Intelligenza artificiale impara come un piccione: cosa vuol dire

Da qualche tempo a questa parte sembra esserci un collegamento diretto tra i piccioni e il mondo dell’informatica. Eppure cosa possono avere in comune due mondi all’apparenza così distanti l’uno dall’altro? Di recente un noto youtuber si era chiesto se nel trasferimento dati fosse più veloce un piccione viaggiatore o una connessione Gigabit in fibra ottica.

Se quello era un esperimento un po’ provocatorio, questa volta un gruppo di ricercatori della Ohio State University ha svolto un’indagine più profonda concludendo che i piccioni utilizzano degli stessi principi alla base delle moderne intelligenze artificiali per affrontare vari problemi.

Brandon Turner, autore principale del nuovo studio e docente di psicologia alla Ohio State University, ha lavorato con Edward Wasserman, professore di psicologia presso l’Università dell’Iowa,  arrivando a una serie di interessanti conclusioni, pubblicate su iScience.

Apprendimento associativo alla base delle moderne intelligenze artificiali e del pensiero dei… piccioni

L’apprendimento associativo è un tipo di apprendimento in cui un organismo o un sistema impara a collegare due o più stimoli o eventi, in modo che il manifestarsi di uno provochi  una certa aspettativa o una risposta consequenziale. Questo tipo di apprendimento è spesso associato alla psicologia: un soggetto apprende ad associare un evento neutrale con uno stimolo che evoca una risposta. Nel condizionamento classico di Pavlov, ad esempio, un cane può imparare ad associare il suono di una campana (stimolo neutrale) con la consegna di cibo (stimolo incondizionato); da solo, il suono della campana provoca una risposta salivare anticipata. Questo è un esempio di apprendimento associativo.

In che modo le intelligenze artificiali fanno uso dell’apprendimento associativo

Nel contesto dell’intelligenza artificiale, l’apprendimento associativo è rilevante in varie applicazioni, tra cui:

• Apprendimento automatico: Gli algoritmi di machine learning spesso si basano sull’apprendimento associativo per rilevare correlazioni e modelli nei dati. Ad esempio, l’apprendimento supervisionato implica l’associazione tra input e output, in modo che il modello possa poi fare previsioni basate su nuovi input.
• Rete neurale artificiale: Le reti neurali artificiali sono ispirate al funzionamento dei neuroni biologici e utilizzano connessioni pesate per associare gli input ai risultati desiderati. L’apprendimento in queste reti coinvolge l’aggiornamento dei pesi per migliorare le prestazioni.
• Riconoscimento di pattern: L’apprendimento associativo è ampiamente utilizzato nel riconoscimento di pattern. Si pensi a campi applicativi quali il riconoscimento facciale e il riconoscimento vocale: il sistema impara ad associare pattern specifici a identità o comandi.
• Raccomandazioni personalizzate: Nei sistemi di raccomandazione, l’intelligenza artificiale utilizza l’apprendimento associativo per abbinare i comportamenti passati dell’utente con raccomandazioni future, ad esempio suggerendo prodotti o contenuti basati sugli acquisti o sulle visualizzazioni precedenti di un insieme di pagine Web.

Turner e Wasserman spiegano che proprio grazie all’apprendimento associativo, un piccione può trovare soluzioni a problemi complessi che sono difficili da raggiungere per gli esseri umani o altri primati. Il pensiero dei primati è tipicamente guidato dall’attenzione selettiva e dall’uso esplicito di regole, caratteristiche che possono ostacolare la risoluzione di alcuni tipi di problemi.

Fonte dell’immagine: Ohio State University.

Parallelismi tra mondo dei piccioni e funzionamento delle intelligenze artificiali

Nell’ambito dello studio, un’ampia famiglia di piccioni è stata messa di fronte a quattro diversi compiti. Per i compiti più semplici, si è scoperto che i piccioni potevano apprendere le scelte corrette nel tempo e aumentare le loro percentuali di successo da circa il 55% al ​​95%. Nello svolgimento dei compiti più complessi i volatili non hanno fatto registrare un miglioramento così netto nel corso del tempo, passando dal 55% al 68%.

Tuttavia, i risultati sono serviti a mostrare stretti parallelismi tra le performance fatte segnare dai piccioni e quelle evidenziate dai modelli di intelligenza artificiale. In entrambi i casi emerge l’utilizzo di tecniche di apprendimento associativo e di correzione degli errori per indirizzare le loro decisioni verso il successo.

Turner ha osservato la metodologia che combina prove, errori ed apprendimento associativo basato “sulla forza bruta” aiuta ad ottenere risultati migliori rispetto a quelli degli esseri umani.

Fino a ieri, i piccioni erano considerati come animali piuttosto ottusi. La domanda è: com’è che all’improvviso sembrano diventare più intelligenti degli esseri umani?

La questione, come spiegato poco sopra, non sta in questi termini. Turner e Wasserman hanno dimostrato che i piccioni e gli esseri umani utilizzano approcci diversi per risolvere compiti specifici. In alcuni casi specifici, i piccioni sembrano essere più efficaci nell’utilizzare l’apprendimento associativo e nell’interfacciarsi con gli errori per risolvere determinate attività di categorizzazione visuale.

Gli esseri umani sono noti per la loro straordinaria intelligenza generale, che comprende capacità di ragionamento, problem-solving, apprendimento concettuale, creatività e molto altro. Queste abilità superano ampiamente quelle dei piccioni in molti contesti. L’intelligenza è un concetto complesso e multidimensionale, e varia tra le specie e anche tra gli individui all’interno della stessa specie. Ecco quindi che i piccioni hanno sviluppato abilità e strategie diverse per affrontare le sfide specifiche che si presentano nel loro ambiente.