The Thinking Game: il film che mostra come DeepMind sta costruendo l’Intelligenza Artificiale Generale

Quando utilizziamo l’intelligenza artificiale ogni giorno, nelle sue varie forme, spesso ci chiediamo come funzionino le elaborazioni “dietro le quinte” per arrivare al risultato ottenuto. Come fa un algoritmo a comprendere, apprendere e persino anticipare le nostre esigenze? In un altro articolo abbiamo visto abbiamo provato a spiegare l’intelligenza artificiale generativa in modo semplice e comprensibile. Il documentario The Thinking Game offre uno sguardo unico nel cuore di Google DeepMind, la startup britannica che ha trasformato la ricerca sull’intelligenza artificiale in una delle sfide scientifiche più ambiziose del XXI secolo: la creazione dell’Intelligenza Artificiale Generale (AGI).

Frutto di riprese durate 5 anni, The Thinking Game mostra non solo i momenti di trionfo, ma anche le difficoltà e le strategie metodologiche che hanno permesso a DeepMind di passare dall’addestramento dei modelli su giochi Atari alla risoluzione del problema del protein folding, un enigma scientifico irrisolto da cinquant’anni.

L’AGI, secondo Demis Hassabis, cofondatore e figura centrale di DeepMind, non è rappresenta una corsa a sé. È uno strumento potente, capace di accelerare la ricerca scientifica, rivoluzionare settori chiave come la medicina e la biologia, e potenzialmente ridefinire l’intera società umana.

La genesi di DeepMind: visione, fondazione e ostacoli iniziali

DeepMind nasce dall’idea di creare un sistema cognitivo generale, capace di apprendere da esperienze diverse e di adattarsi a molteplici compiti. Hassabis e Shane Legg condividono l’ossessione per l’AGI, ma nei primi anni il concetto era visto con scetticismo nella comunità scientifica, che considerava l’AGI un’idea troppo ambiziosa per essere perseguita seriamente.

L’azienda fu fondata a Londra, nonostante la pressione di investitori come Peter Thiel di trasferirsi nella Silicon Valley. La scelta di Londra non era casuale: Cambridge e Oxford garantivano accesso a talenti altamente qualificati, mentre la cultura della Silicon Valley, basata sul concetto di “fail fast, pivot often” (testare idee e progetti velocemente per capire subito se funzionano o meno nonché cambiare direzione di frequente), non era compatibile con progetti di ricerca a lungo termine come l’AGI.

I primi due anni furono operativi in modalità stealth. Il team lavorava in segretezza, gli uffici erano chiusi al pubblico e i candidati erano reclutati con molta cautela. Questo isolamento permise di concentrarsi esclusivamente sulla sperimentazione scientifica senza pressioni esterne.

Demis Hassabis, cofondatore di DeepMind, azienda diventata il cuore dello sviluppo AI in casa Google.

I giochi come laboratorio cognitivo: Reinforcement Learning e Deep Learning

DeepMind scelse i giochi come terreno di sperimentazione per sviluppare algoritmi capaci di apprendere in maniera generale. L’approccio principale fu il reinforcement learning (RL): l’agente interagisce con un ambiente, riceve un feedback sotto forma di ricompensa e aggiorna la propria strategia per massimizzare il rendimento.

L’innovazione cruciale di DeepMind fu combinare il RL con il deep learning, cioè reti neurali profonde in grado di estrarre rappresentazioni complesse dai dati grezzi (come pixel di gioco).

La fusione così realizzata permise la creazione di algoritmi capaci di apprendere strategie da zero, partendo solo dall’esperienza e senza alcuna programmazione esplicita delle regole.

Il primo successo significativo fu il dominio dei giochi Atari. Inizialmente, il sistema falliva anche su giochi semplici come Pong, ma entro pochi mesi l’agente superò le capacità umane in decine di giochi. Un esempio emblematico fu Breakout: l’AI scoprì spontaneamente una strategia ottimale mai codificata ovvero scavare un tunnel laterale per far passare la palla dietro il muro, dimostrando capacità di generalizzazione.

AlphaGo e la conquista dei giochi complessi

Dopo i giochi Atari, il passo successivo fu il Go, un gioco da tavolo di complessità straordinaria con più configurazioni possibili che atomi nell’universo. AlphaGo fu addestrata inizialmente con imitation learning, imparando dalle partite giocate dagli umani, e poi tramite RL, giocando milioni di volte contro se stessa.

Il match storico contro Lee Sedol segnò un momento di svolta. La mossa 37, giocata dall’AI con una probabilità di appena 0,01 rispetto a quella che un umano avrebbe considerato, sorprese esperti e commentatori. AlphaGo non solo vinse, ma introdusse nuovi approcci strategici, dimostrando che l’AI può generare innovazioni che trascendono la conoscenza umana preesistente.

Successivamente, AlphaZero portò la sperimentazione a un livello superiore: eliminando completamente dati e conoscenze umane, imparava esclusivamente dalle proprie esperienze, raggiungendo abilità sovrumane in tempi estremamente ridotti. L’azienda dimostrò l’efficacia dei sistemi di self-play reinforcement learning, capaci di superare il limite umano senza supervisione diretta.

AlphaFold: dalla teoria alla rivoluzione scientifica

L’applicazione più ambiziosa e impattante della tecnologia di DeepMind fu AlphaFold, progettata per risolvere il problema del protein folding, ossia prevedere la struttura tridimensionale di una proteina a partire dalla sua sequenza di aminoacidi.

Il protein folding è un problema centrale nella biologia molecolare: la funzione di una proteina dipende dalla sua struttura tridimensionale. AlphaFold utilizzò reti neurali avanzate e una pipeline di dati integrata con principi fisici e biologici, combinando tecniche di machine learning con conoscenza di dominio. La competizione CASP 14 dimostrò la superiorità del sistema: DeepMind superò gli altri team di quasi il 50%, fornendo previsioni precise su centinaia di proteine mai risolte prima.

A differenza di molte tecnologie proprietarie, DeepMind scelse di rendere AlphaFold open source (AlphaFold 3 su GitHub), prevedendo le strutture di oltre 200 milioni di proteine e offrendo alla comunità scientifica uno strumento senza precedenti, paragonabile per impatto all’indice dei motori di ricerca o al sequenziamento del genoma umano.

Architettura e algoritmi alla base di AlphaFold

AlphaFold combina graph neural networks (GNN) e modelli di attenzione per rappresentare le relazioni spaziali tra aminoacidi.

L’addestramento prevede due fasi principali:

• Multiple Sequence Alignment (MSA): l’algoritmo raccoglie sequenze correlate per identificare pattern evolutivi.
• Predizione strutturale: la rete neurale combina i dati MSA con modelli di fisica per stimare la struttura 3D finale.

Questa architettura ibrida, che integra apprendimento statistico e vincoli fisici, è stata la chiave del successo di AlphaFold, rappresentando un modello di riferimento per applicazioni future  dell’AI nella biologia e nella chimica computazionale.

Etica, governance e rischi dell’AGI

Il progresso verso l’AGI comporta rischi significativi. Hassabis paragona lo sviluppo dell’AGI al Progetto Manhattan: un enorme potenziale accompagnato da responsabilità etiche.

L’uso militare, la sorveglianza di massa e la possibilità che sistemi superintelligenti prendano decisioni incomprensibili per gli esseri umani sono temi centrali.

Per mitigare i rischi, DeepMind ha ottenuto garanzie da Google sulla non applicazione della tecnologia a scopi bellici. Tuttavia, Hassabis sottolinea la necessità di una governance globale e di una regolamentazione preventiva, poiché l’arrivo dell’AGI è inevitabile, indipendentemente dall’azienda che giungerà per prima al traguardo.

Dal gioco alla rivoluzione scientifica

The Thinking Game non racconta solo la storia di DeepMind come azienda tecnologica, ma come piattaforma di innovazione scientifica. Dai giochi Atari al Go, fino alla decifrazione delle proteine, il documentario mostra la potenza di un approccio basato su apprendimento, sperimentazione e rigore scientifico. L’AGI emerge come strumento non fine a sé stesso, ma come chiave per affrontare sfide fondamentali e reinventare le strutture della civiltà.

Il viaggio di DeepMind mette in evidenza come l’innovazione non sia un processo lineare: è fatto di tentativi falliti, intuizioni improvvise e perseveranza. Il rilascio dei dati di AlphaFold rappresenta un esempio concreto di come l’intelligenza artificiale possa generare valore condiviso, aprendo la strada a scoperte future in grado di cambiare la storia dell’umanità.

Il sito ufficiale del film The Thinking Game condivide qualche dettaglio in più, conferma che gli utenti possono accedere al documentario in anteprima su YouTube (si può attivare la traduzione in italiano in tempo reale cliccando sull’icona Sottotitoli) e annuncia la disponibilità su alcune delle principali piattaforme di streaming video.