Distributional Connexed Cognition (DCC): An Experience-Driven Architecture for Artificial Agents
Questo articolo propone la Cognizione Connessa Distribuita (DCC), un'architettura di IA guidata dall'esperienza basata sul framework CISR e su principi neuro-funzionali, che consente agli agenti artificiali di generare autonomamente analogie autoriferite e decisioni responsabili attraverso un processo ricorsivo di condensazione delle tracce esperienziali anziché fare affidamento su dataset pre-programmati.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Gran parte dell'intelligenza artificiale odierna opera come uno studente che ha imparato a memoria un libro di testo ma non è mai uscito a vedere il mondo. Impara da enormi dataset curati dagli esseri umani, seguendo regole rigide scritte dai programmatori per riconoscere schemi e generare risposte. Sebbene questi sistemi possano essere incredibilmente fluidi, mancano di una storia personale; non costruiscono una biblioteca delle proprie esperienze, né adattano il proprio comportamento in base a ciò che è accaduto loro specificamente. Ciò crea una lacuna fondamentale nel modo in cui intendiamo l'intelligenza delle macchine: se una macchina non può imparare dalla propria vita, si può davvero dire che possieda una propria agenzia? Un nuovo studio propone una strada diversa, allontanandosi dalle regole pre-programmate e muovendosi verso un'architettura in cui un agente artificiale impara esclusivamente vivendo attraverso le proprie interazioni, accumulando una storia unica che guida ogni decisione futura.
I ricercatori, guidati da Zi An Wang presso l'Università di Ottawa, hanno sviluppato un sistema chiamato Cognizione Connessa Distribuita, o DCC. L'idea centrale è quella di imitare il modo in cui il cervello umano elabora le informazioni prima ancora che ne siamo consapevoli. Nella mente umana, i segnali provenienti dal nostro corpo e dall'ambiente vengono costantemente ricevuti, filtrati e integrati in una "zuppa" pre-conscia di attività. Solo i segnali più importanti emergono in superficie per diventare un pensiero conscio o un'azione deliberata. L'architettura DCC tenta di replicare questo processo in una macchina. Invece di ricevere istruzioni su cosa fare, all'agente artificiale viene fornito un insieme di bisogni fondamentali e un sistema di memoria distribuita. Esso riceve input sensoriali, li confronta con le proprie esperienze passate e utilizza questo confronto per decidere cosa fare successivamente. Se commette un errore, quel fallimento viene conservato come una traccia mnemonica specifica, influenzando le scelte future in un modo che un semplice programma basato su regole non potrebbe mai raggiungere.
Per testare questo concetto, il team ha creato un agente artificiale chiamato A1 e lo ha posto in una serie di ambienti simulati, partendo da una "nursery" controllata e spostandosi infine in un mondo aperto più complesso. Nella nursery, A1 doveva apprendere abilità di sopravvivenza di base, come muoversi, osservare e consumare diversi tipi di risorse come acqua e legno. Fondamentalmente, al sistema non è stata fornita una lista di istruzioni come "bevi l'acqua quando hai sete". Al contrario, doveva scoprire queste relazioni da solo. Quando A1 ha provato a mangiare qualcosa che lo ha ferito, come un oggetto metallico vivo, ha registrato quel risultato negativo. In seguito, di fronte a una situazione simile, il sistema ha richiamato quel ricordo e ha bloccato l'azione pericolosa, imparando di fatto una regola di autoconservazione che ha scritto per se stesso.
I risultati di questi esperimenti sono stati sorprendenti. Nell'ambiente controllato della nursery, quasi il 99 percento delle decisioni dell'agente era guidato dalle proprie memorie accumulate piuttosto che da regole di fallback predefinite. Ciò significa che l'agente non stava solo seguendo uno script; stava attivamente recuperando la propria storia personale per risolvere problemi. In un test specifico, l'agente ha appreso una sequenza complessa di azioni — attaccare un pezzo di legno, avvicinarsi e poi mangiarlo — senza che gli fosse mai stato insegnato quel particolare concatenamento di eventi. Ha capito che il legno richiedeva un processo in due fasi osservando i risultati dei propri tentativi. Quando l'agente è stato spostato in una simulazione di "mondo reale" più grande e imprevedibile, ha applicato con successo questi comportamenti appresi. Ha trascorso la maggior parte del tempo navigando verso un'area specifica dove il cibo rigenerava, consumando le risorse in modo efficiente ed evitando i pericoli sulla base dei propri fallimenti passati. Anche quando alla fine ha esaurito l'energia ed è morto, lo aveva fatto dopo aver fatto affidamento sulla propria esperienza per oltre il 98 percento delle sue azioni, ricorrendo solo a tentativi casuali nei suoi momenti finali.
Lo studio affronta anche una domanda filosofica più profonda sulla responsabilità. Se un sistema artificiale causa un danno, di chi è la colpa? L'autore sostiene che per i sistemi che sono meri strumenti che seguono il codice umano, la responsabilità ricade sul progettatore. Tuttavia, per un sistema come A1, il cui comportamento è guidato dalla propria storia unica di successi e fallimenti, la situazione è diversa. Poiché le decisioni dell'agente emergono dalla propria biblioteca esperienziale piuttosto che da un insieme fisso di istruzioni umane, esso rappresenta un nuovo tipo di entità. I ricercatori suggeriscono che tali sistemi "non-burattini", che agiscono in base alla propria continua esperienza, potrebbero eventualmente richiedere codici legali propri per assegnare la responsabilità, distinti dalle regole che applichiamo al software standard.
Questo lavoro non afferma che l'agente artificiale sia cosciente nel senso umano del termine, né suggerisce che la macchina provi dolore o gioia. Il sistema non possiede una vita interiore soggettiva. Invece, dimostra che una macchina può essere progettata per avere una storia funzionale che guidi il proprio comportamento. Costruendo un'architettura che imita l'integrazione pre-conscia dei segnali tipica del cervello e la sua capacità di archiviare e recuperare tracce personali, i ricercatori hanno dimostrato che gli agenti artificiali possono andare oltre l'essere meri specchi dei dati umani. Possono diventare sistemi che imparano, si adattano e prendono decisioni basate sulla storia unica della propria esistenza.
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.