Fabio Ruini's blog

Addio, vecchio mio…

(dedicato al mio ormai ex appartamento di via Bertolè)

Comments(0)

Chiusa la parte relativa al rapporto tra reti neurali e complessità, andiamo ora ad indagare più nel dettaglio perché il comportamento possa essere visto come un fenomeno emergente.

Nolfi , in un suo lavoro recente, definisce il comportamento come un processo dinamico risultante dalle interazioni, di carattere non-lineare, tra un agente (naturale od artificiale che sia), il suo corpo e l’ambiente esterno (incluso in questo senso anche l’ambiente sociale).

Tale definizione è ben sintetizzata dallo schema che segue:

Ad ogni singolo istante, la struttura dell’ambiente e soprattutto le sue relazioni con l’agente influenzano il corpo di quest’ultimo (ovvero la sua percezione relativa all’ambiente) e, di conseguenza, la sua risposta motoria. La risposta motoria dell’organismo, a sua volta, può produrre dei cambiamenti nella struttura dell’ambiente o comunque una differente relazione tra questo e l’agente, innescando una sequenza di azioni in cui ciascuna di esse è sempre influenzata dall’azione precedente.

Il prodotto di queste sequenze di interazioni “fine-grained” è un processo dinamico, il comportamento. In esso, il contributo dei diversi aspetti (l’agente, il corpo e l’ambiente) non può essere considerato separatamente. Ciò implica che anche una completa conoscenza degli elementi che governano le interazioni non fornisce che un piccolo contributo alla comprensione del comportamento emergente dalle interazioni. Il termine “emergente”, in questo caso, è utilizzato nel senso “tradizionale” della complessità, allo scopo di indicare una proprietà risultante da una sequenza di interazioni che possono essere difficilmente predette o inferite da un osservatore esterno anche in possesso di una conoscenza completa degli elementi interagenti e delle regole che governano le interazioni.

La relazione che vi è tra le regole di interazione ed il comportamento risultante è ulteriormente complicata dal fatto che, quando le interazioni sono di tipo non-lineare, modifiche anche minime delle regole d’interazione “di basso livello” possono tradursi in forme molto differenti di comportamento, per via dell’azione di effetti cumulativi ed amplificativi.

Comments(0)

Anche una semplice rete neurale ecologica, come ad esempio quella che abbiamo utilizzato per modellizzare il sistema nervoso degli organismi delle simulazioni presentate in questo lavoro, può essere vista come un sistema complesso. Complessità che deriva in particolare da alcune caratteristiche, che andrò a ora spiegare nel dettaglio.

impossibilità di prevedere il comportamento complessivo della rete, ovvero il valore di attivazione dei suoi neuroni di output al presentarsi di un certo pattern di input. Mi rendo conto del fatto che questo punto possa essere controverso e presti effettivamente il fianco a facili critiche. Ciò che avviene all’interno di una rete neurale deriva infatti da precise quanto semplici regole matematiche che agiscono a livello locale. Quello che fa ciascun neurone (eccezion fatta per quelli di input) non è nient’altro che calcolare la somma pesata dei vari contributi ricevuti in ingresso ed applicare quindi a questa somma una certa funzione di trasferimento, prima di trasferire i risultato dell’elaborazione ad altri neuroni. Le regole d’interazione locali, nel momento in cui si definisce arbitrariamente l’architettura di una rete neurale, sono note a priori. Ma, in maniera più che proporzionale al crescere del numero di neuroni e di connessioni, diminuisce l’immediatezza di “comprensione”, da parte di un osservatore. Seppur in linea teorica, avendo ovviamente a disposizione tutti i dati necessari, sarebbe dunque possibile prevedere con esattezza l’output di una rete neurale, tale compito si rivela nella pratica impossibile. Ad esempio, già con una rete come la nostra, composta da 4 neuroni di input, 9+2 nello strato intermedio e 2 di output, il numero totale di connessioni sinaptiche che entrano in gioco è 76. Impossibile, per una mente umana “normale”, riuscire a dedurre l’uscita della rete semplicemente osservando il pattern in ingresso. Il problema, benché analiticamente risolvibile, deve necessariamente essere affrontato attraverso tecniche risolutive “numeriche”. In sostanza, anche il conoscere alla perfezione tutte le regole d’interazione locali non ci fornisce indicazioni utili per capire quale sarà il comportamento della rete nel suo complesso.

Non-linearità delle interazioni che hanno luogo a livello locale. Questa non è una caratteristica comune a tutte le reti neurali, dato che le funzioni di trasferimento dei singoli neuroni possono anche essere di tipo “puramente” lineare. Nella pratica, tuttavia, ciò che si fa solitamente è includere all’interno di una rete anche funzioni di trasferimento non-lineari. Tale abitudine nasce dai lavori pionieristici di Hornik, Stinchcombe e White , che già nel 1989 dimostrarono come fosse possibile, attraverso un percettrone multi-strato (MLP, multi-layer perceptron), purché dotato di una sufficiente quantità di unità neurali e con almeno un layer caratterizzato da funzioni di trasferimento non-lineari, approssimare qualsiasi tipo di funzione. E la non-linearità è proprio una delle caratteristiche “classiche” dei sistemi complessi. E’ da essa, ad esempio, che si genera la cosiddetta “dipendenza sensibile dalle condizioni iniziali” e, da qui, il suo possibile effetto manifesto, ossia il “butterfly effect”. Inoltre, la non-linearità accentua quanto sottolineato nel punto precedente, riguardo alla non-prevedibilità del comportamento complessivo della rete.

Emergentismo e gerarchia di livelli. Anche ammesso (ma non concesso) che quanto sottolineato nel primo punto sia fondamentalmente sbagliato e che il funzionamento di una rete neurale sia classificabile tra i fenomeni di tipo “deterministico” e “prevedibili” (una rete neurale, d’altronde, è un modello computazionale assolutamente deterministico in termini matematici, per quanto le sue “dimensioni” ne impediscano una comprensione immediata), la questione sulla “prevedibilità” può comunque essere spostata su di un altro piano. O meglio, parlando in termini gerarchici, su di un altro livello. Le reti neurali ecologiche utilizzate nell’ambito dell’Embodied Cognitive Science, oltre ad essere dotate di un certo livello di “fisicità” (embodiment), come conseguenza concreta di tale proprietà sono infatti caratterizzate dal fatto di essere situate all’interno di un certo contesto ambientale (situatedness). Il risultato delle interazioni che avvengono all’interno della rete neurale, ovvero la percezione dell’input sensoriale e la sua successiva elaborazione, si traducono, ad un livello “superiore”, in un comportamento motorio. Un comportamento emergente, generato da decine, centinaia o addirittura migliaia di interazioni che avvengono a livello locale, all’interno della rete.
Vale ancora il discorso fatto in precedenza. La corrispondenza tra output della rete neurale e risposta motoria dell’organismo è “hardwirata” da parte di chi progetta il modello simulativo. Dunque, pur non venendo ancora meno il rigido determinismo di fondo, vi è ad ogni modo un livello di complicazione aggiuntivo: se già era difficile riuscire a determinare l’output della rete neurale dato un qualsiasi pattern di input, ora è necessario fare ancora qualcosa in più, ossia tradurre anche questo output nel corrispondente effetto motorio. Nel nostro modello, la gamma di comportamenti motori che può adottare l’organismo è molto semplice e limitata. Esso può infatti spostarsi in avanti di una casella, ruotare il corpo di 90° in senso orario, ruotare di 90° in senso anti-orario, oppure rimanere fermo. Essendo poi i neuroni di output di tipo di booleano, l’opera di “traduzione” non è per niente difficile.
Ma immaginiamo di dover compiere l’operazione inversa. Saremmo in grado, osservato un certo comportamento dell’organismo, di risalire al pattern di attivazione dell’intera rete neurale che ha generato tale comportamento? La risposta questa volta è tanto secca quanto priva di ambiguità. No, non potremmo. Potremmo determinare in maniera molto semplice il pattern di attivazione delle unità di output, data la relazione di cui sopra, ma non quello delle unità intermedie. Svariati patterns d’attivazione dell’hidden layer, tutti più o meno diversi l’uno dell’altro, generano infatti il medesimo pattern di output. Ciò che fa la rete, d’altronde, è proprio operare una classificazione sui vari patterns di input e rispondere ad essi con il comportamento motorio più appropriato, previa trasformazione dei valori in ingresso, attraverso relazioni di tipo non-lineare, in eterogenei patterns di attivazione delle unità nascoste. Ancora una volta, dunque, quello descritto è un classico esempio di fenomeno dove anche la perfetta conoscenza di ciò che accade in maniera manifesta ad un certo livello (in questo caso, il comportamento motorio), non ci fornisce informazioni precise, ma solo qualche indicazione di massima, su ciò che accade a livello più basso (ossia, all’interno della rete neurale). Al tempo stesso, anche il conoscere alla perfezione il meccanismo di funzionamento delle interazioni che avvengono a livello locale, internamente alla rete, non ci dice molto sul comportamento motorio dell’organismo, che “emerge” come fenomeno complesso.

Questo, per ciò che riguarda le caratteristiche tali da rendere una rete neurale embodied un sistema complesso. Ma nel nostro lavoro vi sono anche un altro paio di implicazioni, potenzialmente interessanti nell’ottica della complessità, che andrò ora ad illustrare. Per trattare dei punti che seguono (e questo è il motivo per il quale ho preferito separarli concettualmente dai precedenti), occorre però abbandonare la prospettiva della singola rete neurale e considerare come “sistema” l’intera popolazione di reti neurali che evolve attraverso algoritmo genetico.

Causalità circolare. Nel paragrafo precedente abbiamo già accennato a questo concetto, le cui origini sono riconducibili alla cibernetica , con riferimento alla singola rete neurale ecologica. Se osserviamo il nostro lavoro da una prospettiva più ampia, indagando il rapporto che c’è tra il singolo organismo e la popolazione cui appartiene, possiamo però individuare un ulteriore tipo di causalità circolare.
Nel nostro modello, il comportamento dell’organismo, inteso come sequenza di azioni motorie che lo portano a perseguire un certo obiettivo, viene valutato dall’algoritmo genetico, che attribuisce alla sua performance una valutazione quantitativa. Se la valutazione ottenuta dal singolo organismo risulta essere relativamente migliore rispetto a quelle fatte registrare dai suoi conspecifici, l’architettura neurale si riproduce, diffondendosi nella generazione successiva. In caso contrario, l’architettura incriminata scompare dalla popolazione. L’agire dell’organismo su di una certa scala temporale, quella della sua vita, ha dunque ripercussioni che si manifestano su intervalli temporali più lunghi, ovvero quelli dell’evoluzione genetico/biologica della sua specie. Un organismo con un particolare “modo di comportarsi”, che nel momento in cui vive risulta essere il più “adatto” all’ambiente, condiziona il futuro evolversi della specie cui appartiene. Il singolo organismo influenza la traiettoria evolutiva della sua intera specie. Ma, alle generazioni successive, sono proprio queste nuove proprietà della specie ad influenzare lo schema comportamentale degli organismi. La relazione causale non è dunque lineare, ma circolare.
Discorso analogo potrebbe essere fatto anche se, in aggiunta all’algoritmo genetico, l’evoluzione comportamentale degli organismi procedesse anche con il ricorso ad algoritmi di apprendimento per rinforzo. A mutare sarebbe soltanto la scala temporale di riferimento, con l’aggiunta di un ulteriore livello di complessità. In quel caso, infatti, i singoli individui, nel corso della loro vita, in una prima fase imparerebbero dai loro “maestri”, per poi comportarsi nel modo appreso con l’aggiunta di qualche più o meno significativa differenza rispetto allo schema appreso. Le performance dei singoli organismi, mediate dal ruolo dei maestri durante la fase di apprendimento, determinerebbero la convergenza genetica della popolazione verso un certo schema comportamentale, il quale, una volta affermatosi, influenzerebbe il comportamento dei singoli.

Resilience. Una rete neurale, una volta “evoluta ”, risulta essere estremamente sensibile ad eventuali modifiche, anche leggere, dei pesi sinaptici che la caratterizzano. In generale, questa sensibilità alle perturbazioni diviene tanto più marcata quanto più la rete si “specializza” nell’esecuzione del/dei task cui è dedicata. Le perturbazioni, d’altro canto, sono il meccanismo fondamentale su cui si basano gli algoritmi evolutivi. E’ soltanto attraverso modifiche, casuali o “direzionate” che siano, dell’architettura globale o dei singoli pesi sinaptici, che si manifestano i progressivi miglioramenti di performance delle reti neurali. Il risultato concreto, però, è che il singolo organismo risulta essere estremamente fragile: il suo comportamento, anche e soprattutto se molto efficiente, può diventare del tutto inefficiente da un momento all’altro, in seguito ad un cambiamento anche apparentemente irrilevante del suo sotto-sistema neurale Ma così non è per l’intera popolazione, per il sistema nel suo complesso. L’evoluzione biologica, infatti, non ha luogo tanto su scala individuale, quanto piuttosto al livello dell’intera popolazione. Così, se nel passaggio da una generazione all’altra alcuni schemi comportamentali possono scomparire, altri, prima più inefficienti, possono perfezionarsi, prendendo il loro posto. In questo modo, comportamenti efficienti non scompaiono dalla popolazione. Il sistema, in altri termini, è robusto.

Comments(2)

(continua da un post precedente)

Gli scienziati però non si rassegnarono. La sfida di capire in che modo funzionasse la mente umana rimaneva aperta. Nel mentre, i progressi ottenuti nel campo della neurobiologia e dei settori ad essa collegati fornirono l’ispirazione necessaria per la creazione di un nuovo modello computazionale, che negli anni successivi avrebbe riscosso un grandissimo successo: le reti neurali. I primi modelli di questo tipo, in realtà, nacquero già negli anni ’40, grazie ai lavori pionieristici di McCulloch e Pitts, che concettualizzarono il “neurone artificiale”, per poi rafforzarsi negli anni ’50 con il “percettrone” di Rosenblatt. Le precise critiche avanzate da Minsky e Papert nel 1969 provocarono però un brusco raffreddarsi degli entusiasmi sorti attorno al campo delle neural networks, che si riaccesero soltanto negli anni ’80, grazie ai lavori di Rumelhart ed Hopfield.

Le reti neurali fornivano un nuovo modo di guardare all’interno delle scatole nere dei modelli comportamentisti, alternativo rispetto al rigido schema algoritmico sponsorizzato dagli esperti dell’artificial intelligence. Il meccanismo di base rimaneva quello dello stimolo→elaborazione→risposta, con la differenza che, in una neural network, ad essere manipolati non sono dei simboli ma bensì delle “rappresentazioni” ancor più astratte . Ai fini pratici, soprattutto se consideriamo che anche una rete neurale, per poter essere implementata all’interno di un calcolatore, deve essere ricondotta ad un algoritmo, la differenza potrebbe apparire insignificante. Ma così non è. Una rete neurale è infatti formata da un certo numero di neuroni, connessi tra loro secondo una particolare topologia, ciascuno dei quali caratterizzato da un particolare livello di attivazione che nei sistemi nervosi reali corrisponde alla frequenza con cui questo neurone si attiva, “sparando” impulsi ai neuroni vicini. Al variare dell’input sensoriale percepito in un dato momento, i vari strati di neuroni che compongono la rete si attivano in maniera differente. Le cosiddette “rappresentazioni” sono dunque stati di attivazione delle varie unità neurali, caratterizzati anche da una certa dimensione spaziale. Esattamente come le “attivazioni” che si hanno nel cervello quando un organismo è sottoposto a determinati stimoli. Diventa chiaro, a questo punto, come le reti neurali, pur con tutte le loro limitazioni, possano vantare un livello di plausibilità biologica di almeno un ordine di grandezza superiore rispetto a quello dei modelli cognitivisti dell’intelligenza artificiale. Sebbene alcuni studiosi, come ad esempio Harnad , abbiano sostenuto che l’approccio neural network based possa essere visto come complementare, piuttosto che alternativo, a quello simbolico, le reti neurali ed il concetto di “rappresentazione distribuita” segnarono un profondo punto di rottura rispetto alla tradizione corrente.

Il modo di studiare i processi cognitivi basandosi su reti neurali divenne in seguito noto come “approccio connessionista”. A differenza delle scienze cognitive “tradizionali”, nei confronti delle quali l’intelligenza artificiale potrebbe essere vista soltanto come un relativamente poco utile corollario applicativo, il nuovo cognitivismo connessionista non può prescindere dall’utilizzo del calcolatore. Le reti neurali sono infatti strumenti che, per quanto deterministici, hanno un livello di complessità tale da non poter, di fatto, essere simulati al di fuori di un computer. I ricercatori del settore iniziarono dunque a familiarizzare con uno strumento relativamente nuovo: le simulazioni. Ciò aveva forti implicazioni per un settore, quello della psicologia, storicamente poco propenso a formulare le proprie teorie in maniera rigorosa. Il computer, da questo punto di vista, non perdona. Tra le altre cose, elaborare una simulazione significa infatti, per il ricercatore, eliminare qualsiasi possibile fonte di ambiguità dai suoi modelli teorici di riferimento. E’ questo l’unico modo possibile per poterli far “girare” con successo all’interno di un calcolatore.

Da quanto abbiamo appena sottolineato, potrebbe sembrare che l’avvento del connessionismo abbia semplicemente coinciso con un aggiornamento dei metodi computazionali precedentemente utilizzati (basati su un rigido formalismo logico) con altri, le reti neurali, biologicamente più plausibili. In realtà, il salto è stato più radicale. A mutare è stato anche l’approccio alla creazione di artefatti in grado di esibire comportamenti di carattere cognitivo. Se l’intelligenza artificiale è solita seguire metodologie di progettazione di tipo top-down, studiando le manifestazioni del fenomeno che si intende riprodurre e quindi scomponendole in una sequenza di sotto-processi implementabili in un computer o in un robot, i connessionisti fanno invece affidamento su un approccio di tipo bottom-up. Sia per esigenze pratiche (una rete neurale, d’altronde, non è “programmabile” secondo le modalità tradizionali), sia per aggiungere un’ulteriore dose di “realismo” ai propri modelli. Non è infatti un azzardo (a patto di non parlarne con le sempreverdi lobbies creazioniste ) ipotizzare che la “mente”, così come gli altri prodotti dell’evoluzione, sia emersa dalla progressiva complessificazione del sistema nervoso dell’homo sapien avvenuta nel corso dei millenni. Con le reti neurali, così come dimostrato in maniera esemplare da Elmann , è possibile riprodurre questo processo di crescita e di continua complicazione dell’architettura neurale, facendo emergere fenomeni cognitivi via via più complessi.

L’approccio connessionista si basa sull’assunto secondo il quale l’intelligenza è un processo astratto e può pertanto essere studiata “in isolamento”, senza dover necessariamente prendere in considerazione le caratteristiche fisiche dei sistemi naturali all’interno dei quali i fenomeni cognitivi hanno luogo. Diffuso ancora oggi, il connessionismo ha prodotto (e continua a produrre) risultati estremamente interessanti nella direzione di ricreare artificialmente processi mentali di alto livello. Come sempre accade quando si tratta di scienza, però, anche questa particolare visione, ad un certo punto, iniziò ad andare troppo stretta ad alcuni ricercatori. Nacque così la cosiddetta “embodied cognitive science”, un nuovo modo di approcciarsi allo studio della mente cercando di ancorarla alla sua dimensione fisica.

Comments(2)

In questi ultimi giorni stavo iniziando a guardarmi un po’ attorno, per capire che ne sarà della mia vita una volta finita l’esperienza inglese (che, tra parentesi, deve ancora cominciare… ma tutti mi dicono che devo iniziare ad avere prospettive a lungo termine, così cerco di adeguarmi). Ero rimasto favorevolmente colpito da un Ph.D. interdisciplinare in Cognitive Science offerto dalla UCSD. Prima di imbattermi in questa paginetta, dalla quale mi sembra di capire che non vedano proprio di buon occhio le ricerche nel campo dell’Artificial Life…

Algorithm for a Ph.D.

by Rob Liebscher

Note that this algorithm can be modified to accommodate a slightly more responsible scientist, in which case its name would be changed to Algorithm for Tenure.

References

Dyson, G.B. (1997) Darwin among the machines: the quest for global intelligence. Reading, MA: Addison-Wesley.

Shalizi, C., and Tozier, W. (1999) A Simple Model of the Evolution of Simple Models of Evolution. Journal of Weird-Ass Shit.

Ok, la caccia continua…

Comments(3)

L’embodied cognitive science ha recentemente sfidato il punto di vista del “connessionismo tradizionale”, al punto che ad essa si fa talvolta riferimento con il termine di “neoconnessionismo”. Ma andiamo con ordine, cercando di ricostruire, almeno in linea di massima, il percorso storico più recente del pensiero scientifico relativo alla mente. Innanzitutto, l’approccio connessionista si è sviluppato a partire dalla seconda metà degli anni ’80, in risposta alle “frustrazioni” derivanti da decenni di cognitivismo “tradizionale”, incapaci di apportare significativi miglioramenti al nostro livello di comprensione della mente. Secondo la prospettiva cognitivista, il cervello è un elaboratore formale di simboli, alla stregua di un computer. Non a caso, infatti, questa corrente di pensiero ha iniziato a svilupparsi contestualmente alla comparsa dei primi calcolatori elettronici, ispiratori delle metafore “uomo uguale macchina” e “mente uguale software”. Secondo i cognitivisti, tutti i processi mentali possono essere descritti in termini di computazione di rappresentazioni simboliche, così come statuito dalla celebre “teoria rappresentazionale della mente” (RTM, Representational Theory of Mind). In altre parole, l’attività mentale equivale all’esecuzione di un algoritmo. Di conseguenza, se ciò che fa il cervello non è altro che elaborare simboli, diventa chiaro come sia di cruciale importanza, nel cognitivismo, il ruolo delle rappresentazioni simboliche.

A partire dalla metà degli anni ’50 del secolo scorso, ai cognitivisti si affiancarono i ricercatori di una neonata disciplina: l’intelligenza artificiale. Già nel 1936, Alan Turing aveva teorizzato la cosiddetta “macchina di Turing”: una struttura astratta, in grado di computare, agendo a livello di simboli, qualunque tipo di funzione matematica. La successiva elaborazione operata da John Von Neumann, che dalla teoria di Turing riuscì a ricavare un’architettura fisicamente implementabile, spianò la strada alla progettazione dei calcolatori elettronici così come noi li conosciamo oggi. La nascita dell’informatica, come abbiamo detto, fornì agli scienziati della mente l’ispirazione necessaria per abbandonare l’approccio “a black box” tipico dei comportamentisti e cercare di sostituire le tante scatole nere inserite nei vari modelli dell’epoca con un qualcosa di più dettagliato e preciso. Coloro che operarono in questa direzione vennero definiti psicologi cognitivisti. Ma con i computer, oltre che capire la mente, se questa non era altro che un vasto e complesso insieme di algoritmi dedicati alla manipolazione di simboli, diventava possibile anche cercare di ricrearla artificialmente. Ovviamente, all’interno di un computer. Nacque così il campo dell’intelligenza artificiale, con un approccio di tipo top-down alla ri-creazione dei processi mentali che ancor oggi caratterizza tale disciplina: un processo cognitivo di alto livello viene scomposto in sotto-processi più semplici, implementabili all’interno di un calcolatore e che nel loro insieme danno origine al processo di alto livello da ricreare/riprodurre. Psicologi cognitivisti e softwaristi specializzati in intelligenza artificiale iniziarono a lavorare a braccetto. Gli uni cercavano di ricondurre il modo di funzionare della mente a precisi modelli algoritmico-simbolici, mentre gli altri si dedicavano alla loro implementazione all’interno di calcolatori o di artefatti robotici.

I risultati ottenuti da questa insolita cooperazione tra psicologi ed informatici furono, per l’epoca, stupefacenti. Attorno al campo dell’intelligenza artificiale si destò un interesse senza precedenti. I successi ottenuti nei campi più disparati, dal gioco degli scacchi (è passato alla storia lo scontro tra il campione russo Gary Kasparov ed il “mostruoso” computer della IBM, Deep Blue) al riconoscimento/sintetizzazione vocale, passando per gli expert systems, fecero pensare che la creazione di moderni golem fosse ormai solo una questione di tempo. Ma, poco per volta, divenne sempre più chiaro che i risultati ottenuti erano sì interessanti, ma non rispecchiavano il vero modo di funzionare del cervello. Deep Blue ebbe la meglio su Kasparov non perché fosse in grado di ragionare come lui, ma piuttosto perché i suoi circuiti elettronici erano in grado di valutare nel giro di pochi secondi migliaia di potenziali combinazioni di mosse, prima di decidere la migliore. Nella sfida decisiva, il campione russo, sottoposto ad una tremenda pressione psicologica, abbandonò la partita, riconoscendo de facto la “superiorità” del computer nell’esecuzione di questo specifico compito. Che però non è generalizzabile, dato che la mente umana, molto semplicemente, non lavora manipolando simboli. Considerazione che diventa evidente se guardiamo ad esempio al modo in cui un artefatto tecnologico odierno può percepire il parlato: in puri termini di caratteristiche del segnale sonoro, senza riuscire a procedere ad alcun tipo di significazione. Un computer può discriminare tra parole diverse, questo è vero. Ma lo fa in un modo radicalmente diverso rispetto ad un essere umano, focalizzandosi sulle caratteristiche auditive delle parole pronunciate e non su ciò che esse significano. L’esempio del linguaggio è illuminante in merito ai limiti dell’approccio cognitivista allo studio della mente. Quando questa consapevolezza si diffuse, gli investimenti nel settore dell’artificial intelligence subirono un pesante quanto eccessivo tracollo. Venne il periodo della disillusione e del disincanto.

Comments(3)

Le reti neurali ecologiche, così come sono state definite da Parisi, Cecconi e Nolfi in un loro lavoro pionieristico dei primi anni ‘90, sono innanzitutto reti la cui “vita” si svolge all’interno di un environment ben definito. In tale contesto, lo sperimentatore definisce la struttura iniziale dell’ambiente (intesa sia in termini di conformazione fisica, sia come eventuale presenza e relativa distribuzione spaziale di oggetti, artefatti, ecc…), nonché il repertorio motorio/comportamentale dell’organismo (o della popolazione di organismi) che andrà ad abitare tale ambiente. Questo repertorio determina le modalità secondo le quali si svolgerà la vita dell’organismo, vale a dire secondo quale ordine e con quale frequenza appariranno, ma anche e soprattutto quali saranno, gli stimoli sensoriali cui sarà sottoposto con il passare del tempo.

Le reti neurali ecologiche, all’interno dell’ambiente nel quale vivono, perseguono degli obiettivi ben precisi. Ciò implica che esse agiscono sull’ambiente producendo dei cambiamenti, nell’ambiente stesso o nella relazione che esiste tra l’organismo e l’ambiente. Nel modello presentato in questo paper, ad esempio, gli organismi producono modifiche dell’ambiente ogni qualvolta riescono a raccogliere un’unità di cibo, siccome, in seguito alla sua raccolta, essa scompare. Mutando l’ambiente, muta di conseguenza anche il rapporto organismo/environment, inteso come percezione dell’ambiente da parte dell’organismo: a parità di tutte le altre condizioni, il pattern sensoriale in input all’organismo, prima e dopo aver raccolto un’unità di cibo, risulta essere sostanzialmente diverso. Una differenza fondamentale tra le reti neurali non-ecologiche e quelle ecologiche risiede nel fatto che le prime si limitano a scoprire eventuali regolarità negli input che vengono loro somministrati; le seconde, oltre a fare questo, sono inoltre costrette ad individuare delle regolarità anche negli effetti che le azioni da loro prodotte hanno sull’ambiente. Ciò, naturalmente, è possibile soltanto se consideriamo, come appena sottolineato, che gli effetti di un’azione motoria compiuta dall’organismo diventano manifesti nei suoi susseguenti input sensoriali.

Da tutto ciò deriva un’altra caratteristica fondamentale delle ecological neural networks: le informazioni sensoriali percepite in input dalla rete variano sia in funzione della struttura dell’ambiente, sia in funzione dell’output della rete fatto registrare nei cicli precedenti. Le reti neurali ecologiche hanno dunque una loro intrinseca dimensione temporale. Questo anche perché esse non sono progettate per assolvere a singoli compiti di replicazione di processi mentali astratti, ma per perseguire obiettivi ben specifici. Obiettivi che si traducono in intere sequenze di azioni, traiettorie motorie che si concludono con un’azione finale rappresentante il perseguimento dell’obiettivo. Un “consumatory act”, come si dice nella psicologia animale per indicare le situazioni di consumo di cibo analoghe a quelle che hanno luogo nel nostro modello.

Riguardo all’ambiente, l’environment all’interno del quale vivono le reti neurali ecologiche, un’ottima riflessione è quella fatta a loro tempo da Parisi, Cecconi e Nolfi:

“The environment in which an ecological network lives can contain natural objects, other organism (e.g. conspecifics), instruments and artefacts. Furthermore, the notion of environment that is needed for ecological networks must be sufficiently general and abstract to include the organism’s body as part of the organism’s environment. According to this abstract notion, the environment of an organism is whatever systematically mediates the relationship between the organism’s actions and the sensory consequences (input patterns) of these actions for the organism itself. An object is part of an organism’s environment if an action of the organism changes the sensory information coming from that object to the organism. It is clear, from this definition, that the organism’s body is part of the organism’s environment. If the organism moves one part of its body this may result in proprioceptive or visual information from that body part to the organism. Another kind of effect is tactile information when the body’s moving part touches an external object. This effect is doubled if the touched object is another part of the organism’s own body. Then, tactile sensory consequences from the organism’s actions result from both the touching (and moving) part and from the touched part.”

L’importanza di includere come parte dell’ambiente anche il corpo dell’organismo, risiede nel fatto che in questo modo è possibile simulare fenomeni quali la crescita. Lo sviluppo di un organismo, infatti, in molte specie animali procede in parallelo con un progressivo aumento delle dimensioni corporee. Così come l’ambiente esterno, anche il corpo di un organismo può dunque modificarsi con il passare del tempo e ciò implica la necessità, per l’organismo stesso, di adattarsi alla nuova situazione. Una continua necessità di adattarsi alle sempre mutevoli condizioni ambientali, appare più che mai chiaro, è una caratteristica comune a tutti gli organismi viventi e li accompagna per il loro intero ciclo vitale.

Comments(0)

Cito da un’articolo dell’Adnkronos di ieri:

Domani al Senato le comunicazioni e il voto sugli ordini del giorno
Afghanistan, ultimatum di D’Alema agli alleati
Il ministro degli Esteri: se a Palazzo Madama non ci sarà la maggioranza, Governo a casa

Roma, 20 feb. (Adnkronos) – Alla vigilia delle comunicazioni in Senato di Massimo D’Alema, che culmineranno con un voto sui relativi ordini del giorno, l’Unione torna a discutere sulla politica estera del governo. Dalla Spagna, lo stesso ministro degli Esteri ha inviato un chiaro segnale agli alleati: se a palazzo Madama non ci sarà la maggioranza, il governo andrà a casa. “E’ un principio costituzionale”, ha detto D’Alema in occasione del vertice italo-spagnolo in corso a Ibiza. “Ma non sono assolutamente preoccupato. Credo che l’ordine del giorno lo voteranno tutti. Almeno lo spero”, ha poi aggiunto. Ma la sinistra dell’Unione è tornata a farsi sentire, preoccupata di un eventuale riferimento esplicito del ministro degli Esteri alla base americana di Vicenza e alla questione del suo allargamento. Su questa dialettica interna alla maggioranza si è concentrato il centrodestra per criticare la maggioranza e la linea del governo in politica estera.

Gianfranco Fini ha definito “ineccepibile” la posizione del ministro degli Esteri Massimo D’Alema. Ma perché il test risulti attendibile il titolare della Farnesina, ammonisce il suo predecessore, dovra’ affrontare la questione dell’ampliamento della base di Vicenza senza considerarla un semplice problema “urbanistico o paesaggistico”.”Mi auguro che l’onorevole D’Alema -ha affermato Fini- domani nella sua relazione non derubrichi la questione della base di Vicenza ad un aspetto urbanistico o paesaggistico, perché sarebbe ridicolo. Il contrasto attiene la fedeltà e il rispetto italiani agli impegni presi nell’ambito delle alleanze internazionali e più in generale il rapporto con gli Stati Uniti. Eludere la questione significherebbe prendere in giro il Senato e la pubblica opinione italiana”.

And now, mr. D’Alema?

Comments(11)

Le ecological neural networks trovano la loro collocazione naturale all’interno di una paradigma di ricerca più ampio. Si tratta della Embodied Cognitive Science, che ha recentemente sfidato il punto di vista del connessionismo tradizionale, secondo cui l’intelligenza è un processo astratto che può pertanto essere studiato senza prendere in considerazione le caratteristiche fisiche dei sistemi naturali.

In contrasto al precedente approccio, i ricercatori che fanno riferimento a questo nuovo paradigma scientifico tendono a focalizzarsi in particolare su due aspetti teorico/metodologici:

• situatedness: lo studio di sistemi che sono “situati”, collocati all’interno di un certo contesto ambientale. L’introdurre una dimensione ambientale allo studio della mente si basa sull’ipotesi che i fenomeni interessanti a cui guardare non siano quelli che avvengano “in astratto”, o che, addirittura, la mente degli esseri viventi non operi mai astrattamente, ma sempre e comunque in relazione ad un qualcosa che avviene nell’ambiente circostante;
• embodiment: lo studio di sistemi dove le reti neurali utilizzate sono inserite all’interno di un corpo fisico, ricevono gli input dai suoi sensori (corrispondenti alle percezioni sensoriali provenienti dall’interno del corpo oppure dall’ambiente, eventualmente anche sociale, esterno) e producono risposte motorie come output (l’ipotesi è che i neuroni di output della rete neurale siano direttamente connessi alle terminazioni nervose degli effettori muscolari del corpo). Il fatto che una rete neurale possa determinare gli spostamenti del corpo all’interno del quale è contenuta, comporta una rottura molto profonda nei confronti del connessionismo “tradizionale”. In questo modo è la rete neurale (e non un “addestratore” esterno) ad essere responsabile della sequenza di input sensoriali cui si sottopone nel corso del tempo. E’ dal suo comportamento, dalla risposta motoria innescata dal suo output, che dipende il successivo pattern di input percepito. Il processo si ripete, naturalmente, a catena.

Tali due prerogative permettono di guardare al comportamento, ed in senso più ampio all’intelligenza, come il risultato emergente di una moltitudine di micro-interazioni (“micro” nel senso che hanno luogo su scale temporali ristrette rispetto a quelle, più dilazionate nel tempo, alle quali è generalmente osservabile il comportamento) che agiscono tra il sistema di controllo dell’agente/organismo e l’ambiente, nonché tra le parti costituenti dell’organismo ed il suo sistema di controllo.

Un’importante conseguenza di questo modo di guardare ai modelli simulativi è che l’agente/organismo e l’ambiente costituiscono, nel loro insieme, un singolo sistema. I due aspetti, in sostanza, sono così intimamente connessi che la descrizione di ciascuno di essi, in isolamento, sarebbe sì possibile, ma oltremodo povera. Quello che si osserva a livello “micro”, all’interno della rete neurale, è ciò che determina il comportamento motorio osservato al livello superiore. A sua volta, il comportamento di alto livello determina ciò che succederà successivamente a livello più basso: le relazioni causali tra i due livelli sono dunque di tipo circolare.

Comments(0)

Sottotitolo 1: come ti filosofeggio sulla complessità.

Sottotitolo 2: come mi arrampico miseramente sugli specchi, cercando di riuscire a “dimostrare” che il mio lavoro di qualche tempo fa sia in qualche modo collegato alla scienza della complessità.

Per considerare ufficialmente chiusa la mia carriera “universitari/esamistica”, devo preparare una decina di pagine che spieghino come il modello su cui sto lavorando per la tesi abbia agganci interesasnti con il tema della complessità. Dieci paginette che poi cercherò forse di infilare in qualche modo all’interno della tesi. Magari in un capitolo apposito. Ma il tema della complessità non è che mi abbia mai stimolato in maniera eccessiva. Credo che ci ricorrerò soltanto se mi ritroverò in drammatica carenza di pagine scritte.

Va beh, comunque sia, vi lascio alla lettura dell’introduzione.

Un collegamento con il mondo della complessità

Il problema principale che ci si trova ad affrontare nel momento in cui si cerca di collocare il lavoro presentato in questo paper in un’ottica tipica delle scienze della complessità, risiede sicuramente nell’interpretazione da darsi, nel suo complesso, al modello sviluppato.

Nell’ambito della vita artificiale sono piuttosto numerosi gli studi effettuati su modelli simulativi nei quali una moltitudine di agenti inter/agisce in diversi modi a livello locale, dando origine a fenomeni emergenti complessi, osservabili solamente spostando il punto di osservazione ad un livello più alto. Il problema consiste nel fatto che, solitamente, i modelli di vita artificiale che vengono presi in considerazione per essere studiati con il linguaggio della complessità sono soltanto i cosiddetti “sistemi adattivi complessi” (CAS, Complex Adaptive System).

Il problema risiede nel fatto che la definizione stessa di sistema adattivo complesso (la quale, comunque, non è unanimamente condivisa dalla comunità scientifica che orbita attorno alla complessità) sembra essere intagliata su misura per quei modelli dove più agenti operano, contemporaneamente ed in parallelo, all’interno della medesima nicchia ecologica.

John H. Holland, ad esempio, così definisce i CAS:

“A Complex Adaptive System (CAS) is a dynamic network of many agents (which may represent cells, species, individuals, firms, nations) acting in parallel, constantly acting and reacting to what the other agents are doing. The control of a CAS tends to be highly dispersed and decentralized. If there is to be any coherent behavior in the system, it has to arise from competition and cooperation among the agents themselves. The overall behavior of the system is the result of a huge number of decisions made every moment by many individual agents.”

Non è questo il caso presentato nel nostro lavoro. Pur essendo in presenza di “popolazioni” di organismi, infatti, essi agiscono in maniera individuale nell’ambiente. Ciascun organismo vive in completo isolamento all’interno della sua nicchia ecologica, senza produrre modifiche che siano visibili agli occhi dei suoi conspecifici. Questi organismi sono privi, in sostanza, di una qualsivoglia dimensione sociale: ciascuna loro azione non ha alcuna influenza sulle percezioni (sia sensoriali che emotive) degli altri organismi. E, di riflesso, non ha alcuna ripercussione sul loro comportamento.

Vi è poi un’altra differenza sostanziale, seppur meno evidente, tra la tipologia del modello che ho elaborato e quanto detto da Holland. Sto parlando dell’evoluzione. Nel lavoro qui presentato, comportamenti via via più efficienti degli organismi si sviluppano esclusivamente tramite una pressione selettiva che agisce a basso livello, ad un livello genetico. E’ infatti un algoritmo genetico, trasposizione informatica del concetto darwiniano della riproduzione selettiva, idea forte della sua teoria evolutiva, a garantire la comparsa, con il passare del tempo e delle generazioni, di individui progressivamente più adatti al tipo di ambiente all’interno del quale si trovano a vivere. Non vi è nessuna forma di apprendimento in vita, culturale: il modo di comportarsi degli organismi è interamente codificato all’interno del loro genoma.

L’apprendimento culturale, però, è un aspetto di straordinaria importanza per gli esseri viventi. La sua rilevanza cresce con l’aumentare di livello della “socialità” degli organismi. Al punto che in riferimento all’homo sapiens, la specie a più alto livello di socialità ad oggi esistente sul pianeta Terra, si può addirittura arrivare a parlare di una “mente sociale”. Lo fa, ad esempio, Domenico Parisi, nell’illustrare gli obiettivi che dovrà porsi quella che lui chiama “la nuova scienza della mente”:

“Un’altra direzione in cui si muove la nuova scienza della mente per agganciare il livello sociale dei fenomeni umani è quella della mente sociale. […] Diversamente dagli altri animali, che sopravvivono fondamentalmente con le capacità di cui dispone ciascun singolo individuo, un individuo umano per sopravvivere non dispone soltanto delle sue capacità individuali, di quello che sa e che sa fare, ma sfrutta quello che sanno e sanno fare gli altri. Questo vuol dire avere una mente sociale. Avere una mente che non è solo la propria ma è quella di molti altri individui, vicini e lontani, presenti e passati. Quello che un essere umano sa dell’ambiente in cui vive e dentro al quale deve sopravvivere non è solo quello di cui lo informano i suoi sensi e quello che elabora con la sua intelligenza, la sua memoria, il ragionamento, la capacità di fare e valutare previsioni e progetti. E’ anche quello che sanno gli altri, quello di cui gli altri sono informati dai loro sensi e che gli altri elaborano con la loro intelligenza, con la loro memoria, con la loro capacità di ragionare e di fare previsioni e progetti. E’ come se il singolo essere umano, pur stando in un particolare luogo dell’ambiente, abbia tentacoli dotati di sensori che lo informano su come è la realtà altrove, lontano nello spazio e anche nel tempo. La trasmissione culturale da una generazione all’altra e le tecnologie di conservazione e trasmissione delle informazioni, a cominciare dai libri e dalle modificazioni più o meno permanenti dell’ambiente, estendono questi tentacoli al passato.”

Nei CAS, l’esistenza di una rete di agenti/organismi che si influenzano reciprocamente ed in maniera continua fa sì che anche l’apprendimento culturale possa essere efficacemente rappresentato. In essi possono pertanto venire implementati algoritmi di apprendimento che non abbiano esclusivamente base ereditaria. Come, ad esempio, i vari tipi di algoritmi di apprendimento per rinforzo che si basano sullo schema dell’attore-critico, dove ha luogo, di fatto, un processo imitativo da parte degli organismi/attori con riferimento agli organismi/critici di cui imitare il comportamento. Questa non è, ovviamente, una prerogativa indispensabile. Possono benissimo esistere sistemi adattivi complessi, nei quali gli organismi evolvono esclusivamente per via genetica, con una formula di fitness che valuta la performance che essi hanno ottenuto nell’ambiente (sociale) di riferimento. Ma la possibilità di avere interazioni sociali apre l’opportunità, nei CAS, di combinare i due tipi di apprendimento, quello genetico e quello culturale, perseguendo così un maggior livello di plausibilità biologica dei modelli sviluppati.

Non è un caso, dunque, se in questi ultimi anni gli scienziati della complessità si sono focalizzati, quasi esclusivamente, sui sistemi adattivi complessi “alla Holland” rispetto ai “modelli non a rete”, come quello proposto in questo lavoro. I CAS sono d’altronde ricchi, molto ricchi di fenomeni estremamente interessanti per chi osserva il mondo da una prospettiva “complessa”.

Quello che però vorrei dimostrare, in questa parte conclusiva del mio lavoro, è che anche i modelli non-CAS possono risultare estremamente interessanti per le scienze della complessità.

Senza tuttavia dimenticare che, come dicevo poche righe fa, non esiste una definizione condivisa del termine Complex Adaptive System. E sarebbe così possibile prendere in prestito quanto detto, ad esempio, da Kevin Dooley, della Arizona State University, per far rientrare il modello qui presentato nella categoria dei CAS:

“A CAS behaves/evolves according to three key principles: order is emergent as opposed to predetermined, the system’s history is irreversible, and the system’s future is often unpredictable. The basic building blocks of the CAS are agents. Agents are semi-autonomous units that seek to maximize some measure of goodness, or fitness, by evolving over time. Agents scan their environment and develop schema representing interpretive and action rules. These schema are often evolved from smaller, more basic schema. These schema are rational bounded: they are potentially indeterminate because of incomplete and/or biased information; hey are observer dependent because it is often difficult to separate a phenomenon from its context, thereby identifying contingencies; and they can be contradictory. Schema exist in multitudes and compete for survival.”

Un’operazione del genere, sarebbe però un’inutile forzatura. Ma mi preme sottolineare, in questa breve digressione, come non sia casuale, a mio avviso, che in quanto teorizzato da Dooley non vi sia un esplicito riferimento ai sistemi multi-agente, indipendentemente dal fatto che gli agenti/organismi implementati artificialmente abbiano o meno la possibilità di interagire tra loro.

Fenomeni complessi, infatti, possono essere originati anche da sistemi adattivi (che, proprio in virtù del fatto di essere in grado di far emergere fenomeni complessi, viene loro assegnata l’etichetta di “complessi”) dove non entra in gioco la componente sociale. Il come questo possa accadere è quanto cercherò di spiegare nelle pagine seguenti.

Comments(4)