo, con una capacità computazionale di 11.38 GFLOPS ( in informatica FLOPS è un’abbreviazione FLoating point Operations Per Second e indica il numero di operazioni in virgola mobile eseguite in un secondo dalla CPU).
Oggi la stessa potenza di calcolo è disponibile in un normalissimo computer desktop. Per sconfiggere giocatori di buon livello non serve più un supercomputer, basta un software scacchistico installato su un qualsiasi smartphone.

Deep Learning: Deep Blue e la mancanza di creatività
Perché le tanto temute macchine non hanno ancora avuto la meglio? La risposta risiede nel tipo di algoritmo utilizzato da Deep Blue. Dietro la vittoria non c’era nessun tipo di creatività, intuito, o strategia, ma una sistematica ricerca di possibili mosse basata sulla forza bruta. Da un lato c’era Kasparov che esaminava la disposizione dei pezzi richiamando alla mente partite passate, pianificando mosse mirate a sorprendere l’avversario e cercando combinazioni originali. Dall’altro Deep Blue che assegnava un valore numerico ad ogni pezzo (es. pedone=1, torre=5, regina=9) e generava 200 milioni di mosse al secondo alla ricerca di quella migliore.
Questa sfida fu quindi principalmente una sfida tra due diversi modi di ragionare, quello umano fatto di intuito, memorie sfumate e strategie acquisite con una lunga esperienza, e quello del calcolatore fatto di algoritmi ripetuti in modo ciclico. Molto importante anche il fattore emotivo. Il primo dei sei incontri fu vinto con facilità da Kasparov. Il secondo incontro fu vinto da Deep Blue con la resa di Kasparov.
Quello che è successo durante il secondo incontro è interessante. Il software di Deep Blue aveva un problema di valutazione collegato con alcuni pezzi della scacchiera che si manifestò in concomitanza con una specifica configurazione. La mossa che ne seguì fu particolarmente avventata e avrebbe potuto avere gravi conseguenze portando alla sconfitta del computer. Tuttavia Kasparov rimase sorpreso e non riuscì a capire il senso di quella mossa. Kasparov cominciò ad agitarsi e ad avere paura, paura di essere sconfitto. Nelle partite successive Kasparov apparve sempre più teso, arrivò stremato all’ultimo incontro e come ben sappiamo ebbe la peggio.

AlphaGo, il supercomputer di Google che si basa sul Deep Learning
La storia si ripete. Il 15 Marzo 2016 AlphaGo, il supercomputer ideato da Google, ha battuto Lee Sedol il campione del mondo di Go. Questa volta siamo di fronte ad uno scenario diverso. Go è un gioco di strategia nato in Cina circa 2500 anni fa. La particolarità di questo gioco risiede nell’enorme spazio di ricerca, ovvero nel numero di possibili mosse. Un proverbio dice che nessuna partita di Go è mai stata giocata due volte. In effetti guardando l’enorme scacchiera (composta da 19×19 caselle) ci si rende conto di quanto sia complesso soltanto stimare l’andamento della partita.
Questo gioco sembra impossibile da schematizzare, sembra impossibile creare una procedura che costituisca la base di funzionamento per un supercomputer. L’approccio utilizzato per Deep Blue non è utilizzabile in questo caso. Come ha fatto quindi AlphaGo a battere il campione del mondo Lee Sedol? AlphaGo ha utilizzato il Deep Learning.
Ma come ha fatto il Deep Learning a battere il campione del mondo Lee Sedol? La scacchiera può essere vista come una tabella in cui alcune caselle sono occupate ed altre libere. Questa tabella può essere utilizzata come dato di ingresso di una Rete Neurale Artificiale. La rete può essere addestrata a riconoscere se la particolare configurazione di pedine è favorevole o meno. Una seconda rete neurale è stata addestrata a riconoscere quale mossa tra quelle disponibili si rivelerà più vantaggiosa nel corto periodo.
Queste reti neurali rappresentano l’intuito e la memoria che mancavano a Deep Blue. Ma non finisce qui, intuito e memoria vengono sviluppate dopo anni di pratica, come può un computer acquisirle in pochi mesi? Utilizzando un database di partite giocate da maestri, consistente in 30 milioni di mosse, AlphaGo ha potuto attingere ad una fonte di informazioni enorme. Inoltre il computer ha potuto giocare contro copie di se stesso e migliorare le proprie abilità in modo esponenziale. Combinando l’intuito e la potenza computazionale messa a disposizione da Google, AlphaGo ha potuto ridimensionare lo spazio di ricerca e scegliere in modo ottimale la mossa con maggiore probabilità di successo.
Il risultato finale è stato stupefacente, AlphaGo ha raggiunto una probabilità di vittoria del 99,8% contro gli altri software ed ha in seguito battuto il campione europeo Fan Hui e quindi il campione mondiale Lee Sedol.
Il Deep Learning sta rendendo le macchine più simili a noi ma in che direzione ci stiamo muovendo? Il Professor Nick Bostrom dell’università di Oxford ha recentemente pubblicato un libro in cui mette in guardia da possibili evoluzioni malevole di queste intelligenze artificiali. Le macchine al contrario di noi possono imparare in modo estremamente veloce, di fatto AlphaGo in pochi mesi ha superato in abilità il campione del mondo. Cosa aspettarci non è facilmente prevedibile. Molti degli esperti del settore concordano nel dire che una forma di super-intelligenza artificiale si manifesterà intorno al 2050, quando le capacità computazionali e lo sviluppo di algoritmi più sofisticati lo renderanno possibile. Il Deep Learning potrebbe essere uno dei componenti principali di questa super-intelligenza.

Pure  Stephen Hawking si è schierato in tale direzione avvertendo che l’intelligenza artificiale potrebbe porre fine all’umanità.
Nell’ultima intervista rilasciata alla BBC ha detto: “Lo sviluppo della piena intelligenza artificiale potrebbe significare la fine della razza umana”.

Il film di Stanley Kubrick del 2001 e il suo omicida computer HAL incapsulano le paure di molte persone su come l’IA possa rappresentare una minaccia per la vita umana

Il suo avvertimento è venuto in risposta a una domanda su un rinnovamento della tecnologia che usa per comunicare, che coinvolge una forma base di intelligenza artificiale.
Il fisico teorico, Hawking era affetto da Sclerosi Laterale Amiotrofica (SLA) da quando aveva 21 anni. Quando venne diagnosticata la malattia, i medici gli dissero che sarebbe vissuto solo per altri due anni. Per comunicare, Hawking utilizzava un nuovo sistema sviluppato dalla Intel, e messo a punto con la Swiftkey, una società inglese che produce macchine intelligenti.
“Le forme primitive di intelligenza artificiale”, ha proseguito il fisico, “si sono già da tempo dimostrate utilissime, ma temo le conseguenze della creazione di qualcosa che può uguagliare o sorpassare gli esseri umani. Essa può decollare autonomamente e riprogrammarsi ad una velocità sempre più elevata”.
“Gli esseri umani – argomentava – che sono limitati da una lenta evoluzione biologica, non potrebbero più competere con le macchine intelligenti, e ne sarebbero sopraffatti”.
Ma altri sono meno pessimisti.
“Credo che resteremo a capo della tecnologia per un periodo abbastanza lungo e che il potenziale per risolvere molti dei problemi del mondo si realizzerà”, ha dichiarato Rollo Carpenter, creatore di Cleverbot.
Il software di Cleverbot apprende dalle sue conversazioni passate e ha ottenuto punteggi elevati nel test di Turing, ingannando un’alta percentuale di persone a credere che stiano parlando con un umano.

Cleverbot è un software progettato per chattare come farebbe un essere umano

Aumento dei robot
Carpenter afferma che siamo molto lontani dall’avere la potenza di calcolo o lo sviluppo degli algoritmi necessari per ottenere la piena intelligenza artificiale, ma ritiene che arriverà nei prossimi decenni.
“Non possiamo sapere cosa succederà se una macchina supera la nostra intelligenza, quindi non possiamo sapere se saremo infinitamente aiutati da essa, o ignorati da essa e messi da parte, o concepibilmente distrutti da essa”, dice.

Ma scommette che l’intelligenza artificiale sarà una forza positiva.
Il professor Hawking non era il solo a temere per il futuro.
A breve termine, vi sono preoccupazioni sul fatto che le macchine intelligenti in grado di svolgere compiti svolti dagli uomini fino ad oggi distruggeranno rapidamente milioni di posti di lavoro.
A più lungo termine, l’imprenditore tecnologico Elon Musk ha avvertito che l’intelligenza artificiale è “la nostra più grande minaccia esistenziale”.

Voce robotica
Nella sua intervista alla BBC, il Prof Hawking parlava anche dei vantaggi e dei pericoli di Internet.
Cita il direttore del programma di sorveglianza della GCHQ (Government Communications Headquarters) sulla rete che diventa il centro di comando per i terroristi: “Le società di Internet devono fare di più per contrastare la minaccia, ma la difficoltà è di farlo senza sacrificare la libertà e la privacy”.
Tuttavia, è stato un entusiasta sostenitore di tutti i tipi di tecnologie di comunicazione e non vede l’ora di poter scrivere molto più velocemente con il suo nuovo sistema.
Ma un aspetto della sua stessa tecnologia – la sua voce generata dal computer – non è cambiata nell’ultimo aggiornamento.
Il prof. Hawking ammette che è leggermente robotizzato, ma insiste nel dire che non voleva una voce più naturale.
“È diventato il mio marchio di fabbrica, e non lo cambierei per una voce più naturale con un accento britannico”, ha detto.
“Mi hanno detto che i bambini che hanno bisogno di una voce da computer ne vogliono una come la mia”.