Nuove scoperte sui percorsi decisionali nel cervello potrebbero avere un impatto sul modo in cui gli ingegneri concepiscono l’intelligenza artificiale, secondo una nuova ricerca del Grainger College of Engineering dell’Università dell’Illinois Urbana-Champaign. Guidata dal professor Yurii Vlasov, esperto di ingegneria elettrica e informatica, e pubblicata sulla rivista Proceedings of the National Academy of Science , la ricerca evidenzia il coinvolgimento delle prime regioni cerebrali nel processo decisionale, mettendo in discussione convinzioni consolidate sulla gerarchia cerebrale.
Il cervello umano è da tempo considerato la struttura più complessa dell’universo; rimane un tale enigma che, nel 2008, la National Academy of Engineering ha identificato la decodifica del suo funzionamento come una delle 14 grandi sfide ingegneristiche del XXI secolo. Per decenni, le ipotesi sul cervello umano hanno costituito la base per le reti neurali convoluzionali e altri tipi di intelligenza artificiale: in particolare, si presume che il processo decisionale avvenga attraverso un flusso gerarchico di informazioni dal basso verso l’alto, che inizia nelle regioni cerebrali primarie e termina nella corteccia frontale. Negli ultimi anni, tuttavia, scienziati come Vlasov hanno iniziato a mettere in discussione questa visione prevalente.
Una prospettiva alternativa si basa sull’intelligenza naturale, un processo plasmato dall’evoluzione anziché dalle macchine. In questa visione del cervello, il processo decisionale non avviene solo attraverso fasi sequenziali, ma anche tramite circuiti di feedback annidati che operano in modo bidirezionale. L’intelligenza naturale è computazionalmente più potente delle attuali iterazioni dell’intelligenza artificiale e richiede molta meno energia, il che la rende un modello interessante per le future IA. Per migliorare la loro comprensione di questo processo, Vlasov e il suo team interdisciplinare di ricercatori hanno cercato di analizzare e comprendere l’architettura cerebrale da una prospettiva sistemica.
“Vogliamo imparare da un miliardo di anni di evoluzione “, ha affermato Vlasov. “Come è organizzata architettonicamente questa intelligenza biologica ? Possiamo imparare dall’aspetto architettonico del cervello ed emularlo per rendere l’IA più efficace, meno energivora e più intelligente di quanto non lo sia attualmente? È a livello decisionale che l’IA attuale presenta delle lacune.”
Per affrontare la complessità dello studio del cervello, Vlasov ha iniziato esaminando le sue fasi più precoci, coinvolte nella percezione e nella conoscenza del mondo. Dopo aver registrato l’attività neurale di topi che navigavano in un corridoio di realtà virtuale e prendevano decisioni percettive, i ricercatori dell’Illinois sono rimasti sorpresi di trovare segnali decisionali già nelle prime fasi della gerarchia cerebrale, come nella corteccia somatosensoriale primaria (S1). La S1 sembrava essere modulata dinamicamente da una regolazione dall’alto verso il basso, attivata dalle regioni cerebrali di livello superiore tramite circuiti di feedback, suggerendo che il processo decisionale non si basa esclusivamente su processi feed-forward unidirezionali, come si pensava in precedenza.
“Il codice neurale del cervello è ancora in gran parte un linguaggio sconosciuto”, ha affermato Vlasov. “Ma questa comprensione a livello di sistema può essere vista come un potenziale impatto su come costruire reti neurali artificiali più efficienti, su come concepire la prossima generazione di IA. Forse, grazie a queste analogie che impariamo dai cervelli reali, potremo migliorare ulteriormente l’IA.”
Pur non essendo una ricetta diretta per costruire intelligenze artificiali migliori, Vlasov presenta i risultati come qualcosa di nuovo che si può apprendere dal cervello. In futuro, Vlasov e il suo team esploreranno ulteriormente la complessità delle loro scoperte nel contesto delle dinamiche temporali, sviluppando al contempo nuovi strumenti per interrogare e raccogliere segnali dal cervello.
“Osservando le rapide dinamiche temporali dell’attività neurale, forse possiamo comprendere meglio come questi circuiti di feedback siano coinvolti nel processo decisionale”, ha affermato Vlasov. “Forse questo approccio potrebbe svelare meccanismi attualmente sconosciuti: come questi circuiti di feedback si organizzano dinamicamente e come formano e modellano i diversi livelli di elaborazione. Forse ciò potrebbe essere implementato in nuove architetture per l’intelligenza artificiale.”
by 