🧬 biology

Structural Plasticity as Active Inference: A Biologically-Inspired Architecture for Homeostatic Control

Il paper presenta SAPIN, un nuovo modello computazionale ispirato all'inferenza attiva che combina plasticità sinaptica e strutturale per ottimizzare l'elaborazione delle informazioni e il controllo omeostatico, dimostrando efficacia nel risolvere il compito di CartPole.

Autori originali: Brennen A. Hill

Pubblicato 2026-02-11

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Brennen A. Hill

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Il Cervello che si "Rimodella": La Storia di SAPIN

Immaginate di dover imparare a stare in equilibrio su un monopattino. Di solito, quando pensiamo all'Intelligenza Artificiale (IA), immaginiamo un computer con un cervello "fissato": i suoi neuroni sono come fili elettrici saldati in una posizione precisa. Se il computer deve imparare qualcosa di nuovo, deve cambiare la forza di quei fili (i "pesi"), ma la struttura rimane sempre la stessa.

Il ricercatore Brennen Hill ha pensato: "Ma perché non facciamo un'IA che non solo impara, ma si sposta fisicamente per capire meglio il mondo?". Così è nato SAPIN.

1. L'analogia del "Condominio Dinamico"

Per capire SAPIN, non pensate a un computer, ma a un condominio di persone intelligenti costruito su una griglia di terra.

I Neuroni (Le Persone): Invece di essere semplici circuiti, i neuroni di SAPIN sono come piccoli abitanti di questo condominio.
La Sinapsi (La Conversazione): Quando due persone si parlano, possono decidere di ascoltarsi di più o di meno. Questo è l'apprendimento classico: "Se quello che mi dici è ciò che mi aspettavo, continuiamo a parlare; se mi sorprendi, devo aggiustare il tiro".
La Plasticità Strutturale (Il Trasloco): Questa è la vera magia. Se un abitante si trova in una stanza troppo rumorosa o troppo vuota (ovvero, riceve troppi stimoli o nessuno), non si limita a sopportare. Prende le valigie e trasloca! Si sposta in un'altra parte della griglia per trovare un posto dove le informazioni siano più "prevedibili" e gestibili.

2. Il segreto della sopravvivenza: "Non amo le sorprese!"

Perché queste persone si muovono? Per un motivo molto umano: odiano il caos.

Il paper si basa su una teoria chiamata Active Inference (Inferenza Attiva). In parole povere: ogni essere vivente cerca di mantenere il proprio mondo calmo e prevedibile. Se sei un organismo e succede qualcosa di totalmente inaspettato, è un problema (pensa a un predatore che ti salta addosso).

SAPIN funziona cercando di minimizzare la sorpresa. Nel test del "Cart Pole" (un classico gioco dove bisogna tenere in equilibrio un'asta su un carrello), l'IA ha capito che se l'asta cade, scoppia il caos (sorpresa massima!). Per evitare questo caos, l'IA impara a muovere il carrello in modo che l'asta resti dritta. L'equilibrio non è un premio che riceve, ma è il modo in cui riesce a mantenere la sua vita tranquilla e prevedibile.

3. Cosa ha scoperto la ricerca?

Hill ha testato questo "condominio che trasloca" e ha scoperto tre cose incredibili:

Impara da sola: Non ha avuto bisogno di un "maestro" che gli dicesse "Bravo!" o "Sbagliato!". È bastato il suo desiderio naturale di evitare il caos per imparare a bilanciare l'asta.
Il problema del "cambiamento continuo": Il problema è che, essendo troppo dinamico, SAPIN è un po' instabile. Una volta imparato a stare in equilibrio, potrebbe decidere di traslocare proprio mentre sta facendo un ottimo lavoro, rovinando tutto! È come un atleta che, proprio prima della gara, decide di cambiare scarpe e allenamento.
La soluzione del "Blocco": Per risolvere questo, i ricercatori hanno provato a "congelare" il condominio (il Locking) una volta che l'IA aveva imparato bene. Una volta che le persone hanno trovato la posizione perfetta e hanno smesso di traslocare, l'IA è diventata bravissima e molto stabile.

In sintesi

SAPIN ci dice che l'intelligenza non è solo "pensare bene", ma è anche "organizzarsi bene nello spazio". Non è solo questione di quanto sei intelligente, ma di dove decidi di posizionarti per capire meglio il mondo che ti circonda. È un'intelligenza che non solo impara le regole, ma costruisce la propria casa per poterle seguire meglio.

Riassunto Tecnico: Structural Plasticity as Active Inference (SAPIN)

Problema e Motivazione

Il lavoro affronta una delle sfide centrali dell'intelligenza artificiale: come creare sistemi che emergano da processi di auto-organizzazione piuttosto che da programmazione esplicita. Le reti neurali tradizionali si basano su meccanismi come la backpropagation, che sono considerati biologicamente implausibili poiché richiedono segnali di errore globali e simmetria perfetta dei pesi.

L'autore mira a colmare il divario tra l'intelligenza artificiale computazionale e la neuroscienza biologica, ispirandosi a due pilastri:

Il Principio dell'Energia Libera (FEP) e l'Active Inference: L'idea che gli organismi agiscano per minimizzare l'errore di predizione (sorpresa).
La Plasticità Strutturale e la Morfogenesi: L'osservazione che i sistemi biologici non cambiano solo la forza delle connessioni (sinapsi), ma riorganizzano fisicamente la propria struttura (morfologia) per ottimizzare l'elaborazione delle informazioni.

Metodologia: L'Architettura SAPIN

Il modello proposto, denominato SAPIN (Structurally Adaptive Predictive Inference Network), è una rete computazionale operante su una griglia 2D (9x9) composta da tre tipi di cellule: Input (fisse), Output (fisse) e Processing (dinamiche).

La caratteristica distintiva di SAPIN è l'integrazione di due meccanismi di apprendimento paralleli e locali:

Plasticità Sinaptica (LTM - Long-Term Memory):
Utilizza una regola di tipo Hebbiano locale. Ogni cella di elaborazione mantiene un'aspettativa ( $E_i$ ) del proprio livello di attivazione e una forza direzionale ( $s_i$ ) per le connessioni verso le celle vicine. L'aggiornamento dei pesi e dell'aspettativa avviene minimizzando l'errore di predizione locale ( $V_i - E_i$ ), dove $V_i$ è l'attivazione effettiva.
Plasticità Strutturale (Movimento):
A differenza delle reti standard, le cellule di elaborazione possono migrare fisicamente sulla griglia. Il movimento è guidato dal "desiderio" (desire), definito come l'errore di predizione medio a lungo termine. Se una cella è costantemente sovra o sotto-attivata rispetto alla sua aspettativa, si sposta verso una nuova posizione per trovare un campo di ricezione dell'informazione più prevedibile.

Dinamica del Segnale: Il segnale si propaga attraverso la rete tramite un meccanismo winner-takes-all basato sull'attivazione assoluta, permettendo un flusso di informazioni guidato dai dati e non da strati predefiniti.

Contributi Chiave

Modello Ibrido di Plasticità: L'unione di apprendimento sinaptico (come elaborare l'informazione) e apprendimento strutturale (dove posizionare le risorse computazionali).
Apprendimento Senza Reward Esterno: Dimostrazione che l'obiettivo intrinseco di minimizzare l'errore di predizione (omeostasi) può sostituire i segnali di ricompensa/punizione tipici del Reinforcement Learning.
Approccio Local-Only: Il modello non utilizza gradienti globali, rispettando il principio di computazione locale tipico dei sistemi biologici.

Risultati Sperimentali

Il modello è stato testato sul benchmark CartPole-v1 (mantenere un'asta in equilibrio).

Successo nel Task: SAPIN è riuscito a risolvere il compito di bilanciamento in modo autonomo.
Il Paradosso della Punizione: Sorprendentemente, l'aggiunta di segnali di punizione (stimoli caotici in caso di errore) non ha migliorato le prestazioni. Questo conferma che la spinta verso l'omeostasi (stabilità del segnale) è sufficiente per apprendere una politica di controllo efficace.
Stabilità vs Plasticità: L'apprendimento continuo ha mostrato instabilità (la rete poteva "dimenticare" una buona politica mentre esplorava). Tuttavia, l'esperimento di "Locking" (fissare i parametri una volta raggiunta la vittoria) ha dimostrato che la rete è in grado di memorizzare una politica robusta, mantenendo un tasso di successo medio dell'82% su 100 episodi.

Significato e Conclusioni

Il paper fornisce una prova di concetto che l'Active Inference può fungere da motore autosufficiente per il controllo omeostatico. SAPIN dimostra che un'architettura che può modificare la propria topologia in risposta all'errore di predizione è in grado di auto-organizzarsi per risolvere problemi di controllo dinamico.

Il lavoro apre la strada a nuove frontiere nella ricerca di una AGI (Artificial General Intelligence) biologicamente plausibile, dove l'intelligenza non è solo nel software (pesi), ma anche nell'hardware dinamico (struttura della rete).