Come può l’Intelligenza Artificiale Imparare sul Processo di Apprendimento?

Per fare nuovi passi avanti nell’avanzamento dell’intelligenza artificiale, l’IA dovrebbe, come afferma l’autore Jun Wu su Forbes, “imparare a imparare”. Cosa significherebbe?

Come spiega Wu, “gli esseri umani hanno la capacità unica di imparare da qualsiasi situazione o ambiente.” Gli esseri umani possono adattare il loro processo di apprendimento. Per avere una qualità così flessibile, l’IA necessita di Intelligenza Artificiale Generale – dovrebbe imparare sul processo di apprendimento, ciò che è chiamato Meta-Apprendimento.

C’è una netta differenza nel processo di apprendimento tra esseri umani e intelligenza artificiale. Mentre la capacità di apprendimento umana è limitata, l’IA ha molte più risorse, come la sua potenza di calcolo. La potenza del cervello umano ha i suoi limiti e ha anche un tempo limitato per imparare. Tuttavia, mentre l’IA “impara da più dati dei dati che utilizzano i nostri cervelli umani, l’elaborazione di questi vasti dati richiede una potenza di calcolo immensa.”

Wu spiega che “man mano che la complessità dei compiti dell’IA cresce, c’è anche un aumento esponenziale della potenza di calcolo.” Ciò significherebbe che anche se il costo della potenza di calcolo è basso, “l’aumento esponenziale non è mai lo scenario che vogliamo.” Questo è il principale motivo per cui attualmente “l’IA è progettata per essere un’apprendista a scopo specifico”, rendendo il suo processo di apprendimento più efficiente.

Ma man mano che l’IA ha iniziato a imparare di più, “imparare a imparare” ha iniziato a “dedurre dai dati con una complessità crescente.” Per evitare l’aumento esponenziale della potenza di calcolo, è stato necessario elaborare un percorso di apprendimento più efficiente, e l’IA ha dovuto ricordare quel percorso.

Il problema è diventato ancora più complesso quando i ricercatori e i tecnologi hanno iniziato ad assegnare problemi di multi-tasking all’IA. Per essere in grado di farlo, l’IA “ha bisogno di essere in grado di valutare set di dati indipendenti in parallelo. Ha anche bisogno di relazionare pezzi di dati e di dedurre collegamenti su quei dati.” Mentre un compito viene eseguito, l’IA ha bisogno di aggiornare le sue conoscenze in modo che possa applicarle in altre situazioni. “Poiché i compiti sono interconnessi, le valutazioni per i compiti dovranno essere eseguite dall’intera rete.”

Google (GOOGL ) ha sviluppato un modello del genere, MultiModel, che è un sistema di IA che “ha imparato a eseguire otto compiti diversi contemporaneamente. MultiModel può rilevare oggetti in immagini, fornire didascalie, riconoscere discorsi, tradurre tra quattro paia di lingue e eseguire l’analisi grammaticale della costituzione.

Mentre il risultato di Google è un grande passo avanti, l’IA deve ancora fare ulteriori passi per diventare un’apprendista a scopo generale. Per riuscirci, dovrebbe ulteriormente sviluppare il ragionamento meta e l’apprendimento meta. Come spiega Wu, “il ragionamento meta si concentra sull’uso efficiente delle risorse cognitive. L’apprendimento meta si concentra sulla capacità unica degli esseri umani di utilizzare efficientemente risorse cognitive limitate e dati limitati per imparare.”

Attualmente, ci sono studi in corso per capire le lacune tra la cognizione umana e il modo in cui l’IA impara, come la consapevolezza degli stati interni, l’accuratezza della memoria o la fiducia.

Tutto ciò significa che “diventare un apprendista artificialmente generalizzato richiede una ricerca approfondita su come gli esseri umani imparano, nonché sulla ricerca su come l’IA possa imitare il modo in cui gli esseri umani imparano. Adattarsi a nuove situazioni, come avere la capacità di “multitasking” e la capacità di prendere “decisioni strategiche” con risorse limitate, sono solo alcune delle sfide che i ricercatori di IA supereranno lungo la strada.”