Tutti dobbiamo prendere decisioni difficili di tanto in tanto. La cosa più difficile della mia vita è stata se cambiare o meno i campi di ricerca dopo il dottorato, dalla fisica fondamentale alla fisica del clima. Avevo offerte di lavoro che avrebbero potuto portarmi in entrambe le direzioni: una per entrare a far parte del Relativity and Gravitation Group di Stephen Hawking all’Università di Cambridge, un’altra per entrare a far parte del Met Office come funzionario scientifico.
Ho scritto i pro e i contro di entrambe le opzioni, ma poi non sono riuscito a decidermi. Come l’asino di Buridano, non riuscivo a muovermi né nella balla di fieno né nel secchio d’acqua. Era un classico caso di paralisi per analisi.
Dato che mi stava fasciando la testa, ho deciso di provare a dimenticare il problema per un paio di settimane e andare avanti con la mia vita. In quel lasso di tempo, il mio cervello privo di sensi ha deciso per me. Un giorno sono semplicemente entrato nel mio ufficio e la risposta era diventata in qualche modo ovvia: avrei apportato il cambiamento allo studio del tempo e del clima.
Più di quattro decenni dopo, prenderei di nuovo la stessa decisione. La mia appagante carriera ha incluso lo sviluppo di un nuovo modo probabilistico di prevedere il tempo e il clima che sta aiutando le agenzie umanitarie e di soccorso in caso di calamità a prendere decisioni migliori in vista di eventi meteorologici estremi.
Ma rimango affascinato da ciò che stava succedendo nella mia testa allora, che ha portato il mio subconscio a prendere una decisione che cambia la vita che il mio conscio non poteva. C’è qualcosa da capire qui non solo su come prendere decisioni difficili, ma su come gli esseri umani fanno i salti di immaginazione che ci caratterizzano come una specie così creativa? Credo che la risposta a entrambe le domande risieda in una migliore comprensione dello straordinario potere del rumore.
Supercomputer imprecisi
Sono passato dalla matematica con carta e matita della teoria della relatività generale di Einstein all’esecuzione di complessi modelli climatici su alcuni dei più grandi supercomputer del mondo. Eppure, per quanto fossero grandi, non sono mai stati abbastanza grandi: il vero sistema climatico è, dopo tutto, molto complesso.
All’inizio della mia ricerca, bastava aspettare un paio d’anni e i supercomputer di fascia alta sarebbero diventati due volte più potenti. Questa era l’era in cui i transistor stavano diventando sempre più piccoli, consentendo di stipare di più su ciascun microchip. Il conseguente raddoppio delle prestazioni del computer per la stessa potenza ogni due anni era noto come Legge di Moore.
C’è, tuttavia, solo così tanta miniaturizzazione che puoi fare prima che il transistor inizi a diventare inaffidabile nel suo ruolo chiave di interruttore on-off. Oggi, con i transistor che iniziano ad avvicinarsi alla dimensione atomica, abbiamo praticamente raggiunto il limite della legge di Moore. Per ottenere una maggiore capacità di comprimere i numeri, i produttori di computer devono unire sempre più armadi per computer, ognuno pieno zeppo di chip.
Ma c’è un problema. Aumentare la capacità di sgranocchiare i numeri in questo modo richiede molta più energia elettrica: i moderni supercomputer delle dimensioni di un campo da tennis consumano decine di megawatt. Trovo imbarazzante il fatto che abbiamo bisogno di così tanta energia per cercare di prevedere con precisione gli effetti del cambiamento climatico.
Ecco perché mi sono interessato a come costruire un modello climatico più accurato senza consumare più energia. E al centro di questo c’è un’idea che suona controintuitiva: aggiungendo numeri casuali, o “rumore”, a un modello climatico, possiamo effettivamente renderlo più accurato nella previsione del tempo.
Un ruolo costruttivo per il rumore
Il rumore è generalmente visto come un fastidio, qualcosa da ridurre al minimo ove possibile. Nelle telecomunicazioni si parla di cercare di massimizzare il “rapporto segnale-rumore” aumentando il segnale o riducendo il più possibile il rumore di fondo. Tuttavia, nei sistemi non lineari, il rumore può essere tuo amico e contribuire effettivamente ad aumentare un segnale. (Un sistema non lineare è uno la cui produzione non varia in proporzione diretta all’input. Probabilmente sarai molto felice di vincere 100 milioni alla lotteria, ma probabilmente non due volte più felice di vincerne 200 milioni.)
Il rumore può, ad esempio, aiutarci a trovare il valore massimo di una curva complicata come nella Figura 1, di seguito. Ci sono molte situazioni nelle scienze fisiche, biologiche e sociali così come nell’ingegneria in cui potremmo aver bisogno di trovare un tale massimo. Nel mio campo della meteorologia, il processo di ricerca delle migliori condizioni iniziali per una previsione meteorologica globale comporta l’identificazione del punto massimo di una funzione meteorologica molto complicata.
Figura 1
Tuttavia, l’utilizzo di un “algoritmo deterministico” per individuare il massimo globale di solito non funziona. Questo tipo di algoritmo in genere si blocca a un picco locale (ad esempio al punto a) perché la curva si sposta verso il basso in entrambe le direzioni da lì.
Una risposta è usare una tecnica chiamata “ricottura simulata” – così chiamata per le sue somiglianze con (ricottura), il processo di trattamento termico che modifica le proprietà dei metalli. La ricottura simulata, che utilizza il rumore per aggirare il problema di rimanere bloccati alle vette locali, è stata utilizzata per risolvere molti problemi tra cui il classico enigma del commesso viaggiatore di trovare il percorso più breve tra un gran numero di città su una mappa.
La Figura 1 mostra un possibile percorso per individuare il massimo globale della curva (punto 9) utilizzando i seguenti criteri:
- Se un punto scelto a caso è più alto della posizione corrente sulla curva, il nuovo punto viene sempre spostato su.
- Se è inferiore alla posizione corrente, il punto suggerito non viene necessariamente rifiutato. Dipende se il nuovo punto è molto più basso o solo un po’ più basso.
Tuttavia, la decisione di passare a un nuovo punto dipende anche dalla durata dell’analisi. Mentre nelle fasi iniziali possono essere accettati punti casuali leggermente inferiori alla posizione attuale, nelle fasi successive vengono accettati solo quelli superiori o solo leggermente inferiori.
La tecnica è nota come ricottura simulata perché all’inizio, come il metallo caldo nella prima fase di raffreddamento, il sistema è flessibile e modificabile. Più avanti nel processo, come il metallo freddo nella fase finale del raffreddamento, è quasi rigido e immutabile.
Come il rumore può aiutare i modelli climatici
Il rumore è stato introdotto nei modelli meteorologici e climatici completi circa 20 anni fa. Un motivo chiave era rappresentare l’incertezza del modello nelle nostre previsioni meteorologiche complessive, ma si è scoperto che l’aggiunta di rumore riduceva anche alcuni dei pregiudizi dei modelli, rendendoli simulatori più accurati del tempo e del clima.
Sfortunatamente, questi modelli richiedono enormi supercomputer e molta energia per farli funzionare. Dividono il mondo in piccole scatole a griglia, con l’atmosfera e l’oceano all’interno di ciascuno che si presume siano costanti, cosa che, ovviamente, non lo è. La scala orizzontale di un tipico gridbox è di circa 100 km, quindi un modo per rendere un modello più accurato è ridurre questa distanza a 50 km, o 10 km o 1 km. Tuttavia, dimezzare il volume di una gridbox aumenta il costo computazionale dell’esecuzione del modello fino a un fattore 16, il che significa che consuma molta più energia.
Anche in questo caso, il rumore offriva un’alternativa allettante. La proposta era di utilizzarlo per rappresentare le variazioni imprevedibili (e non modellabili) nei processi climatici su piccola scala come turbolenza, sistemi nuvolosi, vortici oceanici e così via. Ho sostenuto che l’aggiunta di rumore potrebbe essere un modo per aumentare la precisione senza dover sostenere l’enorme costo computazionale della riduzione delle dimensioni dei gridbox. Ad esempio, come è stato ora verificato, l’aggiunta di rumore a un modello climatico aumenta la probabilità di produrre uragani estremi, riflettendo la potenziale realtà di un mondo il cui clima sta diventando più estremo a causa del cambiamento climatico.
L’hardware del computer che utilizziamo per questa modellazione è intrinsecamente rumoroso: gli elettroni che viaggiano lungo i fili in un computer si muovono in modi parzialmente casuali a causa del suo ambiente caldo. Tale casualità è chiamata “rumore termico”. Potremmo risparmiare ancora più energia attingendo ad essa, invece di dover utilizzare un software per generare numeri pseudo-casuali? Per me, i supercomputer “imprecisi” a bassa energia che sono intrinsecamente rumorosi sembravano una proposta vantaggiosa per tutti.
Ma non tutti i miei colleghi erano convinti. Erano a disagio che i computer potessero non dare le stesse risposte da un giorno all’altro. Per cercare di persuaderli, ho iniziato a pensare ad altri sistemi del mondo reale che, a causa della limitata disponibilità di energia, utilizzano anche il rumore generato all’interno del loro hardware. E mi sono imbattuto nel cervello umano.
Rumore nel cervello
Ogni secondo della giornata di veglia, i nostri occhi da soli inviano gigabyte di dati al cervello. Non è molto diverso dalla quantità di dati che un modello climatico produce ogni volta che invia i dati alla memoria.
Il cervello deve elaborare questi dati e in qualche modo dargli un senso. Se lo facesse usando la potenza di un supercomputer, sarebbe abbastanza impressionante. Ma lo fa usando un milionesimo di quella potenza, circa 20 W invece di 20 MW, quello che serve per alimentare una lampadina. Tale efficienza energetica è incredibilmente impressionante. Come diavolo fa il cervello a farlo?
Un cervello adulto contiene circa 80 miliardi di neuroni. Ogni neurone ha un lungo e sottile cavo biologico – l’assone – lungo il quale gli impulsi elettrici vengono trasmessi da un insieme di neuroni all’altro. Ma questi impulsi, che descrivono collettivamente le informazioni nel cervello, devono essere potenziati da “transistor” proteici posizionati a intervalli regolari lungo gli assoni. Senza di loro, il segnale si dissiperebbe e andrebbe perso.
L’energia per questi potenziamenti viene in definitiva da un composto organico nel sangue chiamato ATP (adenosina trifosfato). Ciò consente agli atomi di sodio e potassio (ioni) caricati elettricamente di essere spinti attraverso piccoli canali nelle pareti dei neuroni, creando tensioni elettriche che, proprio come quelle dei transistor al silicio, amplificano i segnali elettrici neuronali mentre viaggiano lungo gli assoni.
Con 20 W di potenza distribuiti su decine di miliardi di neuroni, le tensioni coinvolte sono minime, così come i cavi assoni. E ci sono prove che gli assoni con un diametro inferiore a circa 1 micron (che sono la maggior parte nel cervello) sono suscettibili al rumore. In altre parole, il cervello è un sistema rumoroso.
Se questo rumore ha semplicemente creato una “nebbia cerebrale” inutile, ci si potrebbe chiedere perché ci siamo evoluti per avere così tanti assoni sottili nelle nostre teste. In effetti, ci sono vantaggi nell’avere assoni più spessi: i segnali si propagano lungo di essi più velocemente. Se avessimo ancora bisogno di tempi di reazione rapidi per sfuggire ai predatori, gli assoni sottili sarebbero svantaggiosi. Tuttavia, lo sviluppo di modi comuni per difenderci dai nemici potrebbe aver ridotto la necessità di tempi di reazione rapidi, portando a una tendenza evolutiva verso assoni più sottili.
Forse, per caso, le mutazioni evolutive che hanno ulteriormente aumentato il numero dei neuroni e ridotto le dimensioni degli assoni, mantenendo lo stesso il consumo di energia complessivo, hanno reso i neuroni del cervello più suscettibili al rumore. E ci sono prove crescenti che questo ha avuto un altro effetto notevole: ha incoraggiato negli esseri umani la capacità di risolvere problemi che richiedevano salti di immaginazione e creatività.
Forse siamo diventati veramente Homo Sapiens solo quando un rumore significativo ha cominciato ad apparire nel nostro cervello?
Mettere a frutto il rumore nel cervello
Molti animali hanno sviluppato approcci creativi per risolvere i problemi, ma non c’è niente da confrontare con uno Shakespeare, un Bach o un Einstein nel mondo animale.
In che modo i geni creativi escogitano le loro idee? Ecco una citazione di Andrew Wiles, forse il matematico più famoso vivente oggi, sul periodo che portò alla sua celebre dimostrazione del problema di matematica (ingannevolmente) noto come Ultimo teorema di Fermat:
Quando raggiungi una vera impasse, il pensiero matematico di routine non ti serve. Per arrivare a quel tipo di nuova idea, ci deve essere un lungo periodo di enorme concentrazione sul problema senza alcuna distrazione. Devi davvero pensare a nient’altro che a quel problema: concentrati solo su di esso. E poi ti fermi. [A questo punto] sembra esserci un periodo di rilassamento durante il quale il subconscio sembra prendere il sopravvento – ed è durante questo periodo che arriva una nuova intuizione.
Horizon della BBC smentisce il nuovo approccio di Andrew Wiles alla risoluzione del teorema di Fermat.
Questa nozione sembra universale. Il premio Nobel per la fisica Roger Penrose ha parlato del suo “momento Eureka” quando attraversa una strada trafficata con un collega (forse riflettendo sulla loro conversazione mentre si guarda anche al traffico in arrivo). Per il padre della teoria del caos Henri Poincaré, era prendere un autobus.
E non è solo creatività in matematica e fisica. Il comico John Cleese, famoso per i Monty Python, fa più o meno lo stesso punto sulla creatività artistica: non si verifica quando ti stai concentrando molto sul tuo mestiere, ma quando ti rilassi e lasci vagare la tua mente inconscia.
Naturalmente, non tutte le idee che emergono dal tuo subconscio saranno momenti Eureka. Il fisico Michael Berry parla di queste idee subconscie come se fossero particelle elementari chiamate “claritoni“:
In realtà, ho un contributo alla fisica delle particelle… la particella elementare della comprensione improvvisa: il “claritone”. Qualsiasi scienziato riconoscerà “aha!” momento in cui questa particella viene creata. Ma c’è un problema: troppo spesso il clarinetto di oggi viene annientato dall’“anticlariton” di domani. Tanti dei nostri scarabocchi scompaiono sotto le macerie di anticlaritoni.
Ecco qualcosa a cui tutti possiamo relazionarci: che alla fredda luce del giorno, la maggior parte delle nostre idee subconsce “brillanti” vengono annientate dal pensiero logico. Dopo questo processo rimane solo un numero molto, molto, molto piccolo di claritoni. Ma quelli che lo fanno sono probabilmente gemme.
Nel suo famoso libro Thinking Fast and Slow, lo psicologo premio Nobel Daniel Kahneman descrive il cervello in modo binario. La maggior parte delle volte quando si cammina, si chiacchiera e si guarda intorno (in altre parole durante il multitasking), opera in una modalità che Kahneman chiama “sistema 1”, una modalità operativa piuttosto veloce, automatica e senza sforzo.
Al contrario, quando pensiamo a un problema specifico (unitasking), il cervello si trova nel “sistema 2” più lento, più deliberativo e logico. Per eseguire un calcolo come 37×13, dobbiamo smettere di camminare, smettere di parlare, chiudere gli occhi e persino mettere le mani sulle orecchie. Nessuna possibilità di multitasking significativo nel sistema 2.
Il mio articolo del 2015 con il neuroscienziato computazionale Michael O’Shea ha interpretato il sistema 1 come una modalità in cui l’energia disponibile è distribuita su un gran numero di neuroni attivi e il sistema 2 come dove l’energia è focalizzata su un numero minore di neuroni attivi. La quantità di energia per neurone attivo è quindi molto più piccola quando si trova nella modalità del sistema 1 e sembrerebbe plausibile che il cervello sia più suscettibile al rumore quando si trova in questo stato. Cioè, in situazioni in cui siamo multitasking, il funzionamento di uno qualsiasi dei neuroni sarà più suscettibile agli effetti del rumore nel cervello.
L’immagine di Berry dell’interazione claritone-anticlaritone sembra suggerire un modello del cervello in cui il sistema rumoroso 1 e il sistema deterministico 2 agiscono in sinergia. L’anticlariton è l’analisi logica che eseguiamo nel sistema 2 che, il più delle volte, ci porta a rifiutare le nostre folli idee del sistema 1.
Ma a volte una di queste idee si rivela non così folle.
Questo ricorda come funziona la nostra analisi di ricottura simulata (Figura 1). Inizialmente, potremmo trovare interessanti molte idee “folle”. Ma man mano che ci avviciniamo alla ricerca della soluzione ottimale, i criteri per accettare un nuovo suggerimento diventano più rigorosi e perspicaci. Ora, i claritoni del sistema 2 stanno annientando quasi tutto ciò che i claritoni del sistema 1 possono lanciargli contro, ma non proprio tutto, come ha scoperto Wiles con suo grande sollievo.
La chiave della creatività
Se la chiave della creatività è la sinergia tra pensiero rumoroso e deterministico, quali sono alcune conseguenze di ciò?
Da un lato, se non hai le informazioni di base necessarie, i tuoi poteri analitici saranno esauriti. Ecco perché Wiles dice che prima del momento dell’intuizione, devi immergerti nella tua materia. Non avrai idee brillanti che rivoluzioneranno la fisica quantistica a meno che tu non abbia una buona conoscenza della fisica quantistica in primo luogo.
Ma devi anche lasciarti abbastanza tempo ogni giorno per non fare niente, rilassarti e lasciar vagare la mente. Dico ai miei studenti di ricerca che se vogliono avere successo nella loro carriera, non dovrebbero passare ogni ora di veglia davanti al loro laptop o desktop. E anche scambiarlo con i social media probabilmente non aiuta, dal momento che non sei ancora davvero multitasking: ogni momento in cui sei sui social media, la tua attenzione è ancora fissa su un problema specifico.
Ma fare una passeggiata o un giro in bicicletta o dipingere un capanno probabilmente aiuta. Personalmente, trovo che guidare un’auto sia un’attività utile per sviluppare nuove idee e pensieri, a patto di non accendere la radio.
Quando si prendono decisioni difficili, questo suggerisce che, dopo aver elencato tutti i pro e i contro, può essere utile non pensare attivamente al problema per un po’. Penso che questo spieghi come, anni fa, ho finalmente preso la decisione di cambiare la mia direzione di ricerca, non che all’epoca lo sapessi.
Poiché il sistema cerebrale 1 è così efficiente dal punto di vista energetico, lo usiamo per prendere la stragrande maggioranza delle molte decisioni nella nostra vita quotidiana (alcuni dicono fino a 35.000) – la maggior parte delle quali non sono così importanti, come se continuare a metterne una gamba di fronte all’altra mentre scendiamo verso i negozi. (Potrei in alternativa fermarmi dopo ogni passo, esaminare l’ambiente circostante per assicurarmi che un predatore non salti fuori e mi attacchi, e su questa base decidere se fare il passo successivo.)
Tuttavia, questo pensiero del sistema 1 a volte può portarci a prendere decisioni sbagliate, perché siamo semplicemente passati a questa modalità a basso consumo energetico e non abbiamo attivato il sistema 2 quando avremmo dovuto. Quante volte ci diciamo con il senno di poi: “Perché non ho riflettuto su questa o quella decisione?”
Certo, se invece impegnassimo il sistema 2 per ogni decisione che dovevamo prendere, allora non avremmo abbastanza tempo o energie per fare tutte le altre cose importanti che dobbiamo fare nella nostra vita quotidiana.
Da questo punto di vista, non dovremmo considerare il dare risposte sbagliate a domande irrilevanti come una prova di irrazionalità. Kahneman cita il fatto che oltre il 50% degli studenti del MIT, di Harvard e di Princeton ha dato la risposta sbagliata a questa semplice domanda: una mazza e una palla costano $ 1,10; la mazza costa un dollaro in più della palla; quanto costa la pallina? – come prova della nostra irrazionalità. La risposta corretta, se ci pensi, è 5 centesimi . Ma il sistema 1 urla dieci centesimi.
Se ci fosse stata posta questa domanda pena la morte, ci si augurerebbe che avremmo dedicato abbastanza pensiero per trovare la risposta corretta. Ma se ci fosse stata posta la domanda come parte di un test anonimo dopo le lezioni, quando avevamo cose molto più importanti su cui dedicare tempo ed energie a fare, sarei propenso a pensare che sia irrazionale dare la risposta giusta.
Se avessimo 20 MW per far funzionare il cervello, potremmo spenderne parte per risolvere problemi non importanti. Ma abbiamo solo 20 W e dobbiamo usarlo con attenzione. Forse è il 50% degli studenti del MIT, di Harvard e di Princeton che hanno dato la risposta sbagliata che sono davvero quelli intelligenti.
Proprio come un modello climatico con rumore può produrre tipi di tempo che un modello senza rumore non può, così un cervello con rumore può produrre idee che un cervello senza rumore non può. E proprio come questi tipi di tempo possono essere uragani eccezionali, così l’idea potrebbe farti vincere un premio Nobel.
Quindi, se vuoi aumentare le tue possibilità di realizzare qualcosa di straordinario, ti consiglio di fare quella passeggiata in campagna, guardando le nuvole, ascoltando il cinguettio degli uccelli e pensando a cosa potresti mangiare per cena.
Quindi i computer potrebbero essere creativi?
I computer, un giorno, saranno creativi come Shakespeare, Bach o Einstein? Capiranno il mondo che ci circonda come noi? Stephen Hawking ha notoriamente avvertito che l’IA alla fine prenderà il sopravvento e sostituirà l’umanità.
Tuttavia, il più noto sostenitore dell’idea che i computer non capiranno mai come noi è il vecchio collega di Hawking, Roger Penrose. Nel fare la sua affermazione, Penrose invoca un importante teorema “meta” in matematica noto come teorema di Gödel, che dice che ci sono verità matematiche che non possono essere dimostrate da algoritmi deterministici.
C’è un modo semplice per illustrare il teorema di Gödel. Supponiamo di fare un elenco di tutti i più importanti teoremi matematici che sono stati dimostrati fin dai tempi degli antichi greci. Il primo della lista sarebbe la prova di Euclide che esiste un numero infinito di numeri primi, che richiede un passaggio veramente creativo (moltiplicare insieme il presunto numero finito di numeri primi e sommarne uno). I matematici lo chiamerebbero un “trucco” – scorciatoia per una costruzione matematica intelligente e succinta.
Ma questo trucco è utile per dimostrare importanti teoremi più in basso nell’elenco, come la dimostrazione di Pitagora che la radice quadrata di due non può essere espressa come rapporto di due numeri interi? Chiaramente non lo è; abbiamo bisogno di un altro trucco per quel teorema. In effetti, mentre scorri l’elenco, scoprirai che in genere è necessario un nuovo trucco per dimostrare ogni nuovo teorema. Sembra che non ci sia fine al numero di trucchi di cui i matematici avranno bisogno per dimostrare i loro teoremi. Il semplice caricamento di una determinata serie di trucchi su un computer non renderà necessariamente il computer creativo.
Questo significa che i matematici possono respirare facilmente, sapendo che il loro lavoro non sarà occupato dai computer? Beh forse no.
Ho sostenuto che abbiamo bisogno che i computer siano rumorosi piuttosto che macchine interamente deterministiche e “riproducibili in bit”. E il rumore, soprattutto se proveniente da processi di meccanica quantistica, infrangerebbe i presupposti del teorema di Gödel: un computer rumoroso non è una macchina algoritmica nel senso usuale della parola.
Questo implica che un computer rumoroso può essere creativo? Alan Turing, pioniere della macchina informatica generica, credeva che ciò fosse possibile, suggerendo che “se ci si aspetta che una macchina sia infallibile, allora non può essere anche intelligente”. Vale a dire, se vogliamo che la macchina sia intelligente, allora è meglio che sia capace di sbagliare.
Altri potrebbero obiettare che non ci sono prove che la semplice aggiunta di rumore trasformi una macchina altrimenti stupida in una intelligente – e sono d’accordo, così com’è. L’aggiunta di rumore a un modello climatico non lo rende automaticamente un modello climatico intelligente.
Tuttavia, il tipo di interazione sinergica tra rumore e determinismo – il tipo che separa il grano dalla paglia delle idee casuali – non è stato ancora sviluppato nei codici dei computer. Forse potremmo sviluppare un nuovo tipo di modello di intelligenza artificiale in cui l’IA viene addestrata facendola risolvere semplici teoremi matematici usando il modello claritone-anticlaritone; facendo ipotesi e vedendo se qualcuno di questi ha valore.
Affinché ciò sia trattabile, il sistema di intelligenza artificiale dovrebbe essere addestrato a concentrarsi su “ipotesi casuali istruite”. (Se le ipotesi della macchina sono tutte ignoranti, ci vorrà un’eternità per fare progressi, come aspettare che un gruppo di scimmie digiti le prime righe di Amleto.)
Ad esempio, nel contesto della dimostrazione di Euclide che esiste un numero illimitato di numeri primi, potremmo addestrare un sistema di intelligenza artificiale in modo tale che un’idea casuale come “moltiplicare insieme il numero finito presunto di primi e aggiungerne uno” diventi molto più probabile dell’idea casuale completamente inutile “somma il numero finito presunto di primi e sottrai sei”? E se un’ipotesi particolare si rivela particolarmente utile, possiamo addestrare il sistema di intelligenza artificiale in modo che l’ipotesi successiva sia un perfezionamento dell’ultima?
Se riusciamo in qualche modo a trovare un modo per farlo, potrebbe aprire la modellazione a un livello completamente nuovo che è rilevante per tutti i campi di studio. E così facendo, potremmo ancora raggiungere la cosiddetta “singolarità” quando le macchine prendono il posto degli umani. Ma solo quando gli sviluppatori di intelligenza artificiale abbracciano pienamente il ruolo costruttivo del rumore, come sembra abbia fatto il cervello molte migliaia di anni fa.
Per ora sento il bisogno di un’altra passeggiata in campagna. Per spazzare via alcune vecchie ragnatele polverose e forse seminare i semi per alcune nuove eccitanti.
Autore
Tim Palmer, Università di Oxford
