Nel maggio 2018, Google svelava davanti a una platea sbalordita il suo programma Duplex: un software in grado di chiamare in autonomia il ristorante per prenotare un tavolo senza che la persona all’altro capo del telefono si rendesse conto di avere a che fare con un’intelligenza artificiale. Duplex, infatti, non è solo in grado di sostenere una conversazione, ma anche di imitare le pause e l’intercalare classico degli esseri umani… Oltre a stupire, le abilità di Duplex hanno sollevato non poche preoccupazioni: come faremo, in futuro, a essere sicuri che le IA non ci ingannino fingendo di essere degli umani? È necessario obbligare i software a dichiarare la loro natura artificiale? Siamo di fronte al primo passo di un’evoluzione che porterà le IA a diventare sempre più simili agli esseri umani, fino al punto di sviluppare una coscienza? Domande affascinanti, ma che poco hanno a che fare con quanto realmente dimostrato da Duplex. “A differenza di quanto sostenuto da alcuni, non siamo di fronte all’avvento di una IA realmente intelligente”, ha scritto il docente di Scienze Neurali Gary Marcus. “Se si vanno a leggere le dichiarazioni ufficiali di Google, si scopre che lo scopo iniziale del progetto è molto limitato: Duplex può solo chiamare un ristorante o il parrucchiere”. Perché una gamma così limitata di possibilità? La ragione è tutta nelle caratteristiche stesse del deep learning (gli algoritmi che stanno alla base delle intelligenze artificiali): per sostenere una conversazione, una IA deve essere addestrata usando centinaia di migliaia di dati, che le consentono di scoprire tutte le possibili interazioni che avvengono in una chiacchierata tra esseri umani. Così, sarà in grado di valutare statisticamente quale sia la risposta corretta a una data domanda. Un compito complesso e che quindi può funzionare solo se la conversazione è estremamente circoscritta (com’è il caso delle prenotazioni a ristorante). “Google Duplex non è così limitato perché sta compiendo i primi passi verso obiettivi ben più ambiziosi”, ha sostenuto ancora Marcus. “La verità è che gli esperti di deep learning non hanno nessuna idea di come riuscire a fare meglio di così. Le conversazioni non predefinite, in cui si affrontano una vasta gamma di argomenti, non sono nemmeno ancora in vista”.

Questo non vale soltanto per gli algoritmi specializzati nel linguaggio, ma per tutte le tipologie di intelligenze artificiali. Lo stesso avviene infatti anche con i sistemi di riconoscimento immagini che hanno il compito, tra le altre cose, di riconoscere gli animali o le persone presenti in una foto. “Anche delle piccolissime modifiche a un’immagine possono cambiare completamente il giudizio del sistema”, scrive Russell Brandon su The Verge. “Un algoritmo non è in grado di riconoscere una lince a meno che non abbia visto migliaia di foto di questo animale; non importa che abbia già imparato a distinguere gatti e giaguari”. In poche parole, le IA sono prive delle capacità di generalizzazione e astrazione, aspetti fondamentali dell’intelligenza umana che ci consentono di sostenere conversazioni di ogni tipo o di riconoscere una lince anche solo sapendo che si trova, più o meno, a metà strada tra un gatto e un giaguaro. Da questo punto di vista, insomma, l’intelligenza artificiale non è soltanto molto inferiore a quella umana, ma non ha nemmeno imboccato la strada che un giorno potrebbe portarla a superarci. Tutto questo, ovviamente, non deve far sottovalutare le impressionanti conquiste del deep learning. Oggi gli algoritmi di intelligenza artificiale sono in grado di diagnosticare il cancro, di assistere gli avvocati scovando correlazioni tra i vari documenti legali, di tradurre con una precisione sempre maggiore da una lingua all’altra, di individuare gli attacchi hacker prima degli esperti umani e una marea di altre abilità di importanza estrema. Ad accomunare tutti questi algoritmi è l’utilizzo della statistica e il fatto di essere intelligenze artificiali limitate, in grado cioè di eseguire un solo compito per volta (in linguaggio specialistico: ANI, artificial narrow intelligence). Un algoritmo progettato per le traduzioni non può anche diagnosticare il cancro; allo stesso modo, un sistema in grado di riconoscere un gatto non può distinguere anche una mucca. Gli algoritmi di IA sono in grado di svolgere un solo compito: ogni volta che si vuole passare da una mansione all’altra, bisogna riprogrammarli da capo. In termini scientifici, le intelligenze artificiali sono prive della capacità umana di “adattare un repertorio comportamentale pre-esistente alle nuove sfide, senza il bisogno di ricorrere al meccanismo dei tentativi ed errori o essere adeguatamente preparati da una terza parte”, ha spiegato il fisico di Oxford David Deutsch. Oltre a non avere la capacità di astrarre e generalizzare, le IA – scrive sempre Deutsch – non posseggono “la creatività e il buon senso: due fattori fondamentali che rappresentano il segno caratteristico di un’intelligenza generale propriamente intesa”.

Per quanto riguarda la creatività, si potrebbero avanzare alcune obiezioni. Il software che ha sconfitto il campione mondiale di Go (un gioco da tavolo estremamente complesso) è riuscito nella sua impresa utilizzando delle mosse che a prima vista sembravano degli errori. Manovre che un essere umano non avrebbe mai fatto, dimostrando come – in un certo senso – la IA abbia giocato al di fuori degli schemi classici dando prova di una certa creatività. Non solo: il 25 ottobre 2018 l’opera chiamata “Edmond de Belamy” è stata venduta a un’asta di Christie’s per 432.000 dollari. A produrre il quadro non è stato un artista umano, ma un’intelligenza artificiale che si è basata su una quantità immensa di opere d’arte del passato che le sono state fornite dai suoi programmatori; rielaborandole per dare vita a un dipinto originale. Più che essere realmente creativa, quindi, questa IA ha “imitato” la creatività umana. Ma non si potrebbe dire lo stesso anche dell’arte creata dall’uomo? In fondo, nessun pittore, scultore o performer ha creato qualcosa partendo dal nulla, ma sempre rielaborando, ricreando, reinventando tutto ciò che la storia dell’arte ha prodotto fino a oggi. I dataset utilizzati dalla IA per dare vita alle sue opere potrebbero quindi essere qualcosa di simile alle influenze che gli artisti del passato hanno su quelli contemporanei.

E per quanto invece riguarda il buon senso? I problemi delle intelligenze artificiali in questo ambito sono esemplificati alla perfezione dalle continue difficoltà a cui i filtri automatici di Facebook vanno incontro quando si tratta di cancellare contenuti inappropriati. Per l’algoritmo incaricato di individuare immagini che infrangono il regolamento del social network è impossibile distinguere tra una foto erotica (e quindi da cancellare) o il nudo contenuto in un’opera d’arte (che è invece consentito). La stessa mancanza di buon senso è ciò che rende impossibile a un algoritmo distinguere un post razzista (e quindi da vietare) da uno che prende in giro le argomentazioni – se così si possono definire – dei razzisti. Solo l’essere umano ha le capacità necessarie per applicare distinzioni così sottili e importanti. Non si può però escludere che un giorno le IA saranno in grado di superare tutte queste limitazioni. Anzi, questa è precisamente la speranza coltivata dagli investitori di tutto il mondo, che nel 2018 hanno riversato la cifra record di 9,3 miliardi di dollari nelle startup che si occupano di intelligenza artificiale; una cifra superiore del 72% rispetto a quella dell’anno precedente. Qualche scintilla di vera intelligenza, in effetti, inizia a vedersi. Nel mese di ottobre 2016, la società DeepMind (sempre di proprietà di Google) ha pubblicato su Nature uno studio in cui rivela di aver creato una IA capace di pianificare al primo colpo, senza precedenti tentativi, il percorso migliore per spostarsi tra le stazioni della metropolitana di Londra. Un progresso enorme, reso possibile dall’allenamento della macchina (con il classico metodo “tentativi ed errori”) compiuto su mappe della metro di altre città. Mentre si allenava su queste mappe, la rete neurale ha imparato a utilizzare la sua memoria per immagazzinare dati utili e richiamarli all’occorrenza. Il sistema, chiamato differentiable neural computer, è quindi dotato di una memoria esterna, che gli consente di riutilizzare quanto già appreso e sfruttarlo per fare nuove deduzioni. Per quanto anche questa IA sia in grado di svolgere un solo compito, la sua capacità di utilizzare in modo pratico la memoria, dando quindi prova di apprendimento, sembra essere il primo passo per arrivare a una vera intelligenza artificiale, di tipo umano, che sappia imparare in termini generali e poi richiamare i dati che le servono per sfruttare ciò che ha appreso. In poche parole, una IA che è in grado di fare un ragionamento embrionale.

Più recentemente, invece, si sono diffusi i cosiddetti GAN (generative adversarial network), sistemi in grado di mettere in competizione tra loro due diversi algoritmi per spronarli a ottenere il miglior risultato possibile. Come funziona tutto ciò? Per iniziare, si forniscono ai due algoritmi i dati necessari all’addestramento (per esempio, centinaia di migliaia di immagini di gatti), dando però loro due compiti differenti. Il primo algoritmo, chiamato generatore, sfrutta il suo database per creare delle immagini originali. Il secondo, chiamato discriminatore, dovrà determinare se i risultati che gli vengono sottoposti sono stati creati dal primo algoritmo o sono invece parte del database. Più è accurato il lavoro del generatore, maggiori sono le possibilità di ingannare il discriminatore (immaginatevi qualcosa di simile alla sfida tra un falsario e un critico d’arte). Ogni volta che il secondo algoritmo rifiuta correttamente ciò che gli viene sottoposto (accorgendosi quindi che è opera del generatore), il lavoro ricomincia da capo e il generatore è spinto a migliorarsi per riuscire a ingannare il suo avversario. Ma lo stesso fa anche l’algoritmo discriminante, per aumentare la propria capacità di individuare i prodotti del generatore. La competizione rimane quindi statisticamente in equilibrio. Questo sistema è stato utilizzato per creare i “volti che non esistono” diventati virali qualche mese fa, per creare gli inquietanti deepfake e anche per dare vita all’opera d’arte di cui abbiamo già parlato. Soprattutto, questo sistema è considerato il prossimo grande passo dell’intelligenza artificiale, le cui potenzialità sono ancora tutte da scoprire ma derivano da qualcosa di intrinsecamente umano (e animale): la capacità di collaborare e competere per ottenere un risultato. Per quanto prive della facoltà di generalizzare o del buon senso, le IA stanno comunque facendo progressi costanti e, spesso, impressionanti. L’avvento di una vera e propria intelligenza artificiale generale, in grado di raggiungere o superare quella umana, è ancora molto lontano e potrebbe anche non verificarsi mai. Considerando le incessanti conquiste del deep learning, però, è meglio non escludere nessuna possibilità.

Poter anticipare fenomeni naturali potenzialmente pericolosi significa salvare vite umane, limitare i danni e poter agire sin da subito per contrastare l’emergenza. I numeri parlano chiaro: a livello mondiale nel solo 2018 le varie calamità naturali hanno causato danni per un totale di 160 miliardi di dollari. Gli esperti dei vari settori sono da tempo al lavoro per capire come anticipare i diversi fenomeni naturali utilizzando le potenzialità dell’IA. Per prevedere eruzioni  vulcaniche ad esempio, vengono utilizzati i dati sull’attività vulcanica, ma se sono scarsi, come nel caso dello Stromboli, non consentono di creare modelli predittivi. Nel caso di vulcani come l’Etna invece, la cui attività continua ha permesso agli esperti di accumulare numerosi dati, analizzando le variazioni delle onde acustiche a bassa frequenza è possibile registrare dei suoni un’ora prima. Anche nel caso delle attività sismiche del sottosuolo il problema maggiore è rappresentato dalla scarsa quantità di dati raccolti, ma l’IA può essere particolarmente utile nella fase successiva al sisma: un sistema di deep learning connesso a delle immagini registrate via satellite, ad esempio, permette in poco tempo di avere una stima precisa dei danni, sapendo rapidamente la quantità degli edifici crollati e il numero di strade bloccate, come è avvenuto in Giappone. Nel caso di attività meteorologiche estreme, come alluvioni, allagamenti, trombe d’aria e uragani di forte intensità, l’utilizzo dell’IA sta dando risultati positivi, i dati disposizione sono infatti numerosi. La NASA, ad esempio, sta lavorando allo sviluppo di un sistema che permette di tracciare ogni ora l’andamento di un uragano così da sapere esattamente dove andrà a colpire. Questo non era possibile fino a qualche anno fa, quando la popolazione veniva avvisata solamente ogni 6 ore. Google sta impegnando numerose risorse per l’elaborazione di un algoritmo, capace di  predire le alluvioni, per ora attendibile solo nel 75% dei casi. Ci sono però dei limiti da dover superare quando si parla di sistemi per la prevenzione di calamità naturali basate sull’IA. Alcuni dei fenomeni sono influenzati dal rapido cambiamento climatico in corso. Questo fa sì che se da una parte è possibile prevedere l’esondazione di un fiume, grazie ai dati attuali in possesso, dall’altra non è possibile avere un modello predittivo esatto qualora questi dati dovessero essere modificati dal riscaldamento globale che è in corso. Un altro fattore da considerare è che non sempre questi sistemi sono affidabili. È l’uomo infatti a fornire all’IA i dati da dover elaborare e nel farlo potrebbe non aver preso in considerazione determinate variabili o aver commesso degli errori. Infine, l’inaffidabilità del sistema fa sì che si potrebbero creare dei falsi allarmi con la conseguenza più che negativa che possano perdere nel tempo la loro efficacia.