Noam Brown svela: L’ai ‘pensante’ poteva nascere 20 anni fa

La visione di Noam Brown sull’evoluzione dell’AI

Noam Brown, figura di spicco nella ricerca sull’intelligenza artificiale (AI) presso OpenAI, ha recentemente espresso un’opinione che sta suscitando un vivace dibattito nella comunità scientifica. Durante una tavola rotonda alla conferenza GTC di Nvidia a San Jose, Brown ha affermato che alcune forme di modelli di AI capaci di “ragionamento” avrebbero potuto essere sviluppate anche 20 anni prima se i ricercatori avessero adottato l’approccio e gli algoritmi giusti.

Secondo Brown, diverse ragioni hanno portato alla negligenza di questa direzione di ricerca. La sua intuizione è nata dall’osservazione che gli esseri umani dedicano molto tempo a riflettere prima di agire in situazioni complesse, un aspetto che, a suo parere, avrebbe potuto rivelarsi estremamente utile anche nell’ambito dell’AI.

Il ruolo di Pluribus e l’importanza del “pensiero” nell’AI

Brown ha fatto riferimento al suo lavoro sull’AI applicata al gioco presso la Carnegie Mellon University, in particolare al progetto Pluribus, un sistema in grado di sconfiggere giocatori professionisti di poker. La peculiarità di Pluribus risiedeva nella sua capacità di “ragionare” attraverso i problemi, anziché affidarsi a un approccio di forza bruta. Questo concetto è stato ulteriormente sviluppato con o1, un modello di OpenAI che utilizza una tecnica chiamata test-time inference per “pensare” prima di rispondere alle domande. La test-time inference implica l’applicazione di ulteriore potenza di calcolo ai modelli in esecuzione per stimolare una forma di “ragionamento”. In generale, i modelli di ragionamento tendono a essere più accurati e affidabili rispetto ai modelli tradizionali, soprattutto in settori come la matematica e la scienza.

Sfide e opportunità per la ricerca accademica

Durante la tavola rotonda, è stato sollevato il tema della capacità delle istituzioni accademiche di competere con i laboratori di AI come OpenAI, data la loro limitata disponibilità di risorse di calcolo. Brown ha riconosciuto che la situazione è diventata più complessa negli ultimi anni, con modelli che richiedono sempre più potenza di calcolo. Tuttavia, ha sottolineato che gli accademici possono ancora dare un contributo significativo esplorando aree che richiedono meno risorse, come la progettazione dell’architettura dei modelli. Brown ha inoltre evidenziato l’importanza della collaborazione tra i laboratori di ricerca all’avanguardia e il mondo accademico. I laboratori di ricerca sono attenti alle pubblicazioni accademiche e valutano attentamente se un determinato approccio, se ulteriormente ampliato, potrebbe rivelarsi efficace. In caso di argomentazioni convincenti, i laboratori sono disposti a investire in ulteriori indagini.

Brown ha anche sottolineato la necessità di migliorare i benchmark dell’AI, un’area in cui l’accademia potrebbe avere un impatto significativo. Gli attuali benchmark tendono a valutare conoscenze esoteriche e forniscono punteggi che non riflettono accuratamente la competenza dei modelli in compiti di interesse pratico. Ciò ha portato a una diffusa confusione sulle reali capacità e sui progressi dei modelli.

Prospettive future: il potenziale inespresso dell’AI

Le osservazioni di Noam Brown aprono una finestra su un dibattito cruciale: quanto del potenziale dell’intelligenza artificiale è stato effettivamente esplorato? La sua affermazione che modelli di ragionamento avanzati avrebbero potuto essere sviluppati decenni prima solleva interrogativi sulle direzioni di ricerca intraprese e su quelle trascurate. L’enfasi sull’importanza del “pensiero” nell’AI, esemplificata dal successo di Pluribus e dall’approccio innovativo di o1, suggerisce che l’imitazione del processo decisionale umano potrebbe essere la chiave per sbloccare nuove frontiere nell’AI. La sfida, tuttavia, risiede nel superare gli ostacoli legati alla potenza di calcolo e nel promuovere una collaborazione più stretta tra il mondo accademico e i laboratori di ricerca all’avanguardia. Solo attraverso un impegno congiunto e una visione lungimirante sarà possibile sfruttare appieno il potenziale inespresso dell’intelligenza artificiale.

Amici lettori, riflettiamo un attimo. Nel cuore di questo articolo, troviamo un concetto fondamentale dell’intelligenza artificiale: l’euristica. L’euristica è una tecnica di problem solving che si basa sull’esperienza e sull’intuizione per trovare soluzioni approssimative, ma spesso sufficientemente buone, in tempi ragionevoli. Pluribus, l’AI di Brown, utilizzava l’euristica per prendere decisioni al tavolo da poker, simulando il ragionamento umano.

Un concetto più avanzato, strettamente legato a questo, è il reinforcement learning. In questo paradigma, l’AI impara attraverso la prova e l’errore, ricevendo “ricompense” per le azioni corrette e “punizioni” per quelle sbagliate. Pluribus, allenandosi contro se stesso per miliardi di mani di poker, ha affinato le sue strategie attraverso il reinforcement learning, diventando un avversario formidabile.

Questi concetti, apparentemente astratti, hanno un impatto profondo sulla nostra vita quotidiana. Pensate ai sistemi di raccomandazione che ci suggeriscono film o prodotti online, o alle auto a guida autonoma che navigano nel traffico cittadino. Tutti questi sistemi si basano su principi simili a quelli che hanno guidato lo sviluppo di Pluribus.

La riflessione che vi propongo è questa: l’intelligenza artificiale non è solo una questione di algoritmi e potenza di calcolo, ma anche di comprensione del processo decisionale umano. Più riusciamo a imitare la nostra capacità di ragionare, di adattarci e di imparare dall’esperienza, più potenti e utili diventeranno le macchine che creiamo.