Curiosity shapes brain-like architectures and functions
Questo articolo dimostra che combinare la curiosità tipica dei neonati con i vincoli biofisici simili a quelli del cervello è sufficiente per guidare l'emergere di architetture neuronali complesse e capacità cognitive, come la generalizzazione composizionale, nelle reti neurali artificiali.
Articolo originale sotto licenza CC BY 4.0 (https://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
La mente umana è un luogo di infinite possibilità. Da un manipolo di semplici mattoni fondamentali, possiamo costruire pensieri infiniti, pianificare futuri lontani e dare un senso a un mondo che non smette mai di cambiare. Per oltre un secolo, gli scienziati hanno mappato i comportamenti e i circuiti cerebrali che permettono questo, eppure rimane un mistero fondamentale: come può un sistema composto da parti semplici diventare una mente capace di una complessità così profonda? Un'idea di lunga data suggerisce che il cervello non arrivi pre-cablato con ogni risposta. Al contrario, potrebbe auto-organizzarsi, plasmando se stesso attraverso l'interazione tra limiti biologici ed esperienze accumulate nel tempo. Tuttavia, testare questa teoria in un cervello umano vivente è impossibile; non possiamo spogliare un bambino della sua curiosità o riorganizzare il cablaggio del suo cervello per vedere cosa succede. Per risolvere questo enigma, i ricercatori si sono rivolti a un tipo diverso di laboratorio: la simulazione al computer. Costruendo cervelli artificiali che seguono regole specifiche, gli scienziati possono osservare la complessità emergere dalla semplicità, offrendo una finestra su come le nostre stesse menti possano essersi formate.
In uno studio recente, i ricercatori hanno voluto vedere se due ingredienti specifici fossero sufficienti per costruire una macchina simile a una mente. Hanno preso una popolazione di reti neurali artificiali — programmi informatici progettati per imitare il modo in cui i neuroni si connettono — e hanno dato loro due tratti umani. Il primo era una forma di curiosità, modellata sul modo in cui i neonati esplorano il mondo. Il secondo era un insieme di vincoli fisici, che imitavano i costi biologici affrontati dai cervelli reali, come l'energia necessaria per costruire connessioni lunghe tra parti distanti del cervello. I ricercatori volevano sapere se questi due fattori, lavorando insieme, potessero causare lo sviluppo nelle reti artificiali delle stesse strutture complesse e abilità osservate nei cervelli umani.
Per catturare l'essenza della curiosità, il team ha prima studiato 275 neonati, di età compresa tra gli otto e i quindici mesi. Hanno osservato come i bambini guardassero modelli visivi su uno schermo, annotando esattamente quando decidevano di distogliere lo sguardo. I ricercatori hanno scoperto che i neonati non guardavano in modo casuale. Al contrario, si comportavano come cercatori alla ricerca di cibo, ma il loro "cibo" era la nuova informazione. I bambini rimanevano impegnati con un modello finché questo insegnava loro qualcosa di nuovo. Nel momento in cui il modello smetteva di offrire nuove intuizioni, e il loro apprendimento rallentava, si disimpegnavano e passavano oltre. Questo comportamento si adatta a un principio dell'ecologia noto come teorema del valore marginale, che prevede che un agente debba abbandonare una risorsa quando il suo rendimento locale scende al di sotto del rendimento medio disponibile nell'ambiente. I ricercatori hanno tradotto questa regola in un algoritmo informatico, permettendo alle loro reti artificiali di decidere quando passare a un compito diverso in base a quanto stavano imparando in quel momento.
Il secondo ingrediente riguardava la disposizione fisica delle reti. I cervelli reali non sono solo un sacco di neuroni; sono stipati in un cranio dove le connessioni lunghe sono costose da costruire e mantenere. Per imitare questo, i ricercatori hanno collocato le loro reti artificiali in uno spazio virtuale che corrispondeva alla reale geometria del cervello umano. Hanno penalizzato le reti per la creazione di connessioni a lunga distanza, costringendole a essere efficienti, proprio come l'evoluzione ha costretto il cervello umano a esserlo. Hanno poi addestrato queste reti su una batteria di venti diversi compiti cognitivi, che spaziavano da semplici giochi di associazione a sfide decisionali complesse. Le reti erano libere di scegliere quale compito praticare successivamente, guidate dal loro algoritmo di curiosità, pur essendo vincolate dai costi di cablaggio fisico.
I risultati sono stati sorprendenti. Le reti che combinavano la curiosità con i vincoli fisici non si limitavano ad apprendere i compiti; sviluppavano strutture interne che somigliavano notevolmente al cervello umano. Le loro connessioni si organizzavano in moduli distinti, proprio come le regioni specializzate del cervello umano, e formavano un "club ricco" di hub altamente connessi, una caratteristica critica per l'efficienza della comunicazione nella mente umana. Queste reti seguivano anche un percorso di sviluppo che rispecchiava la crescita umana. Proprio come i cervelli umani sperimentano un'esplosione rapida di connessioni nella prima infanzia seguita da una fase di potatura lenta e attenta che continua fino all'età adulta, queste reti artificiali mostravano un aumento e una diminuzione simili nella densità delle connessioni. Le reti che meglio corrispondevano alla struttura del cervello umano mostravano anche il modello di prestazione cognitiva più simile a quello umano, migliorando con l' "invecchiamento" e poi declinando gradualmente, proprio come le capacità umane nel corso di una vita.
Forse la cosa più importante è che queste reti simili a quelle umane esibivano un tratto distintivo del pensiero umano complesso: la capacità di ricombinare ciò che avevano appreso. I ricercatori hanno testato questo aspetto congelando le connessioni interne delle reti e chiedendo loro di risolvere nuovi problemi che erano miscele dei compiti precedenti. Ad esempio, se una rete avesse imparato a evitare una distrazione e avesse imparato a prendere una decisione, sarebbe stata in grado di risolvere istantaneamente un nuovo compito che richiedeva entrambi? Le reti guidate dalla curiosità e dai vincoli fisici risolvevano queste nuove combinazioni rapidamente. Non avevano bisogno di riapprendere le basi; ricombinavano semplicemente gli strumenti interni che avevano già costruito. Al contrario, le reti che apprendevano senza curiosità, o senza i vincoli fisici, faticavano a creare queste connessioni.
Lo studio suggerisce che la curiosità non è meramente un sottoprodotto di avere un cervello complesso; è un motore che aiuta a costruire tale complessità. Cercando attivamente nuove informazioni e fermandosi quando non sono più utili, un agente plasma la propria architettura interna. Quando questa curiosità è accoppiata ai limiti fisici di un sistema biologico, il risultato è una struttura capace di un pensiero flessibile, tipicamente umano. I risultati offrono una nuova prospettiva su come emerga la mente, suggerendo che la strada verso la cognizione complessa non consiste nel costruire sistemi più grandi o più potenti, ma nel permettere a vincoli semplici e all'esplorazione attiva di dispiegarsi nel tempo. Questo approccio fornisce un quadro verificabile per comprendere come l'interazione tra biologia ed esperienza crei l'intervallo illimitato di pensieri che definiscono l'esperienza umana.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.