Nel documento seminale sull’IA, intitolato Computing Machinery and Intelligence, Alan Turing chiese notoriamente: “Le macchine possono pensare?” – o, più precisamente, le macchine possono imitare con successo il pensiero?
70 anni dopo, la risposta è ancora “no”, poiché una macchina non ha superato il test di Turing.
Turing chiarisce che è interessato a macchine che “sono destinate a svolgere qualsiasi operazione che potrebbe essere fatta da un computer umano”. In altre parole, è interessato a macchine digitali complesse.
Siccome il raggiungimento di una macchina digitale pensante è una questione di evoluzione delle macchine, ha ragione di iniziare all’inizio della storia delle macchine.
Una macchina è un dispositivo che fa lavoro. In termini ingegneristici, lavoro significa trasferire energia da un oggetto ad un altro. Le macchine ci permettono di applicare più forza e/o di farlo in modo più efficiente, con il risultato di fare più lavoro.
Le macchine moderne – come il suddetto robot della Boston Dynamics, Atlas – usano centinaia di parti, tra cui giunti idraulici, pistoni, ingranaggi, valvole e così via per svolgere compiti complessi, come la stabilizzazione autocorrettiva o persino i salti mortali all’indietro.
Macchine semplici
Tuttavia, anche le “macchine semplici” rientrano nella nostra precedente definizione, tra cui ruote, leve, pulegge, piani inclinati, cunei e viti. Infatti, tutte le macchine meccaniche sono fatte di qualche combinazione di queste sei macchine semplici.
Atlas non è solo una macchina meccanica, ma anche digitale.
Le macchine meccaniche semplici hanno milioni di anni. Per esempio, “gli strumenti per tagliare la pietra sono vecchi quanto la società umana”, e gli archeologi hanno trovato strumenti di pietra “da 1,5 a 2 milioni di anni fa.”
Macchine complesse
Combinazioni di macchine semplici potrebbero essere usate per fare tutto, da una carriola a una bicicletta a un robot meccanico.
In effetti, le testimonianze di robot meccanici risalgono a oltre 3.000 anni fa.
Il testo taoista Lieh-tzu, scritto nel V secolo a.C., include un resoconto di un incontro molto precedente tra il re Mu della dinastia Zhou (1023-957 a.C.) e un ingegnere di nome Yen Shi. Yen Shi presentò al re un automa meccanico a grandezza naturale, di forma umana:
“Il re fissò la figura con stupore. Camminava a passi rapidi, muovendo la testa su e giù, così che chiunque l’avrebbe preso per un essere umano vivo. L’artefice gli toccò il mento ed essa cominciò a cantare, perfettamente intonata. Gli toccò la mano, ed esso cominciò a posturare, tenendo un tempo perfetto… Mentre lo spettacolo volgeva al termine, il robot strizzò l’occhio e fece delle avances alle signore presenti, al che il re si infuriò e avrebbe fatto giustiziare Yen Shi sul posto, se quest’ultimo, in preda ad una paura mortale, non avesse immediatamente fatto a pezzi il robot per fargli vedere cos’era veramente. E, infatti, si rivelò essere solo una costruzione di pelle, legno, colla e lacca…”
Il re chiese: “Può essere che l’abilità umana sia alla pari con quella del grande Autore della Natura?”
In altre parole, la domanda di Turing se le macchine possano imitare gli umani è in realtà vecchia di migliaia di anni.
Al tempo stesso, gli scienziati greci stavano creando una vasta gamma di automi. Archytas (c. 428-347 a.C.) creò un uccello meccanico che poteva volare per circa 200 metri, descritto come un dispositivo di volo artificiale a vapore a forma di uccello.
“Archytas fece un modello di legno di una colomba con tale ingegnosità meccanica e arte che volò.”
Alcuni storici moderni credono che possa essere stato aiutato dalla sospensione di fili, ma in ogni caso, era un chiaro tentativo di creare una macchina.
Un altro scienziato greco, Dedalo, creò statue che si muovevano:
“Si dice che Dedalo abbia creato statue così realistiche che potevano muoversi da sole.”
Il “primo orologio a cucù” è stato descritto nel libro The Rise and Fall of Alexandria: Birthplace of the Modern World (pagina 132):
“Presto gli orologi di Ctesibio furono soffocati da rubinetti e valvole, controllando una serie di dispositivi, da campane a marionette a colombe meccaniche che cantavano per segnare il passare di ogni ora – il primo orologio a cucù!”
Nel corso dei secoli, congegni sempre più complessi furono usati per creare automi, come macchine in movimento alimentate dal vento.
Macchine meccaniche complesse programmabili
Ci volle fino al IX secolo d.C. per la prima macchina meccanica complessa programmabile registrata:
“Il primo progetto conosciuto di una macchina programmabile è il suonatore di flauto automatico che fu descritto nel IX secolo dai fratelli Musa a Baghdad.”
Questo fu anche descritto come “lo strumento che suona se stesso.” Un libro su questi dispositivi è conservato nella Biblioteca Vaticana.
Macchine calcolatrici meccaniche
Un altro passo sulla lunga strada verso la moderna IA fu la creazione di calcolatrici meccaniche.
La prima calcolatrice meccanica fu costruita da Wilhelm Schickard nella prima metà del XVII secolo, permettendo l’addizione e la moltiplicazione.
La calcolatrice meccanica successiva, costruita da Blaise Pascal, poteva anche eseguire la sottrazione.
Queste macchine ispirarono pensatori come Gottfried Wilhelm Leibniz a considerare la seguente idea:
“Se ogni area dell’esperienza umana può essere compresa per mezzo del pensiero matematico e se il pensiero è una forma di calcolo e il calcolo può essere meccanizzato, allora tutte le domande sulla realtà possono, in principio, avere una risposta per mezzo di un calcolo eseguito da una macchina.”
In molti modi, questo è simile al nostro concetto di Intelligenza Generale Artificiale di oggi.
L’idea di Leibniz era che una characteristica universalis, o un programma logico universale, potrebbe quindi rispondere a tutte le domande sulla realtà.
Macchine calcolatrici programmabili
Nel 1833, Charles Babbage combinò l’innovazione del IX secolo delle macchine programmabili e quella del XVII secolo delle macchine calcolatrici per concepire un Motore Analitico: Una macchina calcolatrice programmabile.
Babbage non riuscì mai a costruire una macchina completa, ma la sua tecnica delle “schede perforate” fu poi usata nelle prime macchine digitali.
Macchine digitali (computer)
Il passaggio dai computer meccanici a quelli digitali fu un salto enorme per arrivare dove siamo oggi.
Tra la fine degli anni ’30 e gli anni ’40, emersero diversi computer digitali, in competizione per conquistare il posto di “primo computer digitale”.
L’ENIAC è ampiamente considerato come il primo computer digitale, completando la costruzione nel 1946, in quanto è stato il primo ad essere completamente funzionante.
Altri computer digitali furono il Colossus nel 1943, che aiutò i decifratori britannici a leggere messaggi tedeschi criptati, e il computer ABC nel 1942.
Da qui in poi il progresso si accelerò rapidamente, con progressi come la memorizzazione di programmi in memoria, la RAM, la grafica in tempo reale e i transistor che vennero rilasciati in successione relativamente rapida.
Apprendimento delle macchine
Finalmente, con l’avvento delle macchine digitali complesse, possiamo affrontare il tema dell’apprendimento delle macchine.
Come esplorato all’inizio, l’ascesa delle macchine spinse Alan Turing a chiedere, nel 1950, “le macchine possono pensare?” Cinque anni dopo, Dartmouth pubblicò un documento seminale sull’IA, e i principi fondamentali del campo sono rimasti simili da allora.
Nel 1955, M.L. Minsky scrisse:
Una “macchina può essere ‘addestrata’ da un processo di ‘prova ed errore’ ad acquisire una delle varie funzioni di input-output. Una tale macchina, quando è posta in un ambiente appropriato e le viene dato un criterio di ‘successo’ o ‘fallimento’, può essere addestrata ad esibire un comportamento di ‘ricerca dell’obiettivo’.”
In altre parole, gli algoritmi di apprendimento automatico costruiscono modelli matematici su “dati di allenamento” per prendere decisioni, senza essere esplicitamente programmati per prendere tali decisioni.
Questa è la differenza chiave tra una calcolatrice e l’apprendimento automatico (o AI): Una calcolatrice, o qualsiasi forma di automi, ha un output predeterminato. L’IA prende decisioni probabilistiche al volo.
Una macchina meccanica ha anche limiti fisici molto più rigidi, in termini di quanti componenti della macchina (ad esempio pulegge, leve, ingranaggi) possono essere inseriti in un aggeggio, mentre la CPU di una moderna macchina digitale può contenere miliardi di transistor.
L’attuale frase “machine learning” fu coniata da Arthur Samuel nel 1952, dopo aver sviluppato un programma per computer per giocare a dama usando l’apprendimento a memoria.
Nel 1957, Frank Rosenblatt creò il Mark I perceptron – un algoritmo di apprendimento supervisionato di classificatori binari – allo scopo di riconoscere immagini.
Dopo aver presentato il suo lavoro alla Marina degli Stati Uniti nel 1958, il New York Times riportò:
Il perceptron è “l’embrione di un computer elettronico che si aspetta sarà in grado di camminare, parlare, vedere, scrivere, riprodursi ed essere consapevole della sua esistenza”
Anche nel 1958, i ricercatori prevedevano un giorno di AI senziente.
I risultati successivi hanno incluso le reti neurali feedforward (come un perceptron, ma con strati multipli), l’algoritmo del vicino più vicino nel ’67, la backpropagation sui computer negli anni ’70 (che ora è usata per addestrare reti neurali profonde), gli algoritmi di boosting nei primi anni ’90, e gli LSTM nel ’97.
Miglioramenti dovuti ai dati e alla potenza di calcolo
Nel recente corso di AI di Andrew Ng, ricercatore leader dell’AI, egli nota che non c’è stato “quasi nessun progresso” nell’Intelligenza Artificiale Generale, ma che incredibili progressi sono stati fatti nella “intelligenza ristretta” – funzioni di input-output “che fanno una cosa, come uno speaker intelligente o un’auto a guida autonoma.”
Ad alto livello, l’IA è ancora “imparare una funzione che mappa da x a y.”
Gli incredibili progressi che abbiamo visto di recente sono dovuti principalmente a un’esplosione di dati e potenza di calcolo, insieme a dati migliori (di qualità superiore) e più ingegneri AI.
Più dati e potenza di calcolo aumentano naturalmente la precisione della maggior parte dei modelli AI, soprattutto nell’apprendimento profondo.
La democratizzazione dell’IA
Accanto all’evoluzione delle architetture IA, della potenza di calcolo e dei dati, l’IA ha recentemente preso piede nell’industria, grazie alla proliferazione di strumenti IA più accessibili.
L’emergere di strumenti che rendono le tecnologie più accessibili ha una lunga storia. Per esempio, la pressa da stampa di Gutenberg ha democratizzato la conoscenza nel XV secolo.
Nell’era di Internet, strumenti “no-code” come WordPress e Wix hanno democratizzato la costruzione di siti.
Sullo stesso filo, per decenni dopo le proposte di IA negli anni ’50, l’IA è stata in gran parte limitata al mondo accademico, senza vedere molto uso pratico.
Strumenti come TensorFlow e Keras hanno reso fattibile per più aziende l’implementazione dell’IA, anche se sono ancora strumenti tecnologicamente complicati che richiedono l’uso di ingegneri di machine learning altamente pagati.
Complicando questo problema di complessità, una carenza di professionisti della scienza dei dati si traduce in stipendi alle stelle per coloro che possono creare sistemi di IA. Di conseguenza, le grandi aziende come le FAANG stanno dominando gran parte dell’AI.
L’emergere di strumenti AI senza codice come Apteo riduce i costi iniziali, mentre rimuove la necessità di competenze tecniche, permettendo un’AI veramente democratizzata.
No Code AI
Gli strumenti AI senza codice sono il logico passo successivo nel percorso verso la democratizzazione dell’AI.
I primi esseri umani hanno creato strumenti di taglio della pietra 2 milioni di anni fa per essere in grado di fare più lavoro che con le loro mani.
Oggi, l’AI ci rende più efficienti e può fare il lavoro per noi, mentre l’AI senza codice porta questi benefici a tutti.
Con l’aumento degli strumenti AI senza codice, ci stiamo muovendo verso un’era di AI accessibile.