Foundational Requirements for Artificial General Intelligence: A Falsifiable Framework Based on Signal Prediction

Sintesi Tecnica: Requisiti Fondamentali per l'Intelligenza Artificiale Generale

Problematica
Il documento affronta la mancanza fondamentale di una definizione precisa di intelligenza e la limitata comprensione del funzionamento dei cervelli biologici, fattori che ostacolano lo sviluppo dell'Intelligenza Artificiale Generale (AGI). Gli attuali sistemi di IA ottengono spesso prestazioni elevate su compiti ristretti ottimizzando per benchmark specifici, confondendo la competenza specializzata con l'intelligenza generale. Questi sistemi si affidano frequentemente a strutture semantiche preesistenti o a rappresentazioni simboliche di alto livello, fallendo nel risolvere il "problema del radicamento dei simboli" (symbol grounding problem), dove i simboli mancano di un significato intrinseco senza l'interazione sensoriale. Gli autori sostengono che mirare a comportamenti di alto livello su compiti predefiniti sia insufficiente; invece, l'attenzione deve spostarsi sui requisiti comportamentali di basso livello, indipendenti dall'architettura, necessari per l'emergere dell'intelligenza generale.

Metodologia
Gli autori propongono un quadro falsificabile basato sull'ipotesi che l'intelligenza di alto livello emerga dall'elaborazione di segnali di basso livello. Piuttosto che definire l'intelligenza, essi definiscono un insieme di condizioni necessarie (sebbene non sufficienti) affinché un sistema possa essere considerato un candidato per l'AGI.

1. L'Ipotesi: Un sistema capace di un'intelligenza generale di livello umano deve soddisfare dodici requisiti specifici. Questi requisiti caratterizzano sistemi adattivi che apprendono attraverso la predizione su segnali binari strutturati spazialmente e temporalmente, senza conoscenza semantica esterna.
2. Il Testbed (AGITB): Per operazionalizzare questi requisiti, gli autori introducono l'Artificial General Intelligence Testbed (AGITB). Si tratta di un insieme di test empirici trasparenti e riutilizzabili, uno per ogni requisito.
   • Spazio di Input: Il sistema elabora sequenze di vettori binari a 10 bit ($L=10$). Lo spazio di input è vincolato da un "periodo refrattario assoluto" (nessun bit può essere '1' in passi temporali consecutivi), creando un sottoinsieme specifico di sequenze ammissibili.
   • Compito: Il sistema deve predire l'input successivo in una sequenza basandosi sulla sua storia.
   • Criteri di Valutazione: Il testbed impiega un criterio "tutto o niente". Un sistema deve superare tutti i dodici test specifici per requisito per essere considerato un candidato. I test sono progettati come stress test (ad esempio, 5.000 prove ripetute) per garantire la robustezza piuttosto che la significatività statistica.
   • Falsificabilità: Il quadro è progettato per essere falsificato. Se un sistema dimostrabilmente non intelligente (ad esempio, un algoritmo ristretto) dovesse superare tutti i dodici test, l'ipotesi che questi requisiti siano necessari per l'AGI verrebbe respinta.

I Dodici Requisiti
Il framework identifica dodici requisiti minimi e interagenti:

1. Inizio Non Informato (Uninformed Start): I modelli devono iniziare da una configurazione iniziale identica ed vuota, senza conoscenza specifica dell'ambiente.
2. Determinismo: L'evoluzione del modello deve essere deterministica rispetto alla storia degli input.
3. Traccia (Trace): Ogni input deve lasciare una traccia interna permanente; le configurazioni non devono mai ripetersi (assenza di cicli).
4. Tempo: L'evoluzione del modello deve dipendere strettamente dall'ordine degli input (non commutativa).
5. Periodo Refrattario Assoluto: L'apprendimento è limitato a sequenze in cui gli input successivi sono non sovrapponibili tra loro (vincoli biologicamente plausibili dello spike).
6. Saturazione Inevitabile: I sistemi hanno una capacità finita; non possono apprendere tutte le sequenze possibili, sebbene tutte le sequenze ammissibili di lunghezza 2 debbano essere apprendibili.
7. Adattabilità Temporale: Il sistema deve apprendere sequenze con lunghezze di ciclo variabili e adattarsi ai cambiamenti di scala temporale.
8. Sensibilità al Contenuto: Il tempo di adattamento deve variare in base alla complessità della sequenza di input.
9. Sensibilità al Contesto: Il tempo di adattamento deve variare in base alla configurazione interna del modello (storia).
10. Riduzione del Rumore (Denoising): Un modello informato deve superare i baseline costanti nel predire input corrotti all'interno di una sequenza nota.
11. Generalizzazione: Il modello deve predire continuazioni non viste di una sequenza meglio del caso dopo aver osservato un prefisso.
12. Vitalità in Tempo Reale (Real-time Liveness): Ogni aggiornamento del modello deve completarsi entro un limite di tempo fisso di tempo reale (wall-clock time), indipendente dalla storia dell'input.

Contributi Chiave

• Framework Operativo: Il documento fornisce il primo framework operativo e falsificabile che combina l'elaborazione predittiva, l'apprendimento continuo e il radicamento biologico in un unico insieme di criteri indipendenti dall'architettura.
• Il Testbed AGITB: Una implementazione di riferimento (C++) pubblicamente disponibile che valuta i sistemi rispetto a questi dodici requisiti.
• Spostamento verso i Segnali di Basso Livello: Il lavoro si allontana dalla valutazione simbolica (che soffre di problemi di radicamento) per passare alla predizione di segnali binari grezzi, allineandosi ai principi neurocomputazionali della corteccia cerebrale.
• Sintesi dei Requisiti: La novità non risiede nei singoli componenti, ma nella sintesi di questi specifici vincoli di basso livello, che sono singolarmente risolvibili da sistemi specializzati, ma collettivamente impongono un vincolo molto più forte sulle architetture candidate.

Risultati

• Stato Empirico: Ad oggi, nessun sistema non intelligente è stato identificato o segnalato come capace di superare con successo il testbed AGITB.
• Tentativi di Controesempio: Gli autori hanno tentato di generare controesempi utilizzando modelli linguistici di grandi dimensioni (LLM) contemporanei come ChatGPT, Claude e Gemini per sintetizzare codice in grado di superare i test. Sebbene questi modelli abbiano prodotto codice che dichiarava di soddisfare i criteri, nessuna delle soluzioni generate ha avuto successo quando eseguita sotto la procedura di valutazione AGITB.
• Limitazioni del Sistema: Il documento nota che i sistemi esistenti (programmi simbolici, reti neurali standard e LLM) generalmente falliscono requisiti specifici, in particolare l' "inizio non informato" (a causa del pre-addestramento) e i requisiti di "vitalità in tempo reale" o "traccia" (a causa di vincoli architettonici come le finestre di contesto fisse).

Significato e Rivendicazioni
Il documento rivendica modestamente che superare l'AGITB non prova l'esistenza dell'intelligenza generale. Invece, il testbed funge da milestone empirica candidata.

• Necessari, non Sufficienti: Si ipotizza che soddisfare i dodici requisiti sia necessario per l'AGI, ma non sufficiente a garantire capacità di alto livello come il ragionamento o il linguaggio.
• Falsificabilità: Il significato primario è la capacità di falsificare l'ipotesi. Se un sistema ristretto dovesse passare, l'ipotesi verrebbe respinta. Finché non viene trovato un tale controesempio, il testbed delinea un confine che i sistemi contemporanei non attraversano.
• Lacuna Metodologica: Il lavoro affronta una lacuna di lunga data nella ricerca sull'AGI fornendo un metodo trasparente e riutilizzabile per valutare i vincoli comportamentali di basso livello ipotizzati come prerequisiti per l'intelligenza generale, andando oltre definizioni vaghe o benchmark specifici per compito.