L’intelligenza artificiale è una disciplina appartenente all’informatica che studia i fondamenti teorici, le metodologie e le tecniche che consentono la progettazione di sistemi hardware e sistemi di programmi software capaci di fornire all’elaboratore elettronico prestazioni che, a un osservatore comune, sembrerebbero essere di pertinenza esclusiva dell’intelligenza umana. Crediti: Marco Somalvico/Wikimedia Commons/Canva
«Matrix è ovunque. È intorno a noi. Anche adesso, nella stanza in cui siamo. È quello che vedi quando ti affacci alla finestra, o quando accendi il televisore. L’avverti quando vai al lavoro, quando vai in chiesa, quando paghi le tasse. È il mondo che ti è stato messo davanti agli occhi per nasconderti la verità». Così Morpheus ha introdotto Neo a Matrix, una realtà simulata creata dalle macchine.
Il film è del 1999 ma lo scenario proposto, pur restando in un contesto di fantascienza, non è scevro da suggestioni tecnologicamente attuali, grazie a intelligenza artificiale e potenza di calcolo, che permettono di utilizzare velocemente enormi moli di dati per arrivare al risultato: la previsione della realtà.
Ne è un esempio il nuovo algoritmo informatico ideato da uno scienziato del Princeton Plasma Physics Laboratory (Pppl) del Dipartimento dell’energia degli Stati Uniti (Doe), capace di prevedere in modo accurato le orbite dei pianeti nel Sistema solare senza conoscere alcuna legge della fisica. La notizia, riportata su Scientific Reports, è che tale algoritmo potrebbe essere adattato per prevedere e controllare il comportamento del plasma che alimenta gli impianti di fusione nucleare sulla Terra.
L’algoritmo utilizza l’apprendimento automatico – o machine learning, la forma di intelligenza artificiale che apprende dall’esperienza – per sviluppare delle previsioni. «Di solito, in fisica, fai osservazioni, crei una teoria basata su quelle osservazioni e poi la usi per prevedere nuove osservazioni», spiega il fisico del Pppl Hong Qin, autore dell’articolo. «Quello che sto facendo è sostituire questo processo con una specie di scatola nera in grado di produrre previsioni accurate senza utilizzare una teoria o una legge tradizionale».
Hong Qin, il fisico del Princeton Plasma Physics Laboratory autore dello studio pubblicato su Scientific Reports. Sullo sfondo le immagini di orbite planetarie calcolate dal suo codice. Crediti: Elle Starkman
Qin (si pronuncia ‘Chin’) ha realizzato un programma che, usando i dati di passate osservazioni delle orbite di Mercurio, Venere, Terra, Marte, Giove e del pianeta nano Cerere, è stato in grado di fare previsioni accurate sulle orbite dei pianeti nel Sistema solare, senza utilizzare le leggi del moto e della gravitazione di Newton. «In sostanza, ho aggirato tutti gli ingredienti fondamentali della fisica. Vado direttamente dai dati ai dati», dice Qin. «Non vi è alcuna legge della fisica nel mezzo».
Beninteso, il programma non fa le sue accurate previsioni a caso. «Hong ha insegnato al programma il principio utilizzato dalla natura per determinare le dinamiche di qualsiasi sistema fisico», riferisce Joshua Burby, del Los Alamos National Laboratory. «Il vantaggio è che la rete apprende le leggi del moto planetario dopo aver assistito a pochissimi esempi di addestramento. In altre parole, il suo codice “impara” davvero le leggi della fisica».
L’apprendimento automatico è ciò che rende possibili programmi come Google Translate, che esamina una grande quantità di dati per determinare la frequenza con cui una parola di una lingua è stata tradotta in una parola in un’altra lingua. In questo modo, il programma può fare una traduzione senza di fatto imparare nessuna delle due lingue.
Lo stesso processo appare in esperimenti mentali come la stanza cinese di John Searle. In questo scenario, una persona che non conosce il cinese – chiusa in una stanza nella quale si trova un libro di istruzioni con alcuni insiemi di caratteri cinesi, associati secondo delle regole scritte nella sua lingua madre – riesce a sostenere un dialogo con un cinese all’esterno della stanza. Lo fa, anche senza conoscere il cinese, perché nel libro sono riportate le regole che gli dicono con quali simboli cinesi rispondere a ogni frase che gli viene proposta. Le regole sono “il programma” e sostituiscono la comprensione.
Questo esperimento solleva domande filosofiche ed epistemologiche su cosa, in fondo, significhi “capire” e se la comprensione comporti un qualcosa di particolare nella mente di chi sta capendo, oltre alla semplice esecuzione di regole.
Nello sviluppo del suo algoritmo, Qin è stato in parte ispirato dall’ipotesi della simulazione di Nick Bostrom, secondo la quale tutta la realtà, inclusi il pianeta Terra e l’universo, non sono altro che una simulazione al computer. L’ipotesi che vede la realtà come illusione affonda le sue radici in lunghi dibattiti filosofici e scientifici, ed è stata utilizzata come espediente narrativo in molti libri e film di fantascienza, tra cui appunto Matrix. Chi non è stato combattuto nella scelta tra la pillola blu e quella rossa? L’ipotesi di Bostrom – che richiama il mito della caverna, di Platone – non è tanto assurda. Considerarla tale significherebbe escludere che i nostri discendenti avranno la possibilità, in termini di potenza computazionale, di condurre simulazioni dei propri antenati. Se l’ipotesi della simulazione fosse vera, allora le leggi fisiche fondamentali dovrebbero rivelare che l’universo è costituito da singole porzioni di spaziotempo, come i pixel in un videogioco. La tecnica della scatola nera ideata da Qin non richiede che i fisici credano letteralmente alla congettura della simulazione, sebbene egli si basi su questa idea per creare un programma in grado di fare previsioni fisiche accurate.
La camera di reazione del DIII-D, un reattore a fusione tokamak sperimentale gestito dalla General Atomics a San Diego, utilizzato per la ricerca da quando è stato completato, alla fine degli anni ’80. La caratteristica camera a forma di toro è rivestita di grafite per aiutare a resistere al caldo estremo. Crediti: Wikimedia Commons
Ma veniamo all’applicazione pratica della scatola nera. Qin ed Eric Palmerduca stanno sviluppando metodi per utilizzare teorie dei campi discreti (le stesse chiamate in causa in un universo del tipo Matrix) per prevedere il comportamento delle particelle di plasma negli esperimenti di fusione condotti in tutto il mondo. Gli impianti di fusione più utilizzati sono i tokamak, che confinano il plasma in potenti campi magnetici, e gli scienziati stanno cercando – all’interno di questi impianti – di ricreare i processi che avvengono all’interno del Sole e delle stelle, al fine di ottenere una fornitura praticamente inesauribile di energia, per generare elettricità. «In un dispositivo di fusione magnetico, le dinamiche dei plasmi sono complesse e multi-scala, e le leggi che le governano, così come i modelli computazionali per un particolare processo fisico di interesse, non sono sempre chiare», spiega Qin. «In questi scenari, possiamo applicare la tecnica di apprendimento automatico che ho sviluppato per creare una teoria dei campi discreti e applicare questa teoria per comprendere e prevedere nuove osservazioni sperimentali».
Questo processo alimenta dubbi sulla natura della scienza stessa. L’obiettivo degli scienziati non è forse quello di sviluppare teorie fisiche in grado di spiegare il mondo, piuttosto che accumulare semplicemente dati? Le teorie non sono fondamentali per la fisica e necessarie per spiegare e comprendere i fenomeni?
«Direi che l’obiettivo finale di qualsiasi scienziato è la previsione», sostiene Qin. «Potresti non aver necessariamente bisogno di una legge. Ad esempio, se posso prevedere perfettamente un’orbita planetaria, non ho bisogno di conoscere le leggi di gravitazione e del moto di Newton. Si potrebbe pensare che così facendo capiremmo meno che se conoscessimo le leggi di Newton. In un certo senso, è così. Ma da un punto di vista pratico, fare previsioni accurate non significa fare niente di meno».
L’apprendimento automatico potrebbe anche aprire possibilità per ulteriori ricerche. «Amplia in modo significativo la portata dei problemi che puoi affrontare perché tutto ciò di cui hai bisogno per andare avanti sono i dati. Mentre in un certo senso questo metodo preclude la necessità di una teoria, potrebbe anche essere visto come un percorso che porta alla definizione di una teoria», conclude Palmerduca.
Alla fine, anche se ci penserà l’apprendimento automatico a stabilire, partendo dai dati, cosa succederà e come dobbiamo agire affinché ciò che vorremmo accada, nessuno ci toglierà mai l’intenzione di comprenderne i motivi.
«È la tua ultima occasione, se rinunci non ne avrai altre. Pillola azzurra, fine della storia: domani ti sveglierai in camera tua, e crederai a quello che vorrai. Pillola rossa, resti nel paese delle meraviglie, e vedrai quant’è profonda la tana del bianconiglio. Ti sto offrendo solo la verità, ricordalo». Matrix, 1999.
Per saperne di più:
- Leggi su Scientific Reports l’articolo “Machine learning and serving of discrete field theories” di Hong Qin