Intelligenza artificiale tra comprensione e correlazione: una divergenza filosofica

Comprensione o correlazione? I due storici approcci all'intelligenza artificiale (AI)

Storicamente esistono due principali approcci all'intelligenza artificiale: il primo basato sulla comprensione, che è spesso associato al filosofo John Searle che lo ha ideato, anche se più recentemente è stato raffinato da Daniel Kahneman riformulando in pensiero lento; il secondo è quello basato sulla correlazione, spesso associato ad Alan Turing che lo ha ideato per poi essere raffinato in pensiero veloce da Daniel Kahneman.

Comprensione

L'approccio basato sulla comprensione pone una forte enfasi sulla necessità che l’AI dimostri una vera comprensione e cognizione dei dati e delle informazioni che manipola. In altre parole si associa l’intelligenza al  pensiero lento che mette l'accento sulla necessità che le macchine dimostrino una profonda comprensione dei dati e delle informazioni che elaborano, anziché limitarsi a eseguire compiti in modo meccanico o basato su regole. Il pensiero lento implica che l'AI dovrebbe essere in grado di riflettere, ragionare e comprendere il significato dei dati, simile al modo in cui gli esseri umani fanno.

John Searle, che ideò questo pensiero, è noto per il suo esperimento del Chinese Room Argument. Quest'ultimo è un esperimento mentale che mira a dimostrare che la capacità di una macchina di manipolare simboli e risolvere problemi, anche in una lingua straniera come il cinese, non dimostra una vera comprensione o coscienza. Nell'esperimento, Searle immagina di essere rinchiuso in una stanza e di ricevere istruzioni in cinese attraverso uno slot. Non conoscendo il cinese, Searle utilizza un manuale o un insieme di regole per manipolare i simboli cinesi e restituire risposte appropriate.

Sebbene il risultato finale sembri una comprensione del cinese dall'esterno, Searle sostiene che all'interno della stanza non c'è vera comprensione in corso, solo manipolazione simbolica. L'argomento intende dimostrare che anche se una macchina può eseguire compiti intelligenti, come il riconoscimento del linguaggio, non significa che abbia una reale comprensione del linguaggio o della realtà, sollevando quindi dubbi sulla possibilità dell'AI di avere una coscienza autentica.

Da un punto di vista filosofico, l'approccio alla comprensione solleva questioni fondamentali sulla natura della mente e della coscienza. Searle sostiene che anche se una macchina potesse eseguire compiti intelligenti, come il riconoscimento del linguaggio naturale o la risoluzione di problemi complessi, ciò non dimostrerebbe che la macchina sia effettivamente conscia o che abbia una comprensione vera e propria delle cose.

Correlazione

L'approccio basato sulla correlazione mette l'accento sulla capacità delle macchine di riconoscere modelli e correlazioni nei dati tramite l'apprendimento automatico. Questo approccio è noto anche come pensiero veloce in quanto si concentra sulla capacità delle macchine di elaborare grandi quantità di dati in modo efficiente.

L’Imitation Game di Alan Turing è un concetto che cerca di dimostrare la capacità di una macchina di esibire intelligenza indistinguibile da quella di un essere umano. L'idea centrale è che se una macchina può passare il test dell'imitazione con successo, cioè se un essere umano non è in grado di distinguere le risposte date dalla macchina da quelle di un essere umano in un dialogo scritto, allora la macchina può essere considerata intelligentemente equivalente all'uomo.

Questo concetto mette l'accento sull'importanza delle risposte e delle conversazioni piuttosto che sulla comprensione profonda. L'obiettivo di Turing era sfidare le concezioni tradizionali di intelligenza e aprire la strada alla creazione di macchine intelligenti. Il Test di Turing è stato un punto di riferimento importante nello sviluppo dell'AI, anche se ha generato discussioni su ciò che costituisce vera intelligenza e se il superamento del test implichi una vera comprensione o coscienza.

Filosoficamente, l'approccio basato su correlazione solleva questioni diverse rispetto a quello alla comprensione. Si tratta di una visione più pragmatica dell'AI, basata sull'idea che le macchine possono essere intelligenti attraverso la ricerca di correlazioni statistiche senza necessariamente comprendere profondamente ciò che stanno facendo. Questo solleva domande sul concetto di intelligenza e se questa debba necessariamente essere accompagnata dalla comprensione e dalla coscienza.

L’AI classica e L’AI moderna

L'AI classica, basata sul concetto di comprensione e pensiero lento, si riferisce ai primi approcci e sistemi AI che hanno preceduto le tecnologie più moderne. Questi sistemi si affidavano a regole e logiche programmate manualmente, come i motori di inferenza e gli alberi decisionali.

Erano meno flessibili e scalabili rispetto alle moderne AI, ma hanno gettato le basi per il progresso nel campo, affrontando problemi come il riconoscimento di pattern, la dimostrazione di teoremi, e la pianificazione automatizzata. Nonostante fossero limitati nella capacità di apprendere autonomamente, questi sistemi hanno avuto un ruolo cruciale nello sviluppo di applicazioni pratiche e nella comprensione dei principi fondamentali dell'AI.

La moderna AI, basata sul concetto di correlazione e pensiero veloce, si distingue da quella classica principalmente per l'uso dell'apprendimento automatico, che permette ai sistemi di apprendere e migliorare autonomamente a partire da grandi quantità di dati.

Questo approccio consente una maggiore flessibilità e adattabilità rispetto ai sistemi basati su regole fisse, e rende possibile il trattamento di problemi complessi come il riconoscimento vocale, la visione artificiale, la traduzione automatica, la generazione di testo, e la guida autonoma con prestazioni precedentemente inimmaginabili.

Il futuro

L’AI ha seguito due principali approcci nel corso della sua evoluzione: quello basato sulla comprensione e quello basato sulla correlazione. L'AI classica, derivata dall'approccio alla comprensione, ha portato a sistemi basati su regole e ragionamento deduttivo, mentre l'AI moderna, derivata dall'approccio alla correlazione, ha dato origine all'apprendimento automatico e all'analisi dei dati. Entrambi gli approcci hanno i loro punti di forza e di debolezza, e il futuro dell'AI potrebbe combinare elementi di entrambi per affrontare sfide sempre più complesse.