Born wired: innate cortical connectivity plus local plasticity is enough to stand, walk and look
Questo articolo dimostra che un quadrupede simulato può stare in piedi, camminare verso obiettivi visivi ed esibire il tracciamento dello sguardo utilizzando solo la cablatura corticale innata e la plasticità locale basata sulla correlazione, senza alcun segnale di ricompensa globale, gradienti o cicli di addestramento.
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
Gran parte di ciò che consideriamo "apprendimento" nell'intelligenza artificiale comporta un sistema che prova milioni di variazioni, fallisce e regola lentamente le proprie impostazioni interne finché non trova finalmente la risposta corretta. È un processo di tentativi ed errori, guidato da un obiettivo globale, come uno studente che memorizza un libro di testo ripetendo i capitoli finché le risposte non si fissano nella mente. Ma la natura non sembra funzionare in questo modo. Un animale neonato non parte con una tabula rasa; arriva con un corpo che sa come stare in piedi e occhi che sanno come tracciare un movimento. Ciò solleva una domanda fondamentale per gli scienziati che studiano il funzionamento del cervello: quanto del nostro comportamento è realmente appreso, e quanto è semplicemente incorporato nel cablaggio sin dall'inizio? La visione prevalente nel moderno apprendimento automatico suggerisce che il comportamento complesso richieda una quantità massiccia di dati di addestramento e un ciclo di feedback costante per correggere gli errori. Tuttavia, una nuova linea di ricerca si chiede se un cervello possa nascere con una mappa di connessioni pre-disegnata, dove l'unica regola per il cambiamento sia un'osservazione locale e semplice di quali neuroni si attivano insieme, senza alcun bisogno di un insegnante o di un punteggio globale.
Un ricercatore di nome Zhiwen Li ha costruito un cervello digitale per testare esattamente questa idea. Invece di addestrare un sistema da zero, ha costruito un cervello simulato con quasi 144.000 neuroni e oltre 300.000 connessioni specifiche che erano presenti dal primo istante della sua esistenza. Queste connessioni iniziali, che l'autore chiama una "tabella degli istinti", non erano casuali; erano state accuratamente progettate per collegare gli input sensoriali, come vedere una forma rossa o sentire il corpo sdraiato, direttamente agli output motori, come i muscoli necessari per alzarsi in piedi o camminare. Fondamentalmente, questo sistema non aveva un segnale di ricompensa, nessuna correzione dell'errore e nessun ciclo di addestramento. Fu semplicemente inserito in un mondo simulato con un corpo robotico a quattro zampe e gli fu ordinato di sopravvivere. Il risultato fu immediato e sorprendente: quando posto sulla pancia, il robot si alzò in piedi da solo. Quando gli fu mostrato un oggetto rosso, camminò verso di esso. Queste azioni non sono state apprese attraverso la ripetizione; sono state il risultato diretto delle connessioni pre-cablate che scattavano nella sequenza corretta.
L'esperimento è andato oltre per dimostrare che questi comportamenti non erano accidentali. Quando i ricercatori hanno rimosso completamente l'input sensoriale, il robot è crollato, provando che il comportamento dipendeva dall'elaborazione di informazioni in tempo reale da parte del cervello. Quando hanno eliminato le specifiche connessioni di "istinto" lasciando intatto il cablaggio casuale di sfondo, il robot non era in grado né di stare in piedi né di camminare, confermando che il comportamento derivava dalla mappa pre-specificata e non dal caso. Lo studio ha anche dimostrato che parti specifiche del cervello erano responsabili di azioni specifiche. Silenziando un grande gruppo di neuroni nell'area prefrontale — la parte del cervello spesso associata alla pianificazione e al processo decisionale — i ricercatori hanno scoperto che il robot poteva ancora reagire a uno schermo blu, ma aveva perso completamente la capacità di camminare verso un oggetto rosso. Ciò ha dimostrato che il "pensiero" di camminare verso l'oggetto rosso era un pattern specifico di attività in quel gruppo di cellule e che, senza di esso, il comportamento svaniva, anche se i riflessi di base rimanevano.
Forse il ritrovamento più sorprendente è stato che questo sistema poteva apprendere una nuova abilità durante la sua vita senza alcun insegnante esterno. I ricercatori hanno aggiunto un piccolo gruppo di cellule che fungevano da segnale di ricompensa. Quando il robot era in piedi e vedeva un oggetto rosso mentre sentiva un suono specifico, questo segnale scattava. In quel momento, la regola locale di cambiamento del cervello entrava in gioco: rafforzava la connessione tra le cellule che erano attive appena prima del suono e le cellule che erano attive quando il suono accadeva. Dopo questo singolo evento, il robot ha imparato a camminare verso l'oggetto rosso semplicemente sentendo il suono, anche quando l'oggetto non era visibile. Questa nuova abilità è stata scritta nel cablaggio del cervello in tempo reale, guidata solo dalla coincidenza di eventi e dalla presenza del segnale di ricompensa, senza che una funzione obiettivo globale guidasse il processo.
Tuttavia, lo studio ha anche rivelato i limiti di questo approccio. Sebbene il robot potesse imparare a camminare, faticava a rimanere in piedi per lunghi periodi quando il segnale di ricompensa era attivo troppo a lungo. I loop interni che permettevano al cervello di mantenere un pensiero o un piano causavano anche un accumulo eccessivo di attività, portando infine il robot a cadere. Ciò suggerisce che, sebbene un cervello pre-cablato con regole locali semplici possa generare comportamenti complessi e persino apprendere nuove associazioni, ha comunque bisogno di un modo per dimenticare o resettare, un meccanismo che il modello attuale manca. I ricercatori hanno anche notato che la tabella degli "istinti" stessa era stata costruita utilizzando dati da un sistema di apprendimento automatico precedentemente addestrato, il che significa che il repertorio iniziale di movimenti era stato distillato da una politica appresa prima ancora che il cervello venisse creato. Questa ammissione evidenzia che il sistema non ha inventato il camminare dal nulla; ha ereditato una libreria di movimenti e ha imparato come attivarli in nuovi contesti.
Il lavoro sfida l'idea che l'intelligenza richieda un massiccio processo di ottimizzazione top-down. Invece, suggerisce che una parte significativa di ciò che un organismo fa è determinata dall'architettura specifica con cui nasce. Il cervello non è un computer vuoto in attesa di un software; è una macchina con un sistema operativo cablato che può essere aggiornato localmente mentre interagisce con il mondo. Lo studio dimostra che con le giuste connessioni iniziali, un sistema può stare in piedi, camminare e guardare senza mai essere stato detto cosa sia una risposta "corretta". Non sostiene di aver risolto il mistero dell'intelligenza generale, ma offre una dimostrazione concreta che comportamenti complessi e orientati allo scopo possono emergere da un insieme fisso di regole e da un semplice meccanismo di apprendimento locale, a patto che il cablaggio iniziale sia corretto. Le scoperte suggeriscono che la scarsità nell'intelligenza biologica potrebbe non risiedere nella capacità di apprendere, ma nella struttura iniziale che rende possibile l'apprendimento stesso.
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.