Ronald T. Kneusel, Autore di “Come Funziona l’AI: Dalla Magia alla Scienza” – Serie di Interviste

Abbiamo recentemente ricevuto una copia avanzata del libro “Come Funziona l’AI: Dalla Magia alla Scienza” di Ronald T. Kneusel. Finora ho letto oltre 60 libri sull’AI, e mentre alcuni di loro possono essere ripetitivi, questo libro è riuscito a offrire una prospettiva fresca, mi è piaciuto abbastanza da aggiungerlo alla mia lista personale dei Migliori Libri di Machine Learning e AI di Tutti i Tempi.

“Come Funziona l’AI: Dalla Magia alla Scienza” è un libro conciso e chiaro progettato per delineare i fondamenti fondamentali del machine learning. Di seguito sono riportate alcune domande che sono state poste all’autore Ronald T. Kneusel.

Questo è il tuo terzo libro sull’AI, i primi due sono stati: “Practical Deep Learning: Un’introduzione basata su Python” e “Matematica per il Deep Learning: Cosa è necessario sapere per capire le reti neurali”. Qual era la tua intenzione iniziale quando hai iniziato a scrivere questo libro?

Pubblico target diverso. I miei libri precedenti sono destinati a persone interessate a diventare praticanti di AI. Questo libro è per lettori generali, persone che sentono molto parlare di AI sui notiziari ma non hanno alcuna esperienza in questo campo. Voglio mostrare ai lettori da dove proviene l’AI, che non è magia e che chiunque può capire cosa sta facendo.

Mentre molti libri sull’AI tendono a generalizzare, tu hai preso l’approccio opposto di essere molto specifico nell’insegnamento del significato di vari termini e anche spiegare la relazione tra AI, machine learning e deep learning. Perché pensi che ci sia così tanta confusione sociale tra questi termini?

Per capire la storia dell’AI e perché è ovunque ci guardiamo adesso, dobbiamo capire la distinzione tra i termini, ma nell’uso comune, è lecito utilizzare “AI” sapendo che si riferisce principalmente ai sistemi di AI che stanno trasformando il mondo in modo molto rapido. I sistemi di AI moderni sono emersi dal deep learning, che a sua volta è emerso dal machine learning e dall’approccio connessionista all’AI.

Il secondo capitolo si addentra nella storia dell’AI, dalla leggenda di Talos, un robot gigante destinato a proteggere una principessa fenicia, al paper di Alan Turing del 1950, “Macchine calcolatrici e intelligenza”, fino all’avvento della rivoluzione del Deep Learning nel 2012. Perché una comprensione della storia dell’AI e del machine learning è strumentale per capire pienamente quanto l’AI sia evoluta?

La mia intenzione è quella di mostrare che l’AI non è caduta dal cielo. Ha una storia, un’origine e un’evoluzione. Mentre le capacità emergenti dei grandi modelli linguistici sono una sorpresa, il percorso che li ha portati fin qui non lo è. È il risultato di decenni di pensiero, ricerca e sperimentazione.

Hai dedicato un intero capitolo alla comprensione dei sistemi di AI legacy come le macchine a vettori di supporto, gli alberi decisionali e le foreste casuali. Perché pensi che capire pienamente questi modelli di AI classici sia così importante?

L’AI come reti neurali è solo un approccio alternativo al tipo di modellazione basata sull’ottimizzazione trovata in molti modelli di machine learning precedenti. È un approccio diverso a ciò che significa sviluppare un modello di un processo, una funzione che mappa input in output. Conoscere i modelli precedenti aiuta a capire da dove provengono i modelli attuali.

Affermi di credere che il modello LLM di ChatGPT di OpenAI sia l’alba del vero AI. Cosa, secondo te, è stato il più grande cambiamento tra questo e i metodi precedenti di affrontare l’AI?

Recentemente ho visto un video degli anni ’80 di Richard Feynman che tenta di rispondere a una domanda sulle macchine intelligenti. Ha affermato di non sapere quale tipo di programma potrebbe agire in modo intelligente. In un certo senso, stava parlando dell’AI simbolica, dove il mistero dell’intelligenza è trovare la sequenza logica di operazioni, ecc., che consentono un comportamento intelligente. Mi sono chiesto, come molti altri, la stessa cosa – come si programma l’intelligenza?

Credo che non si possa realmente farlo. Invece, l’intelligenza emerge da sistemi sufficientemente complessi in grado di implementare ciò che chiamiamo intelligenza (cioè noi). I nostri cervelli sono reti neurali estremamente complesse di unità basiche. Lo stesso vale per una rete neurale. Credo che l’architettura del trasformatore, come implementata nei modelli LLM, abbia in qualche modo casualmente scoperto un accordo simile di unità basiche che possono lavorare insieme per consentire l’emergere di un comportamento intelligente.

Da un lato, è l’ultimo “happy accident” di Bob Ross, mentre dall’altro, non dovrebbe essere troppo sorprendente una volta che l’accordo e le interazioni consentite tra le unità basiche in grado di consentire l’emergere di un comportamento intelligente siano avvenute. Sembra chiaro adesso che i modelli di trasformatori siano uno di tali accordi. Naturalmente, ciò solleva la domanda: quali altri accordi potrebbero esserci?

Il tuo messaggio principale è che l’AI moderna (LLM) è, al suo nucleo, semplicemente una rete neurale addestrata con il backpropagation e la discesa del gradiente. Sei personalmente sorpreso da quanto siano efficaci gli LLM?

Sì e no. Sono continuamente sbalordito dalle loro risposte e dalle loro capacità mentre le utilizzo, ma tornando alla domanda precedente, l’intelligenza emergente è reale, quindi perché non dovrebbe emergere in un modello sufficientemente grande con un’architettura adatta? Credo che ricercatori come Frank Rosenblatt, se non prima, abbiano probabilmente pensato la stessa cosa.

La dichiarazione di missione di OpenAI è “garantire che l’intelligenza artificiale generale – i sistemi di AI che sono generalmente più intelligenti degli esseri umani – benefichi tutta l’umanità”. Credi personalmente che l’AGI sia raggiungibile?

Non so cosa significhi AGI più di quanto non sappia cosa significhi coscienza, quindi è difficile rispondere. Come affermo nel libro, potrebbe benissimo arrivare un punto, molto presto adesso, in cui sarà inutile preoccuparsi di tali distinzioni – se cammina come un’anatra e fa “quack” come un’anatra, allora chiamalo un’anatra e continua.

Risposte spiritose a parte, è del tutto possibile che un sistema di AI potrebbe, un giorno, soddisfare molte teorie della coscienza. Vogliamo sistemi di AI completamente coscienti (qualunque cosa significhi realmente)? Forse no. Se è cosciente, allora è come noi e, quindi, una persona con diritti – e non credo che il mondo sia pronto per persone artificiali. Abbiamo già abbastanza problemi a rispettare i diritti dei nostri simili umani, per non parlare di quelli di qualsiasi altro tipo di essere.

C’è stato qualcosa che hai imparato durante la stesura di questo libro che ti ha sorpreso?

Oltre allo stesso livello di sorpresa che tutti gli altri provano per le capacità emergenti degli LLM, no. Ho imparato l’AI come studente negli anni ’80. Ho iniziato a lavorare con il machine learning all’inizio degli anni 2000 e sono stato coinvolto nel deep learning mentre emergeva all’inizio degli anni 2010. Ho assistito agli sviluppi dell’ultimo decennio in prima persona, insieme ad altri, mentre il campo cresceva drasticamente da una conferenza all’altra.

Grazie per la grande intervista, i lettori possono anche voler dare un’occhiata alla mia recensione di questo libro. Il libro è disponibile presso tutti i principali rivenditori, compresa Amazon.