{"id":26,"date":"2014-01-11T09:42:00","date_gmt":"2014-01-11T09:42:00","guid":{"rendered":"http:\/\/www.gambetti.com\/blog\/?p=26"},"modified":"2023-02-06T11:40:21","modified_gmt":"2023-02-06T11:40:21","slug":"hofstadter","status":"publish","type":"post","link":"https:\/\/www.gambetti.com\/marcello\/2014\/01\/11\/hofstadter\/","title":{"rendered":"L’uomo che voleva insegnare alle macchine a pensare"},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n

Douglas Hofstadter, l’autore vincitore del Premio Pulitzer di G\u00f6del, Escher, Bach, pensa che abbiamo perso di vista cosa significhi davvero intelligenza artificiale. La sua ostinata ricerca di replicare la mente umana.<\/p>\n\n\n\n

Di James Somers<\/p>\n\n\n\n

“dipende da cosa intendi per intelligenza artificiale .” Douglas Hofstadter \u00e8 in un negozio di alimentari a Bloomington, nell’Indiana, a raccogliere ingredienti per l’insalata. “Se qualcuno intendesse per intelligenza artificiale il tentativo di comprendere la mente, o di creare qualcosa di simile a quella umana, potrebbe dire – e forse andrebbe poco lontano – che questo \u00e8 uno degli unici buoni lavori che siano mai stati fatti.”<\/p>\n\n\n\n

Hofstadter lo dice con una facile deliberazione, e lo dice in questo modo perch\u00e9 per lui \u00e8 una convinzione indiscussa che i progetti pi\u00f9 eccitanti dell’intelligenza artificiale moderna, le cose che il pubblico forse vede come trampolini di lancio sulla strada della fantascienza come Watson, il supercomputer che gioca a Jeopardy di IBM , o Siri, l’assistente iPhone di Apple, in realt\u00e0 hanno ben poco a che fare con l’intelligenza. Negli ultimi 30 anni, trascorsi per la maggior parte in una vecchia casa a nord-ovest del campus dell’Universit\u00e0 dell’Indiana, lui e i suoi studenti laureati hanno raccolto la sfida: cercando di capire come funziona il nostro modo di pensare, scrivono programmi per computer che pensano.<\/p>\n\n\n\n

La loro premessa operativa \u00e8 semplice: la mente \u00e8 un software molto insolito e il modo migliore per capire come funziona un software \u00e8 scriverlo da soli. I computer sono abbastanza flessibili da modellare le strane convoluzioni evolute del nostro pensiero, eppure rispondono solo a precise istruzioni. Quindi, se l’impresa avr\u00e0 successo, sar\u00e0 una doppia vittoria: finalmente conosceremo i meccanismi esatti di noi stessi e avremo realizzato macchine intelligenti.<\/p>\n\n\n\n

L’ idea che ha cambiato l’esistenza di Hofstadter, come ha spiegato nel corso degli anni, gli \u00e8 venuta in mente per strada, in una pausa dalla scuola di specializzazione in fisica delle particelle. Scoraggiato dal modo in cui stava andando la sua tesi di dottorato all’Universit\u00e0 dell’Oregon, sentendosi “profondamente perso”, decise nell’estate del 1972 di mettere le sue cose in un’auto che chiam\u00f2 Quicksilver e guidare verso est attraverso il continente.
Ogni notte piantava la sua tenda in un posto nuovo (“a volte in una foresta, a volte in riva a un lago”) e quando faceva buio leggeva con una torcia. Era libero di pensare a quello che voleva; ha scelto di pensare al pensiero stesso. Da quando aveva circa 14 anni, quando scopr\u00ec che sua sorella minore, Molly, non riusciva a capire il linguaggio, perch\u00e9 “aveva qualcosa di profondamente sbagliato nel suo cervello” (la sua condizione neurologica probabilmente risaliva alla nascita e non le \u00e8 mai stata diagnosticata), era stato silenziosamente ossessionato dal rapporto della mente con la materia. Il padre della psicologia, William James, lo descrisse nel 1890 come “la cosa pi\u00f9 misteriosa del mondo”: come potrebbe la coscienza essere fisica? Come potrebbero pochi chili di gelatina grigia dar vita ai nostri stessi pensieri e noi stessi?<\/p>\n\n\n\n

Girovagando con la sua Mercury del 1956, Hofstadter pensava di aver trovato la risposta nel nucleo di una dimostrazione matematica. Nel 1931, il logico austriaco Kurt G\u00f6del aveva notoriamente mostrato come un sistema matematico potesse fare affermazioni non solo sui numeri ma sul sistema stesso. La coscienza, voleva dire Hofstadter, \u00e8 emersa proprio attraverso lo stesso tipo di “ciclo di feedback del passaggio di livello”. Un pomeriggio si \u00e8 seduto per abbozzare il suo pensiero con una lettera a un amico. Ma dopo 30 pagine manoscritte, decise di non spedirla; invece lasci\u00f2 che le idee germogliassero per un po’.
Sette anni dopo, non erano tanto germinati quanto metastatizzati in un libro di 2,9 libbre e 777 pagine intitolato G\u00f6del, Escher, Bach: An Eternal Golden Braid,che far\u00e0 guadagnare a Hofstadter, a soli 35 anni, neo autore, il Premio Pulitzer 1980 per la saggistica generale.<\/p>\n\n\n\n

GEB , nome con cui divenne noto il libro, fece scalpore. Il suo successo venne catalizzato da Martin Gardner, un famoso editorialista di Scientific American , che insolitamente dedic\u00f2 molto spazio nel numero di luglio 1979 alla discussione sul libro e scrisse una recensione entusiastica. “Ogni pochi decenni”, inizi\u00f2 Gardner, “un autore sconosciuto tira fuori un libro di tale profondit\u00e0, chiarezza, gamma, arguzia, bellezza e originalit\u00e0 che viene immediatamente riconosciuto come un importante evento letterario”. Il primo americano a conseguire un dottorato in informatica (allora etichettato come “scienze della comunicazione”), John Holland, ha ricordato che “la risposta generale tra le persone che conoscevo era che era una meraviglia”.<\/p>\n\n\n\n

Hofstadter sembrava sul punto di diventare una parte indelebile della cultura. GEB non era solo un libro influente, era un libro proiettato nel futuro. La gente lo chiamava la Bibbia dell’intelligenza artificiale, quel campo nascente all’incrocio tra informatica, scienze cognitive, neuroscienze e psicologia. Il resoconto di Hofstadter sui programmi per computer che non erano solo capaci ma creativi, la sua road map per scoprire le “strutture software segrete nelle nostre menti”, ha lanciato un’intera generazione di giovani studenti desiderosi di intelligenza artificiale.<\/p>\n\n\n\n

Ma poi l’IA \u00e8 cambiata, e Hofstadter non \u00e8 cambiato con essa, e per questo \u00e8 quasi scomparso.<\/p>\n\n\n\n

GEB \u200b\u200barriv\u00f2 sulla scena in un punto di svolta nella storia dell’ AI. All’inizio degli anni ’80, il campo si stava ridimensionando: i finanziamenti per la “scienza di base” a lungo termine si stavano esaurendo e l’attenzione si stava spostando sui sistemi pratici. L’ambiziosa ricerca sull’AI aveva acquisito una cattiva reputazione. Le promesse eccessive erano la norma, risalendo alla nascita del campo nel 1956 al Dartmouth Summer Research Project, dove gli organizzatori, incluso l’uomo che ha coniato il termine intelligenza artificiale, John McCarthy, dichiararono che “se un gruppo di scienziati accuratamente selezionato ci lavora insieme per un’estate”, farebbero progressi significativi verso la creazione di macchine con una o pi\u00f9 delle seguenti abilit\u00e0: la capacit\u00e0 di usare il linguaggio; formare concetti; per risolvere problemi ormai risolvibili solo dall’uomo; per migliorarsi. McCarthy in seguito ha ricordato che fallirono perch\u00e9 “l’AI era pi\u00f9 difficile di quanto pensassimo”.<\/p>\n\n\n\n

Con l’aumento delle pressioni in tempo di guerra, un capo finanziatore della ricerca sull’intelligenza artificiale, l’Agenzia per i progetti di ricerca avanzata del Dipartimento della Difesa (arpa), strinse il guinzaglio. Nel 1969, il Congresso approv\u00f2 l’emendamento Mansfield, che richiedeva che la Difesa sostenesse solo progetti con “una relazione diretta e apparente con una specifica funzione o operazione militare”. Nel 1972, arpa divenne darpa , la D stava per “Difesa”, per riflettere la sua enfasi sui progetti con un vantaggio militare. A met\u00e0 del decennio, l’agenzia si chiese: quali miglioramenti concreti nella difesa nazionale abbiamo appena acquistato, esattamente, in 10 anni e 50 milioni di dollari di ricerca esplorativa?<\/p>\n\n\n\n

All’inizio degli anni ’80, la pressione era abbastanza grande, tanto che l’IA, iniziata come un tentativo di rispondere ‘s\u00ec’ alla famosa domanda di Alan Turing, “Le macchine possono pensare?”, cominci\u00f2 a maturare – o mutare, a seconda del punto di vista – in un sottocampo dell’ingegneria del software, guidato dalle applicazioni. Il lavoro veniva svolto sempre pi\u00f9 su orizzonti temporali brevi, spesso pensando ad acquirenti specifici. Per i militari, i progetti preferiti includevano sistemi di “comando e controllo”, come un assistente di volo computerizzato per piloti da combattimento e programmi che avrebbero individuato automaticamente strade, ponti, carri armati e silos nelle fotografie aeree. Nel settore privato, andavano di moda i cosiddetti “sistemi esperti”, prodotti di nicchia come un sistema di selezione di pali, che aiutava i progettisti a scegliere i materiali per le fondamenta degli edifici, e il programma Automated Cable Expertise.<\/p>\n\n\n\n

Nel libro GEB , Hofstadter invece chiedeva un approccio all’IA che si occupasse meno di risolvere i problemi umani in modo intelligente piuttosto che di comprendere l’intelligenza umana, proprio nel momento in cui un tale approccio, avendo dato cos\u00ec pochi frutti, veniva abbandonato. La sua stella svan\u00ec rapidamente. Si sarebbe ritrovato sempre pi\u00f9 fuori da un mainstream che aveva abbracciato un nuovo imperativo: far funzionare le macchine in ogni modo possibile, con scarso riguardo per la plausibilit\u00e0 psicologica.<\/p>\n\n\n\n

“Pochissime persone sono interessate a come funziona l’intelligenza umana”, afferma Hofstadter. “Questo \u00e8 ci\u00f2 che ci interessa, cosa sta pensando ?”
Prendi Deep Blue, il supercomputer IBM che ha battuto il grande maestro di scacchi Garry Kasparov. Deep Blue ha vinto con la forza bruta. Per ogni mossa legale che potrebbe fare in un dato momento del gioco, prenderebbe in considerazione le risposte del suo avversario, le proprie risposte a quelle risposte e cos\u00ec via per sei o pi\u00f9 passaggi lungo la linea. Con una funzione di valutazione rapida, calcola un punteggio per ogni possibile posizione e quindi esegue la mossa che ha portato al punteggio migliore. Ci\u00f2 che ha permesso a Deep Blue di battere i migliori esseri umani del mondo \u00e8 stata la pura potenza di calcolo. Il computer pu\u00f2 valutare fino a 330 milioni di posizioni al secondo, mentre Kasparov pu\u00f2 valutarne solo poche decine prima di dover prendere una decisione.<\/p>\n\n\n\n

Hofstadter voleva chiedere: perch\u00e9 acquisire un merito se non c’\u00e8 alcuna intuizione dalla vittoria? \u201cOkay,\u201d dice, \u201cDeep Blue gioca molto bene a scacchi, e allora? Questo ti dice qualcosa su come noi giochiamo a scacchi? No. Ti dice come Kasparov immagina, interpreta una scacchiera?” Un tipo di intelligenza artificiale che non cercava di rispondere a tali domande, per quanto impressionante potesse essere, era, nella mente di Hofstadter, un diversivo. Si \u00e8 allontanato dal campo non appena ne \u00e8 entrato a far parte. “Per me, in quanto persona alle prime armi con l’IA”, dice, “era evidente che non volevo essere coinvolto in quell’inganno. Era ovvio: non volevo essere coinvolto nel far passare per intelligenza il comportamento di qualche programma stravagante quando so che non ha nulla a che fare con la vera intelligenza. E non so perch\u00e9 pi\u00f9 persone non sono cos\u00ec”.<\/p>\n\n\n\n

Una risposta \u00e8 che l’impresa dell’intelligenza artificiale \u00e8 passata da un valore di pochi milioni di dollari all’inizio degli anni ’80 a miliardi entro la fine del decennio. (Dopo che Deep Blue ha vinto nel 1997, il valore delle azioni IBM \u00e8 aumentato di 18 miliardi di dollari.) Pi\u00f9 che da disciplina ingegneristica l’IA diventava seria, pi\u00f9 otteneva risultati. Oggi, sulla base di tecniche poco attinenti alla materia del pensiero, sembra di essere in una specie di et\u00e0 dell’oro. L’IA pervade l’industria pesante, i trasporti e la finanza. Alimenta molte delle funzioni principali di Google, i consigli sui film di Netflix, Watson, Siri, i droni autonomi, l’auto a guida autonoma.<\/p>\n\n\n\n

“La ricerca del ‘volo artificiale’ ha avuto successo quando i fratelli Wright e altri hanno smesso di imitare gli uccelli e hanno iniziato a\u2026 imparare l’aerodinamica”, scrivono Stuart Russell e Peter Norvig nel loro libro di testo principale, Intelligenza artificiale: un approccio moderno. L’intelligenza artificiale ha iniziato a funzionare quando ha abbandonato gli umani come modello. Questo ci spinge all’analogia: gli aeroplani non sbattono le ali; perch\u00e9 i computer dovrebbero pensare?<\/p>\n\n\n\n

\u00c8 un punto convincente. Ma perde un po’ di mordente se consideri ci\u00f2 che vogliamo: un Google che sappia, nel modo in cui lo saprebbe un essere umano, cosa intendi veramente quando cerchi qualcosa. Russell, un professore di informatica a Berkeley, mi ha detto: \u201cQual \u00e8 la capitalizzazione di mercato combinata di tutte le societ\u00e0 di ricerca sul Web? Probabilmente sono quattrocento, cinquecento miliardi di dollari. Motori che potrebbero effettivamente estrarre tutte queste informazioni e capirle varrebbero 10 volte di pi\u00f9\u201d.<\/p>\n\n\n\n

Questa, quindi, \u00e8 la domanda da trilioni di dollari: l’approccio alla base dell’IA oggi, un approccio che prende poco in prestito dalla mente, che si basa invece sui big data e sulla grande ingegneria, ci porter\u00e0 dove vogliamo andare? Come si crea un motore di ricerca che capisca se non sai come si fa a capire? Forse, come riconoscono educatamente Russell e Norvig ell’ultimo capitolo del loro libro di testo, nel prendere la sua svolta pratica, l’IA \u00e8 diventata troppo simile all’uomo che cerca di raggiungere la luna arrampicandosi su un albero: “Si possono riferire progressi costanti, tutti per raggiungere la cima dell’albero\u201d.<\/p>\n\n\n\n

Considera che i computer oggi hanno ancora difficolt\u00e0 a riconoscere una A scritta a mano . In effetti, il compito \u00e8 cos\u00ec difficile che costituisce la base per i captcha (“Completely Automated Public Turing test to tell Computers and Humans Apart”), quei widget che richiedono di leggere testo distorto e digitare i caratteri in una casella prima, diciamo, permettendoti di iscriverti a un sito Web.<\/p>\n\n\n\n

Nella mente di Hofstadter, non c’\u00e8 nulla di cui sorprendersi. Sapere cosa avrebbero in comune tutte le A , sostenne in un saggio del 1982, “comprendere la natura fluida delle categorie mentali”. E questo, dice, \u00e8 il nucleo dell’intelligenza umana.<\/p>\n\n\n\n

“La cognizione \u00e8 riconoscimento”, ama dire. Descrive il “vedere come ” come l’atto cognitivo essenziale: vedi alcune linee come “una A “, vedi un pezzo di legno come “un tavolo”, vedi un incontro come “un imperatore senza vestiti” e il broncio di un amico come “uva acerba” e lo stile di un giovane come “hipsterish” e cos\u00ec via incessantemente per tutta la giornata. Ecco cosa significa capire. Ma come funziona la comprensione? Per tre decenni, Hofstadter e i suoi studenti hanno cercato di scoprirlo, cercando di costruire “modelli informatici dei meccanismi fondamentali del pensiero”.<\/p>\n\n\n\n

\u201cIn ogni momento\u201d, scrive Hofstadter in Surfaces and Essences , il suo ultimo libro (scritto con Emmanuel Sander), \u201cci troviamo contemporaneamente di fronte a un numero indefinito di situazioni sovrapposte e intrecciate\u201d. \u00c8 il nostro lavoro, come organismi che vogliono vivere, dare un senso a quel caos. Lo facciamo facendo venire in mente i concetti giusti. Questo accade automaticamente, per tutto il tempo. Analogia \u00e8 la parola d’ordine di Hofstadter. La tesi del suo nuovo libro, che presenta un m\u00e9lange di A in copertina, \u00e8 che l’analogia \u00e8 “il carburante e il fuoco del pensiero”, il pane quotidiano della nostra vita mentale quotidiana.<\/p>\n\n\n\n

“Guarda le tue conversazioni”, dice. “Vedrai pi\u00f9 e pi\u00f9 volte, con tua sorpresa, che questo \u00e8 il processo di creazione dell’analogia.” Qualcuno dice qualcosa, che ti ricorda qualcos’altro; dici qualcosa, che ricorda all’altra persona qualcos’altro: \u00e8 una conversazione. Non potrebbe essere pi\u00f9 semplice. Ma ad ogni passo, sostiene Hofstadter, c’\u00e8 un’analogia, un salto mentale cos\u00ec straordinariamente complesso da essere un miracolo computazionale: in qualche modo il tuo cervello \u00e8 in grado di spogliare qualsiasi osservazione dei dettagli superficiali irrilevanti ed estrarne l’essenza, la sua “essenza scheletrica” \u200b\u200be recuperare, dal proprio repertorio di idee ed esperienze, la storia o l’osservazione che meglio vi si relaziona.<\/p>\n\n\n\n

“Attenzione”, scrive, “a frasi innocenti come ‘Oh, s\u00ec, \u00e8 esattamente quello che \u00e8 successo a me !’ \u2026 dietro la cui nonchalance si nasconde tutto il mistero della mente umana\u201d.<\/p>\n\n\n\n

Negli anni successivi al rilascio di GEB , Hofstadter e IA hanno preso strade separate. Oggi, se tu dovessi ritirare IA: un approccio moderno dallo scaffale, non troverai il nome di Hofstadter, non in pi\u00f9 di 1.000 pagine. I colleghi parlano di lui al passato. I nuovi fan di GEB , vedendo quando \u00e8 stato pubblicato, sono sorpresi di scoprire che il suo autore \u00e8 ancora vivo.<\/p>\n\n\n\n

Naturalmente, nel racconto di Hofstadter, la storia \u00e8 cos\u00ec: quando tutti gli altri in IA hanno iniziato a costruire prodotti, lui e il suo team, come scrisse il suo amico, il filosofo Daniel Dennett, “pazientemente, sistematicamente, brillantemente”, lontano dalla luce del giorno, hanno scalfito il vero problema. “Pochissime persone sono interessate a come funziona l’intelligenza umana”, afferma Hofstadter. \u201cQuesto \u00e8 ci\u00f2 che ci interessa: cosa sta pensando? \u2014 e non perdiamo traccia di questa domanda.<\/p>\n\n\n\n

“Voglio dire, chi lo sa?” lui dice. \u00abChiss\u00e0 cosa accadr\u00e0. Forse un giorno la gente dir\u00e0: “Hofstadter ha gi\u00e0 fatto queste cose e ha detto queste cose e le stiamo scoprendo solo ora”. “<\/p>\n\n\n\n

Che suona esattamente come l’autoconsolazione del ragazzo che ha perso. Ma Hofstadter ha il tipo di mente che ti tenta a chiederti: e se le migliori idee sull’intelligenza artificiale – “vera intelligenza artificiale”, come la chiama ora Hofstadter, con le scuse per l’ossimoro – stanno ingiallendo in un cassetto a Bloomington?<\/p>\n\n\n\n

Douglas R. Hofstadter \u00e8 nato in una vita della mente come altri ragazzi sono nati in una vita criminale. \u00c8 cresciuto nella Stanford degli anni ’50, in una casa nel campus, appena a sud di un quartiere chiamato in realt\u00e0 Professorville. Suo padre, Robert, era un fisico nucleare che avrebbe poi condiviso il Premio Nobel per la Fisica nel 1961; sua madre, Nancy, che aveva una passione per la politica, divenne una sostenitrice dei bambini con disabilit\u00e0 dello sviluppo e fece parte del comitato etico dell’Agnews Developmental Center, dove Molly visse per pi\u00f9 di 20 anni. Nel tempo libero Nancy era, si scherzava, una \u201cmoglie professionale di facolt\u00e0\u201d: trasformava il soggiorno degli Hofstadter in un luogo in cui una affiatata comunit\u00e0 di amici poteva riunirsi per fare conversazioni stimolanti e ascoltare jazz, per \u201cla compenetrazione di scienze e arti\u00bb, mi disse Hofstadter, una festa intellettuale.<\/p>\n\n\n\n

Dougie si nutr\u00ec di questo. Era innamorato degli amici dei suoi genitori, dei loro strani discorsi sulle “cose \u200b\u200bpi\u00f9 piccole o gigantesche”. (All’et\u00e0 di 8 anni, disse una volta, il suo sogno era quello di diventare “un neutrino a massa zero, met\u00e0 spin”.) Andava in giro per il dipartimento di fisica per il t\u00e8 delle 4, “come se fosse un piccolo Studente laureato di 12 anni\u201d. Era curioso, insaziabile, instancabile – “solo un ragazzo affascinato dalle idee” – e intenso. Il suo stile intellettuale era, ed \u00e8, quello che lui chiama \u201cabbuffarsi\u201d: poteva esercitarsi con il pianoforte per sette ore al giorno; poteva decidere di memorizzare 1.200 versi di Eugene Onegin. Una volta trascorse settimane con un registratore a nastro insegnando a se stesso a parlare al contrario, cos\u00ec che quando ascoltava le sue registrazioni incise al contrario risultavano come un normale inglese. Per mesi si immergeva nel francese idiomatico o scriveva programmi per computer per generare storie senza senso o studiava pi\u00f9 di una dozzina di dimostrazioni del teorema di Pitagora finch\u00e9 non poteva ” vedere il motivo per cui \u00e8 vero”. Trascorse \u201cpraticamente ogni giorno esplorando queste cose\u201d, dice, \u201cincapace di non esplorare. Solo totalmente posseduto, totalmente ossessionato da questo genere di cose.<\/p>\n\n\n\n

Hofstadter \u00e8 nato nel 1945. Ma c’\u00e8 qualcosa di Peter Pan in una vita vissuta cos\u00ec tanto sulla carta, nel software, nella testa di un uomo. A qualcuno pu\u00f2 piacere quell’et\u00e0 allo stesso modo? Hofstadter ha i capelli grigi disordinati che sporgono sopra le orecchie, una statura fragile e cadente e, tra il naso e il labbro superiore, un lungo solco, quasi come quello del Grinch. Ma ha la seriet\u00e0, la seriet\u00e0 urgente, di un uomo ancora molto giovane. La posta in gioco \u00e8 alta con lui; non \u00e8 accomodante. \u00c8 il tipo di vegetariano che ti implora per l’intera cena di mangiare anche tu vegetariano; il tipo di oratore sensibile che ti corregge per aver usato un “linguaggio sessista”. “Ha queste regole”, spiega il suo amico Peter Jones, che conosce Hofstadter da 59 anni. \u201cCome il modo in cui odia il termine ‘ragazzi’. Questo \u00e8 un imperativo. Se state parlando con lui, fareste meglio a non dire voi ragazzi .<\/p>\n\n\n\n

Per pi\u00f9 di 30 anni, Hofstadter ha lavorato come professore all’Universit\u00e0 dell’Indiana a Bloomington. Vive in una casa a pochi isolati dal campus con Baofen Lin, che ha sposato nel 2013; i suoi due figli dal suo precedente matrimonio, Danny e Monica, ora sono cresciuti. Sebbene abbia forti legami con il programma di scienze cognitive e affiliazioni con diversi dipartimenti, tra cui informatica, scienze psicologiche e del cervello, letteratura comparata e filosofia, non ha obblighi ufficiali. “Penso di avere il lavoro pi\u00f9 comodo che tu possa immaginare”, mi ha detto. “Faccio esattamente quello che voglio.”<\/p>\n\n\n\n

Trascorre la maggior parte del suo tempo nel suo studio, due stanze tappezzate all’ultimo piano di casa sua, un po’ soffocanti e pi\u00f9 disordinate di quanto vorrebbe. Il suo studio \u00e8 il centro del suo mondo. L\u00ec legge, ascolta musica, studia, disegna, l\u00ec scrive i suoi libri, l\u00ec scrive le sue e-mail. (Hofstadter passa quattro ore al giorno a scrivere e-mail. “Per me”, ha detto, “un’e-mail \u00e8 identica a una lettera, altrettanto formale, raffinata, scritta con cura\u2026 Riscrivo, riscrivo, riscrivo , riscrivo tutte le mie e-mail, sempre.\u201d) Vive l\u00ec la sua vita mentale, e si vede. Da parete a parete ci sono libri , disegni , quaderni e fascicoli, pensieri fossilizzati e divaricati per tutta la stanza. \u00c8 come un museo delle sue abbuffate, una scena tratta da un episodio intelligente di Hoarders.<\/p>\n\n\n\n

“Tutto ci\u00f2 a cui penso diventa parte della mia vita professionale”, dice. Daniel Dennett, che ha co-curato The Mind’s I con lui, ha spiegato che \u201cquello che Douglas Hofstadter \u00e8, molto semplicemente, \u00e8 un fenomenologo, un fenomenologo praticante , e lo fa meglio di chiunque altro.”Studia i fenomeni – i sentimenti, le azioni interiori – della sua stessa mente. “E il motivo per cui \u00e8 bravo”, mi ha detto Dennett, “il motivo per cui \u00e8 migliore di chiunque altro, \u00e8 che sta attivamente cercando di elaborare una teoria su cosa sta succedendo dietro le quinte, su come il pensiero avvenga effettivamente nel cervello”.<\/p>\n\n\n\n

Nella tasca posteriore, Hofstadter porta una penna a sfera Bic a quattro colori e un piccolo taccuino. \u00c8 sempre stato cos\u00ec. In quello che un tempo era un bagno attiguo al suo studio ma ora \u00e8 solo uno spazio di archiviazione aggiuntivo, ha scaffali pieni di questi quaderni. Ne tira gi\u00f9 uno: \u00e8 della fine degli anni ’50. \u00c8 pieno di errori vocali. Sin da quando era un adolescente, ha catturato circa 10.000 esempi di sillabe scambiate (“hypodeemic nerdle”), malapropismi (“runs the gambit”), “malaphors” (“easy-go-lucky”) e cos\u00ec via, met\u00e0 di questi commessi dallo stesso Hofstadter. Fa fotocopie delle pagine del suo taccuino, le ritaglia con le forbici e conserva gli errori negli schedari e nelle scatole etichettate intorno al suo studio.<\/p>\n\n\n\n

Per Hofstadter, sono indizi. “Nessuno \u00e8 una guida molto affidabile riguardo alle attivit\u00e0 nella propria mente che sono, per definizione, subconsce”, scrisse una volta. \u201cQuesto \u00e8 ci\u00f2 che rende cos\u00ec importanti le vaste raccolte di errori. In un errore isolato, i meccanismi coinvolti producono solo lievi tracce di se stessi; tuttavia, in una vasta collezione, esiste un gran numero di tali lievi tracce, che insieme si sommano a forti prove a favore (e contro) meccanismi particolari”. Il discorso corretto non \u00e8 molto interessante; \u00e8 come un trucco magico ben eseguito, efficace perch\u00e9 oscura il modo in cui funziona. Quello che Hofstadter sta cercando \u00e8 “una punta dell’orecchio del coniglio\u2026 un accenno di una botola”.<\/p>\n\n\n\n

In questo egli \u00e8 il moderno William James, la cui miscela di articolata introspezione (ha introdotto l’idea del flusso di coscienza) e chiare spiegazioni ha reso il suo testo del 1890, Principles of Psychology , un classico. “La massa del nostro pensiero svanisce per sempre, al di l\u00e0 della speranza di guarigione”, scrisse James, “e la psicologia raccoglie solo alcune delle briciole che cadono durante il banchetto”. Come Hofstadter, James ha passato la vita giocando sotto il tavolo, ispezionando allegramente quelle briciole. La differenza \u00e8 che dove James aveva solo i suoi occhi, Hofstadter ha usato qualcosa come un microscopio.<\/p>\n\n\n\n

Puoi attribuire lo sviluppo di velivoli con equipaggio non ai voli in aliante dei fratelli Wright a Kitty Hawk, ma alla galleria del vento di sei piedi che costruirono per se stessi nel loro negozio di biciclette utilizzando rottami metallici e raggi riciclati delle ruote. Mentre i loro concorrenti stavano testando le idee delle ali su vasta scala, i Wright stavano facendo esperimenti aerodinamici mirati a una frazione del costo. Il loro biografo Fred Howard afferma che questi furono “gli esperimenti aeronautici pi\u00f9 cruciali e fruttuosi mai condotti in cos\u00ec poco tempo con cos\u00ec pochi materiali e a cos\u00ec poca spesa”.<\/p>\n\n\n\n

In una vecchia casa in North Fess Avenue a Bloomington, Hofstadter dirige il Fluid Analogies Research Group, affettuosamente noto come FARG . Il budget operativo annuale \u00e8 di $ 100.000. Dentro, \u00e8 accogliente: passeggiando, potresti facilmente perderti gli schedari nascosti accanto alla dispensa, la fotocopiatrice che ronza in soggiorno, le etichette del bibliotecario ( neuroscienze , matematica , percezione ) sugli scaffali. Ma per 25 anni, questo luogo ha ospitato grandi imprese, per cercare il piccolo gruppo di scienziati, Hofstadter scrisse: “in primo luogo, per scoprire i segreti della creativit\u00e0 e, in secondo luogo, per scoprire i segreti della coscienza”.<\/p>\n\n\n\n

Come la galleria del vento era per i fratelli Wright, cos\u00ec il computer lo \u00e8 per FARG . Il rapido caos inconscio di una mente pu\u00f2 essere rallentato al computer, o riavvolto, messo in pausa, persino modificato. Secondo Hofstadter, questa \u00e8 la grande opportunit\u00e0 dell’intelligenza artificiale . Parti di un programma possono essere isolate selettivamente per vedere come funziona senza di esse; i parametri possono essere modificati per vedere come le prestazioni migliorano o peggiorano. Quando il computer ti sorprende, che sia particolarmente creativo o particolarmente ottuso, puoi capire esattamente perch\u00e9.
“Ho sempre pensato che l’unica speranza per gli esseri umani di arrivare a comprendere appieno la complessit\u00e0 delle loro menti”, ha scritto Hofstadter, “\u00e8 modellare i processi mentali sui computer e imparare dagli inevitabili fallimenti dei modelli”.<\/p>\n\n\n\n

Trasformare un processo mentale catturato e catalogato nella casa di Hofstadter in un programma per computer in esecuzione, a solo un miglio di distanza lungo la strada, richiede a uno studente laureato dedicato dai cinque ai nove anni di lavoro. I programmi condividono tutti la stessa architettura di base: un insieme di componenti e uno stile generale che risale a Jumbo, un programma che Hofstadter scrisse nel 1982 e che lavorava sulle parole ‘mescolate’ che trovi sui giornali.<\/p>\n\n\n\n

Il primo pensiero che dovresti avere quando senti parlare di un programma che affronta i pasticci dei giornali \u00e8: non sarebbero banali da risolvere per un computer? E in effetti lo sono: ho appena scritto un programma in grado di gestire qualsiasi parola e mi ci sono voluti quattro minuti. Il mio programma funziona cos\u00ec: prende la parola confusa e prova ogni riorganizzazione delle sue lettere finch\u00e9 non trova una parola nel dizionario.<\/p>\n\n\n\n

Hofstadter ha impiegato due anni per costruire Jumbo: era meno interessato a risolvere i miscugli che a scoprire cosa stava succedendo quando li risolveva. Stava osservando la sua mente. \u201cRiuscivo a sentire le lettere che si spostavano nella mia testa, da sole\u201d, mi disse, \u201csolo come saltare formando piccoli gruppi, separandosi, formando nuovi gruppi \u2013 grappoli tremolanti. Non sono stato io a manipolare niente. Erano solo loro a fare le cose. Starebbero provando le cose da soli”.<\/p>\n\n\n\n

L’architettura sviluppata da Hofstadter per modellare questo gioco di lettere automatico era basata sulle azioni all’interno di una cellula biologica. Le lettere sono combinate e frantumate da diversi tipi di “enzimi”, come dice, che oscillano intorno, fissandosi sulle strutture dove le trovano, dando il via alle reazioni. Alcuni enzimi sono riarrangiatori ( pang-loss diventa pan-gloss o lang-poss ), altri sono costruttori ( g e h diventano il cluster gh ; jum e ble diventano Jumble) e altri ancora sono breaker ( ight \u00e8 rotto in esso e gh). Ogni reazione a sua volta ne produce altre, la popolazione di enzimi in un dato momento si bilancia per riflettere lo stato del miscuglio.<\/p>\n\n\n\n

\u00abNon voglio essere coinvolto nel far passare per intelligenza il comportamento di qualche programma di fantasia quando so che non ha nulla a che fare con l’intelligenza”.
\u00c8 un tipo di calcolo insolito, distinto per la sua fluidit\u00e0. Hofstadter ovviamente offre un’analogia: uno sciame di formiche che vagano per il suolo della foresta, mentre gli esploratori fanno piccole incursioni casuali in tutte le direzioni e riferiscono le loro scoperte al gruppo, il loro feedback guida un’efficiente ricerca di cibo. Un tale sciame \u00e8 robusto – calpesti una manciata di formiche e le altre si riprendono rapidamente – e, grazie a quella robustezza, \u00e8 abile.<\/p>\n\n\n\n

Quando leggi Fluid Concepts and Creative Analogies: Computer Models of the Fundamental Mechanisms of Thought , che descrive in dettaglio questa architettura,la logica e la meccanica dei programmi che la utilizzano, ti chiedi se forse Hofstadter \u00e8 diventato famoso per il libro sbagliato. Come scrisse una volta uno scrittore del New York Times in una recensione del 1995, “Il lettore di ‘Fluid Concepts & Creative Analogies’ non pu\u00f2 fare a meno di sospettare che il gruppo dell’Universit\u00e0 dell’Indiana stia affrontando qualcosa di importante”.<\/p>\n\n\n\n

Ma pochissime persone, anche estimatori di GEB , conoscono il libro o i programmi che descrive. E forse \u00e8 perch\u00e9 i programmi di FARG sono quasi ostentatamente impraticabili. Perch\u00e9 operano in piccoli “microdomini” apparentemente infantili. Perch\u00e9 non c’\u00e8 un compito che svolgono meglio di un essere umano.<\/p>\n\n\n\n

L’era moderna dell’IA tradizionale, un’era di progresso costante e successo commerciale iniziata, all’incirca, all’inizio degli anni ’90 e che continua ancora oggi, \u00e8 la lunga improbabile primavera dopo un periodo, noto come l’Inverno dell’IA, che ha quasi ucciso il campo.<\/p>\n\n\n\n

Si \u00e8 ridotto a un dilemma di base. Da un lato, il software che sappiamo scrivere \u00e8 molto ordinato; la maggior parte dei programmi per computer sono organizzati come un esercito ben gestito, con livelli di comandanti, ogni livello che passa istruzioni al successivo e routine che chiamano subroutine che chiamano subroutine. D’altra parte, il software che vogliamo scrivere sarebbe adattabile e, per questo, una gerarchia di regole sembra proprio un’idea sbagliata. Hofstadter una volta ha riassunto la situazione scrivendo: “L’intero sforzo dell’intelligenza artificiale \u00e8 essenzialmente una lotta contro la rigidit\u00e0 dei computer”. Alla fine degli anni ’80, l’IA tradizionale stava perdendo dollari per la ricerca, influenza, partecipazione a conferenze, menzioni sulla stampa, perch\u00e9 veniva battuto in quella lotta.<\/p>\n\n\n\n

I \u201csistemi esperti\u201d che un tempo erano stati i ‘\u200b\u200bbuoni pasto’ della situazione stavano affondando a causa della loro fragilit\u00e0. Il loro approccio era fondamentalmente guasto. Prendi la traduzione automatica da una lingua all’altra, per tanto tempo un Santo Graal dell’IA. L’approccio standard prevedeva di radunare linguisti e traduttori in una stanza e cercare di convertire la loro esperienza in regole da seguire per un programma. L’aproccio standard \u00e8 fallito per ragioni che potresti aspettarti: nessun insieme di regole pu\u00f2 mai dibattere con un linguaggio umano; la lingua \u00e8 troppo grande e troppo proteiforme; per ogni regola rispettata, c’\u00e8 una regola infranta.<\/p>\n\n\n\n

Se la traduzione automatica doveva sopravvivere come impresa commerciale, se l’IA doveva sopravvivere, avrebbe dovuto trovare un altro modo. O meglio ancora, una scorciatoia.<\/p>\n\n\n\n

Ed \u00e8 accaduto davvero. Si potrebbe dire che \u00e8 iniziato nel 1988, con un progetto di IBM chiamato Candide. L’idea alla base di Candide, un sistema di traduzione automatica, era di iniziare ammettendo che l’approccio basato su regole richiede una comprensione troppo profonda di come viene prodotto il linguaggio; come funzionano la semantica, la sintassi e la morfologia; e come le parole si mescolano in frasi e si combinano in paragrafi, per non parlare della comprensione delle idee per le quali quelle parole sono solo dei canali. Quindi IBM ha lanciato quell’approccio fuori dalla finestra. Quello che gli sviluppatori hanno fatto invece \u00e8 stato geniale, ma cos\u00ec semplice che non puoi crederci.<\/p>\n\n\n\n

La tecnica si chiama “apprendimento automatico”. L’obiettivo \u00e8 creare un dispositivo che prenda una frase inglese come input e sputi una frase francese. Uno di questi dispositivi, ovviamente, \u00e8 il cervello umano, ma il punto \u00e8 evitare di confrontarsi con la complessit\u00e0 del cervello. Quindi quello che fai invece \u00e8 iniziare con una macchina cos\u00ec semplice che quasi non funziona: una macchina, diciamo, che sputa casualmente parole francesi per le parole inglesi che le vengono date.<\/p>\n\n\n\n

Immagina una scatola con migliaia di manopole. Alcune di queste manopole controllano le impostazioni generali: data una parola inglese, quante parole francesi, in media, dovrebbero uscire? E alcune impostazioni specifiche di controllo: dato il salto , qual \u00e8 la probabilit\u00e0 che il tiro arrivi dopo? La domanda \u00e8: solo sintonizzando queste manopole, puoi convincere la tua macchina a convertire un inglese ragionevole in un francese ragionevole?<\/p>\n\n\n\n

Si scopre che puoi. Quello che fai \u00e8 alimentare la macchina con frasi in inglese di cui conosci gi\u00e0 le traduzioni in francese . (Candide, ad esempio, ha utilizzato 2,2 milioni di coppie di frasi, per lo pi\u00f9 tratte dagli atti bilingue dei dibattiti parlamentari canadesi.) Si procede una coppia alla volta. Dopo aver inserito una coppia, prendi la met\u00e0 inglese e inseriscila nella tua macchina per vedere cosa esce in francese. Se quella frase \u00e8 diversa da quella che ti aspettavi, diversa dalla traduzione corretta nota, la tua macchina non \u00e8 del tutto corretta. Quindi muovi le manopole e riprova. Dopo aver nutrito abbastanza, provato e oscillato, nutrito e provato e agitato di nuovo, avrai un’idea delle manopole e sarai in grado di produrre l’equivalente francese corretto della tua frase inglese.<\/p>\n\n\n\n

Ripetendo questo processo con milioni di coppie di frasi, calibrerai gradualmente la tua macchina, fino al punto in cui potrai inserire una frase di cui non conosci la traduzione e ottenere un risultato ragionevole. E il bello \u00e8 che non hai mai avuto bisogno di programmare la macchina in modo esplicito; non hai mai avuto bisogno di sapere perch\u00e9 le manopole dovrebbero essere ruotate in questo modo o in quello.<\/p>\n\n\n\n

Candide non ha inventato l’apprendimento automatico, in effetti il \u200b\u200bconcetto era stato testato molto prima, in una forma primitiva di traduzione automatica negli anni ’60. Ma fino a quel momento, nessun test aveva avuto molto successo. La svolta non \u00e8 stata che Candide ha risolto il problema. Era cos\u00ec semplice che un programma funzionava adeguatamente. La traduzione automatica \u00e8 stata, come scrive in una sintesi del progetto Adam Berger, un membro del team di Candide, \u201campiamente considerata tra le attivit\u00e0 pi\u00f9 difficili nell’elaborazione del linguaggio naturale, e nell’intelligenza artificiale in generale, perch\u00e9 una traduzione accurata sembra impossibile senza una comprensione del testo da tradurre\u201d. Il fatto che un programma semplice come Candide potesse funzionare alla pari suggeriva che una traduzione automatica efficace non richiedeva comprensione: tutto ci\u00f2 che serviva era molto testo bilingue. E per questo, quello che fa l’approccio di Candide, e con spettacolare efficacia, \u00e8 convertire il problema dello snodo di un processo complesso nel problema di trovare tanti, tanti esempi di quel processo in azione. Questo problema, a differenza dell’imitazione dei processi reali del cervello, \u00e8 diventato pi\u00f9 facile con il tempo, in particolare quando tra la fine degli anni ’80 e l’inizio degli anni ’90 \u00e8 arrivato il paradiso per nerd e per fisici con l’esplosione del World Wide Web.<\/p>\n\n\n\n

Non \u00e8 un caso che l’IA abbia visto una rinascita negli anni ’90, e non \u00e8 nemmeno un caso che Google, la pi\u00f9 grande azienda Web del mondo, sia “il pi\u00f9 grande sistema di intelligenza artificiale del mondo”, nelle parole di Peter Norvig, un direttore della ricerca, che ha scritto ‘IA: un approccio moderno’ con Stuart Russell. L’IA moderna, ha detto Norvig, riguarda “dati, dati, dati” e Google ha pi\u00f9 dati di chiunque altro.<\/p>\n\n\n\n

Josh Estelle, un ingegnere del software di Google Translate, che si basa sugli stessi principi di Candide e che ora \u00e8 il sistema di traduzione automatica leader nel mondo, spiega: “puoi prendere uno di quei semplici algoritmi di apprendimento automatico che hai imparato nelle prime settimane di un corso di intelligenza artificiale, un algoritmo a cui il mondo accademico ha rinunciato perch\u00e9 non \u00e8 considerato utile, ma quando si passa da 10.000 a 10 miliardi di esempi per formare l’apprendimento, tutto inizia a funzionare. I dati prevalgono su tutto”.<\/p>\n\n\n\n

La tecnica \u00e8 cos\u00ec efficace che il team di Google Translate pu\u00f2 essere composto da persone che non parlano la maggior parte delle lingue tradotte dalla loro applicazione. “\u00c8 un argomento conveniente”, dice Estelle. “Probabilmente vorrai assumere pi\u00f9 ingegneri invece” di persone madrelingua. L’ingegneria \u00e8 ci\u00f2 che conta in un mondo in cui la traduzione \u00e8 un esercizio di data mining su vasta scala.
(Data mining : processo di ricerca di anomalie, modelli e correlazioni all’interno di grandi insiemi di dati per prevederne gli esiti ndt)<\/p>\n\n\n\n

Questo \u00e8 ci\u00f2 che rende l’approccio dell’apprendimento automatico un vantaggio cos\u00ec spettacolare: elimina il problema del primo ordine e sostituisce il compito di comprensione con l’ingegneria di dadi e bulloni. “L’hai visto spuntare dappertutto” Google, dice Norvig. \u201cSe riuscissimo a rendere questa parte pi\u00f9 veloce del 10%, risparmieremmo cos\u00ec tanti milioni di dollari all’anno, quindi andiamo avanti e facciamolo. Come lo faremo? Bene, esamineremo i dati e utilizzeremo un approccio di apprendimento automatico o statistico e troveremo qualcosa di meglio”.<\/p>\n\n\n\n

Google ha progetti che mirano a una comprensione pi\u00f9 profonda: estensioni dell’apprendimento automatico ispirate alla biologia cerebrale; un “grafico della conoscenza” che cerca di mappare parole, come Obama , a persone o luoghi o cose. Ma la necessit\u00e0 di servire 1 miliardo di clienti ha un modo per costringere l’azienda a scambiare la comprensione con l’opportunit\u00e0. Non devi spingere Google Translate molto lontano per vedere i compromessi che i suoi sviluppatori hanno fatto per copertura, velocit\u00e0 e facilit\u00e0 di progettazione. Sebbene Google Translate catturi, a suo modo, i prodotti dell’intelligenza umana, non \u00e8 intelligente di per s\u00e9. \u00c8 come un’enorme Stele di Rosetta, i geroglifici calcificati delle menti una volta al lavoro.<\/p>\n\n\n\n

“ci siamo seduti quando abbiamo costruito Watson e abbiamo provato a modellare la cognizione umana?” Dave Ferrucci, che ha guidato il team Watson in IBM, fa una pausa per enfatizzare. “Assolutamente no. Abbiamo solo cercato di creare una macchina che potesse vincere a Jeopardy \u201d.<\/p>\n\n\n\n

Per Ferrucci la definizione di intelligenza \u00e8 semplice: \u00e8 ci\u00f2 che pu\u00f2 fare un programma. Deep Blue era intelligente perch\u00e9 poteva battere Garry Kasparov a scacchi. Watson era intelligente perch\u00e9 poteva battere Ken Jennings a Jeopardy . \u00ab\u00c8 intelligenza artificiale , giusto? Il che \u00e8 quasi per dire intelligenza non umana . Perch\u00e9 dovresti aspettarti che la scienza dell’intelligenza artificiale produca intelligenza umana?”<\/p>\n\n\n\n

Ferrucci non \u00e8 cieco alla differenza. Gli piace dire alla folla che mentre Watson ha giocato usando una stanza di processori e 20 tonnellate di apparecchiature per l’aria condizionata, i suoi avversari facevano affidamento su una macchina che sta in una scatola da scarpe e pu\u00f2 funzionare per ore con un sandwich al tonno. Una macchina, nientemeno, che avrebbe permesso loro di alzarsi quando la partita era finita, conversare, godersi un bagel, discutere, ballare, pensare, mentre Watson sarebbe rimasto a canticchiare, caldo e muto e non vivo, a rispondere alle domande su presidenti e potenti potabili.<\/p>\n\n\n\n

“Le caratteristiche che [questi sistemi] stanno esaminando alla fine sono solo ombre – non sono nemmeno ombre – di ci\u00f2 che rappresentano”, afferma Ferrucci. “Sottovalutiamo costantemente – abbiamo fatto negli anni ’50 sull’IA e lo stiamo ancora facendo – ci\u00f2 che sta realmente accadendo nel cervello umano”.<\/p>\n\n\n\n

La domanda che Hofstadter vuole porre a Ferrucci, ea tutti gli altri nell’IA tradizionale, \u00e8 questa: allora perch\u00e9 non vieni a studiarla?<\/p>\n\n\n\n

“Ho sentimenti contrastanti su questo”, mi ha detto Ferrucci quando gli ho posto la domanda l’anno scorso. \u201cC’\u00e8 un numero limitato di cose che puoi fare come individuo, e penso che quando dedichi la tua vita a qualcosa, devi porti la domanda: a che fine? E penso che a un certo punto mi sono posto questa domanda e ne \u00e8 venuto fuori che sono affascinato da come funziona la mente umana, sarebbe fantastico capire la cognizione, mi piace leggere libri su di essa, mi piace avere un controllo su di essa\u201d \u2013 ha definito il lavoro di Hofstadter stimolante \u2013 \u201cma dove andr\u00f2 con esso? Davvero quello che voglio fare \u00e8 costruire sistemi informatici che facciano qualcosa. E non credo che il percorso pi\u00f9 breve per raggiungere questo obiettivo siano le teorie della cognizione”.<\/p>\n\n\n\n

Peter Norvig, uno dei direttori della ricerca di Google, fa eco quasi esattamente a Ferrucci. “Pensavo che stesse affrontando un problema davvero difficile”, mi ha detto del lavoro di Hofstadter. “E immagino di voler risolvere un problema pi\u00f9 semplice.”<\/p>\n\n\n\n

Nelle loro risposte, si pu\u00f2 vedere l’eredit\u00e0 dei fallimenti dell’IA. Il lavoro sui problemi fondamentali dei primi tempi. “La preoccupazione per la ‘rispettabilit\u00e0'”, scrive Nils Nilsson nella sua storia accademica, The Quest for Artificial Intelligence , “ha avuto, credo, un effetto paralizzante su alcuni ricercatori di intelligenza artificiale”.<\/p>\n\n\n\n

Stuart Russell, co-autore di Norvig di AI: A Modern Approach , va oltre. “Molte delle cose che stanno succedendo non sono molto ambiziose”, mi ha detto. “Nell’apprendimento automatico, uno dei grandi passi avvenuti a met\u00e0 degli anni ’80 \u00e8 stato dire: ‘Guarda, ecco alcuni dati reali: posso fare in modo che il mio programma preveda accuratamente su parti dei dati che non ho ancora fornito ad esso?’ Quello che vedi ora nell’apprendimento automatico \u00e8 che le persone lo vedono come l’ unico compito”.<\/p>\n\n\n\n

\u00c8 insidioso il modo in cui il tuo stesso successo pu\u00f2 soffocarti. Man mano che le nostre macchine diventano pi\u00f9 veloci e ingeriscono pi\u00f9 dati, ci permettiamo di essere pi\u00f9 stupidi. Invece di lottare seriamente con i nostri problemi pi\u00f9 difficili, possiamo semplicemente inserire miliardi di esempi di essi. Che \u00e8 un po’ come usare una calcolatrice grafica per fare i compiti di calcolo al liceo: funziona benissimo finch\u00e9 non hai bisogno di capire davvero il calcolo.<\/p>\n\n\n\n

Sembra improbabile che fornire a Google Translate 1 trilione di documenti, invece di 10 miliardi, gli consenta improvvisamente di funzionare al livello di un traduttore umano. Lo stesso vale per la ricerca, o il riconoscimento di immagini, o la risposta alle domande, o la pianificazione o la lettura o la scrittura o la progettazione, o qualsiasi altro problema per il quale si preferisce avere l’intelligenza di un umano piuttosto che quella di una macchina.<\/p>\n\n\n\n

Questo \u00e8 un fatto di cui Norvig, proprio come chiunque altro nell’IA commerciale, sembra essere consapevole, se non vagamente spaventato. “Potremmo tracciare questa curva: man mano che otteniamo pi\u00f9 dati, quanto migliora il nostro sistema?” lui dice. “E la risposta \u00e8 che sta ancora migliorando, ma stiamo arrivando al punto in cui otteniamo meno benefici rispetto al passato”.<\/p>\n\n\n\n

Per James Marshall, un ex studente laureato di Hofstadter, \u00e8 semplice: “Alla fine, la strada difficile \u00e8 l’unica che ti condurr\u00e0 fino in fondo”.<\/p>\n\n\n\n

Hofstadter aveva 35 anni quando ha avuto la sua prima relazione romantica a lungo termine. \u00c8 nato, dice, con “una curva di risonanza stretta”, prendendo in prestito un concetto dalla fisica per descrivere la sua estrema pignoleria. \u201cCi sono state alcune donne che hanno avuto un effetto enorme su di me; il loro viso ha avuto un effetto incredibile su di me. Non posso darti una ricetta per il viso\u2026 ma \u00e8 molto raro\u201d. Nel 1980, dopo quelli che ha descritto come “15 anni infernali e desolati dall’amore”, ha incontrato Carol Brush. (“Era al punto morto della curva di risonanza.”) Non molto tempo dopo essersi incontrati, erano felicemente sposati con due figli, e non molto tempo dopo, mentre erano in anno sabbatico insieme in Italia nel 1993, Carol mor\u00ec improvvisamente di un tumore al cervello. Danny e Monica avevano 5 e 2 anni. “Sentivo che si fosse perso molto tempo dopo la morte di Carol”, dice Pentti Kanerva, un’amica di lunga data.<\/p>\n\n\n\n

Hofstadter non partecipa a una conferenza sull’intelligenza artificiale da 30 anni. “Non c’\u00e8 comunicazione tra me e queste persone”, dice dei suoi colleghi di intelligenza artificiale. “Nessuna. Zero. Non voglio parlare con colleghi che trovo molto, molto intransigenti e difficili da convincere. Sai, li chiamo colleghi, ma quasi non sono colleghi, non possiamo parlarci.<\/p>\n\n\n\n

Hofstadter mi sembra difficile, in modo tranquillo. \u00c8 gentile, ma non fa la cosa che fanno i conversatori facili, che fanno gli insegnanti benvoluti, che \u00e8 prendere il meglio di ci\u00f2 che hai detto, inserirti nel loro modo di pensare come un alleato indispensabile, come se il loro punto alla fine dipende dal tuo contributo. Ricordo di aver partecipato a una tavola rotonda che Hofstadter e i suoi studenti stavano avendo e di aver pensato a quanto poco avessi visto cambiare idea. Sembrava cercare consenso. La discussione era iniziata come una e-mail che aveva inviato a un ampio elenco di corrispondenti; sembrava pi\u00f9 attento alle risposte che erano pi\u00f9 acute su di lui.<\/p>\n\n\n\n

\u201cQuindi non mi diverto,\u201d mi disse. \u201cNon mi piace andare alle conferenze e imbattermi in persone testarde e convinte di idee che non ritengo corrette e che non hanno alcuna comprensione delle mie idee. E mi piace solo parlare con le persone che sono un po’ pi\u00f9 comprensive”.<\/p>\n\n\n\n

Da quando aveva circa 15 anni, Hofstadter legge The Catcher in the Rye una volta ogni 10 anni. Nell’autunno del 2011, ha tenuto un seminario universitario intitolato “Why Is The Catcher in the Rye a Great Novel” di JD Salinger? Sente una profonda parentela con Holden Caulfield. Quando ho detto che a molti ragazzi della mia classe del liceo non piaceva Holden – pensavano che fosse un piagnucolone – Hofstadter ha spiegato che “potrebbero non riconoscere la sua vulnerabilit\u00e0”. Lo immagini in piedi come Holden all’inizio del romanzo, solo in cima a una collina, a guardare i suoi compagni di classe che si scatenano alla partita di football qui sotto. “Ho gi\u00e0 troppe idee”, mi dice Hofstadter. “Non ho bisogno della stimolazione del mondo esterno.”<\/p>\n\n\n\n

Naturalmente, la follia di essere al di sopra della mischia \u00e8 che anche tu non ne fai parte. “Ci sono pochissime idee nella scienza che sono cos\u00ec in bianco e nero che la gente dice ‘Oh, buon Dio, perch\u00e9 non ci abbiamo pensato?’ \u201d racconta Bob French, un ex studente di Hofstadter che lo conosce da 30 anni. \u201cTutto, dalla tettonica a placche all’evoluzione, tutte quelle idee, qualcuno ha dovuto lottare per esse, perch\u00e9 le persone non erano d’accordo con quelle idee. E se non partecipi alla lotta, alla burrascosa accademia, le tue idee finiranno per essere messe da parte da idee che forse non sono altrettanto buone, ma sono state difese pi\u00f9 ardentemente nell’arena.<\/p>\n\n\n\n

Hofstadter non ha mai voluto molto combattere, e l’arma a doppio taglio della sua carriera, se ce n’\u00e8 una, \u00e8 che non ha mai dovuto farlo. Vinse il Premio Pulitzer all’et\u00e0 di 35 anni e divenne immediatamente una propriet\u00e0 preziosa per la sua universit\u00e0. Gli \u00e8 stato assegnato un incarico. Non doveva inviare articoli ai giornali; non doveva farli rivedere o rispondere alle recensioni. Aveva un editore, Basic Books, che avrebbe sottoscritto qualsiasi cosa gli avesse inviato.<\/p>\n\n\n\n

Stuart Russell lo dice senza mezzi termini. \u201cIl mondo accademico non \u00e8 un ambiente in cui ti siedi nella vasca da bagno e hai idee e ti aspetti che tutti corrano in giro eccitati. \u00c8 possibile che tra 50 anni diremo: “Avremmo davvero dovuto ascoltare di pi\u00f9 Doug Hofstadter”. Ma \u00e8 dovere di ogni scienziato pensare almeno a ci\u00f2 che \u00e8 necessario per convincere le persone a capire le idee\u201d.<\/p>\n\n\n\n

” Ars longa, vita brevis “, ama dire Hofstadter. \u201cPenso solo che la vita sia breve. Lavoro, non cerco di pubblicizzare . Non provo a combattere”.<\/p>\n\n\n\n

C’\u00e8 un’analogia che ha fatto per me una volta. Einstein, ha detto, aveva escogitato l’ipotesi del quantismo di luce nel 1905. Ma nessuno l’ha accettata fino al 1923. “Non un’anima “, dice Hofstadter. “Einstein \u00e8 rimasto completamente solo nella sua fede nell’esistenza della luce come particella, per 18 anni.<\/p>\n\n\n\n

“Deve essere stato molto solo.”<\/p>\n\n\n\n

fonte <\/a><\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Douglas Hofstadter, l’autore vincitore del Premio Pulitzer di G\u00f6del, Escher, Bach, pensa che abbiamo perso di vista cosa significhi davvero intelligenza artificiale. La sua ostinata ricerca di replicare la mente umana. Di James Somers “dipende da cosa intendi per intelligenza artificiale .” Douglas Hofstadter \u00e8 in un negozio di alimentari a Bloomington, nell’Indiana, a raccogliere … <\/p>\n

Leggi tutto “L’uomo che voleva insegnare alle macchine a pensare”<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[6,9,8,7],"class_list":["post-26","post","type-post","status-publish","format-standard","hentry","category-software","tag-ai","tag-geb","tag-hofstadter","tag-ia"],"_links":{"self":[{"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/posts\/26","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/comments?post=26"}],"version-history":[{"count":5,"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/posts\/26\/revisions"}],"predecessor-version":[{"id":219,"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/posts\/26\/revisions\/219"}],"wp:attachment":[{"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/media?parent=26"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/categories?post=26"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gambetti.com\/marcello\/wp-json\/wp\/v2\/tags?post=26"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}