L'intelligenza di Google si orienta in metropolitana

DeepMind, la società londinese che sviluppa progetti di intelligenza artificiale, acquisita da Google un paio di anni fa, ha messo a punto un sistema, definito "rete neurale a memoria aumentata" (memory-augmented neural network) e chiamato Differentiable Neural Computer (DNC) capace di usare basilari capacità di ragionamento per interpretare in autonomia (senza eseseguire istruzioni) la mappa della metropolitana di Londra.

DNC è riuscito anche a risolvere semplici sillogismi (ragionamenti "a catena") e a ricostruire a partire da alcuni dati l'albero genealogico di una famiglia (video qui sotto): l'approccio prevedeva la capacità di ricombinare elementi di informazioni acquisiti in memoria per giungere a una conclusione "originale" (che non fosse cioè il risultato di algoritmo). Un compito forse elementare per una mente umana (nel caso dell'albero genealogico), ma complesso per un computer, per quanto dotato di intelligenza artificiale.

Un contenitore da cui pescare. Il risultato si basa su due diverse strategie, sperimentate in un precedente sistema, AlphaGo, capace di competere efficacemente (in DeepMind parlano di "consapevolezza necessaria per competere") con un professionista nel gioco del Go.

In primo luogo l'uso del deep learning, un insieme di tecnologie che, attraverso algoritmi e calcoli statistici, cercano di imitare la capacità di ragionamento e di apprendimento della mente umana. Secondo, una memoria esterna, pensata per immagazzinare temporaneamente un pacchetto di informazioni e permettere al sistema di estrarle al momento del bisogno.

Il cervello come modello. In pratica viene imitato il funzionamento della memoria di lavoro umana: un temporaneo magazzino cerebrale che ci permette di eseguire compiti complessi e rimanere concentrati in operazioni che richiedono più passi, come seguire una ricetta, o comunicare a qualcuno un numero di telefono che ci hanno appena riferito.

Risultati promettenti. Usando questi due approcci, l'intelligenza artificiale è riuscita a trovare le strade più veloci per muoversi tra due stazioni, o a immaginare dove sarebbe finita se fosse "scesa", per esempio, a due fermate da Victoria Station.

Se l'è cavata bene anche in compiti di ragionamento deduttivo ("John è al parchetto". "John ha preso il pallone". "Dov'è il pallone?"), che ha risolto nel 96% dei casi, senza interventi esterni.

In autonomia. Questo insieme di soluzioni era appunto già stata sperimentata, ma è la prima volta che si arriva a imitare la memoria di lavoro umana, che resta l'obiettivo fondamentale per ipotizzare macchine, o assistenti virtuali, con primarie capacità di ragionamento.

Per DNC, non è tanto il risultato in sé a stupire - anche semplici app per cellulare sanno muoversi in una mappa della metro - ma il modo in cui il sistema ci è arrivato: "ragionando" da solo.