Il principale obiettivo dell’intelligenza artificiale è sempre stato quello di imitare il comportamento del cervello umano nelle varie attività che lo vedono coinvolto nel mondo reale: effettuare complesse analisi di scenario, formulare ragionamenti, svolgere operazioni e prendere decisioni.
Ad oggi, non esiste un sistema di intelligenza artificiale in grado di operare in maniera del tutto autonoma per imitare e di fatto sostituire l’uomo. Si tratta di un’ambizione molto complessa per vari fattori, che spaziano da tecnologie lungi dall’essere mature, all’incapacità di soddisfare i requisiti computazionali, al semplice fatto che si cerca di imitare qualcosa che in fondo non si conosce nemmeno alla perfezione: il cervello umano e il suo funzionamento.
Per descrivere e divulgare in maniera sufficientemente comprensibile le caratteristiche e l’operato dei sistemi di intelligenza artificiale si è fatta largo la distinzione tra intelligenza artificiale forte e intelligenza artificiale debole.
Prima di focalizzarci sugli aspetti che le differenziano, è opportuno tracciare una sintesi dei principali obiettivi che accomunano le intelligenze artificiali:
- Agire come agirebbe l’uomo, nelle medesime situazioni in cui questi si ritroverebbe ad operare
- Pensare come penserebbe l’uomo, affrontando le situazioni mediante funzioni cognitive
- Seguire gli schemi del pensiero umano nella formulazione dei ragionamenti, secondo i presupposti della logica
- Prendere decisioni orientate ad ottenere il miglior risultato possibile, sulla base dei dati effettivamente disponibili per conoscere il contesto di riferimento e delle informazioni che il cervello sintetico delle intelligenze artificiali riesce ad elaborare in maniera autonoma, in analogia con il cervello umano.
In altri termini, l’intelligenza artificiale mira a tradurre nel linguaggio matematico informatico ciò che il cervello umano svolge nel contesto biologico. Appare dunque evidente come la volontà di imitare l’uomo e il funzionamento del cervello umano possa assumere, di fatto, un’infinità di possibili declinazioni, che comportano a loro volta differenti approcci al problema.
Da questo punto di vista, diventa pertanto opportuno operare una distinzione tra l’intelligenza artificiale forte e l’intelligenza artificiale debole e soprattutto comprendere le ragioni per cui quest’ultimo approccio si è rivelato finora di gran lunga il più efficace nel produrre risultati nelle applicazioni del mondo reale.
Cos’è l’intelligenza artificiale forte
L’intelligenza artificiale forte è riconducibile ai sistemi in grado di simulare a pieno titolo il comportamento dell’uomo, agendo in maniera del tutto autonoma, a prescindere dal contesto di riferimento e dai possibili compiti loro assegnati.
Nel caso della AI forte non vi sarebbe alcun nesso tra il problema e la soluzione, in quanto il sistema è in grado di definire da solo i contesti e le cosiddette regole del gioco, individuando in totale autonomia i problemi da risolvere e le relative soluzioni.
Non è un caso che l’intelligenza artificiale forte venga anche definita intelligenza artificiale generale, in quanto non si propone di emulare il pensiero umano nelle situazioni singolari, ma di sviluppare una sorta di coscienza autonoma in grado di risultare efficace in qualsiasi possibile situazione.
Una convenzione assunta per capire se una macchina è in grado di dirsi scientificamente intelligente quanto l’uomo è il celebre test di Turing, il cui svolgimento prevede una persona, chiusa in una stanza, porre remotamente una serie di domande alla macchina, posizionata in una stanza adiacente. Se l’interrogatore umano non riesce a capire se le risposte sono state formulate da un uomo o da una macchina, il sistema AI può dirsi effettivamente intelligente.
Alcuni esempi di intelligenza artificiale forte
I puristi della disciplina affermano che, ad oggi, l’intelligenza artificiale forte costituisce un argomento esclusivamente teorico, in quanto non si è ancora assistito ad una AI in grado di sviluppare in maniera totalmente autonoma un pensiero paragonabile a quello umano.
Tuttavia, gli approcci generalisti della AI sono alla base di una serie risultati particolarmente tangibili e dirompenti, soprattutto per quanto concerne le attività degli AI LAB come Google Deepmind e OpenAI, riconducibile nell’orbita di Microsoft, che costituisce il suo principale finanziatore.
Deepmind ha sviluppato vari applicativi basati sull’approccio generalista della AI, anche se di fatto orientato verso la soluzione di problemi in un ambito specifico. È il caso di Alphafold, il sistema AI che ha risolto, per la prima volta nella storia, il calcolo dei protein folding, ossia la simulazione accurata delle strutture tridimensionali delle proteine a partire dal DNA. Tale scoperta potrà avere nel tempo un impatto molto significativo e aprire una nuova era nella biologia molecolare, nella medicina e nella ricerca farmacologica.
OpenAI è lo sviluppatore delle celebri tecnologie GPT (Generative Pre-trained Transformer), oltre ad applicazioni come ChatGPT e Dall-E. Siamo nell’ambito dei modelli di linguaggio basati sull’intelligenza artificiale, capaci di elaborare testi e immagini in maniera non distinguibile rispetto all’operato dell’uomo, sulla base di un semplice input testuale, definito prompt.
Il contesto dell’intelligenza artificiale generativa (generative AI), nella sua definizione più ampia, costituisce l’esempio attualmente più efficace per far intuire le potenzialità della vera intelligenza artificiale generale.
Cos’è l’intelligenza artificiale debole
L’intelligenza artificiale debole si riferisce ai sistemi progettati per risolvere problemi specifici, sfruttando qualità come l’apprendimento automatico da parte della macchina, opportunamente allenata da set di dati pertinenti rispetto al contesto a cui si riferisce.
Gli algoritmi AI, in particolare quelli di un sottoinsieme noto come machine learning, costituiscono sistemi matematico-informatici di varia complessità, in grado di simulare in autonomia gli scenari predittivi, per assistere l’uomo nel prendere determinate decisioni.
Sulla base di vari metodi di apprendimento, sono possibili varie correlazioni tra i dati di input e quelli di output (modelli). I data scientist possono inoltre disporre di ulteriori sottoinsiemi del machine learning, il più noto dei quali è costituito dal deep learning, il cui funzionamento è basato su reti neurali “profonde”, costituite da tre o più livelli.
Se, dato l’eccesso di ambizioni, l’intelligenza artificiale forte non è ancora stata capace di produrre risultati concreti al 100%, l’intelligenza artificiale debole può essere vista come una scorciatoia nei confronti del problema, che “si accontenta” di offrire soluzione concreti a problemi specifici, noti a priori.
La motivazione dell’intelligenza artificiale debole coincide dunque con il problem solving, per sfruttare le capacità di elaborazione della macchina ai fini di risultare più efficiente dell’uomo o sollevarlo dalle operazioni ripetitive o a basso valore aggiunto, affinché possa concentrarsi su funzioni strategicamente più rilevanti per il business.
Alcuni esempi di IA debole
L’intelligenza artificiale debole è la base di discipline fondamentali nel contesto dei big data & analytics, come la business intelligence e la business analytics, rispettivamente utilizzate nell’ambito delle analisi descrittive e prescrittive / predittive.
In questo contesto, rientrano applicazioni come la previsione della domanda di mercato e la previsione degli andamenti finanziari, da tempo utilizzate ampiamente utilizzate nel contesto enterprise.
A scopo esemplificativo, tra le varie applicazioni della AI debole, possiamo inoltre citare:
- Analisi comportamentale dei clienti, per migliorare la loro conoscenza e dare luogo a campagne di marketing più efficaci, sulla base di contenuti personalizzati.
- Rilevamento automatico delle frodi, mediante sistemi di computer vision e machine learning, capaci di rilevare situazioni anomale rispetto alla routine.
- Applicazioni di videosorveglianza smart, in grado di identificare individui sospetti e comportamenti anomali, ai fini di garantire la pubblica sicurezza.
- Riconoscimento dei furti di identità, attraverso analisi comportamentale e correlazioni di eventi, come accessi da dispositivi mai utilizzati, in orari insoliti, verso applicazioni non consuete, ecc.
- Filtri anti spam, grazie a sistemi di apprendimento automatico che consentono di riconoscere in maniera sempre più accurata i contenuti malevoli.
- Diagnostica medica, grazie alla capacità di identificare possibili patologie che l’occhio umano non potrebbe mai riscontrare sulla base di un supporto radiologico.
- Analisi e valutazione del rischio in ambito finanziario, per definire o meno l’opportunità di concedere mutui e finanziamenti.
- Sistemi di guida autonoma, supportando vari strumenti, dalla navigazione al riconoscimento degli ostacoli lungo il percorso.
- Analisi e previsione dei percorsi veicolari più convenienti nell’ambito della logistica.
- Ottimizzazione dei consumi energetici, sulla base delle analisi predittive
- Manutenzione predittiva, sulla base della capacità di individuare soltanto gli interventi strettamente necessari ai fini di garantire il corretto funzionamento di sistemi e impianti.
Le differenze tra IA forte e debole
Come precisato nel corso delle descrizioni puntuali, l’intelligenza artificiale debole agisce contestualmente, caso per caso, ai fini di individuale soluzioni efficaci a problemi specifici. Per contro, l’intelligenza artificiale forte, almeno in teoria, assume un approccio generalista, cercando di definire in autonomia le regole di un determinato contesto, ai fini di risolvere tutti i problemi che potrebbero insorgere.
In altri termini, la AI debole mira ad agire nel modo più razionale possibile, sulla base del pensiero umano, ossia della decisione più logica che l’uomo prenderebbe in un contesto specifico, mentre la AI forte è orientata ad agire come farebbe l’uomo sulla base del pensiero razionale in senso decisamente più astratto e generalizzato.
Uno degli esempi più ricorrenti per divulgare le differenze tra la AI debole e la AI forte è costituita dal gioco degli scacchi, nei confronti del quale è possibile assumere due differenti approcci: specifico o generalista.
La AI debole si concentrerebbe nell’apprendere i dati delle partite disputate dai giocatori per battere un avversario specifico, individuando le contromosse al suo gioco. L’efficacia del risultato deriverebbe dall’aver programmato a priori le regole del gioco e aver fatto apprendere al sistema un grande quantitativo di dati relativo alle mosse di un giocatore specifico.
La AI forte non si porrebbe mai il problema di battere un avversario specifico, ma si preoccuperebbe di studiare alla perfezione il gioco, apprenderne in autonomia le regole, iniziando a giocare e procedendo nel farlo sempre meglio, imparando dalle proprie partite, fino a diventare talmente abile da poter battere qualsiasi avversario, a prescindere dalle sue caratteristiche di gioco.
La sensazione è che ancora per lungo tempo, i casi d’uso reali saranno caratterizzati da un approccio di natura ibrida, che prevedono l’applicazione di logiche generaliste applicate a specifici ambiti di attività.
Rendere concreti i due approcci comporta un dispendio di risorse notevolmente differente e ciò spiega le ragioni per cui le applicazioni ispirate all’AI forte degli AI LAB come Deepmind e OpenAI possano di fatto permettersele colossi come Google e Microsoft, disposti ad affrontare a lunbgo perdite miliardarie per supportare lo sviluppo di sistemi ad oggi incapaci di sostenersi dal punto di vista economico, ma che nel medio e lungo termine potrebbero diventare una fonte incommensurabile di profitto, data l’estensione che si prevede per il loro impiego. Per citare una situazione simile nella storia della tecnologia, potrebbe profilarsi una situazione simile a quanto avvenuto per il cloud computing, dove i big tech hanno investito per molti anni prima di poter capitalizzare degli utili effettivi.
