> >
 Intelligenza
Artificiale
Paola Mello
I. Che cos’è l’intelligenza artificiale - II. Che
cosa fa l’intelligenza artificiale - III. Che cosa l’intelligenza
artificiale non può fare - IV. L’intelligenza artificiale fra
scienza e coscienza.
I. Che cos’è l’intelligenza artificiale
1. Introduzione. Si può definire l’«intelligenza
artificiale», che qui abbreviamo in IA (si usa spesso anche
“AI”, acronimo dell’inglese Artificial Intelligence), come
l’«insieme di studi e tecniche che tendono alla realizzazione di macchine,
specialmente calcolatori elettronici, in grado di risolvere problemi e di riprodurre
attività proprie dell’intelligenza umana» (T. De Mauro, Grande
dizionario italiano dell’uso, Torino 2000). La locuzione “intelligenza
artificiale” è un evidente ossimoro, in quanto attribuisce
all’“artificiale” qualcosa che è essenzialmente
“naturale” in quanto è la prerogativa più gelosa della natura umana:
l’intelligenza. E l’ossimoro è piuttosto provocatorio, poiché c’è chi
molto seriamente si domanda se la macchina possa essere davvero
“intelligente”, nel senso in cui questo termine è attribuito alla mente
dell’uomo (vedi infra, IV). D’altra parte definizioni come questa
appaiono troppo generiche, giacché si adattano altrettanto bene a tutta
l’informatica e, per esempio, alle “tecniche di automazione”:
discipline che non fanno parte dell’IA. Nei prossimi paragrafi (cfr. n. 2), in cui si
cercherà di delineare una traccia storica, si vedranno meglio questi apparentamenti. Ma
è obiettivamente difficile dare definizioni più precise, sia perché si tratta di una
materia in forte evoluzione, sicché una definizione che delimitasse il territorio di sua
competenza rischierebbe di escludere a priori sviluppi futuri che naturalmente le
potrebbero appartenere, sia perché essa è contemporaneamente una scienza e una tecnica,
ed è una disciplina di frontiera, una specie di affascinante “punto
multiplo” in cui s’incontrano diversi domini del sapere: logica,
informatica, psicologia, neuroscienze, filosofia. Per cui, piuttosto che delimitare, si
preferisce elencare e descrivere le sue caratteristiche fondamentali e le sue principali
aree d’applicazione. Non sono tuttavia mancati tentativi di precisazioni più
specifiche dalle quali, essendo discordanti fra loro, sono però risultate definizioni
alquanto diverse. Ne vediamo qualcuna.
Russell e Norvig propongono due distinzioni fondamentali. La prima è fra macchine che
“pensano” e macchine che si limitano a “operare” in
maniera, in qualche misura, simile a quella degli esseri umani. La seconda riguarda il
termine di confronto per valutare le loro prestazioni, termine che può essere l’uomo
reale o una sua idealizzata razionalità (cfr. Intelligenza artificiale, 1998, p.
4). Si deve dire che le applicazioni tecniche (vedi infra, II) riguardano
principalmente l’“operare razionale”, mentre il dibattito
filosofico, che sarà oggetto proprio dell’ultima sezione, insiste sulla possibilità
di prestazioni “umane” e soprattutto di un “pensiero
umano”. Un’altra distinzione fondamentale, sulla quale il dibattito
filosofico è acceso, è fra le cosiddette «IA debole» e «IA
forte»: chi sostiene l’IA debole si accontenta di considerare macchine che
agiscono “come se” fossero intelligenti; l’IA forte, invece,
asserisce la possibilità di macchine simili all’uomo fino a possedere
un’autocoscienza. S’intende facilmente come queste distinzioni s’intreccino
fra loro: in particolare l’IA forte riguarda esclusivamente “macchine che
pensano in maniera umana”, mentre l’IA debole concerne, di preferenza,
“macchine che operano”.
Infine, sul piano della realizzazione tecnica, si può distinguere
fra un’impostazione “funzionale” o “comportamentistica”,
per la quale non importa quale sia la struttura dotata dell’elaboratore
sede dell’“intelligenza”, e un’impostazione
“strutturale” o “costruttivistica” o “connessionistica”,
che vuole ottenere le stesse prestazioni del cervello umano riproducendo,
in qualche modo, la sua struttura. Con un leggero spostamento di
prospettiva, la prima impostazione è stata chiamata “emulazionistica”
e la seconda “simulazionistica”: i sostenitori di quest’ultima
ritengono che solo riproducendo il più fedelmente possibile il cervello
si possono ottenere prestazioni ad esso paragonabili; chi sostiene
la prima, al contrario, è convinto che l’essenza del funzionamento
del cervello non risieda nella sua struttura ma nelle sue prestazioni,
e che queste possano essere ottenute, e con esiti forse addirittura
migliori, anche da strutture completamente diverse. Entrambe le
impostazioni sono fertili di risultati ma la seconda, benché minoritaria,
ha una speciale importanza perché ha condotto alla realizzazione
delle «reti neurali». Queste sono imitazioni del cervello
animale, estremamente rozze, ma di grande interesse conoscitivo
oltre che tecnico, perché stabiliscono un rapporto con le neuroscienze
di grande utilità sia per l’IA sia per le neuroscienze stesse.
In pratica, le due impostazioni convergono perché dopo qualche tentativo
di produrre strutture fisiche “dedicate” (cioè a livello
di hardware), ora le reti neurali sono realizzate piuttosto
con programmi di calcolo (cioè a livello di software) che
vengono eseguiti su calcolatori di tipo generico.
2. Un po’ di storia. L’idea di delegare a congegni
meccanici talune operazioni tipiche della mente è molto antica.
Basti pensare alle operazioni aritmetiche svolte con l’abaco,
probabilmente inventato attorno al 5000 a.C. dai Cinesi, ai
quali risale pure il primo esempio conosciuto di dispositivo di
controllo automatico, che serviva a regolare il livello dell’acqua
nelle risaie: un galleggiante muoveva una paratoia, che riduceva
la portata d’acqua quando il livello tendeva ad aumentare.
In epoca moderna, le prime macchine da calcolo sono dovute a  Pascal
(1623-1662) che, nella metà del Seicento, costruì una addizionatrice
meccanica (la pascaline), e a Leibniz
(1646-1716) che, alla fine del secolo, la perfezionò per consentire
le moltiplicazioni e le divisioni. La prima macchina “programmabile”,
ossia capace di eseguire automaticamente sequenze di operazioni,
fu concepita da Charles Babbage (1792-1871) attorno al 1830, ma
non fu mai costruita a causa delle difficoltà meccaniche. Sul versante
dell’automatica si deve menzionare il regolatore di velocità
di James Watt (1736-1819), che a metà del Settecento aprì la via
all’automazione industriale. Queste notizie documentano l’interesse
a trasferire alle macchine non solo il lavoro materiale — quello
che comporta dispendio di energie fisiche — ma anche la
fatica intellettuale richiesta, vuoi per eseguire tediose sequenze
di calcolo, vuoi per sorvegliare e controllare il corretto funzionamento
di altri dispositivi (l’automazione è stata definita con la
formula «macchine che controllano altre macchine»).
Ma gli sviluppi che più specificamente interessano la nascita dell’IA avvengono
attorno alla metà del Novecento. Si devono ad Alan Turing (1912-1954) due contributi
fondamentali. Nel 1936 egli propose un modello ideale di calcolatore automatico
“universale” (conosciuto, appunto, come «macchina di
Turing»): esso è il prototipo di tutti gli elaboratori elettronici, che poi
furono sviluppati a partire dalla metà degli anni Quaranta. Nel 1950, poi, Turing propose
il «gioco dell’imitazione», ossia un paradigma per stabilire se
una macchina è “intelligente”. In un suo noto articolo, Computing
Machinery and Intelligence (1950), egli suggeriva di porre un osservatore di fronte a
due telescriventi. Una delle due è comandata da un uomo, l’altra da una donna.
L’osservatore, che non sa a quale terminale corrisponda l’uomo e a quale la
donna, lo può accertare ponendo loro qualunque tipo di domanda. Uno dei due interlocutori
deve rispondere con sincerità, l’altro invece deve fingere d’essere
dell’altro sesso. Poi all’interlocutore mendace si sostituisce un calcolatore
programmato in modo da “fingere” di essere una persona umana. Quando
sarà pari il numero d’errori prodotto nei tentativi di identificare il calcolatore a
quello verificatosi nel caso dell’identificazione dell’interlocutore mendace,
allora si potrà dire che il calcolatore è “intelligente”. Va detto che
il gioco dell’imitazione è stato tentato più volte con risultati, finora, piuttosto
deludenti. Nella classificazione di Russell e Norvig, l’esperimento concettuale di
Turing fornisce un valido esempio di “macchina che si comporta in maniera
umana”; esso rappresenta una posizione “comportamentista”, che
altri studiosi dell’IA giudicano però insufficiente.
Per la verità, il primo lavoro che si usa ascrivere all’intelligenza artificiale
risale al 1943, quando Warren McCulloch e Walter Pitt progettarono una rete neurale. Ma
gli sviluppi più importanti — sia sul piano teorico sia quanto alla redazione
di programmi di calcolo, che hanno valore di prototipo per le esperienze
successive — sono da ascrivere al decennio posteriore alla provocazione di
Turing. In particolare, nel 1956 un altro dei pionieri, John McCarthy, riunì a Dartmouth
i principali studiosi del tempo (fra i quali Marvin Minsky, Allen Newell, Claude Shannon e
Herbert Simon) in un seminario in cui, fra l’altro, egli propose il nome di
«intelligenza artificiale». Il 1958 fu particolarmente fertile di
risultati: McCarthy produsse il Lisp, un linguaggio di programmazione ad alto
livello dedicato specialmente all’IA (poi seguito, nel 1973, dal Prolog), e
incominciò a sviluppare programmi generali per la soluzione di problemi.
S’incominciò anche a studiare quelli che oggi sono chiamati «algoritmi
genetici», ossia programmi capaci di modificarsi automaticamente in modo da
migliorare le proprie prestazioni. Nei decenni successivi la ricerca proseguì con alterne
vicende. Gli anni Sessanta furono caratterizzati da risultati forse non eccezionali se
valutati col metro odierno, ma allora entusiasmanti, sia a causa della limitatezza degli
strumenti di calcolo con i quali erano ottenuti, sia perché sistematicamente smentivano
gli scettici che sostenevano che «la tal cosa non si potrà mai fare».
In quegli anni si registrarono anche interessanti sviluppi, soprattutto teorici, della
ricerca sulle reti neurali. Ma si incontrarono anche le prime difficoltà, e si fu
costretti a prendere coscienza di limiti che ancor oggi appaiono insuperabili. Una grave
difficoltà è l’«esplosione combinatoria», ossia l’aumento
esplosivo del tempo di calcolo quando aumenta il numero di variabili del problema; un
limite è il fatto, sul quale si dovrà tornare, che l’elaboratore può trattare
soltanto i legami “sintattici” e non i contenuti
“semantici”, ossia il significato delle variabili sulle quali sta
operando. Gli anni Settanta videro la nascita dei «sistemi esperti» e
le loro prime applicazioni alla diagnostica medica, e i primi tentativi di
“comprensione” del linguaggio naturale (nel senso restrittivo di dare
risposte preordinate a un limitato numero di domande).
A partire dal 1980 l’IA è uscita dai laboratori scientifici
e ha trovato applicazioni pratiche significative, varie delle quali
saranno descritte nella prossima sezione. Contemporaneamente, e
per conseguenza, aziende industriali specialmente americane e giapponesi
hanno incominciato a mettere in commercio programmi dedicati ai
sistemi esperti, al riconoscimento di configurazioni e così via,
ed hanno costruito microcircuiti ed interi elaboratori specializzati
per applicazioni dell’IA. Le reti neurali, dopo poco meno di
vent’anni di quasi completo disinteresse, hanno ricevuto nuova
attenzione a partire dal 1985, in particolare a causa della definizione
di nuovi, più potenti algoritmi di ottimizzazione. Nell’ultimo
decennio del secolo, al perfezionamento delle reti neurali si è
affiancato lo sviluppo di nuovi procedimenti di calcolo, soprattutto
derivati dalla teoria delle probabilità e delle decisioni; e, sul
versante delle applicazioni, sono stati sviluppati metodi efficaci
per la costruzione dei sistemi esperti e per il riconoscimento del
parlato e delle forme, questi ultimi specialmente destinati alla
robotica e alla visione artificiale.
II. Che cosa fa l’intelligenza artificiale
Dal punto di vista ingegneristico e riduttivamente pragmatico,
l’IA è valutata semplicemente per le sue capacità e prestazioni,
indipendentemente dai metodi e meccanismi che sono utilizzati per
realizzarla. Il punto di vista è dunque “emulazionistico”
e non “simulazionistico”: l’idea che sta alla base
è quella di costruire macchine che non necessariamente “simulino”
riproducendo il comportamento del cervello umano, ma siano più semplicemente
in grado di “emularlo”, selettivamente, nel risultato
finale di certe operazioni. È questa la tesi sostenuta da A. Turing
nel gioco dell’imitazione che abbiamo già descritto: egli propone
di “valutare” l’intelligenza di una macchina solamente
dalla sua capacità di presentare un comportamento comunicativo indistinguibile
da un essere parlante umano. Quest’impostazione è stata sicuramente
dominante nella storia dell’IA ed ha portato alla costruzione
programmi che raggiungono un alto livello di competenza nella conoscenza
e nella risoluzione di problemi ritenuti complessi. Tali programmi
sono costruiti come “manipolatori” di simboli formali
non-interpretati, per cui la macchina può essere concepita semplicemente
come un trasformatore sintattico senza alcuna conoscenza “semantica”
del problema (vedi infra, III.4).
1. Architettura di base dei sistemi di intelligenza artificiale.
L’applicazione software alla base di un sistema
di IA non è un insieme di istruzioni immutabili che rappresentano
la soluzione di un problema, ma un “ambiente” in cui rappresentare,
utilizzare e modificare una base di conoscenza. Il sistema esamina
un largo numero di possibilità e costruisce dinamicamente una soluzione.
Ogni sistema di tal genere deve riuscire ad esprimere due tipi di
conoscenza in modo separato e modulare: una base di conoscenza e
un motore inferenziale.
Per «base di conoscenza» si intende il “modulo”
che raccoglie la conoscenza sul “dominio”, cioè sul problema. È
possibile dettagliare la base di conoscenza suddividendola in due sezioni: a) Il
blocco delle asserzioni o fatti (memoria temporanea o a breve termine), b) il blocco
delle relazioni e regole (memoria a lungo termine). La memoria temporanea contiene la
“conoscenza dichiarativa” su di un particolare problema da risolvere. Si
ha una rappresentazione costituita da fatti veri introdotti all’inizio della
consultazione o dimostrati veri dal sistema nel corso della sessione di lavoro. Nella
memoria a lungo termine vengono invece mantenute regole che forniscono un insieme di
raccomandazioni, consigli, direttive strategiche atti a costruire il patrimonio di
conoscenza disponibile per risolvere il problema. Le regole sono costituite attraverso
dichiarazioni composte di due unità. La prima è detta «antecedente»
ed esprime una situazione od una premessa, mentre la seconda è chiamata
«conseguente», e in essa viene avviata l’azione da applicarsi in
caso ci sia riscontro di verità nella premessa. La sintassi generale è pertanto:
«se “antecedente”, allora
“conseguente”».
Il «motore inferenziale» è il modulo che utilizza la
base di conoscenza per giungere alla soluzione del problema proposto
e per fornire spiegazioni. Al motore inferenziale è delegata la
scelta di quale conoscenza è opportuno utilizzare, istante dopo
istante, nel processo risolutivo. Dunque vengono combinate le varie
cellule di conoscenza che, considerate singolarmente, apparirebbero
di uso limitato, al fine di trarre nuove conclusioni ed esprimere
nuovi fatti. Ciascuna regola dell’insieme che rappresenta il
dominio della conoscenza, per risultare valida in una particolare
istanza, dev’essere confrontata con un insieme di fatti che
rappresentano la conoscenza attuale sul caso corrente, e quindi
soddisfatta. Ciò viene fatto attraverso un’operazione di matching,
in cui si tenta di accostare l’antecedente della regola con
i vari fatti presenti nella memoria temporanea. Se il matching
ha successo, si procede all’esecuzione delle eventuali azioni
elencate nel conseguente. Nel caso quest’ultimo contenga invece
una conclusione, il soddisfacimento dell’antecedente consente
di omologare tale asserzione come nuovo fatto della memoria a breve
termine. L’operazione di matching genera delle «catene
inferenziali», che indicano il modo in cui il sistema utilizza
le regole per effettuare nuove inferenze. Permettono inoltre di
dare all’utente una spiegazione su come vengono emesse certe
conclusioni. Per generare delle catene inferenziali a partire da
un insieme di regole i metodi adoperati sono sostanzialmente due:
a) il «concatenamento in avanti» (forward chaining).
Tale tecnica cerca di giungere ad una conclusione partendo dai fatti
presenti all’inizio nella memoria temporanea e applicando in
avanti le regole di produzione. Si dice che l’inferenza è guidata
dall’antecedente, in quanto la ricerca delle regole da applicare
si basa sul matching tra i vari fatti in memoria e quelli
combinati logicamente nell’antecedente della regola attiva;
b) il «concatenamento all’indietro» (backward
chaining). In questo caso si procede mediante riduzione dell’obiettivo
principale (goal) a sottoproblemi. Allora, una volta individuata
la tesi da dimostrare, si applicano all’indietro le regole
di produzione, cercando di trovare coerenza con i dati iniziali.
L’interprete ricerca, se esiste, una regola che abbia come
conseguente l’asserzione di cui deve provare la veridicità.
Da qui si volge a provare i sotto-obiettivi (sub-goals) che
costituiscono l’antecedente della regola trovata. Si parla
perciò di inferenza guidata dal conseguente.
2. Sistemi esperti. I sistemi esperti sono l’esempio
applicativo più noto derivante da questo approccio. Un sistema esperto,
ossia un «sistema basato sulla conoscenza», è uno strumento
in grado di risolvere problemi in un dominio limitato, ma con prestazioni
simili a quelle di un esperto umano del dominio stesso. Questo significa
che il compito fondamentale di un sistema esperto è quello di coadiuvare
l’attività di utenze professionali, laddove è usualmente richiesta
la consulenza di uno specialista umano dotato di competenza (expertise)
e capacità di giudizio. Le ricerche di IA hanno posto luce sui problemi
realizzativi di tali strumenti, affermando la necessità di restringere,
per quanto possibile, il campo di applicazione. Dunque, rispetto
ad un esperto umano, questi applicativi si rivelano certamente più
limitati e superficiali, non disponendo di quella completezza che
costituisce la conoscenza culturale della persona competente. Inoltre
non è possibile sperare che un sistema esperto possa giungere a
conclusioni in maniera intuitiva o saltando alcuni passaggi logici,
affidandosi al “buon senso” o al meccanismo della analogia,
com’è invece prerogativa dell’uomo. In definitiva, viene
simulato un esperto umano con tratti più o meno abbozzati, e lo
si fornisce della capacità di risolvere compiti ristretti, temporanei
o secondari. Il primo e più noto di tali sistemi è Mycin,
sviluppato da E.M. Shortleffe a partire dal 1972 ed applicato
in campo medico. Per quanto riguarda più specificatamente i tipi
di problemi che un sistema esperto può essere chiamato a risolvere,
si può stendere una lista di argomenti, ovviamente non esaustiva:
a) “diagnosi”: si tratta di individuare, in base
al riconoscimento di determinati sintomi, le possibili cause di
“malfunzionamento” e suggerire un cammino di cura; b) “monitoraggio”:
viene seguito lo sviluppo temporale di un processo; si procede al
controllo dell’acquisizione e dell’elaborazione di dati
di vario tipo, fornendo in uscita informazioni sintetiche sullo
stato e stime sulla sua evoluzione; c) “pianificazione”:
note le risorse a disposizione, se ne individua l’impiego ottimo
allo scopo di conseguire un certo obiettivo entro un dato tempo;
parallelamente si indirizza l’acquisizione di nuove risorse;
d) “interpretazione di informazioni e segnali”: avendo
in ingresso una serie di dati relativi ad un certo àmbito, si vuole
effettuare una valutazione complessiva al fine di riconoscere il
presentarsi di alcune situazioni predeterminate.
3. Giochi. Un altro campo applicativo in cui questo
tipo di approccio, simbolico e ingegneristico, ha avuto notevoli
successi è quello dei giochi. L’intelligenza artificiale considera
generalmente giochi a due giocatori in cui le mosse sono alternate
e interpreta lo svolgersi del gioco come un “albero” in
cui la “radice” è la posizione di partenza e le “foglie”
sono le posizioni finali (vincenti o perdenti). Ovviamente, a causa
della complessità dei giochi trattati, sarebbe impensabile, anche
per un potentissimo computer, di sviluppare completamente
tutto l’albero per decidere la mossa “migliore”.
Ecco quindi la necessità di applicare opportune euristiche per “potare”
alcuni rami dell’albero e rendere il problema trattabile. Si
pensi al gioco degli scacchi in cui la dimensione del problema è
enorme. Solo all’inizio partita le mosse possibili sono 400,
diventano più di 144.000 alla seconda mossa. Sviluppando l’albero
di gioco avremmo circa 35100 nodi. Applicando tecniche
di manipolazione simbolica e utilizzando metodi potenti per ridurre
la dimensione dello spazio di ricerca, altrimenti intrattabile,
si sono prodotti comunque sistemi in grado di giocare a scacchi
meglio dell’uomo, anche se, ovviamente, utilizzando tecniche
ben differenti da quelle umane. È infatti noto che nel maggio 1997,
a New York, una macchina (Deep Blue) ha battuto in un match
di sei partite il campione del mondo Kasparov. Interessante è sottolineare
che tale macchina, appositamente progettata a livello hardware
per riuscire a sviluppare ed esaminare spazi di ricerca in parallelo
in tempi rapidissimi (si pensi che Deep Blue arriva ad esplorare
1011 posizioni in circa 3 minuti) utilizza la “forza bruta”
piuttosto che tecniche euristiche raffinate per giungere rapidamente
alla soluzione migliore.
4. Dimostrazioni matematiche e linguaggi di programmazione
logica. L’utilizzo della logica
e l’automazione delle dimostrazioni matematiche è un altro
campo applicativo in cui l’IA ha raggiunto notevoli risultati.
La logica è sicuramente uno degli strumenti più antichi, assestati
e rigorosi utilizzati dall’uomo per formalizzare e spiegare
il proprio ragionamento. È semanticamente ben definita, altamente
dichiarativa, ed ha un apparato deduttivo assolutamente generale.
Questo spiega perché la logica classica (in particolare quella del
primo ordine) sia tanto utilizzata in IA per rappresentare la conoscenza
su un problema, anche se questa scelta ha delle limitazioni evidenti
(vedi infra, III.3) e non trova un consenso unanime. Minsky
sostiene al riguardo che le formule ed i metodi di deduzione logici
non sono il modo più naturale con cui ragionare e non sono i metodi
con cui l’uomo organizza la sua conoscenza e mostra un comportamento
intelligente. La base di conoscenza diventa in questo caso una collezione
di asserzioni della logica dei predicati del primo ordine. Le regole
di inferenza permettono di dedurre nuove asserzioni (“teoremi”)
non esplicitamente contenute nella base di conoscenza iniziale.
La sequenza di regole di inferenza utilizzate nella derivazione
del teorema si chiama «prova del teorema». Ovviamente,
volendo automatizzare il procedimento, l’efficienza della prova
diventa un requisito fondamentale. Gran parte dei programmi che
utilizzano la logica in IA sono basati sugli studi sulla dimostrazione
automatica dei teoremi di logica, ed in particolare sul metodo di
risoluzione messo a punto da J.A. Robinson negli anni ‘60
ed allo sviluppo di strategie per rendere più efficiente la dimostrazione.
Figli di questi studi sono anche la programmazione logica ed il
linguaggio Prolog in particolare (da PROgramming in LOGic),
che si sta affermando come uno dei più interessanti ed innovativi
paradigmi di programmazione per lo sviluppo di applicazioni “intelligenti”.
La nozione di «programmazione logica» nasce agli inizi
degli anni ‘70, per merito soprattutto di alcuni ricercatori
delle università di Edimburgo e di Marsiglia. A Robert Kowalski,
allora all’Università di Edimburgo, risale la definizione dei
fondamenti teorici della programmazione logica e, in particolare,
la proposta di un’interpretazione procedurale delle clausole
della logica che permette di ridurre il processo di dimostrazione
di un teorema al più tradizionale processo di computazione dei linguaggi
di programmazione. Al gruppo di Alain Colmerauer a Marsiglia va
invece il merito di avere realizzato per primi, nel 1972, un “interprete”
per il linguaggio Prolog, dimostrando così la fattibilità
pratica della nozione di programmazione logica. Questa si differenzia
radicalmente dalle tecniche di programmazione che vengono normalmente
utilizzate per scrivere programmi nei linguaggi tradizionali. I
linguaggi di programmazione più diffusi, dal Fortran al Pascal
al C, sono infatti basati sul paradigma imperativo, secondo
il quale un programma consiste di una sequenza di comandi che specificano
in modo estremamente dettagliato le operazioni che dovranno essere
eseguite dall’elaboratore per risolvere il problema dato. Viceversa,
in programmazione logica un problema viene descritto in termini
molto più astratti con un insieme di formule della logica. Questo
modo di rappresentare i problemi consente una comprensione dichiarativa
della conoscenza, con cui si descrive un problema senza specificare
in modo dettagliato come si potrà ottenere la soluzione. In altre
parole, la programmazione logica condivide con la dimostrazione
automatica dei teoremi l’uso della logica per rappresentare
la conoscenza e l’uso della deduzione per risolvere problemi.
Tuttavia, essa pone l’accento sul fatto che la logica può essere
usata per esprimere programmi e che particolari tecniche di dimostrazione
possono essere usate per eseguire i programmi.
5. L’apprendimento. Al di là della doverosa elencazione
di questi sistemi ritenuti di successo dal punto di vista applicativo,
anche se con indubbi limiti se valutati in un’ottica meno riduttiva,
è quasi universalmente riconosciuto che le macchine non potranno
dirsi intelligenti fino a quando non saranno in grado di accrescere
le proprie conoscenze e di migliorare le proprie abilità. Scrive
Simon (1981): «L’apprendimento consiste in cambiamenti
del sistema che siano adattativi, nel senso che mettono in grado
il sistema di svolgere la prossima volta lo stesso compito in modo
più efficiente ed effettivo». Un metodo per risolvere, anche
se molto parzialmente, questo problema è dotare le macchine simboliche
di capacità ragionamento induttivo oltre che deduttivo. Il ragionamento
induttivo procede da asserzioni singolari riguardanti particolari
fatti o fenomeni (“esempi”) ad asserzioni universali esprimibili
mediante ipotesi o teorie che spieghino i fatti dati e siano in
grado di predirne di nuovi. Mentre però l’inferenza deduttiva
preserva la “verità” (nel senso di correttezza logica),
l’inferenza induttiva non garantisce ciò, e quindi tali sistemi
possono tendere ad un’eccessiva generalizzazione e produrre
errori. Si tratta sempre di un approccio simbolico in quanto i risultati
di tale procedimento sono una nuova teoria, nuove regole e, in generale,
una base di conoscenza nuova o aggiornata. Uno dei più noti programmi
di apprendimento dagli esempi è ID3, sviluppato da J. Ross
Quinlan (fra il 1979 e il 1983), da cui sono nati prodotti commerciali
per la classificazione automatica. ID3 e i suoi “discendenti”
hanno esplorato migliaia di basi di dati producendo regole di identificazione
in differenti aree (ad esempio diagnosi di malattie). Attualmente
i programmi di apprendimento sono ampiamente utilizzati dal punto
di vista pratico per far fronte all’esigenza di sfruttare il
patrimonio informativo contenuto nelle grandi raccolte di dati accessibili
su rete, o nelle basi di dati aziendali, per estrarre regolarità
fra i dati, informazioni e conoscenze nascoste (data mining).
6. Le reti neurali. Le reti neurali rappresentano un
approccio significativamente diverso da quello simbolico analizzato
precedentemente, e rientrano nel filone dell’IA che abbiamo
citato come “strutturale” o “connessionistico”
(vedi supra, I.1). L’idea di base è di riprodurre l’intelligenza
e, in particolare, l’apprendimento simulando all’elaboratore
la struttura neurale del cervello animale. I calcolatori possono
memorizzare con facilità grandi quantità di informazioni, operano
in nanosecondi e possono svolgere enormi moli di calcoli aritmetici
senza errore, mentre gli uomini non sono in grado di avvicinarsi
a tali prestazioni. È indubbio, però che gli uomini, normalmente,
svolgono “semplici” compiti come camminare, parlare, interpretare
una scena visiva o comprendere una frase, ragionare su eventi di
senso comune, trattare situazioni incerte, in modo molto più brillante
ed efficiente dei più raffinati e costosi programmi di IA risultanti
dall’approccio simbolico e funzionale.
L’idea di costruire una macchina intelligente a partire da neuroni artificiali si
può fare risalire alla nascita dell’IA, e già alcuni risultati furono ottenuti da
McCulloch e Pitts nel 1943 quando nacque il primo modello neurale; essi furono poi
approfonditi da altri ricercatori. Nel 1962 Rosenblatt propose un nuovo modello di
neurone, il «percettrone», capace di apprendere mediante esempi. Un
percettrone descrive il funzionamento di un neurone eseguendo una somma pesata dei suoi
ingressi ed emettendo un’uscita “1” se la somma è maggiore di un
certo valore di soglia modificabile, o “0” altrimenti.
L’apprendimento, così inteso, è un processo di modifica dei valori dei pesi. Il
grande entusiasmo verso questo approccio subì una brusca riduzione pochi anni dopo,
quando Minsky e Papert evidenziano i grandi limiti di apprendimento del percettrone. Più
recentemente sono state proposte nuove architetture di reti neurali non più soggette alle
limitazioni teoriche dei percettroni, dette “connessioniste”, che
utilizzano potenti algoritmi di apprendimento (propagazione all’indietro). Questo ha
risvegliato un forte interesse per le reti neurali ed ha consentito lo sviluppo di
applicazioni di successo. L’architettura “connessionista”,
alternativa a quella di Von Neumann, è caratterizzata da: a) un grande numero di
elementi di elaborazione molto semplici, simili a neuroni; b) un grande numero di
connessioni (sinapsi) pesate tra gli elementi; c) un controllo distribuito altamente
parallelo. I pesi codificano, di fatto, la conoscenza di una rete. Le variazioni che si
hanno durante l’apprendimento si possono considerare come variazioni dinamiche dei
pesi delle connessioni. Si possono distinguere varie modalità di apprendimento in
dipendenza da come la rete viene “addestrata”. In particolare, i
paradigmi di apprendimento possono essere suddivisi in tre classi fondamentali: a)
apprendimento con supervisione mediante esempi (Supervised Learning): un insegnante
fornisce alla rete le risposte desiderate che i neuroni dovrebbero produrre dopo la fase
di addestramento; b) apprendimento senza supervisione (Unsupervised Learning):
i neuroni si specializzano mediante una competizione interna al fine di discriminare gli
stimoli presentati in ingresso; c) apprendimento mediante rinforzo (Reinforcement
Learning): alla rete viene fornita solo una informazione qualitativa sulla bontà
della sua risposta; un critico valuta la risposta della rete ed invia ai neuroni un
segnale di rinforzo positivo se la valutazione è buona, negativo altrimenti.
Nei sistemi connessionisti sembra essere più facile realizzare
sistemi di apprendimento, ma tale apprendimento, nascosto in variazioni
di valori numerici reali, rimane cablato all’interno della
rete e non può essere esplicitato in forma simbolica. Le reti neurali
sono quindi più adatte a compiti di classificazione e di percezione
concettualmente “di basso livello” anche se tecnicamente
ardui, quali il riconoscimento del parlato, il controllo di processi
e il riconoscimento di immagini, mentre problemi concettualmente
complessi quali progettazione, diagnosi, pianificazione, rimangono
dominio della IA simbolica. Mentre i modelli a reti neurali sono
basati sulla simulazione del cervello umano, molte altre tecniche
di IA si ispirano all’evoluzione del mondo animale e dei raggruppamenti
sociali. Gli algoritmi genetici, ad esempio, sono algoritmi basati
sull’evoluzione, in cui l’apprendimento avviene attraverso
un processo selettivo a partire da una vasta popolazione di programmi
casuali.
7. Limiti e nuovi traguardi. Molte critiche sono state portate
agli attuali sistemi di IA: sicuramente essi sono poveri e deludenti
se confrontati con le prime aspettative dell’intelligenza artificiale.
Non si sono visti, in effetti, passi da gigante ed i problemi più
impegnativi quali, ad esempio, l’apprendimento e la rappresentazione
del comune buon senso, anche se affrontati e risolti parzialmente,
sono ben lontani da una completa soluzione. Per quello che riguarda
l’approccio funzionale all’IA, nonostante i molti punti
a favore del modello architetturale dei sistemi basati sulla conoscenza
come la modularità dell’architettura e la possibilità di una
crescita incrementale della conoscenza, solo pochi sistemi esperti
commerciali sono veramente operativi, costituendo peraltro una percentuale
molto bassa rispetto ai programmi convenzionali. Un pesante “collo
di bottiglia” per la loro diffusione è senz’altro quello
dell’acquisizione della conoscenza. È particolarmente complesso,
infatti, estrarre in modo completo la conoscenza dall’esperto
e riuscire a formalizzarla nella base di conoscenza. Inoltre tali
sistemi hanno un alto costo di mantenimento ed aggiornamento. D’altro
canto, l’alternativa all’approccio funzionale rappresentata
da connessionismo e reti neurali trova applicazioni anche di successo,
ma spesso limitate alla soluzione di problemi ritenuti di più basso
livello quali la percezione e il riconoscimento.
Per quanto riguarda le prospettive future, attualmente la rivoluzione
tecnologica che porta alla società dell’informazione dà la
possibilità di accedere ad un’enorme mole di materiale informativo,
che deve però essere gestito ed interpretato in maniera corretta
( INFORMAZIONE,
VI-VII). Si va dai grandi archivi aziendali all’informazione
on line, aggiornata “in tempo reale”; dalla capacità
di cogliere lo scibile nelle sue manifestazioni più pratiche — come
l’esperienza maturata “sul campo” dallo specialista —
all’indagine del dettaglio, volta a traguardi sempre più accurati.
Ogni proposito di sviluppo si trova ad affrontare una mole non strutturata
di dati eterogenei e ridondanti. Pare dunque giustificato cercare
non solo di rafforzare, ma soprattutto di rivoluzionare gli strumenti
di estrazione e di analisi dell’informazione, al fine di utilizzare
questo grande patrimonio conoscitivo al meglio delle sue potenzialità.
Diventa quindi fondamentale l’uso delle metodologie per l’estrazione
della conoscenza precedentemente citate, che utilizzano tecniche
di apprendimento simbolico e reti neurali.
Attualmente vi è anche una forte spinta all’integrazione dei
sistemi di IA, ed in particolare dei sistemi esperti con il resto
del mondo dell’ingegneria dell’informazione, ove ritroviamo
l’uso corrente di tecnologie quali la programmazione o la costruzione
di basi di dati “orientate agli oggetti” (Object Oriented
Programming e Object Oriented Data Base) e le “interfacce
grafiche” (Graphic User Interfaces), talune delle quali
sono originariamente nate nell’ambito dell’IA. Un fenomeno
importante è la tendenza all’estinzione del sistema esperto,
inteso come applicazione a sé stante, a vantaggio di una visione
integrata: si tende infatti a realizzare moduli che producano task
“intelligenti”, strettamente integrati nelle applicazioni
software e nei sistemi informativi generali. L’idea
è quindi quella di costruire “agenti intelligenti” con
capacità di ragionamento deduttive ed induttive, preposti a particolari
compiti e in grado di coordinarsi con altri agenti in ambito distribuito
al fine di raggiungere insieme un unico obiettivo. Le funzioni realizzate
da tali agenti intelligenti devono integrarsi con le funzioni realizzate
da altri moduli, magari preesistenti al sistema stesso, quali l’interfaccia
con l’operatore, i sistemi di gestione degli archivi (DBMS,
Data Base Management System), i moduli di acquisizione dati
e i sistemi grafici. In questi campi l’IA sta già cogliendo,
e potrà ancora cogliere, nuovi prestigiosi successi.
III. Che cosa l’intelligenza artificiale non può fare
Il dibattito sull’IA è stato negli ultimi due decenni del
Novecento, ed è tuttora, fra i più appassionati e appassionanti
della ricerca filosofica. Ciò può essere considerato naturale perché
l’IA riapre, con grande forza di provocazione, il problema
di che cosa siano la mente, l’intelligenza o l’intelligenza
cosciente ( MENTE-CORPO,
RAPPORTO). La discussione riguarda due grandi temi: che cosa può
fare l’IA, e che cosa è lecito fare con l’IA.
1. IA debole e IA forte. Conviene, fin dal principio, distinguere
fra “IA debole” e “IA forte”: al significato
di questi termini s’è già accennato inizialmente (vedi supra,
I.1), ma ora conviene richiamarlo e precisarlo. L’IA debole
vuol costruire macchine che si comportino “come se” fossero
intelligenti: ossia macchine capaci di risolvere “tutti”
i problemi che l’intelligenza umana sa risolvere. L’IA
forte vuole di più: afferma che la macchina che agisce in modo intelligente
deve avere una “intelligenza cosciente”, una mente cosciente
indistinguibile dalla mente umana. Si noti che l’IA debole
si occupa della concreta costruzione o costruibilità di macchine
“pensanti”, mentre l’IA forte vuol dare risposta
al problema astratto di che cosa sia il loro “pensare”.
Perciò, come osservano Russell e Norvig, si può credere all’IA
forte ed essere scettici sull’IA debole (cfr. Intelligenza
artificiale, 1998, p. 884): ossia pensare che le macchine intelligenti,
se fossero costruite, avrebbero un’intelligenza cosciente,
ma ritenere che esse non possano essere costruite.
Alcune delle obiezioni riguardano l’IA debole, ma le più radicali
sono quelle portate all’IA forte. Il dibattito parte da asserzioni
di questo tipo: «il cervello è una macchina e perciò, in linea
di principio, si può costruire una macchina che faccia tutto ciò
che fa il cervello». Applicato alle proprietà della mente,
questo enunciato assume un chiaro sapore riduzionistico poiché assume
implicitamente che “mente” coincida con “cervello”.
Questa impostazione è chiaramente materialista ( MATERIALISMO,
IV; MATERIA, VIII) ed estremamente discutibile ma, poiché tutto
il dibattito si svolge al suo interno, di essa si potrà discutere
più avanti (vedi infra, IV.1).
2. Che cosa l’IA debole non può fare. Incominciamo
dalle critiche all’IA debole, pur facendo presente che molte
di esse si applicano, per naturale estensione, anche all’IA
forte. Un primo gruppo consiste in affermazioni apodittiche del
tipo: «la macchina non potrà mai fare la tal cosa».
Obiezioni di questo genere hanno sempre accompagnato le innovazioni
della tecnica, e sono soprattutto manifestazione del rifiuto psicologico,
del timor panico di fronte ad un “nuovo” incomprensibile:
perciò devono essere guardate con estrema diffidenza. In generale
esse non hanno suscitato discussione: sono state smentite quasi
sempre dai fatti. Più esattamente, i tecnici hanno raccolto le sfide
e si sono adoperati per costruire precisamente macchine che facessero
ciò che si dichiarava impossibile. Clamoroso è l’esempio del
gioco degli scacchi di cui si è parlato (vedi supra, II.3),
anche perché la convinzione che la macchina non avrebbe mai potuto
battere il grande maestro è durata forse più a lungo di ogni altra,
e più duramente ha sfidato i tecnici. Ma è istruttivo vedere “come”
l’elaboratore ha battuto il maestro: quest’ultimo “vede”
sulla tastiera la mossa giusta, la “intuisce” in un modo
apparentemente simile all’intuizione dell’artista, con
un processo mentale al quale diamo il nome di “genio”,
ma del quale non sappiamo nulla. A tutto ciò la macchina oppone
la “forza bruta” di un numero enorme di circuiti velocissimi,
che le consentono di fare un gran numero di tentativi in cerca della
mossa che assicura la maggior probabilità di vittoria. S’incomincia
a intravedere, in questo, una differenza fondamentale fra uomo e
macchina che sfugge alle analisi di tipo riduzionistico.
Però Turing, nello stesso articolo in cui propone il “gioco
dell’imitazione” (in cui anticipa molte delle questioni che avrebbero
appassionato i filosofi nei decenni successivi), presenta e discute anche un fantasioso
elenco di operazioni che, secondo i suoi avversari, “la macchina non potrà mai
fare”. Alcuni punti dell’elenco, come «apprendere
dall’esperienza», sono stati, almeno ad un certo livello, realizzati: la
preveggenza di Turing ha già avuto la meglio sugli sprovveduti avversari dell’IA.
Altri, semplicemente, non riguardano la macchina in quanto soggetto dell’IA. Per
esempio, «essere bello» oppure «far innamorare qualcuno di
sé»: la narrativa di fantascienza favoleggia di bellissimi robot
umanoidi e di umani che se ne innamorano, ma questo potrebbe riguardare, se mai, la
robotica, non certamente l’IA. Oppure «gustare delle fragole con
panna»: si può immaginare (e qualcosa di simile è stato costruito) un robot
dotato di sensori del gusto e dell’olfatto, e di un programma che discrimini i gusti
gradevoli. Anche in questo caso la questione riguarderebbe soprattutto la robotica, ma con
un problema in più: “gustare” implica già una facoltà tipica della
mente umana e quindi chiama in causa il problema di fondo dell’IA forte. Altrettanto
può dirsi dell’operazione più inquietante: «essere l’oggetto del
proprio pensiero», che chiama in causa l’autocoscienza.
Una variante di queste obiezioni sostiene che «la macchina può
fare soltanto ciò che noi le sappiamo ordinare di fare», cioè
è priva di volontà libera e le scelte che compie sono condizionate.
Si può rispondere in due modi opposti. Da un lato gli algoritmi
genetici e molte delle applicazioni descritte (vedi supra,
II) mostrano che la macchina può allargare di molto e modificare
la gamma delle sue possibilità. Dall’altro, però, si potrebbe
osservare che anche queste modificazioni sono, in qualche modo,
previste e perciò potenzialmente incluse nella programmazione originaria.
Questo mette in luce l’essenziale, indissolubile dipendenza
della macchina dall’uomo, ma introduce anche un elemento di
sostanziale novità, e cioè la trasgressione del paradigma metodologico
fondamentale dell’ingegneria, la progettualità. Essa vuole
che ogni oggetto tecnico sia disegnato in ogni sua parte prima che
s’intraprenda la sua costruzione. Ma i sistemi di apprendimento,
e in massima misura le reti neurali, sono inizialmente oggetti per
certi versi informi: il tecnico definisce la loro struttura formale
ma i “pesi” delle connessioni, che caratterizzano quella
particolare rete neurale in ordine al compito che deve svolgere,
si vanno precisando durante l’apprendimento, in una maniera
dipendente non dall’intenzionalità del progettista ma dall’informazione
fornita; alla fine (ammesso che vi sia una fine, ossia che il processo
d’apprendimento non duri per tutta la vita del sistema), essi
assumono valori numerici del tutto imprevedibili e, d’altronde,
privi d’interesse per il tecnico che ha progettato la rete
e che la usa. In questo la tecnica dell’IA sembra anticipare
una tendenza che poi si è diffusa in molti campi dell’ingegneria,
e soprattutto nell’ingegneria dell’informazione: la generazione
e l’impiego di sistemi “non progettati”. Si veda,
per esempio, il caso di Internet ( INFORMAZIONE,
VI).
Simili alle precedenti sono le obiezioni di tipo “quantitativo” che
possono assumere la forma: «non si riuscirà mai a costruire una macchina
abbastanza potente per risolvere questo problema». Anche per la maggior parte di
queste obiezioni i fatti si sono incaricati della smentita, ma la questione non può dirsi
del tutto superata. Con particolare forza esse sono state sollevate quando, negli anni
Sessanta, la soluzione di problemi matematici si è scontrata con
l’“esplosione combinatoria” della quale si è già parlato. Nella
matematica applicata si parla di problemi «intrattabili» quando il
tempo di calcolo cresce almeno esponenzialmente con il numero di variabili. Si tratta
dunque di un’impossibilità “pratica”: uno stesso problema può
essere risolto se le incognite sono poche, ma diventa insolubile (in un tempo ragionevole)
quando il loro numero aumenta. A questo proposito Turing ha obiettato che spesso la
“quantità” diventa “qualità”, nel senso che al di
sopra di certe dimensioni il comportamento dei sistemi può modificarsi sostanzialmente, e
rendere improvvisamente possibile ciò che prima non lo era. L’esempio portato da
Turing, dei reattori nucleari che, oltre certe dimensioni, passano da
“sottocritici” a “critici” e producono energia, non è
che un caso particolare della ben nota proprietà della maggior parte dei sistemi
dinamici, di passare dalla stabilità all’instabilità al variare del valore di
qualche loro parametro. Dunque si tratterebbe di trovare una “struttura”
che quando raggiunga certe dimensioni — per esempio una rete con abbastanza
neuroni — diventi capace di dominare l’esplosione combinatoria.
Un altro problema di “dimensioni”, ampiamente discusso
da Hubert Dreyfus (1988), riguarda l’enorme quantità d’informazione
(la «base di conoscenza») necessaria, per esempio, per
“contestualizzare” il discorso parlato e così eliminare
le sue inevitabili ambiguità. Questa base di conoscenza altro non
è che quella che l’uomo accumula con l’apprendimento.
Perciò il problema è duplice: realizzare una “memoria”
di dimensioni adeguate, e immettervi l’informazione. E il problema
dell’immissione si articola in diversi sottoproblemi: a) come
costruire una “conoscenza di fondo” a partire dalla quale
impostare l’apprendimento; b) come organizzare il processo
di apprendimento (che sarà, in generale, un processo del tipo “per
rinforzo”) in modo da ottimizzare il suo rendimento; c) come
realizzare i procedimenti induttivi che dall’esperienza generano
conoscenza; d) come controllare l’acquisizione dei dati
sensoriali. Dreyfus aveva proposto questi problemi in forma negativa,
con una forte coloritura di pessimismo circa la possibilità di risolverli,
ma le sue obiezioni si sono risolte in un potente stimolo alla loro
risoluzione.
3. I limiti della matematica e della logica. La realizzazione
dell’IA, anche nella forma debole, incontra alcune gravi difficoltà
di carattere teorico, sulle quali s’è concentrata una parte
ragguardevole delle obiezioni. Per esempio, c’è il «problema
della terminazione»: l’esecuzione di un certo programma
avrà un termine, o potrebbe proseguire, in linea teorica, all’infinito?
Questo problema non ha soluzione: Turing ha dimostrato che per ogni
algoritmo incaricato di stabilire se un dato programma deve avere
termine è possibile trovare un programma per il quale quell’algoritmo
non potrà dare risposta. La difficoltà più grave deriva dal «teorema
d’incompletezza» di Gödel, e su di essa si è incentrato
un dibattito, talvolta aspro ( GÖDEL,
III-IV). Il teorema di incompletezza afferma che in qualunque sistema
logico formale (purché sufficientemente potente) è possibile formulare
proposizioni vere delle quali tuttavia gli strumenti propri del
sistema non permettono di dimostrare la verità. Osserva John Lucas
in un famoso articolo, Minds, Machines and Gödel (1961):
«Mi pare che il teorema di Gödel dimostri che il meccanicismo
è falso, cioè che le menti non possono essere equiparate a macchine».
C’è dunque una cosa che le macchine non possono fare: decidere
la verità di proposizioni indecidibili. L’uomo invece sì, perché
egli sa «porsi fuori dal sistema»: per esempio può applicare
il teorema di Gödel al sistema medesimo. Douglas Hofstadter, che
pure cita questo articolo a lungo e con ammirazione, replica alquanto
sarcasticamente dimostrando che l’uomo “non può”
porsi fuori dal sistema, perché ciò condurrebbe a una regressione
infinita (cfr. Hofstadter, 1984, pp. 508-510). Il che, da un
punto di vista riduzionistico, è corretto, e tuttavia contraddice
l’esperienza comune che mostra come l’uomo sappia effettivamente
superare il limite della pura logica e sia in grado di guardare
i problemi logici “dall’esterno”. La questione è
stata ripresa da Roger Penrose (1992), che propone una via d’uscita.
Penrose, che è un fisico di fama, a sostegno della tesi di Lucas
osserva, in primo luogo, che se la mente è in grado di comprendere
la matematica non computazionale non può essere soltanto un sistema
logico formale. Aggiunge inoltre un argomento proprio della sua
materia. Egli prende l’avvio dalla constatazione che esiste
una radicale dicotomia fra la descrizione matematica della meccanica
quantistica e quella della fisica classica, che è ancora valida
a livello macroscopico, e dal fatto che le leggi della fisica sono
reversibili rispetto al tempo, ossia non tengono conto della irreversibilità
del tempo mostrata dal secondo principio della termodinamica, e
riconoscibile anche nella nostra coscienza. Perciò Penrose ipotizza
che si possa scoprire una “nuova” fisica più completa
e profonda, «che renda possibile la fusione fra mondo classico
e mondo quantistico, che sia “asimmetrica” rispetto al
tempo e che fisicamente renda possibile comprendere la natura della
mente» (G. Piccinini, 1994, p. 141). Ma questa fisica
implicherebbe anche un nuovo tipo di matematica, che dovrebbe «contenere
elementi essenzialmente non computabili» (ibidem).
Questa matematica non computazionale supererebbe i limiti dell’IA,
che si basa invece su una matematica computazionale, e potrebbe
includere operazioni che il teorema di Gödel vieta all’IA ma
non alla mente umana.
4. L’IA forte: elaborazione sintattica e contenuto semantico.
John Searle, nel 1980, ha portato contro l’IA forte un’obiezione
del tutto diversa, cui ha dato la forma di un divertente apologo:
l’«esperimento concettuale della stanza cinese».
Supponiamo, egli osserva, che mi trovi in una stanza piena di ideogrammi
cinesi e che, non conoscendo quella lingua, mi venga fornito un
manuale di regole in base al quale associare ideogrammi ad altri
ideogrammi. Le regole specificano senza ambiguità gli ideogrammi
in base alla loro forma e non richiedono che io li capisca. Supponiamo
adesso che delle persone che capiscono il cinese introducano nella
stanza gruppetti di ideogrammi e che, in risposta, io manipoli questi
ideogrammi secondo le regole del manuale e restituisca loro altri
gruppetti di ideogrammi. Se le regole del manuale specificano abbastanza
accuratamente quali gruppi di ideogrammi possono essere associati
agli ideogrammi introdotti, in modo che le “risposte”
abbiano senso compiuto e siano coerenti con le domande, chi sta
fuori dalla stanza può concludere erroneamente che chi sta dentro
conosca il cinese. Ossia, che quest’ultimo abbia eseguito l’elaborazione
“sintattica” del messaggio in base alla comprensione della
sua “semantica”, mentre invece la “semantica”
è rimasta fuori dalla stanza (cfr. Searle 1990 e 1992). Ciò è quanto
accade in tutti i calcolatori (e non solo nell’IA): essi eseguono
operazioni sintattiche sui messaggi introdotti, del tutto indipendenti
dal loro contenuto semantico. La semantica si arresta, per così
dire, all’ingresso del messaggio nel calcolatore, e viene restituita
al messaggio da chi lo riceve all’uscita. Si noti che con questo
Searle affronta uno dei problemi che, come s’è già accennato
(vedi supra, I.2), vent’anni prima avevano alquanto
attenuato l’iniziale entusiasmo per la nascente IA.
Forse anche in ragione della sua forza, questa argomentazione ha
ricevuto un gran numero di contestazioni, talvolta pittoresche.
Paul e Patricia Churchland (marito e moglie, colleghi di Searle
all’Università di California, Searle a Berkeley e i Churchland
a San Diego), volendo mettere in luce il fatto che, per loro, l’esperimento
della stanza cinese non è che un capzioso sillogismo, gli hanno
contrapposto l’«esperimento della stanza luminosa»
(cfr. Churchland e Churchland, 1990). Ma il punto d’arrivo
di queste contestazioni consiste nel negare che vi sia una distinzione
essenziale e qualitativa fra sintassi e semantica: poiché ogni processo
mentale ha sede nel cervello, entrambe sarebbero aspetti, fra loro
strettamente correlati, dell’attività cerebrale; e dal momento
che la semantica risiede nel cervello la sua apparente differenza
dall’elaborazione sintattica sarebbe correlata con l’estrema
complessità della struttura cerebrale. Dunque anche la semantica
potrebbe essere trasferita alle macchine, purché esse fossero dotate
di una sufficiente complessità circuitale e algoritmica. Anche questa
posizione, in un’ottica riduzionistica, appare ineccepibile.
Ma ad essa si oppone, con ulteriori argomentazioni, Hubert Dreyfus
(1988) che nega che i calcolatori posseggano non solo competenza
semantica, ma anche le capacità sintattiche di livello più alto,
quelle che servono a «tematizzare, heideggerianamente, la
loro presenza nel mondo, di mettersi cioè in discussione fino al
punto di poter arrivare a superare il proprio contesto di partenza,
per collocarsi comunque in altri contesti di realtà che contengano
eventualmente il primo, e sempre avendone coscienza. Da questo punto
di vista, il limite dell’intelligenza artificiale non consiste,
banalmente, […] nel non prendere atto che occorre utilizzare
per realizzare computers che veramente simulino l'intelligenza e
la coscienza, strutture fisiche non computabili, di tipo quantistico-relativistico.
Esso consiste invece nel fatto, ben più fondamentale, che l’intelligenza
e la coscienza reali, non artificiali, hanno la capacità di connettere
livelli logici, sintattici e semantici diversi, e di metterli continuamente
in discussione, come nessun computer pensabile su basi fisiche (o
fisico-chimiche, o biologiche, comunque artificiali) appare concepibilmente
in grado di fare» (Rossi, 1998, pp. 90-91).
IV. L’intelligenza artificiale fra scienza e coscienza
Con le precedenti considerazioni si giunge ad un punto ritenuto
centrale, vale a dire al “problema della coscienza”. Lo
stesso Searle lo propone mediante l’esperimento concettuale
della “protesi cerebrale”, ipotizzando che, con un intervento
di raffinatissima microchirurgia, si riesca a sostituire uno per
uno tutti i neuroni di un cervello con altrettanti microcircuiti
elettronici che funzionino esattamente allo stesso modo dei neuroni,
e che siano riprodotte tutte le connessioni sinaptiche. Che succederebbe,
ci si chiede allora, della coscienza di quell’uomo? Per Searle
essa svanirebbe; invece per Hans Moravec, che otto anni dopo ha
ripreso la questione e l’ha esaminata da un punto di vista
“funzionalistico”, essa resterebbe inalterata. Ma si tratta,
soprattutto, di definire che cos’è la coscienza. E questo,
di fatto, non è un problema risolvibile con il metodo scientifico.
1. Critica del riduzionismo. Si è parlato di “prospettiva
riduzionistica” (vedi supra, III.1), intendendo con
queste parole l’identificazione della mente con il suo “supporto”
materiale, il cervello, visto come una “macchina” pienamente
riproducibile con dispositivi artificiali ( MENTE-CORPO,
RAPPORTO, I.1, III). Per cui, se v’è differenza fra mente e
macchina, essa è da attribuire o a una temporanea insufficienza
della macchina, a cui porre rimedio in futuro, o a un limite che
la mente non sa ancora d’avere. Più in generale, s’intende
qui per riduzionismo
l’idea che la mente umana possa essere simulata, almeno in
via di principio, da sistemi artificiali capaci di riprodurne le
prestazioni in maniera così perfetta da rendere indistinguibile
l’una dagli altri (cfr. Rossi, 1998, pp. 43-44). E, per
alcuni autori, la simulazione arriva al punto che il sistema artificiale
possieda attributi schiettamente umani quali la coscienza e l’intenzionalità
( ANIMA,
VII). Quasi nessuno degli autori qui citati precisa se questa sia
la sua posizione di principio, quali siano le eventuali diversificazioni
al suo interno e per quali motivi: essa appare “naturale”,
come se fosse l’unica possibile. Jerry A. Fodor preferisce
chiamare questa posizione «materialismo», e la contrappone
al «dualismo» cartesiano ( DESCARTES,
VI) che è rifiutato per «la sua incapacità di rendere conto
adeguatamente della causazione mentale. Se la mente è qualcosa di
non fisico, non ha una posizione nello spazio fisico. Come è possibile,
allora, che una causa mentale dia luogo a un effetto comportamentale
che invece ha una posizione nello spazio? Per dirla in modo diverso,
come può il non fisico dar luogo al fisico senza violare le leggi
di conservazione della massa, dell’energia e della quantità
di moto?» (1981, p. 100). All’interno del materialismo
si distinguono, poi, posizioni “comportamentistiche” derivate
dalla psicologia e posizioni che, invece, privilegiano gli aspetti
neurofisiologici. E poi, per Fodor distinte sia dal materialismo
sia dal dualismo, ci sono le posizioni “funzionalistiche”
che prescindono dalla struttura del cervello o dei sistemi che lo
simulano per concentrare l’attenzione sulla «possibilità
che sistemi così diversi fra loro come esseri umani, macchine calcolatrici
e spiriti disincarnati possano tutti avere stati mentali»
(ibidem). Ma Fodor non prende in considerazione l’eventualità
che i rispettivi “stati mentali”, e le facoltà intellettive
che li producono, siano essenzialmente diversi fra loro.
Il lettore potrà tentare di riconoscere queste diverse posizioni nell’esposizione
che precede. Si tratta, come si vede, di una manifestazione del tutto coerente
dell’atteggiamento “antimetafisico” che domina l’intera
ricerca scientifica post-galileiana e post-cartesiana. Ma esso, qui, investendo questa
zona di frontiera fra corpo e mente, fra fisico e meta-fisico, raggiunge effetti
contraddittori e, in qualche misura, paradossali. Hofstadter nega, con una serie di
ragionamenti ardimentosi e affascinanti, il fatto, che viceversa ciascuno può
sperimentare, che la mente umana non si arresta davanti all’indecidibilità
gödeliana. Le repliche al paradosso della stanza cinese ipotizzano che non vi sia alcuna
distinzione fra sintassi e semantica. E, sul piano pratico, l’abilità
“estetica” del maestro di scacchi è declassata alla laboriosa ricerca
del percorso giusto in un albero di decisioni incredibilmente intricato. In genere, queste
posizioni privilegiano l’attività razionale-deduttiva della mente rispetto ad altre
facoltà. In particolare ignorano l’intelligenza “intuitiva”, della quale pur dovrebbe far nascere qualche sospetto il caso del
giocatore a scacchi. C’è, è vero, qualche generoso tentativo di superare la
barriera della ratio (nel senso etimologico di calcolo) e la conseguente aporia del
teorema d’incompletezza. Simili tentativi si possono riscontrare specialmente in
Searle, e in Penrose che ipotizza una «razionalità non algoritmica»,
ma si esauriscono subito: forse per un’insufficiente apertura alla prospettiva
metafisica, ma certamente anche a causa dell’irosa reazione degli oppositori, che
costringe a una faticosa difesa su posizioni di retroguardia.
Vogliamo qui citare, nell’articolo di Searle prima menzionato,
un passo illuminante perché mette in luce il nodo vero della questione,
e cioè la diversa natura del cervello e della macchina, del “naturale”
e dell’“artificiale”: «Le simulazioni al calcolatore
dei processi cerebrali forniscono modelli degli aspetti formali
di questi processi, ma la simulazione non va confusa con la riproduzione.
Il modello computazionale dei processi mentali non è più reale di
quello di qualsiasi altro fenomeno naturale. Si può immaginare una
simulazione al calcolatore precisa fino all’ultima sinapsi
dell’azione dei peptidi sull’ipotalamo. Ma si può del
pari immaginare una simulazione al calcolatore dell’ossidazione
degli idrocarburi in un motore d’automobile o dei processi
di digestione in uno stomaco alle prese con una pizza. Nel caso
del cervello la simulazione non è più reale che nel caso dell’automobile
e dello stomaco. A meno che non avvenga un miracolo, non potremmo
far marciare la nostra macchina grazie a una simulazione al calcolatore
dell’ossidazione della benzina né potremmo digerire la pizza
eseguendo il programma che simula tale digestione. Sembra altrettanto
ovvio che la simulazione di un processo cognitivo non produca gli
stessi effetti della neurobiologia di quel processo cognitivo»
(Searle, 1990, p. 19). Fuori da ogni vis polemica, l’IA
è soltanto un «modello di simulazione» dell’intelligenza
naturale (e, per ora, soltanto di alcuni suoi aspetti), utilissimo
ai fini pratici come tutti i modelli di simulazione, ma nulla di
più; e, se pur dovesse dar segno di qualcosa di simile alla coscienza
o all’intenzionalità, dovremmo dire che si tratta soltanto
di una simulazione della coscienza e dell’intenzionalità. Così
l’intelligenza artificiale assume il ruolo di un “segno
di contraddizione” per la ricerca scientifica. Essa rivela,
da un lato, il carattere “meta-scientifico” della scelta
che Fodor icasticamente chiama “materialistica” e la vanità
del tentativo di giustificarla mantenendosi entro i termini delle
scienze positive, che è stato riportato poc’anzi. D’altra
parte essa mostra i limiti intrinseci di tale scelta, potenzialmente
fonte di insolubili aporie e di risultati in contrasto con l’esperienza:
limiti che altre posizioni, non programmaticamente chiuse ad una
prospettiva metafisica, potrebbero forse superare.
2. Che cosa l’IA non deve fare. Il problema morale,
dei limiti entro i quali e dei modi in cui è lecito far uso delle
tecniche di intelligenza artificiale, altro non è che una particolarizzazione
del problema generale del corretto uso degli strumenti tecnologici.
Ma qui esso assume una connotazione speciale in quanto sembra trattarsi
di attribuire alla macchina scelte che toccherebbero all’uomo.
Si pensi, per esempio, alle implicazioni bioetiche di terapie automatiche
“decise” da un sistema esperto ( BIOETICA;
MEDICINA). In altre parole, mentre in generale l’impiego di
strumenti tecnici incontra limitazioni quantitative (per esempio:
«non si deve usare troppa energia perché ciò esaurisce le
riserve e devasta l’ambiente») qui la limitazione apparirebbe
piuttosto di carattere qualitativo, giacché si tratterebbe di sapere
“quali” tipi d’intervento è lecito affidare all’intelligenza
artificiale e quali no. Probabilmente la questione non deve essere
drammatizzata. Se valesse il paradigma riduzionistico per cui la
macchina sarebbe dotata anche di intenzionalità, allora la delega
sarebbe profondamente inquietante. Ma se invece, più ragionevolmente,
si ricorda che la macchina è programmata dall’uomo e dipende
da lui anche quando è stata dotata di algoritmi “genetici”
che sviluppano la programmazione in maniera non preordinata, allora
il problema si riduce a stabilire in qual misura affidarsi alla
“protesi intellettuale” per progettare una terapia, o
un qualche intervento di rilevante peso economico o sociale.
Il problema ritorna così ad essere quello di una questione ancora in qualche modo
quantitativa, ossia di prudente uso dello strumento tecnico. Ma non si può negare che la
disponibilità di programmi che “decidono per lui” potrebbe indurre
l’operatore ad assumere un atteggiamento meno responsabile ed a rinunciare alla sua
responsabilità per “delegarla” alla macchina: nel qual caso non si
potrebbe più dire che la macchina dipende dall’uomo. In questo senso si può
osservare, in termini generali, che questi strumenti apparentemente dotati di
“capacità autonome” pongono in forma più netta la necessità, già
avvertita per esempio da Romano Guardini che l’uomo abbia in ogni momento il pieno
dominio “morale” sui sistemi tecnologici (cfr. La fine
dell’epoca moderna, Brescia 19892, p. 88).
Paola Mello
Vedi: ANIMA;
INFORMAZIONE; LOGICA; MENTE-CORPO, RAPPORTO.
Bibliografia:
Aspetti prevalentemente tecnici dell'IA: W.S.
MCCULLOCH, W. PITTS, A logical Calculus of the ideas immanent
inneural nets, "Bullettin of Mathematical Biophysics" 5 (1943),
pp. 115-137; F. ROSENBLATT, Principles of Neurodynamics: Perceptrons
and the theory of Brain Mechanisms, Spartan Books, Washington
D.C. 1962; J.A. ROBINSON, A Machine-Oriented Logic based on the
resolution principle, "Journal of ACM" 12 (1965), n. 1, pp.
23-41; M. MINSKY, S. PAPERT, Perceptrons, MIT Press, Cambridge
(MA) 1969; E.H. SHORTLIFFE, Computer Based Medical Consultation:
Mycin, Elsevier, New York 1976; R. DAVIS, B. BUCHANAN, E. SHORTLIFFE,
Production Rules as a Representation for Knowledge-based Consultation
Program, "Artificial Intelligence" 8 (1977), pp. 15-45; H.A.
SIMON, The Sciences of the Artificial, MIT Press, Cambridge
(MA) 1981; R. DAVIS, D.B. LENAT, Knowledge-based Systems in Artificial
Intelligence, McGraw-Hill, New York 1982; S. GROSSBERG, Studies
of Mind and Brain. Neural Principles of Learning, Perception
Development, Cognition and Motor Control, Reidel, Boston 1982; R.S.
MICHALSKI, J.G. CARBONELL, T.M. MITCHELL (a cura di), Machine
Learning: An Artificial Intelligence Approach, Springer, Berlin-New
York 1984; J.R. QUINLAN, Induction of Decision trees, "Machine
Learning" 1 (1986), n. 1, pp. 81-106; I. BRATKO, Programmare
in Prolog per l'Intelligenza Artificiale, Masson e Addison-Wesley,
Milano 1988; E. CHARNIAC, D. MCDERMOTT, Introduzione all'Intelligenza
Artificiale. Masson e Addison-Wesley, Milano 1988; M. MINSKY,
The Society of Mind, Touchstone Editions, New York 1988;
D. GOLDBERG, Genetic Algorithms in Search, Optimization and Machine
Learning, Addison-Wesley, Reading (MA) 1989; J.A. FREEMAN, D.M.
SKAPURA, Neural Networks, Algorithms Applications and Programming
Techniques, Addison-Wesley, Readiing (MA) 1991; J.A. HERTZ,
A. KROGH, R.G. PALMER, Introduction to the Theory of Neural Computation,
Addison-Wesley, Redwood City (CA) 1991; U.M. FAYYAD, G. PIATETSKY-SHAPIRO,
P. SMYTH, R. UTHURUSAMY, Advances in Knowledge Discovery and
Data Mining, AAAI Press, Menlo Park (CA) 1992; K. KNIGHT, E.
RICH, Intelligenza Artificiale, McGraw Hill, Milano 19922;
P.H. WINSTON, Artificial Intelligence, Addison-Wesley, Reading
(MA) 1992; M. GINSBERG, Essentials of Artificial Intelligence,
Morgan Kaufman, San Mateo (CA) 1993; S. HAYKIN, Neural networks,
Macmillan, New York 1994; J. DOYLE, T. DEAN, Strategic Directions
in Artificial Intelligence, "ACM Computing Surveys" 28 (1996),
n. 4, pp. 653-670; L. CONSOLE, E. LAMMA, P. MELLO, M. MILANO, Programmazione
Logica e Prolog, Utet, Torino 19972; T.M. MITCHELL, Machine
Learning, McGraw Hill, New York 1997; N.R. JENNINGS, M.J. WOOLDRIGE
(a cura di), Agent Technology, Springer, Berlin-New York
1998; S.J. RUSSEL, P. NORVIG, Intelligenza Artificiale: Un approccio
moderno, Prentice Hall International - Utet, Torino 1998; Sistemi
intelligenti, "Il Mulino" 12 (2000), n. 1.
Aspetti interdisciplinari: A. TURING, Computing
Machinery and Intelligence, "Mind" 49 (1950), pp. 433-460; J.
LUCAS, Minds, Machines and Gödel, "Philosophy" 37 (1961),
pp. 37-39; M. BUNGE, The Mind-Body Problem. A Psychobiological
Approach, Oxford Univ. Press, Oxford 1980; J.A. FODOR, Il
problema mente-corpo, "Le Scienze" 14 (1981), n. 151, pp. 100-110;
K. POPPER, J. ECCLES, L'Io e il suo cervello, 3 voll., Armando,
Roma 1981; E. NAGEL, J. R. NEWMAN, La prova di Gödel, Boringhieri,
Torino 1982; J.-P. CHANGEAUX, L'uomo neuronale, Feltrinelli,
Milano 1983; D.R. HOFSTADTER, Gödel, Escher e Bach: un'eterna
ghirlanda brillante, Adelphi, Milano 1984; J.R. SEARLE, Menti,
cervelli e programmi. Un dibattito sull'intelligenza artificiale,
Clup-Clued, Milano 1984; H. DREYFUS, Che cosa non possono fare
i computer? I limiti dell'intelligenza artificiale, Armando,
Roma 1988; J.R. SEARLE, Della intenzionalità, Bompiani, Milano
1988; J. SEARLE, La mente è un programma?, "Le Scienze" 23
(1990), n. 259, pp. 16-21; P.M. e P. CHURCHLAND, Può una macchina
pensare?, in ibidem, pp. 22-27; G. BASTI, Il rapporto
mente-corpo nella filosofia e nella scienza, ESD, Bologna 1991;
R. PENROSE, La mente nuova dell'imperatore, Rizzoli, Milano
1992; J. SEARLE, La riscoperta della mente, Bollati-Boringhieri,
Torino 1992; G. PICCININI, Su una critica dell'intelligenza artificiale
"forte", "Rivista di filosofia" 85 (1994), n. 1, pp. 141-146;
R. PENROSE, Ombre della mente. Alla ricerca della coscienza,
Rizzoli, Milano 1996; D.R. HOFSTADTER e il "Gruppo di ricerca sulle
analogie fluide", Concetti fluidi e analogie creative. Modelli
per calcolatore dei meccanismi fondamentali del pensiero, Adelphi,
Milano 1996; A. ROSSI, Il fantasma dell'intelligenza. Alla ricerca
della mente artificiale, Cuen, Napoli 1998; J. SEARLE, Il
mistero della coscienza, R. Cortina, Milano 1998; F. BERTELÈ,
A. OLMI, A. SALUCCI e A. STRUMIA, Scienza, analogia, astrazione.
Tommaso d'Aquino e le scienze della complessità, Il Poligrafo,
Padova 1999; R.J. RUSSELL ET AL. (a cura di), Neuroscience and
the Person. Scientific Perspectives on Divine Action, Vatican
Observatory Publications - Center for Theology and the Natural Sciences,
Vatican City-Berkeley (CA) 1999.
|
Chi Siamo