A Hierarchical Energy-Based Model for Multimodal Cognition

La Mappa Meteorologica Segreta del Cervello

Immaginate di cercare di capire come funziona una città. Potreste studiare ogni singolo mattone di ogni edificio, oppure potreste osservare i modelli del traffico, il meteo e il flusso di persone per capire come la città si sente e si muove. Nel mondo delle neuroscienze, c'è un grande dibattito su quale approccio sia migliore. Alcuni scienziati vogliono mappare ogni neurone come una planimetria mattone dopo mattone. Altri, come l'autore di questo articolo, suggeriscono che dovremmo guardare al "meteo" della mente. Propongono che i nostri pensieri e le nostre percezioni non siano solo un insieme di fili che si attivano, ma piuttosto un flusso di stati che si muovono attraverso un paesaggio di energia, proprio come una palla che rotola giù per una collina o un fiume che trova il suo percorso verso il mare.

Questa idea si basa su un concetto chiamato elaborazione predittiva (predictive processing). Pensate al vostro cervello non come a una telecamera che si limita a registrare ciò che vede, ma come a un super-intelligente indovino. Ogni secondo, il vostro cervello sta costantemente facendo previsioni su ciò che accadrà dopo: quale suono sentirete, quale forma vedrete o quale parola verrà dopo in una frase. Quando i vostri sensi corrispondono alla previsione, tutto sembra fluido. Ma quando la realtà vi sorprende (come un cane che abbaia quando vi aspettavate il silenzio), il vostro cervello deve lavorare di più per aggiornare la sua ipotesi. Questo articolo si basa sull'idea che il cervello minimizzi questa "sorpresa" o "errore" regolando costantemente i suoi modelli interni. È come un termostato che cerca continuamente di mantenere la stanza alla temperatura perfetta, solo che invece del calore, cerca di mantenere accurata la vostra comprensione del mondo.

Il Grande Hub Cerebrale: IM-LEPP

Entra in scena IM-LEPP (Integrated Multimodal Latent Energy-based Predictive Processing), un nuovo modello proposto da Subir Varma. Immaginate il vostro cervello come un enorme e frenetico aeroporto. In questo aeroporto, diversi terminal gestiscono diversi tipi di informazioni: un terminale per la visione (vedere il mondo), un altro per il linguaggio (ascoltare e leggere parole) e altri ancora per i sentimenti e i suoni. Per molto tempo, gli scienziati si sono chiesti come questi terminali separati comunichino tra loro. Come fa vedere una mela rossa a connettersi istantaneamente alla parola "mela" e alla sensazione di fame?

Il paper di Varma suggerisce che tutti questi terminali inviano i loro rapporti a una "Torre di Controllo" centrale situata in una parte specifica del cervello chiamata Lobo Temporale Anteriore (ATL). Questa torre agisce come un enorme hub dove tutti i diversi flussi di informazioni si fondono in un'unica immagine unificata della realtà. Il modello è chiamato "Hub-and-Spoke" (Mozzo e Raggi) perché i terminali (raggi) alimentano il hub centrale, e l'hub invia istruzioni ai terminali.

Ecco il trucco magico: il modello suggerisce che il cervello non si limiti a conservare un elenco gigante di ogni parola mai sentita o ogni immagine mai vista. Inveve, utilizza un processo di "diffusione", che è come una danza lenta e attenta di possibilità. Quando vedete una scena, il vostro cervello non scatta semplicemente una foto; genera una previsione di come sarà il momento successivo. Se state guardando una palla che rimbalza, il cervello predice dove sarà dopo. Se state leggendo una frase, ilete la parola successiva.

Ciò che rende speciale l'IM-LEPP è il modo in cui gestisce la differenza tra vedere e parlare. I vostri occhi vedono il mondo in un flusso continuo, come un video. Ma il linguaggio arriva a blocchi, come una serie di pietre di guado (parole). Il modello risolve questo problema facendo sì che il terminale della visione si aggiorni costantemente, mentre il terminale del linguaggio si aggiorni a interruzioni. L'hub centrale agisce come un traduttore, prendendo il flusso visivo veloce e il flusso linguistico lento e fondendoli in un'unica esperienza fluida. Questo spiega perché potete guardare un'auto che passa e capire istantaneamente la frase "L'auto è rossa" senza che il vostro cervello si confonda per le diverse velocità dei due sensi.

Perché Questo è Importante: Risolvere il "Punto Cieco" e il "Percorso Guidato"

Il paper usa questo modello per spiegare alcune cose molto strane su come pensiamo.

Primo, considerate la Cecità Inattentiva (Inattentional Blindness). Conoscete quel famoso video in cui le persone si passano un pallone da basket, e una persona in un costume da gorilla attraversa la scena, ma metà degli spettatori non vede il gorilla? Il paper suggerisce che questo accade perché il vostro cervello costruisce un "tubo" dettagliato solo per le cose a cui state prestando attenzione attiva. Se siete concentrati sul pallone, il vostro cervello costruisce un modello di previsione forte per il pallone. Il gorilla, essendo fuori dal vostro focus, non riceve un tubo dedicato. È solo parte del rumore di fondo finché non fa qualcosa di abbastanza sorprendente da rompere la vostra previsione. Il modello mostra che il vostro cervello è essenzialmente "cieco" alle cose che non ha deciso di tracciare.

Secondo, il modello spiega le Frasi Percorso-Guidato (Garden-Path Sentences). Queste sono frasi che vi ingannano, come "Il cavallo corso oltre la stalla cadde". Quando leggete questo, il vostro cervello predice che "corso" sia l'azione principale. Ma poi incontrate "cadde", e il vostro cervello deve fare un improvviso e brusco inversione a U per rendersi conto che era il cavallo quello che veniva corso, non quello che stava correndo. Il paper suggerisce che questo non è solo un errore; è un salto fisico di "energia". Il vostro cervello rimane bloccato in una valle a bassa energia (il significato errato) e ha bisogno di una grande spinta di energia della sorpresa per saltare sopra una collina e atterrare nella valle corretta (il significato giusto).

La Differenza tra Cervelli Umani e IA

Il paper traccia una linea netta tra il modo in cui gli esseri umani imparano il linguaggio e il modo in cui l'IA moderna (come i chatbot che potreste conoscere) impara. I modelli di IA sono come studenti che hanno letto l'intero internet ma non hanno mai visto una vera mela o sentito il sole. Imparano il linguaggio puramente guardando quali parole appaiono accanto ad altre. Non sanno cosa "sentono" una mela.

L'IM-LEPP suggerisce che i bambini imparano in modo diverso. Poiché il nostro hub del linguaggio è connesso ai nostri hub della visione e dei sentimenti, un bambino impara la parola "mela" collegandola all'esperienza reale, visiva e tattile di una mela. Questo è chiamato ancoraggio (grounding). Il paper suggerisce che questo è il motivo per cui i bambini possono imparare a parlare con molta meno quantità di dati di quanti ne abbia bisogno l'IA. Non stanno solo memorizzando schemi di parole; stanno attaccando le parole a una ricca e preesistente mappa del mondo reale.

Cosa il Paper Non Dice (Ancora)

È importante notare che questo articolo è una proposta, un progetto di come il cervello potrebbe funzionare. L'autore non ha ancora costruito un cervello robotico pienamente funzionante che possa vedere e parlare come un essere umano. Ha dimostrato che il suo modello matematico può spiegare cose come il perché ci confondiamo con frasi complicate o perché perdiamo di vista il gorilla nel video. Suggerisce che se costruissimo un programma per computer usando queste stesse regole, si comporterebbe come un cervello umano in questi modi specifici.

Il paper ammette anche che ci sono ancora misteri. Ad esempio, non spiega completamente come il cervello conservi i ricordi a lungo termine di eventi specifici (come la vostra festa di compleanno) rispetto ai fatti generali (come cos'è un cane). Propone un sistema in cui il cervello scrive i ricordi solo quando accade qualcosa di sorprendente o emotivo, ma i dettagli esatti di questo "sistema di archiviazione dei ricordi" sono lasciati alla ricerca futura.

In breve, l'IM-LEPP offre un modo giocoso ed energetico per pensare alla mente: non come un computer statico, ma come un paesaggio dinamico e rotolante dove la nostra attenzione, i nostri sensi e le nostre parole si scontrano e si fondono costantemente per creare la storia della nostra realtà. Suggerisce che il segreto dell'intelligenza umana non è solo avere un grande database, ma avere un modo intelligente e radicato di indovinare cosa accadrà dopo.