🤖 AI

On the Definition of Intelligence

Questo articolo propone una definizione di intelligenza indipendente dalla specie basata sulla "fedeltà dell'entità", formalizzata come intelligenza di concetto $\varepsilon$ , che valuta la capacità di un agente di generare nuove istanze di un concetto indistinguibili dagli esempi originali entro una tolleranza specificata.

Autori originali: Kei-Sing Ng

Pubblicato 2026-08-13

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Kei-Sing Ng

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Grande Mistero del "Cosa sia l'Intelligenza?"

Immaginate di trovarvi in una biblioteca immensa e caotica dove i libri sono scritti in ogni lingua immaginabile, e alcuni di essi non sono nemmeno fatti di carta: sono fatti di luce, suono o pura matematica. Per decenni, scienziati e ingegneri hanno cercato di costruire una macchina capace di leggere, comprendere e scrivere questi libri bene quanto un essere umano. Questo campo è chiamato Intelligenza Artificiale (AGI), e la domanda più grande che vi pende sopra è semplice ma incredibilmente difficile: Cosa rende effettivamente qualcosa "intelligente"?

Di solito, definiamo l'intelligenza in base a ciò che una macchina può fare. Sa batterti a scacchi? Sa guidare un'auto? Sa superare un esame? Ma questo diventa complicato. Se un robot è eccezionale a scacchi ma non sa allacciarsi le scarpe, è intelligente? Se un piccione riesce a individuare una cellula cancerosa in un vetrino meglio di un medico, il piccione è un genio? I vecchi modi di misurare l'intelligenza si basano spesso sul confrontare le macchine con gli esseri umani, il che è come giudicare un pesce dalla sua capacità di arrampicarsi su un albero. Abbiamo bisogno di un nuovo righello, uno che non si curi se il pensatore sia un essere umano, un piccione o un chip di un computer. Abbiamo bisogno di una definizione che funzioni per tutti, ovunque, basata su un singolo, universale superpotere.

La Grande Idea del Paper: Il Test del "Imitatore"

In questo articolo, Kei-Sing Ng propone un modo fresco, giocoso, ma matematicamente serio per definire l'intelligenza. Inveve di chiedere "Può risolvere problemi?" o "Può vincere partite?", l'autore pone una domanda più semplice: "Può creare altro di ciò che è già stato presentato?"

L'idea centrale è che l'intelligenza sia la capacità di osservare alcuni esempi di un "concetto" e poi generare nuove cose che si inseriscano perfettamente in quello stesso concetto. Pensatelo come un grande chef. Se date a uno chef un piatto di pancake perfetti, dorati e soffici (gli esempi), uno chef veramente intelligente può cucinare un intero nuovo lotto che ha lo stesso aspetto, sapore e consistenza dell'originale. Se i nuovi pancake sono bruciati o crudi, lo chef non è molto bravo nel concetto di "pancake".

Il paper suggerisce che questa "fedeltà generativa" — la capacità di creare nuove cose indistinguibili dalle precedenti — sia il battito cardiaco dell'intelligenza. Che si tratti di un essere umano che dipinge un nuovo quadro nello stile di Van Gogh, di un piccione che smista vetrini medici o di un computer che scrive una poesia, sono tutti intelligenti se possono prendere alcuni esempi e produrre nuovi elementi che si adattino al modello così bene da non far notare la differenza.

La Magica Regola dell' "Indistinguibilità"

Per rendere precisa questa idea, l'autore introduce il concetto di intelligenza $\epsilon$ -concetto (pronunciato "epsilon-concetto"). La lettera greca $\epsilon$ (epsilon) qui rappresenta semplicemente un minuscolo margine di errore consentito.

Immaginate di avere un "distinguere" — questo potrebbe essere un giudice umano, un programma per computer o persino un critico d'arte molto severo. Il suo compito è guardare un mucchio di esempi originali e un mucchio di nuove creazioni e cercare di individuare i falsi.

Se il distinguere riesce facilmente a notare la differenza, il sistema non è intelligente rispetto a quel concetto.
Se il distinguere ci prova con tutte le sue forze ma non riesce a distinguere le nuove creazioni dagli originali (entro quel minuscolo margine di errore $\epsilon$ ), allora il sistema è intelligente.

Il paper sostiene che questo sia un modo molto migliore per misurare l'intelligenza rispetto al vecchio "Test di Turing" (dove un essere umano cerca di indovinare se sta parlando con un robot). Il Test di Turing è solo una versione specifica di questa nuova regola. Nel nuovo framework, se una macchina può generare risposte indistinguibili da quelle umane, supera il test. Ma la regola funziona anche per cose che il Test di Turing non può gestire, come una macchina che genera un nuovo tipo di design di un motore che si adatta al concetto di "trasporto efficiente" tanto quanto un cavallo o un'auto.

Ciò che questa Definizione Esclude (E Perché)

L'autore è molto chiaro su ciò che questa definizione non è.

Non riguarda la coscienza. Non è necessario avere sentimenti, un'anima o un "sé" per essere intelligenti secondo questa regola. Un semplice programma per computer che risolve problemi matematici perfettamente è intelligente perché genera risposte corrette, anche se non "sa" di stare facendo matematica.
Non riguarda l'apprendimento. Una macchina non ha bisogno di essere capace di imparare nuove cose al volo per essere chiamata intelligente. Se una macchina è congelata nel tempo ma è ancora capace di generare esempi perfetti di un concetto, essa conta come intelligente. L'apprendimento è solo un modo per migliorare la propria capacità di generare questi esempi nel tempo, ma non è la definizione stessa di intelligenza.
Non riguarda l'essere antropocentrica. La definizione non si cura se il "concetto" sia qualcosa che piace agli umani. Se un uccello può generare un nido che si adatta al concetto di "rifugio sicuro" meglio di un architetto umano, l'uccello è intelligente in quel dominio.

Le Due Facce dell'Intelligenza: "Ora" e "Dopo"

Il paper suddivide anche l'intelligenza in due categorie interessanti per aiutarci a capire come funziona nel tempo:

Capacità Sincronica (L'Intelligenza del "Ora"): Questa è la capacità di un sistema di generare buone esemplificazioni per un gruppo di diversi concetti proprio in questo momento. È come un coltellino svizzero che ha tutti gli strumenti pronti all'uso immediato.
Capacità Diacronica (L'Intelligenza del "Dopo"): Questa è la capacità di adattarsi. Se il mondo cambia e devi imparare un nuovo concetto (come passare dal fare pancake al fare waffle), quanto velocemente puoi generare dei buoni waffle? Questa è la parte dell' "apprendimento", che il paper tratta come un superpotere separato, ma correlato.

Perché Questo è Importante

L'autore suggerisce che, concentrandoci su questa capacità "generativa", possiamo finalmente costruire un unico metro di paragone per misurare tutto, dai cervelli biologici ai computer artificiali. Questo cambia l'obiettivo della ricerca sull'IA. Invece di cercare di creare macchine che "pensino" come gli umani, dovremmo concentrarci nel creare macchine che possano generare output che siano indistinguibili dalla verità, dall'arte o dalla soluzione che stiamo cercando.

Il paper conclude che questo approccio potrebbe rendere l'IA più sicura e affidabile. Se addestriamo le macchine a generare output che siano perfettamente coerenti con un concetto "sicuro", potremmo prevenire errori dannosi. Suggerisce inoltre che il futuro dell'IA potrebbe comportare l'uso della matematica avanzata (come la Teoria delle Categorie) per mappare come questi concetti si collegano, permettendo alle macchine di saltare da un'idea all'altra con facilità.

In breve, il paper ci invita a smettere di chiedere "È intelligente?" e iniziare a chiedere "Può creare altro di ciò che è già stato presentato, così bene che non possiamo distinguere la differenza?". Se la risposta è sì, allora, secondo questa nuova definizione, è intelligente.

Sintesi Tecnica: Sulla Definizione di Intelligenza

Problema
La ricerca dell'Intelligenza Artificiale Generale (AGI) richiede una definizione di intelligenza formale, operativa e indipendente dalla specie. Le definizioni esistenti presentano limitazioni significative:

Definizioni Orientate agli Obiettivi: Definizioni come quella di Legg e Hutter (che misurano la capacità di un agente di raggiungere obiettivi in ambienti diversi) faticano ad applicarsi a comportamenti privi di ambienti chiari, segnali di ricompensa o obiettivi ben definiti (ad esempio, l'IA generativa).
Definizioni Antropocentriche e Temporali: Approcci come il Test di Turing o la definizione di Elaine Rich (l'IA come l'atto di far fare ai computer cose che gli umani fanno attualmente meglio) sono o limitati al confronto uomo-macchina o sono temporalmente contingenti alla attuale superiorità umana.
Problemi di Operazionalizzazione: Le definizioni psicologiche (ad esempio, Wechsler) sono difficili da operazionalizzare per sistemi non umani.

Manca un quadro unificato in grado di valutare sistemi biologici, artificiali e ibridi attraverso diversi paradigmi, inclusi l'apprendimento per rinforzo, i modelli generativi, la classificazione e il ragionamento analogico, senza fare affidamento su descrizioni vaghe o sul giudizio umano come metrica esclusiva.

Metodologia
Il documento propone una definizione di intelligenza fondata sulla fedeltà generativa e l'indistinguibilità dell'entità. La metodologia prevede i seguenti costrutti formali:

Spazio Concettuale e Fibre:
- Sia $U$ l'universo di tutte le entità concepibili (punti dati, prodotti, azioni, concetti).
- Uno spazio concettuale è definito come una mappatura suriettiva $\Phi: U \to K$ , dove $K$ è l'insieme dei concetti.
- Per un concetto $k \in K$ , l'insieme di entità che lo esemplificano è la "fibra" $C_k = \Phi^{-1}(k)$ .
$\varepsilon$ -Intelligenza di Concetto:
- Dato un multiset di entità di input $S \subseteq U$ appartenenti a un concetto $C_k$ , un agente è intelligente se è in grado di generare un insieme di entità $\hat{S}$ che esemplifica lo stesso concetto.
- Distinguitori: Una famiglia di funzioni $F = \{f: U \to [0, 1]\}$ agisce come distinguitori per testare la somiglianza tra $S$ e $\hat{S}$ .
- Scoring: Una funzione di punteggio $\sigma$ aggrega gli output dei distinguitori su un insieme.
- Metrica: La metrica di intelligenza è definita come il supremo della differenza tra i punteggi dell'insieme originale e dell'insieme generato attraverso tutti i distinguitori:
  $\Delta^\sigma_F(S, \hat{S}) = \sup_{f \in F} |\sigma(\{f(x) : x \in S\}) - \sigma(\{f(x') : x' \in \hat{S}\})|$
- Definizione: Un agente è $\varepsilon$ -intelligente rispetto al concetto $k$ se $\Delta^\sigma_F(S, \hat{S}) \le \varepsilon$ . Ciò implica che le entità generate sono indistinguibili dalle entità originali entro una tolleranza $\varepsilon$ da parte di qualsiasi distinguitore ammissibile in $F$ .
Quadro Dinamico:
- Il documento distingue tra Capacità Sincronica (ampiezza della generazione di entità a basso $\varepsilon$ per un set fisso di concetti al tempo $t$ ) e Capacità Diacronica (la capacità di trasporre la competenza da un insieme di concetti a un altro, misurando efficacementamente l'apprendimento/adattamento).

Contributi Chiave

Definizione Formale Unificata: Il documento fornisce un unico quadro matematico ( $\varepsilon$ -intelligenza di concetto) che assorbe diversi paradigmi di IA. Tratta l'intelligenza non solo come mappatura astratta o massimizzazione degli obiettivi, ma fondamentalmente come la generazione di nuove entità coerenti con un dato concetto.
Unificazione dei Benchmark Esistenti: L'autore dimostra che i test di intelligenza stabiliti sono casi particolari del proprio framework:
- Test di Turing: Nasce quando la fibra è l'insieme delle risposte linguistiche umane e i distinguitori sono giudici umani.
- C-Tests: Nascono quando la fibra consiste in sequenze con una specifica complessità di Levin e i distinguitori verificano l'unica spiegazione minima.
- Intelligenza di Legg-Hutter: Nasce quando la fibra è l'insieme di sequenze comportamentali che massimizzano la ricompensa attesa in un ambiente.
Disaccoppiamento di Intelligenza, Apprendimento e Coscienza:
- La definizione non richiede la coscienza; un risolutore deterministico può esibire un'alta $\varepsilon$ -intelligenza senza essere cosciente.
- La definizione non richiede strettamente la capacità di apprendimento; un sistema statico che genera costantemente output corretti per un concetto è intelligente all'interno di quel dominio, sebbene l'apprendimento riguardi la capacità diacronica (il cambiamento di $\varepsilon$ nel tempo).
Criteri Operativi: La definizione soddisfa tre desiderata:
- Operativa: Misurabile tramite output osservabili e indistinguibilità.
- Falsificabile: I sistemi che generano output divergenti dal concetto vengono identificati come dotati di bassa intelligenza.
- Generalizzabile: Applicabile a umani, macchine e sistemi biologici senza pregiudizio antropocentrico.

Risultati e Implicazioni Teoriche
Il documento non presenta nuovi dati sperimentali ma offre una derivazione teorica e controlli di coerenza logica:

Fedeltà Generativa: Il framework postula che l'intelligenza sia la capacità di generare entità coerenti con un concetto, anche se le entità sono astratte (ad esempio, generare un'auto dato un cavallo come esempio di "trasporto").
Sicurezza e Qualità dei Dati: L'autore sostiene che, poiché l'intelligenza è definita dalla fedeltà a un concetto, la sicurezza e l'affidabilità degli output sono determinate direttamente dalla qualità dei dati di addestramento (le entità iniziali $S$ ). La cura di dati sintetici conformi alla sicurezza alla fonte è presentata come il metodo primario per mitigare gli output dannosi.
Generalizzazione: Il framework supporta la generalizzazione a concetti non visti. Se un nuovo spazio concettuale $K_B$ può essere incorporato in uno spazio noto $K_A$ tramite un funtore pieno, fedele ed essenzialmente suriettivo, i limiti di intelligenza (distinguitori) possono essere trasportati, permettendo teoricamente al sistema di gestire problemi inediti.

Significato e Rivendicazioni
Il documento rivendica di fornire un "unico metro di paragone" per confrontare sistemi biologici, artificiali e ibridi. La sua importanza risiede nel:

Spostamento del Paradigma: Passare da definizioni orientate agli obiettivi o specifiche per compiti a un modello di fedeltà generativa.
Fondazione per l'AGI: Offrire una definizione di base che sia sufficientemente generale da comprendere diversi paradigmi (RL, LLM, ragionamento analogico) pur rimanendo testabile.
Direzioni Future: L'autore suggerisce che il framework possa essere ulteriormente raffinato usando la Teoria delle Categorie, dove i concetti sono oggetti e la generalizzazione è modellata come funtori. Nota inoltre che i lavori successivi espanderanno questo approccio in un quadro matematico basato su campi di somiglianza diretti e operatori generativi.

L'autore mantiene una posizione modesta, presentando questo lavoro come una "definizione minima e fondamentale" intesa come base teorica per futuri raffinamenti e validazioni empiriche, piuttosto che come una teoria esaustiva e definitiva dell'intelligenza.