Recensione del libro: Machines That Think di Inga Strümke

Machines That Think si distingue come un’introduzione ben strutturata e pensata all’intelligenza artificiale, bilanciando chiarezza tecnica con approfondita indagine filosofica. Invece di affrettarsi verso moderni termini di moda, Inga Strümke adotta un approccio deliberato, guidando i lettori dalle prime fondamenta della computazione ai complessi sfidi etici e sociali che plasmano l’AI oggi.

Costruire dalle prime principi

Il libro inizia con un’approfondita esplorazione delle prime idee computazionali, iniziando con algoritmi e computer analogici. Questo inquadramento storico non è solo un riempitivo di sfondo – stabilisce la logica dietro il modo in cui le macchine elaborano le informazioni e il motivo per cui l’AI si è evoluta nel modo in cui lo ha fatto. Camminando attraverso queste origini, Strümke assicura che i lettori capiscano l’AI come un continuum piuttosto che un improvviso balzo tecnologico.

Una delle distinzioni più preziose che introduce è la differenza tra AI e cibernetica. Mentre entrambi i campi trattano di sistemi, feedback e controllo, la cibernetica si concentra di più sulla regolazione e sulla comunicazione all’interno dei sistemi, mentre l’AI è preoccupata della creazione di sistemi in grado di eseguire compiti associati all’intelligenza. Questa distinzione aiuta a chiarire perché l’AI moderna si è sviluppata lungo la sua attuale traiettoria, piuttosto che seguire il percorso più ispirato biologicamente della ricerca cibernetica dei primi tempi.

Dal brute force ai sistemi di apprendimento

L’evoluzione dell’AI è forse più chiaramente illustrata attraverso la sua relazione con i giochi, in particolare gli scacchi. Il contrasto tra Deep Blue e AlphaZero è utilizzato in modo efficace per dimostrare quanto drasticamente le metodologie dell’AI siano cambiate.

Deep Blue si basava pesantemente sul calcolo brute force, valutando milioni di posizioni possibili al secondo per determinare mosse ottimali. Era potente, ma fondamentalmente limitato dalla sua dipendenza da funzioni di valutazione preprogrammate e dalla potenza di elaborazione grezza. In contrasto, AlphaZero rappresenta un cambiamento di paradigma. Invece di essere programmato esplicitamente con strategie, impara giocando contro se stesso, scoprendo schemi e strategie che anche i grandmaster umani non avevano precedentemente considerato.

Questo passaggio sottolinea uno dei temi centrali del libro: l’AI moderna è meno concentrata sull’istruire esplicitamente le macchine su cosa fare e più sull’abilitarle ad apprendere dai dati e dall’esperienza. Sottolinea anche un punto filosofico più profondo – i sistemi AI non sono più solo strumenti che eseguono istruzioni, ma sistemi in grado di generare soluzioni nuove.

AI simbolica vs. non simbolica

Una sezione particolarmente forte del libro si concentra sulla distinzione tra AI simbolica e non simbolica. L’AI simbolica, che ha dominato la ricerca dei primi tempi, si basa su regole esplicite e rappresentazioni logiche della conoscenza. È strutturata, interpretabile e deterministica, ma spesso lotta con l’ambiguità e la complessità del mondo reale.

L’AI non simbolica, in particolare le reti neurali, opera in modo molto diverso. Invece di regole, questi sistemi imparano dai dati in modo puntuale. Ciò li rende molto più adattabili e potenti in compiti come il riconoscimento di immagini, l’elaborazione del linguaggio naturale e la rilevazione di schemi. Tuttavia, questo potere si accompagna al costo dell’interpretabilità. Le reti neurali spesso funzionano come “scatole nere”, rendendo difficile capire come arrivino a decisioni specifiche.

Strümke fa un ottimo lavoro spiegando questo compromesso senza semplificarlo eccessivamente. Mostra che il passaggio verso l’AI non simbolica non è solo un’evoluzione tecnica, ma un cambiamento fondamentale nell’approccio all’intelligenza stessa.

Comprendere le reti neurali e la percezione

Le sezioni sul riconoscimento di immagini e le reti neurali sono tra le più coinvolgenti del libro. Strümke spiega come le reti neurali elaborano le informazioni visive in strati, trasformando gradualmente i dati grezzi dei pixel in astrazioni di livello superiore. I primi strati rilevano caratteristiche semplici come bordi e forme, mentre gli strati più profondi identificano schemi complessi come oggetti e volti.

Questo approccio a strati consente alle macchine di eseguire compiti che un tempo sembravano unicamente umani. Tuttavia, il libro rende chiaro che questa “comprensione” non è la stessa della comprensione umana. I sistemi AI riconoscono schemi in modo statistico, non semantico. Non “sanno” cosa sia un oggetto nel modo in cui lo sanno gli umani – lo identificano in base a correlazioni apprese.

Allo stesso tempo, ci sono domini in cui i sistemi AI superano le capacità umane. Nel riconoscimento di immagini, ad esempio, le macchine possono rilevare schemi e anomalie sottili che sono invisibili all’occhio umano. Ciò crea un paradosso interessante: i sistemi AI possono superare gli umani in compiti specifici mentre ancora mancano di una vera comprensione.

Spiegabilità, etica e regolamentazione

Man mano che il libro procede, la voce di Strümke diventa più pronunciata, in particolare quando discute AI spiegabile e privacy dei dati. Evidenzia un problema critico nell’AI moderna: man mano che i sistemi diventano più potenti, diventano anche meno trasparenti.

L’AI spiegabile mira ad affrontare questo problema rendendo le decisioni delle macchine più interpretabili. Ciò è particolarmente importante in domini ad alto rischio come la sanità, la finanza e il diritto, dove capire il ragionamento dietro una decisione è cruciale. Strümke sottolinea che senza spiegabilità, la fiducia nei sistemi AI diventa difficile da stabilire.

La sua critica alle leggi sulla privacy dei dati è particolarmente stimolante. Sostiene che molte regolamentazioni esistenti sono sia restrittive che inefficaci. Da un lato, possono rallentare l’innovazione limitando l’accesso ai dati. Dall’altro, spesso falliscono nel proteggere adeguatamente gli utenti a causa di lacune e sfide di applicazione. Questo doppio fallimento sottolinea la complessità della governance di tecnologie in rapida evoluzione.

Creatività e i limiti dell’AI

Un altro tema affascinante del libro è la questione della creatività. Con l’aumento dell’arte generata dall’AI, musica e scrittura, la linea tra creatività umana e macchina si sta facendo sempre più sfumata.

Strümke affronta questo argomento con sfumature, chiedendosi se i sistemi AI siano veramente creativi o semplicemente ricombinino contenuti umani esistenti. Mentre l’AI può produrre output impressionanti, la sua creatività è fondamentalmente diversa dalla creatività umana, che è plasmata dalla coscienza, dall’esperienza e dall’intenzione.

Questo dibattito si estende in considerazioni etiche più ampie, tra cui proprietà, originalità e valore dell’input umano. Invece di offrire risposte definitive, il libro incoraggia i lettori a impegnarsi con queste domande e considerarne le implicazioni.

Il problema dell’azione collettiva nell’AI

Un’idea più sottile ma importante esplorata è il problema dell’azione collettiva nella distribuzione dell’AI. Man mano che i sistemi AI diventano più potenti, le decisioni di singole organizzazioni possono avere conseguenze ampie. Tuttavia, coordinare l’azione tra governi, aziende e istituzioni è intrinsecamente difficile.

Ciò crea una situazione in cui gli incentivi a breve termine possono entrare in conflitto con gli interessi societali a lungo termine. Strümke sottolinea l’importanza della collaborazione e della governance, mentre riconosce le sfide coinvolte nel raggiungere questo obiettivo.

Guardando verso l’AGI e oltre

Il libro conclude con una discussione prospettica sull’Intelligenza Artificiale Generale (AGI) e la superintelligenza. Invece di indulgere nella speculazione, Strümke fonda la sua analisi nelle tendenze tecnologiche attuali e nelle limitazioni.

Esplora cosa potrebbe essere necessario per raggiungere l’AGI, tra cui avanzamenti nella computazione, nei dati e nella progettazione degli algoritmi. Allo stesso tempo, considera come la società potrebbe adattarsi a sistemi AI sempre più capaci. Ciò include non solo cambiamenti tecnologici, ma anche spostamenti nelle strutture educative, politiche ed economiche.

La conclusione sembra appropriatamente equilibrata – ottimista sul potenziale dell’AI, ma realistica sulle sfide che si presentano.

Verdetto finale

Machines That Think è un’aggiunta ben rotonda e coinvolgente alla crescente letteratura sull’intelligenza artificiale. Riesce a rendere argomenti complessi accessibili senza sacrificare la profondità, mentre affronta anche le implicazioni etiche e sociali della tecnologia.

Per i lettori che cercano di costruire una solida base nell’AI – mentre esplorano anche il suo impatto più ampio – questo libro offre una prospettiva pensata e completa. È sia un’introduzione che un invito a pensare in modo più critico al ruolo che l’AI giocherà nel plasmare il futuro.