di   invita

Cerca:

Crea Segnala abuso Invia ad un amico [+] Lista preferiti [+] Lista nera   successivo

di   invita

Cerca:

Crea Segnala abuso Invia ad un amico [+] Lista preferiti [+] Lista nera   successivo

CHI SONO

L' intento di questo sito è di esplorare una delle tematiche più scottanti della ricerca scientifica che, sebbene per molti resterà solo materiale per fantascienza, è una realtà, portatrice di innovazioni pratiche, ma anche di inquietanti prospettive. E' la proposta di un viaggio in quella che è stata sicuramente la ricerca più affascinante e “interdisciplinare” degli ultimi cinquant’anni per scoprire che probabilmente la prima forma di vita intelligente che l’uomo incontrerà non viene da marte, ma abita nel suo cellulare …
 Il sito è una raccolta di approfondimenti personali che ho piacere di condividere col “popolo” della rete allo scopo di poter essere un’utile risorsa oltre che, naturalmente, svago. Tutto ciò che contiene quindi è stato scritto con proprie tesi di laurea e testi sotto mano, cercando di evitare ipotesi azzardate, fraintendimenti e/o teorie personali che stanno facendo scadere l’attendibilità della maggior parte delle informazioni reperite su internet. Ma nonostante tutto sto ancora imparando e potrei commettere qualche errore, oltre alla coscienza di un lavoro sicuramente poco organico e incompleto. In alcuni casi non mi sono però privata totalmente del privilegio di esprimere alcune mie opinioni che, per quanto poco azzardate e in ogni caso frutto di anni di studi, ho voluto contraddistinguere esplicitamente dal resto.
 
 DISCLAIMER
 Si sottolinea che non s’intende contravvenire a nessuna violazione su diritti d’autore e simili. Tutto il materiale presente nel sito è di proprietà dell’autore. Per ogni teoria trattata o citazione è sempre indicato il nome del proprietario dei diritti intellettuali. Nel caso di sviste od ommissioni in citazioni o simili si contatti il webmaster cha sarà pronto a correggere immediatamente l’errore.

INTELLIGENZA ARTIFICIALE

Con il termine intelligenza artificiale (spesso abbreviato in AI, dall'inglese Artificial Intelligence), si intende generalmente l'abilità di un software di svolgere funzioni e ragionamenti tipici della mente umana.
L'AI (intelligenza artificiale) è quella disciplina che cerca di creare macchine che in qualche senso possiamo definire intelligenti. L’intelligenza artificiale è lo studio delle idee che permettono agli elaboratori elettronici di seguire quelle azioni che fanno apparire "intelligenti le persone". Sembra più chiaro, ma il senso a cui prima mi riferivo è ancora piuttosto vago. Possiamo definire una macchina capace di svolgere azioni del genere intelligente? Se una persona svolge un calcolo matematico ovviamente si dice che è un'essere intelligente, mentre sareste disposti ad assentire se definissi intelligente la vostra calcolatrice tascabile?
E soprattutto cos'è che fa apparire intelligenti le persone? Quindi cos'è l'intelligenza? Definirla non è così semplice. Per un troppo lungo periodo l'intelligenza si è considerata come un parametro oggettivo misurabile (vedi le misurazioni del quoziente intellettivo), ma oggi più che mai ci si rende conto che l'intelligenza umana è estremamente oscura nei suoi meccanismi ed inserita in quel sistema estremamente complesso che è il nostro organismo con cui intrattiene strettissimi rapporti, oltre ad essere funzione anche di quel sistema incommensurabilmente più vasto che è il mondo di cui fa esperienza.  Howard Gardner prosegue la sua corsa all'isolamento di nuovi tipi di intelligenza: non abbiamo solo un tipo di intelligenza, quella logico-linguistica che in genere è quella che viene valutata nelle scuole ma anche quella musicale o cinestetica (che si riferisce alla grazia e bellezza nei movimenti). Molti altri studiosi invece la fanno dipendere anche e soprattutto, contrariamente a quanto si è sempre fatto, dal complesso delle emozioni, da quello che appunto veniva definito irrazionale.
Che cos'è l'Intelligenza Artificiale
L'obiettivo dell'AI si conentra in poche parole: realizzare sui calcolatori elettronici programmi che siano intelligenti. In realtà, la scelta dei calcolatori elettronici non è determinata da una necessità teorica ma dall' esigenza di costruire intelligenze che funzionino in modo automatico, senza l'intervento esterno dell'uomo ed attualmente gli elaboratori elettronici sono le macchine più potenti ed efficienti che si hanno a disposizione per tale scopo. E' importante soffermarsi sulla qualifica di intelligente applicata a un programma. In questo caso le cose si complicano perché neppure gli psicologi sanno con precisione che cosa sia l'intelligenza (anche se spesso la misurano). Per i ricercatori dell'AI, intelligente è un programma che fornisce una prestazione che diremmo intelligente qualora fosse esibita da un essere umano. Attenzione e memoria sono sempre necessarie e senza di esse il pensiero non potrebbe esistere; ma l'intelligenza è qualcosa di più: è la capacità di porre e di risolvere problemi almeno parzialmente nuovi, di cui non si conosca a priori un procedimento risolutivo. Innanzitutto, è chiaro che l'intelligenza non è posseduta solo dagli esperti e dai geni, ma è patrimonio, in grado diverso, di tutti gli esseri umani. Inoltre, l'AI ha messo in luce che tante attività comunissime richiedono una dose di intelligenza a volte insospettata: ad esempio parlare e comprendere un linguaggio, vedere e riconoscere un oggetto, muoversi adeguatamente in un ambiente. Quando si parla di prestazioni intelligenti dobbiamo approfondire il concetto distinguendo i risultati di un'attività intelligente dai procedimenti mentali seguiti. Molti ricercatori ritengono che la pietra di paragone di un'intelligenza artificiale siano soltanto i risultati. In questo senso, sarebbe irrilevante simulare il modo di pensare dell'uomo o procedere in modo radicalmente diverso; dopotutto, il calcolatore elettronico ha una struttura ben differente dal cervello umano. Ad una posizione così comportamentistica si possono muovere diverse obiezioni. Innanzitutto, l'AI non dovrebbe essere soltanto una tecnologia avanzata, ma anche una disciplina conoscitiva e quindi la comprensione dei procedimenti mentali umani è importante almeno quanto le applicazioni immediate. Ma anche chi fosse interessato solo al versante applicativo non deve dimenticare che la nostra mente, in centinaia di migliaia di anni di evoluzione naturale, ha raggiunto un ragguardevole stadio di perfezionamento; e quindi può essere assai produttivo studiarne la struttura interna per riprodurla sul calcolatore. Contemporaneamente, si potrebbe obiettare che la comprensione dell'intelligenza umana è un obiettivo troppo ristretto per l'AI, il cui vero oggetto d'indagine dovrebbe essere l'intelligenza generale ovvero, qualunque procedimento di elaborazione intelligente dell'informazione, indipendentemente dalla forma che tale elaborazione ha assunto nella mente dell'uomo.

La distinzione fra intelligenza artificiale forte e debole risulta il fronte di battaglia concettuale in seno alla concezione classica. Riguarda il modo di concepire l'IA, e per questo secondo me può essere proficuo applicarlo anche al campo connessionista ovviamente con le dovute modificazioni del caso. 

L’A.I. FORTE presuppone che ogni operazione della nostra mente sia riducibile a un calcolo. Il nostro pensiero quindi non è altro che una manipolazione di simboli secondo regole, cosa che il computer sa fare benissimo. Quindi un elaboratore può raggiungere un livello di intelligenza considerata ad un livello qualitativo pari a quella umana, dello stesso tipo. Alla base di questa tesi sta la credenza che il cervello sia al pari di un computer un sistema formale, o meglio che il ragionamento non sia altro che un calcolo inteso come manipolazione di simboli. Questa idea sarà descritta nella sezione sull'Intelligenza Artificiale classica
 
Per L’ A.I. DEBOLE un calcolatore non potrà mai ottenere un’intelligenza degna di tale nome ma al massimo potrà simularci imperfettamente. Per l'IA debole un calcolatore potrebbe anche svolgere alcune o tutte quelle
operazioni e compiti che sono prerogativa dell'essere umano (riconoscere
volti, dialogare in linguaggio naturale, prendere decisioni, ecc.) e
potrebbe farlo anche benissimo, ma questo non significa che sia veramente
intelligente o che ci sia qualche analogia tra computer e mente. .

L'esomorfismo fra "information bases" ed elementi compatti dei domini di Scott ricade nel quadro generale delle dualità di Stone.

Le dualità di Stone permettono di descrivere speciali classi di spazi topologici per mezzo di ordini parziali (possibilmente finitari).
Questi ordini parziali sono definiti per mezzo di una topologia e di una sua base o sottobase. La proprietà principale è la dualità tra le categorie degli spazi di Stone e quella delle algebre booleane.

Altri esempi di dualità sono le descrizioni dei domini di Scott tramite gli information sytem e la descrizione dei domini SFP come pre-locali. E non bisogna dimenticare l'interpetazione data da Martin-Lof della teoria dei tipi intuizionista nella teoria dei domini.

Abrasky ha spiegato le dualità di Stone usando la teoria dei "frames" e inquadrandole nella più ampia prospettiva della "teoria dei domini in forma logica".

I tipi intersezione possono essere visti come una restrizione della descrizione dei domini in forma logica al caso particolare di reticoli completi omega-algebrici
tipi in interazione sono usati come potente strumento sia per l'analisi sia per la sintesi di modelli a filtro per i lambda calcoli non tipati.)

In questo approccio, un modello è descritto in modo finitario da un sistema per assegnare tipi a termini, e differenti modelli possono essere ottenuti scegliendo particolari ordini parziali sull'insieme dei tipi, che si riflettono in una corrispondente regola di inferenza di tipo (sussunzione).

Il sistema di assegnazione dei tipi ai termini corrispondenti a un modello fornisce una definizione induttiva finitaria dell'interpretazione dei termini stessi nel modello, in quanto l'interpretazione di un termine è l'insieme dei tipi che si possono dedurre per esso.

Questo può essere espresso dallo slogan: "il significato di un programma è l'insieme di tutte le proposizioni vere che lo riguardano".

I tipi possono suggerire la forma che il modello deve possedere per evidenziare particolari proprietà dei termini.

I tipi intersezione sono un flessibile strumento per dimostrare la consistenza di lamb, teorie, la facilita’ di termini del lambda calcolo e l'esistenza di termini che rappresentano operatori di dominio.
Con I.A. lo scopo di questa disciplina sarebbe stato quello di "far fare alle macchine delle cose che richiederebbero l'intelligenza se fossero fatte dagli uomini".
L'IA, come viene studiata oggigiorno, tratta dell'individuazione dei modelli (appropriata descrizione del problema da risolvere) e degli algoritmi (procedura effettiva per risolvere il modello).
Questa formulazione viene studiata con differenti sapori e con approcci differenti. Ognuno dei due aspetti (modellizzazione o algoritmico) ha via via maggiore o minore importanza e varia lungo uno spettro abbastanza ampio.

Le attività e le capacità dell'Intelligenza Artificiale comprendono:
a) il machine learning
b) la e il in maniera simile a quanto fatto dalla mente umana
c) la pianificazione (planning)
d) la cooperazione tra, sia che ()
e) il' Natural Language Processing
d) la simulazione della visione e dell'interpretazione di immagini.
 

RETI NEURALI

RETI NEURALI
La struttura cellulare del cervello e la sua fisiologia .
Studiare la struttura biologica e la fisiologia del cervello è un compito tutt'altro che facile. Tuttavia a partire dall'inizio del nostro secolo sono stati fatti dei grandissimi passi in avanti in questo campo. Oggi disponiamo di apparecchiature, come la TAC, che ci consentono di ottenere immagini dettagliate del cervello in attività. E molte conoscenze sono venute anche studiando i danni e le disfunzioni riportate da persone cerebrolese.
In questo modo i neuroscienziati sono riusciti a capire che tutte le attività intelligenti sono controllate dalla parte esterna del cervello, quella parte caratterizzata da un superficie involuta di colore grigiastro e chiamata corteccia cerebrale. E sappiamo anche che la corteccia è a sua volta divisa in diverse regioni specializzate: ogni regione controlla una determinata facoltà cognitiva. Ma le conoscenze sul cervello non si fermano qui. I neuroscienziati, infatti, sono riusciti a ricostruire anche la struttura cellulare del cervello e a capirne almeno in parte il funzionamento.
Il cervello è costituito da un enorme insieme di cellule, denominate neuroni. I neuroni sono costituiti da un corpo centrale o soma, dal quale si dipartono una serie di prolungamenti filiformi; alcuni di questi prolungamenti sono piuttosto 'corti' e terminano a loro volta in strutture fortemente ramificate: essi sono denominati dendriti. Uno dei prolungamenti invece è molto più lungo degli altri (talvolta, come avviene nelle cellule collegate direttamente agli organi sensoriali esso può estendersi persino per diverse decine di centimetri) e si chiama assone. Anche l'assone termina in una o più 'code' alla cui estremità si trova una sorta di rigonfiamento, detto sinapsi. Ogni neurone è collegato mediante le sue terminazioni sinaptiche ai dendriti di molti altri neuroni. In questo modo i neuroni, che nel cervello umano sono circa dodici miliardi, formano un reticolo di interconnessioni fittissimo: secondo alcune stime il numero di connessioni possibili (che ovviamente non sono pari a quelle realmente esistenti) sarebbe superiore al numero degli atomi nell'universo!


Ma come funzionano queste cellule ed in che modo determinano l'attività del cervello? Ebbene, si è scoperto che i neuroni comunicano tra loro scambiandosi dei segnali elettrici e attivandosi reciprocamente. Il rilascio di un segnale da parte di un neurone non è automatico e immediato: affinché avvenga è necessario che il neurone venga eccitato da altri neuroni fino al superamento di una certa soglia; solo allora la cellula invia un segnale agli altri neuroni con cui è collegata. I segnali in uscita da un neurone viaggiano sotto forma di minuscoli impulsi elettrici cha vanno dal nucleo della cellula, lungo l'assone, fino alle sinapsi. Quando le cariche giungono alle terminazioni sinaptiche esse inducono la liberazione di particolari molecole dette neurotrasmettitori; queste a loro volta raggiungono le terminazioni dendritiche dei neuroni collegati all'assone, e scatenano una reazione chimica che permette il passaggio del segnale elettrico da un neurone all'altro.
Studiando l'attività biochimica dei neuroni mediante dei raffinati sistemi di rilevamento, si è notato che ogni diversa facoltà cognitiva e locomotoria corrisponde ad una aumento di attività in particolari aree del cervello. Si suppone perciò che il cervello abbia una struttura modulare: ogni modulo è specializzato per un certo tipo di attività.
Le ricerche di impostazione connessionista hanno cercato di emulare il comportamento delle cellule neuronali facendo ricorso alle cosiddette reti neurali:
Una rete neurale è una struttura formata da un certo numero di unità collegate tra loro da connessioni. Attraverso le connessioni un'unità influenza fisicamente le altre unità con cui è collegata. Le unità neurali hanno alcune caratteristiche essenziali delle similicellule nervose, mentre le connessioni alcune delle caratteristiche essenziali dei collegamenti sinaptici tra neuroni.
Una rete neurale è costituita da un insieme di nodi collegati. Per ogni nodo vi sono dei collegamenti di input (da cui arrivano segnali) e dei collegamenti di output (attraverso cui la rete emettte segnali). I nodi possono assumere due stati: stato di riposo e stato di attivazione. Quando un nodo è in stato di attivazione esso invia dei segnali ai nodi con cui è collegato. Un aspetto importante della microfisiologia cerebrale che viene emulato dalle reti neurali è il sistema di eccitazione. Infatti i collegamenti tra i nodi di una rete neurale sono di due tipi: collegamenti eccitatori e collegamenti inibitori. Ogni collegamento tra un nodo della rete e un altro, inoltre, è dotato di un peso. Il peso del collegamento che assegna diversi valori ai segnali che li attraversano. Ogni nodo diventa attivo e dunque manda un segnale ai nodi ad esso connessi solo se i messaggi che gli arrivano (nel computo tra segnali inibitori e segnali eccitatori) lo portano oltre una certa soglia di attivazione (misurata mediante una scala numerica). Visto nel suo complesso, il comportamento di una rete neurale può essere descritto come un processo in cui, una volta fornita in ingresso alla rete una configurazione di segnali-stimolo (mediante l'attivazione di alcuni suoi nodi, detti nodi in input), la rete rilascia in uscita un'altra configurazione di segnali.


Le reti neurali si differenziano in base alla loro architettura, cioè in base al modo in cui i nodi si dispongono su uno o più strati: in particolare si distinguono reti a uno strato, reti a due strati reti a tre o più strati. In questi ultimi due tipi gli strati esterni svolgono rispettivamente la funzione di strato di input e strato di output, un po' come nel cervello ci sono cellule che sono in contatto diretto con gli organi di senso e cellule che governano il movimento e l'emissione di messaggi vocali.
Un altro aspetto che differenzia le reti neurali è rappresentato dalla tipologia delle connessioni tra i nodi: in alcuni casi le connessioni viaggiano solo in un senso; in altri, i messaggi possono andare sia in avanti sia indietro; in altri ancora, nodi topologicamente distanti possono avere dei collegamenti diretti. Dal punto di vista della implementazione, una rete neurale può essere simulata interamente 'via software' mediante un normale calcolatore digitale; oppure può essere realizzata direttamente a livello hardware, mediante la connessione di molti semplici microprocessori in grado di lavorare in parallelo.
Quali proprietà hanno le reti neurali che le rendono, oltre che un modello (a dire il vero ancora 'alla lontana') del cervello, un possibile modello dei comportamenti intelligenti?
Una prima proprietà interessante è che le reti neurali, a differenza dei computer digitali, funzionano in modalità parallela, nel senso che in ogni istante molti nodi cambiano il loro stato simultaneamente. Questo tipo di elaborazione sembra essere molto più aderente al funzionamento reale del cervello rispetto al modello di elaborazione sequenziale proprio delle macchine di Turing e Von Neumann. Ma la proprietà più interessante delle reti neurali è la loro capacità di apprendimento: esse cioè possono imparare a svolgere dei compiti senza bisogno di essere programmate esplicitamente.
Il processo di apprendimento avviene in questo modo: per un dato periodo di tempo vengono forniti alla rete una serie di stimoli in entrata e i corrispondenti stimoli in uscita che essa dovrebbe generare. Ad esempio, in entrata vengono fornite le rappresentazioni in formato bitmap dei caratteri di un certo sistema di scrittura, e in uscita le corrispondenti posizioni della tavola ASCII . Durante questo periodo nella rete vengono modificati i pesi assegnati ai collegamenti tra nodi. Superata un certa soglia di autorganizzazione interna la rete è in grado di riconoscere da sola le configurazioni di input: essa ha cioè imparato a riconoscere i caratteri della scrittura.
Un'altro aspetto estremamente interessante delle reti neurali (soprattutto in relazione al discorso sui fondamenti dell'intelligenza artificiale classica e sulla teoria rappresentazionale della mente) è che in esse la conoscenza necessaria a svolgere un dato compito non è rappresentata da simboli distinti che vengono trasformati in base a regole, ma è diffusa tra tutti i nodi della rete che concorrono ad elaborala. In altri termini, la conoscenza insita in una rete neurale e la sua elaborazione sono subsimboliche.
Anche da questa nostra breve trattazione, appaiono evidenti le ragioni in virtù delle quali si afferma che il connessionismo rappresenti un paradigma teorico radicalmente diverso dalla teoria computazionale classica: esso in primo luogo sostiene che per ottenere un comportamento intelligente è necessario emulare la struttura fisica (cellulare per la precisione) del cervello; ma soprattutto sostiene che i processi cognitivi e, inter alia, il pensiero, non sono il prodotto di processi computazionali simbolici, ma emergono dal comportamento complessivo di moltissime unità subsimboliche che, prese singolarmente, non rappresentano niente.
Sulla base di questo paradigma, la cui prima formulazione risale ad un lungimirante saggio di W. McCulloch e W. Pitt risalente al 1943 (W. McCulloch e W. Pitt, "A Logical Calculus of the Ideas Immanent in Nervous Activity", in Bul. Math Biophys, sono state realizzate numerose applicazioni delle reti neurali in vari domini: per esempio nella simulazione dei comportamenti elementari di specie inferiori, spesso associata alla costruzione di robot reali. In questo settore specifico il primo esperimento importante è stato il Perceptron di Rosenblatt (1958) che era un robot in grado di muoversi in un ambiente evitando gli ostacoli. Un altro settore in cui il paradigma connessionista ha avuto larga diffusione è quello dello studio e della emulazione dei processi soggiacenti alla percezione, ambito nel quale l'impostazione computazionale classica ha mostrato notevoli limiti. E non sono mancate anche le applicazioni pratiche, soprattutto nel campo dei software per il riconoscimento dei caratteri (OCR, su cui ci siamo soffermati nel primo capitolo), e, negli ultimi anni, anche nel campo dell'analisi finanziaria.
Intorno a queste sperimentazioni, poi, è proliferata una ingente mole di letteratura teorica e filosofica che considera il connessionismo la strada maestra per la creazione di macchine intelligenti e per lo studio dell'intelligenza naturale. Naturalmente i sostenitori dell'IA classica e della teoria rappresentazionale hanno reagito, producendo una pari mole di confutazioni delle tesi connessioniste. E in realtà, sebbene il connessionismo abbia riportato dei buoni successi nei domini che abbiamo appena ricordato, quando si è tentato di applicarlo alla riproduzione artificiale delle facoltà cognitive superiori ha rivelato non pochi limiti. Infatti, è innegabile che molte di queste attività consistano in qualche specie di elaborazione simbolica (non necessariamente di tipo computazionale): e finora nessuno è stato in grado di capire come dalla concorrenza di moltissimi processi di elaborazione paralleli e subsimbolici possa effettivamente emergere una qualche forma di elaborazione simbolica, come la competenza linguistica o la capacità di ragionare in modo deduttivo.
Per questa ragione molti studiosi sono convinti che se una prospettiva di sviluppo e di successo per l'intelligenza artificiale esiste veramente, questa scaturirà dalla convergenza tra il modello computazionale e modello connessionista. Infatti i processi che avvengo nel cervello, almeno allo stato attuale delle conoscenze, sembrano disporsi su vari livelli: ai livelli bassi (che corrispondo alla percezione e ai processi di elaborazione degli stimoli provenienti dall'ambiente) avvengono molte elaborazioni veloci e parallele di elementi subsimbolici; ai livelli alti invece si collocano dei processi che trasformano l'output dei livelli bassi in simboli e con tali simboli eseguono quelle elaborazioni che la Buona Vecchia IA ha studiato da mezzo secolo ai giorni nostri.

L'intelligenza artificiale classica utilizza il paradigma simbolico per affrontare problemi considerati di alto livello.
L'approccio classico non riesce però ad affrontare problemi apparentemente semplici, quali il meccanismo di volo di una mosca.
Le funzioni biologiche e cognitive che sembravano più elementari si sono dimostrate essere più difficili di quanto si pensasse, più complesse di funzioni considerate di alto livello; soprattutto, tali funzioni sono estremamente difficili da simulare con l'approccio computazionale classico.
Simulare il S.N.C.
Poiché i sistemi nervosi biologici sono in numerose circostanze più potenti dei sistemi computazionali classici, si è cercato di simularne le potenzialità riproducendo alcuni aspetti della loro architettura fisica.
L'architettura biologica
L'approccio connessionista è sorto dall'ipotesi che la capacità dimostrata dai sistemi biologici ad affrontare compiti complessi fosse dovuta all'architettura fisica del loro sistema nervoso. Si è dunque tentato di creare delle architetture fisiche che riproducessero, in maniera semplificata, alcune delle caratteristiche del S.N.C.
Un differente paradigma computazionale.
Le macchine di von Neumann sono basate su un'astrazione di elaborazone e memoria del ragionamento umano;
Le reti neurali sono basate sull'architettura parallela del cervello biologico
Gli aspetti considerati salienti sono:
numerosità - parallelismo: le reti neurali biologiche sono composte da un numero elevatissimo di unità che lavorano in parallelo
connettività: le unità sono fra loro altamente connesse
Altre caratteristiche salienti
unità computazionali semplici;
alto grado di connettività;
utilizzo di messaggi (relativamente) semplici;
interazione adattiva fra elementi.
Le potenzialità delle reti
Le caratteristiche biologiche dei neuroni, la loro numerosità e la loro connettività permettono l'emergere di alcune caratteristiche molto importanti
Risposta continua ad esclusione di un numero finito di discontinuità ad input simili la rete risponde con output simili.
Tolleranza agli errori
scostamenti non significativi dei valori di input vengono assorbiti dalla rete, diminuendo così il rumore statistico e risultando tolleranti agli errori o al decadimento del segnale.
Tolleranza ai guasti
La presenza di molte unità di processamento parallele l'eventuale perdita di un unità ha, nel caso di architetture con molti neuroni, conseguenze non irreparabili.
Capacità di apprendimento
Attraverso degli opportuni algoritmi di modificazione dinamica dei pesi la rete riesce ad adattare il proprio comportamento fino a computare una funzione arbitraria y= f (x) in base agli esempi presentati.
Capacità di generalizzare
Grazie al fatto che la risposta delle reti è continua (ad esclusione di un numero finito di discontinuità) il sistema che abbia correttamente appreso una funzione riesce di norma a fornire una risposta "ragionevole" anche a stimoli precedentemente mai occorsi.
Livelli di descrizione
Livello biologico - neurofisiologico
Livello matematico
Livello fisico
Livello statistico
Intelligenza artificiale
Modelli psicologici e neuropsicologici
Livello biologico - neurofisiologico
Le reti neurali artificiali costituiscono delle metafore delle reti neurali biologiche;
nell'ambito delle "neuroscienze computazionali" le reti costituiscono dei modelli teorici di aree funzionali del sistema nervoso centrale.
Livello matematico
Le reti sono oggetti matematici, in quanto vengono realizzate attraverso degli stumenti matematici classici;
esse sono, a loro volta, degli strumenti matematici, in quanto calcolano delle funzioni arbitrarie.
Livello fisico
Alcune architetture di reti neurali artificiali presenti in letteratura costituiscono dei modelli di alcuni dominî fisici. L'esempio più significativo è costituito dalle reti di Hopfield, che simulano il comportamento elettromagnetico dei metalli.
Livello statistico
i percettroni senza strati nascosti costituiscono dei modelli lineari;
le reti con uno strato nascosto sono paragonabili a dei modelli di regressione;
le reti neurali probabilistiche corrispondono alla kernel discriminant analysis;
le reti di Kohonen di quantizzazione vettoriale adattiva sono simili alla cluster analisys;
la regola di Hebb è correlata all'analisi delle componenti principali;
Intelligenza artificiale
Le reti neurali possono realizzare degli strumenti, e vengono usate in numerosi contesti, proprio perché capaci di affrontare problemi complessi e poco o male strutturati sotto il profilo formale
Modelli psicologici e neuropsicologici
Se la simulazione vale esclusivamente a livello di corrispondenza input-output la rete costituisce un modello psicologico; qualora l'architettura della rete corrisponde a dei moduli funzionali che si assume siano coinvolti in un processo cognitivo possiamo parlare di simulazione di modelli neuropsicologici.

Gli aspetti considerati salienti sono:
numerosità - parallelismo: le reti neurali biologiche sono composte da un numero elevatissimo di unità che lavorano in parallelo
connettività: le unità sono fra loro altamente connesse
Altre caratteristiche salienti
unità computazionali semplici;
alto grado di connettività;
utilizzo di messaggi (relativamente) semplici;
interazione adattiva fra elementi.
Le potenzialità delle reti
Le caratteristiche biologiche dei neuroni, la loro numerosità e la loro connettività permettono l'emergere di alcune caratteristiche molto importanti
Risposta continua
ad esclusione di un numero finito di discontinuità ad input simili la rete risponde con output simili
Tolleranza agli errori
scostamenti non significativi dei valori di input vengono assorbiti dalla rete, diminuendo così il rumore statistico e risultando tolleranti agli errori o al decadimento del segnale.
Tolleranza ai guasti
La presenza di molte unità di processamento parallele l'eventuale perdita di un unità ha, nel caso di architetture con molti neuroni, conseguenze non irreparabili.
Capacità di apprendimento
Attraverso degli opportuni algoritmi di modificazione dinamica dei pesi la rete riesce ad adattare il proprio comportamento fino a computare una funzione arbitraria y= f (x) in base agli esempi presentati.
Capacità di generalizzare
Grazie al fatto che la risposta delle reti è continua (ad esclusione di un numero finito di discontinuità) il sistema che abbia correttamente appreso una funzione riesce di norma a fornire una risposta "ragionevole" anche a stimoli precedentemente mai occorsi


Approccio trasformazionale: un linguaggio viene definito come ottenuto sottoponendo a una data trasformazione un altro linguaggio, tendenzialmente più semplice. Fondamenti biologici
In quasi tutti gli organismi viventi sono presenti complesse organizzazioni di cellule nervose, con compiti di riconoscimento delle configurazioni assunte dall'ambiente esterno, memorizzazione e reazione agli stimoli provenienti dallo stesso. Il cervello umano rappresenta probabilmente il più mirabile frutto dell'evoluzione per le sue capacità di elaborare informazioni. Al fine di compiere tali operazioni, le reti biologiche si servono di un numero imponente di semplici elementi computazionali (neuroni) fittamente interconnessi in modo da variare la loro configurazione in risposta agli stimoli esterni: in questo senso può parlarsi di ed i modelli artificiali cercano di catturare questo tratto distintivo della biologia.
Tipicamente un è costituito di 3 parti principali: il (corpo cellulare), l' (linea di uscita del neurone unica ma che si dirama in migliaia di rami) e il (linea di entrata del neurone che riceve segnali in ingresso da altri assoni tramite ). Il corpo cellulare fa una "somma pesata" dei segnali in ingresso. Se il risultato eccede un certo valore di soglia allora il neurone si attiva ed è prodotto un "potenziale di azione" che è mandato all'assone. Se il risultato non eccede il valore di soglia, il neurone rimane in uno stato di riposo. Una rete neurale artificiale riceve segnali esterni su uno strato di nodi (unità di elaborazione) d'ingresso, ciascuno dei quali è collegato con numerosi nodi interni, organizzati in più livelli. Ogni nodo elabora i segnali ricevuti e trasmette il risultato a nodi successivi.
Funzionamento di una rete neurale
Le reti neurali si basano principalmente sulla simulazione di artificiali opportunamente collegati.
I suddetti neuroni ricevono in ingresso degli stimoli e li elaborano. L'elaborazione può essere anche molto sofisticata ma in un caso semplice si può pensare che i singoli ingressi vengano moltiplicati per un opportuno valore detto peso, il risultato delle moltiplicazioni viene sommato e se la somma supera una certa soglia il si attiva attivando la sua uscita. Il peso indica l'efficacia sinaptica della linea di ingresso e serve a quantificarne l'importanza, un ingresso molto importante avrà un peso elevato, mentre un ingresso poco utile all'elaborazione avrà un peso inferiore. Si può pensare che se due neuroni comunicano fra loro utilizzando maggiormente alcune connessioni allora tali connessioni avranno un peso maggiore.
I singoli neuroni vengono collegati alla schiera di neuroni successivi, in modo da formare una rete di neuroni. Normalmente una rete è formata da tre strati. Nel primo abbiamo gli ingressi (I), questo strato si preoccupa di trattare gli ingressi in modo da adeguarli alle richieste dei neuroni. Se i segnali in ingresso sono già trattati può anche non esserci. Il secondo strato è quello nascosto (H, hidden), si preoccupa dell'elaborazione vera e propria e può essere composto anche da più colonne di neuroni. Il terzo strato è quello di uscita (O) e si preoccupa di raccogliere i risultati ed adattarli alle richieste del blocco successivo della rete neurale. Queste reti possono essere anche molto complesse e coinvolgere migliaia di neuroni e decine di migliaia di connessioni.
una quantità di studi e ricerche, e suscita un vivo interesse e notevoli aspettative nella comunità scientifica, destinate tuttavia ad essere notevolmente ridimensionate allorché nel mostrano i limiti operativi delle semplici reti a due strati basate sui percettroni, e dimostrano l'impossibilità di risolvere per questa via molte classi di problemi, ossia tutti quelli non caratterizzati da separabilità lineare delle soluzioni: questo tipo di rete neurale non è abbastanza potente, infatti non è in grado di calcolare neanche la funzione or esclusivo (). Di conseguenza, a causa di queste limitazioni, ad un periodo di euforia per i primi risultati della (come veniva chiamata negli ), segue un periodo di diffidenza durante il quale tutte le ricerche in questo campo non ricevono più alcun finanziamento dal governo degli ;le ricerche sulle reti tendono, di fatto, a ristagnare per oltre un decennio, e l'entusiasmo iniziale risulta fortemente ridimensionato.
L'algoritmo di apprendimento si basa sul metodo della che permette di trovare un minimo locale di una funzione in uno a N . I pesi associati ai collegamenti tra gli strati di neuroni si inizializzano a valori piccoli e casuali e poi si applica la regola di apprendimento presentando alla rete dei pattern di esempio. Queste reti neurali sono capaci di generalizzare in modo appropriato, cioè di dare risposte plausibili per input che non hanno mai visto.
L'addestramento di une rete neurale di tipo BP avviene in due diversi stadi: forward-pass e backward-pass. Nella prima fase i vettori in input sono applicati ai nodi in ingresso con una propagazione in avanti dei segnali attraverso ciascun livello della rete (forward-pass). Durante questa fase i valori dei pesi sinaptici sono tutti fissati. Nella seconda fase la risposta della rete viene confrontata con l'uscita desiderata ottenendo il segnale d'errore. L'errore calcolato è propagato nella direzione inversa rispetto a quella delle connessioni sinaptiche. I pesi sinaptici infine sono modificati in modo da minimizzare la differenza tra l'uscita attuale e l'uscita desiderata (backward-pass).
Questo algoritmo consente di superare le limitazioni del percettrone e di risolvere il problema della separabilità non lineare (e quindi di calcolare la funzione ), segnando il definitivo rilancio delle reti neurali, come testimoniato anche dall'ampia varietà d'applicazioni commerciali: attualmente la BP rappresenta un algoritmo di largo uso in molti campi applicativi.
Reti di Hopfield
Nel , il fisico pubblica un articolo fondamentale in cui presenta un modello matematico comunemente noto appunto come rete di Hopfield: tale rete si distingue per "l'emergere spontaneo di nuove capacità computazionali dal comportamento collettivo di un gran numero di semplici elementi d'elaborazione". Le proprietà collettive del modello producono una memoria associativa per il riconoscimento di configurazioni corrotte e il recupero di informazioni mancanti.
Tra le nuove idee messe in luce da Hopfield, quella più degna di menzione riguarda il capovolgimento del rapporto, fino allora esistente, tra calcolo e numeri: mentre era universalmente noto che il calcolo producesse numeri, assai meno banale era l'osservazione di Hopfield che, viceversa, anche i numeri potessero spontaneamente generare calcolo, e che questo potesse emergere quale attributo collettivo di sistemi interattivi siffatti.
Una rete ricorrente è un modello neurale in cui è presente un flusso bidirezionale d'informazioni; in altri termini, mentre nelle reti di tipo feedforward la propagazione dei segnali avviene unicamente, in maniera continua, nella direzione che conduce dagli ingressi alle uscite, nelle reti ricorrenti tale propagazione può anche manifestarsi da uno strato neurale successivo ad uno precedente, oppure tra neuroni appartenenti ad uno stesso strato, e persino tra un neurone e sé stesso.
Reti di Elman
Un significativo e noto esempio di semplice rete ricorrente è dovuto a (). Essa costituisce una variazione sul tema del percettrone multistrato, con esattamente tre strati e l'aggiunta di un insieme di neuroni "contestuali" nello strato d'ingresso. Le connessioni retroattive si propagano dallo strato intermedio (e nascosto) a tali unità contestuali, alle quali si assegna peso costante e pari all'unità.
In ciascun istante, gli ingressi si propagano nel modo tradizionale e tipico delle reti feedforward, compresa l'applicazione dell'algoritmo d'apprendimento (solitamente la backpropagation). Le connessioni retroattive fisse hanno come effetto quello di mantenere una copia dei precedenti valori dei neuroni intermedi, dal momento che tale flusso avviene sempre prima della fase d'apprendimento.
Gli algoritmi per il reinforcement learning tentano in definitiva di determinare una politica tesa a massimizzare gli incentivi cumulati ricevuti dall'agente nel corso della sua esplorazione del problema. L'apprendimento con rinforzo differisce da quello supervisionato poiché non sono mai presentate delle coppie input-output di esempi noti, né si procede alla correzione esplicita di azioni subottimali. Inoltre, l'algoritmo è focalizzato sulla prestazione in linea, la quale implica un bilanciamento tra esplorazione di situazioni ignote e sfruttamento della conoscenza corrente.
Algoritmo di Backpropagation
L'algoritmo di backpropagation è utilizzato nell'apprendimento con supervisione. Esso permette di modificare i pesi delle connessioni in modo tale che si minimizzi una certa funzione errore E. Tale funzione dipende dal vettore h-esimo di output restituito dalla rete, dato il vettore h-esimo di ingresso e dal vettore h-esimo di output che noi desideriamo (che fa parte del training set). Il training set è dunque un insieme di N coppie di vettori , con h = 1,...,N. La funzione errore che si deve minimizzare si può scrivere come: , dove l'indice k rappresenta il valore corrispondente al k-esimo neurone di output. E è una funzione dipendente dai pesi (che in generale variano nel tempo). Per minimizzare E(w) si può usare l'algoritmo della (gradient-descent). L'algortimo parte da un punto generico e calcola il gradiente . Il gradiente dà la direzione verso cui muoversi lungo la quale ho il massimo incremento (o decremento se considero ). Definita la direzione ci si muove di una distanza ç predefinita a priori e si trova un nuovo punto sul quale è calcolato nuovamente il gradiente. Si continua iterativamente finché il gradiente non è nullo. L'algoritmo di backpropagation può essere diviso in due passi:
Forward pass: l'input dato alla rete è propagato al livello successivo e così via ai livelli successivi (il flusso di informazioni si sposta in avanti, cioè forward). Si calcola dunque E(w), l'errore commesso.
Backward pass: L'errore fatto dalla rete è propagato all'indietro (backward) e i pesi sono aggiornati in maniera appropriata.
Durante la fase di addestramento si costruisce la mappa, pertanto la rete si configura ed organizza tramite un processo competitivo. Alla rete deve essere fornito il numero più grande possibile di vettori in ingresso, tali da rappresentare fedelmente la tipologia di vettore che le sarà eventualmente sottoposta nella seconda fase;
nel corso della seconda fase ogni nuovo vettore d’ingresso può essere velocemente classificato o categorizzato, collocandolo in automatico sulla mappa ottenuta nella fase precedente. Vi sarà sempre un unico neurone vincente, quello il cui vettore dei pesi giace a minor distanza dal vettore appena sottoposto alla rete; tale neurone può essere determinato semplicemente calcolando la distanza euclidea tra i due vettori in questione.
Pregi
Le reti neurali per come sono costruite lavorano in parallelo e sono quindi in grado di trattare molti dati. Si tratta in sostanza di un sofisticato sistema di tipo statistico dotato di una buona immunità al ; se alcune unità del sistema dovessero funzionare male, la rete nel suo complesso avrebbe delle riduzioni di prestazioni ma difficilmente andrebbe incontro ad un blocco del sistema. I software di ultima generazione dedicati alle reti neurali richiedono comunque buone conoscenze statistiche; il grado di apparente utilizzabilità immediata non deve trarre in inganno, pur permettendo all'utente di effettuare da subito previsioni o classificazioni, seppure con i limiti del caso. Da un punto di vista industriale, risultano efficaci quando si dispone di dati storici che possono essere trattati con gli algoritmi neurali. Ciò è di interesse per la produzione perché permette di estrarre dati e modelli senza effettuare ulteriori prove e sperimentazioni.
Difetti
I modelli prodotti dalle reti neurali, anche se molto efficienti, non sono spiegabili in linguaggio simbolico umano: i risultati vanno accettati "così come sono", da cui anche la definizione inglese delle reti neurali come "black box". Come per qualsiasi algoritmo di modellazione, anche le reti neurali sono efficienti solo se le variabili predittive sono scelte con cura. Non sono in grado di trattare in modo efficiente variabili di tipo categorico (per esempio, il nome della città) con molti valori diversi. Necessitano di una fase di addestramento del sistema che fissi i pesi dei singoli Neuroni e questa fase può richiedere molto tempo, se il numero dei record e delle variabili analizzate è molto grande. Non esistono teoremi o modelli che permettano di definire la rete ottima, quindi la riuscita di una rete dipende molto dall'esperienza del creatore.

                    AGIRE IN MODO RAZIONALE

Agire in modo razionale
Agire razionalmente significa agire per raggiungere i propri obiettivi, date le proprie credenze. Un agente è proprio qualcosa che percepisce e agisce. In questo approccio l'AI è vista come lo studio e la costruzione di agenti razionali. Nell'approccio all'AI basato sul 'pensare razionalmente' l'enfasi veniva totalmente posta sulle inferenze corrette. Talvolta, fare inferenze corrette fa parte dell'essere un agente razionale, perché un modo di agire razionalmente consiste nel ragionare logicamente fino a concludere che una certa azione possa raggiungere i propri obiettivi, e quindi agire sulla base di tale conclusione. D'altro canto, un'inferenza corretta non è completamente razionale, perché esistono spesso situazioni in cui non c'è alcuna cosa da fare che si riesce a dimostrare corretta, anche se bisogna fare comunque qualcosa. Ci sono anche modi di agire razionalmente in cui non si può dire ragionevolmente che siano coinvolte delle inferenze. Ad esempio, ritrarre la propria mano da un fornello caldo è un riflesso condizionato che ha maggior successo di un'azione più lenta compiuta dopo un'attenta deliberazione. Tutte le "capacità cognitive" necessarie per il test di Turing sono utili per consentire azioni razionali. Perciò, abbiamo bisogno delle capacità di rappresentare la conoscenza e di ragionarci perché questo ci consente di pervenire a decisioni buone in un'ampia varietà di situazioni. Dobbiamo essere in grado di comporre frasi comprensibili in linguaggio naturale perché utilizzare queste frasi ci aiuta a vivere in una società complessa. Abbiamo bisogno dell'apprendimento, non solo per erudizione, ma perché avere un'idea migliore di come funziona il mondo ci rende in grado di generare strategie più efficaci per interagire con esso. Abbiamo bisogno della percezione visiva, non solo perché vedere è divertente, ma per avere un'idea migliore di cosa si possa raggiungere attraverso un' azione (per esempio, essere in grado di vedere un cibo appetitoso rappresenta uno stimolo per raggiungerlo). Lo studio dell' AI vista come progettazione di un agente razionale presenta quindi due vantaggi. Innanzitutto, è più generale dell'approccio del "pensare razionalmente" perché fare delle inferenze corrette è solo un meccanismo utile, ma non necessario, per raggiungere la razionalità. In secondo luogo è più riconducibile allo sviluppo scientifico rispetto agli approcci basati sull "agire come un essere umano" o sul "pensare come un essere umano" perché lo standard della razionalità è definito chiaramente ed è completamente generale. Bisogna considerare un punto importante: raggiungere la perfetta razionalità non è sempre possibile soprattutto in ambienti complessi ove le richieste computazionali sono troppo elevate; in molti casi è opportuno agire con 'razionalità limitata' cioè agire in modo appropriato quando non c'è abbastanza tempo per fare tutti i calcoli che si desidera.
Le altre discipline
l'AI sia di per sé una disciplina giovane, ha ereditato molte idee, punti di vista e tecniche da altre discipline. Dalla tradizione filosofica sono emerse teorie del ragionamento e dell'apprendimento, insieme al punto di vista per cui la mente è concepita come un meccanismo fisico che:
· opera principalmente attraverso il ragionamento sulla conoscenza che contiene,
· esegue connessioni tra la conoscenza e l'azione,
· giustifica le azioni intraprese,
· acquisisce nuova conoscenza dall'esperienza.
Dalla matematica sono state acquisite teorie formali sulla logica (in particolare sulla logica del primo ordine usato oggi come maggior sistema di base per la rappresentazione della conoscenza), sulla probabilità, su come prendere decisioni e sul calcolo. Dalla psicologia, si hanno gli strumenti con cui investigare la mente umana e un linguaggio scientifico con il quale esprimere le teorie risultanti. Dalla linguistica, sono emerse teorie sulla struttura e sul significato del linguaggio nonché sull'importanza del linguaggio per rappresentare la conoscenza. Dall'informatica, si hanno strumenti attraverso cui fare dell'AI una realtà. L'elaboratore elettronico è ritenuto all'unanimità il sistema artificiale con le migliori possibilità di dimostrare intelligenza.

Con il progresso della ricerca IA e lo sviluppo di tecniche per trattare una quantità maggiore di conoscenza sul mondo, si è verificato qualche progresso per quanto riguarda i compiti appena descritti e si sono potuti ragionevolmente affrontare nuovi compiti. Fra questi, si possono includere la percezione (visione e discorso), la comprensione del linguaggio naturale, e la risoluzione di problemi in domini specializzati, come la diagnosi medica e l'analisi chimica. Attività come la percezione e la comprensione del linguaggio sono affrontate normalmente quasi da tutti. Oltre a questi compiti quotidiani, molte persone svolgono altre attività intelligenti in cui sono esperte. Queste cose come (come ad esempio diagnosticare malattie) sono spesso considerate più difficili dei compiti quotidiani poiché solo alcune persone sono in grado di farle. Numerosi problemi di questo tipo si sono dimostrati risolubili da parte di programmi denominati sistemi esperti. Tratteremo i sistemi esperti successivamente, per ora ci basta far notare che un sistema esperto è un programma che simula il modo di operare di un essere umano: ad esempio un medico che diagnostica una malattia, un chimico che analizza dati di laboratorio, un ingegnere che progetta un impianto industriale. I sistemi esperti si basano su tecniche di sviluppo e di programmazione tipiche dell'AI, che consentono di affrontare con successo problemi troppo ardui per l'informatica tradizionale. In genere si tratta di sistemi di grande complessità, che fino a pochi anni fa richiedevano risorse di calcolo molto costose. Tuttavia, il crollo dei prezzi dello hardware, dovuto alla tecnologia di integrazione su larga scala, ha cambiato radicalmente la situazione. Oggi esistono sistemi esperti di rilevante interesse applicativo che funzionano su stazioni di lavoro di costo relativamente basso, dell'ordine di qualche decina di milioni di lire. Questo fatto, insieme con il consolidarsi e il. diffondersi delle metodologie dell'AI ha portando ad un sempre maggiore interesse verso i sistemi esperti. ·
VISIONE ARTIFICIALE

Visione artificiale
La Visione artificiale è l'insieme dei processi che mirano a creare un modello approssimato del mondo reale (3D) partendo da immagini bidimensionali (2D). Lo scopo principale della visione artificiale è quello di riprodurre la vista umana.
Un è costituito dall’integrazione di componenti ottiche, elettroniche e meccaniche che permettono di acquisire, registrare ed elaborare immagini sia nello spettro della luce visibile che al di fuori di essa (infrarosso, ultravioletto, raggi X, ecc.).
Il risultato dell’elaborazione è il riconoscimento di determinate caratteristiche dell’immagine per varie finalità di controllo, classificazione, selezione, ecc.
Queste definizioni indicano quindi quattro possibili obiettivi da perseguire in intelligenza artificiale e storicamente, sono stati seguiti tutti e quattro gli approcci:
Sistemi che pensano come gli esseri umani Sistemi che pensano razionalmente
Sistemi che operano come gli esseri umani
Sistemi che agiscono razionalmente
Come ci si può aspettare, c'è un contrasto tra gli approcci basati sugli esseri umani e quelli basati sulla razionalità. Un approccio centrato sull'uomo deve costituire una scienza empirica, che comporta ipotesi e conferme sperimentali. Un approccio razionalista comporta una combinazione di matematica ed ingegneria. Le persone di ciascun gruppo talvolta denigrano il lavoro fatto negli altri gruppi, ma la verità è che tutte le direzioni hanno prodotto dei risultati di valore.
Se vogliamo dire che un dato programma pensa come un essere umano, dobbiamo avere un modo per determinare come pensano gli esseri umani ed entrare nei meccanismi reali delle menti umane. Ci sono due modi per fare questo: attraverso l'introspezione, cercando di afferrare i nostri stessi pensieri man mano che vengono formulati, o attraverso esperimenti psicologici. Una volta acquisita una teoria sufficientemente precisa della mente, diviene possibile esprimere la teoria come un programma. Se il comportamento di ingresso/uscita e di temporarizzazione del programma si uniformano al comportamento umano, viene fornita l'evidenza che alcuni dei meccanismi del programma possono operare anche negli esseri umani. Newell e Simon, che hanno sviluppato ne 1961 GPS, "General Problem Solver" (dall'inglese, risolutore generale di problemi), non si accontentarono che il loro programma risolvesse correttamente i problemi, ma piuttosto erano interessati a confrontare la traccia dei passi del suo ragionamento con le tracce di soggetti umani che risolvevano gli stessi problemi. Ciò è in contrasto con altri ricercatori dello stesso periodo che erano interessati ad ottenere le risposte giuste senza preoccuparsi di come potessero farlo gli esseri umani. Il campo interdisciplinare della scienza cognitiva mette insieme modelli informatici dell'AI e tecniche sperimentali della psicologia per tentare di costruire teorie dei meccanismi della mente umana verificabili. L'AI e la scienza cognitiva continuano a fertilizzarsi a vicenda, soprattutto nelle aree della visione, del linguaggio naturale e dell'apprendimento.

AGIRE COME UN ESSERE UMANO

E’ POSSIBILE COSTRUIRE MACCHINE CHE
PRODUCONO LE FUNZIONALITA’ DELLA MENTE?
E' possibile riprodurre artificialmente le funzioni dell'intelligenza umana, costruire macchine che sappiano svolgere gli stessi compiti solitamente affidati all'uomo (secondo l'ipotesi debole dell'intelligenza artificiale)? E' poi possibile riprodurre artificialmente non solo le funzioni, ma anche gli stessi procedimenti dell'intelligenza umana (come sostiene l'ipotesi forte dell'intelligenza artificiale)?
Se una di queste due cose è possibile, si può costruire una macchina intelligente, e in questo caso (specie se anche la seconda ipotesi è realizzabile) diventa probabile che la stessa intelligenza umana si basi ultimamente su meccanismi analoghi a quelli di una macchina intelligente, e che il suo funzionamento sia spiegabile meccanicisticamente.
Viceversa, se si dovesse accertare che l'intelligenza umana ha basi meccaniche, diverrebbe assai probabile che si possano costruire meccanismi in grado di imitarla. La discussione sull'intelligenza artificiale può dunque partire da tesi sulle possibilità della tecnologia per giungere a tesi sull'antropologia, o viceversa. Nel percorso sono coinvolte informatica, psicologia, neurologia e filosofia della mente.
Tradizionalmente l'intelligenza è stata considerata una prerogativa dell'anima umana, sicché né animali né macchine, in quanto privi di anima, avrebbero potuto esserne dotati. Anche nei secoli passati, tuttavia, si sono avute tesi divergenti rispetto a questa credenza generalizzata, tesi alla luce delle quali l'intelligenza artificiale si sarebbe potuta considerare possibile. Cruciale, a questo riguardo, è la questione del rapporto tra anima e corpo: data la loro radicale eterogeneità (spirituale l'una, materiale l'altro), si tratta di spiegare come l'anima possa agire sul corpo (ad esempio facendolo muovere in un modo piuttosto che in un altro) e il corpo sull'anima (ad esempio producendo in essa sensazioni). Già dai secoli passati si sono quindi delineate due strategie: o postulare una connessione garantita dall'esterno (ad esempio per opera divina), oppure attenuare o eliminare la radicale eterogeneità dei due elementi.
Si può ad esempio:
(a) negare l'esistenza del corpo e mantenere solo l'anima, o viceversa
(b) negare l'anima attribuendone tutte le funzioni al corpo, o più semplicemente
(c) rinunciare a considerarla come sostanza separata, presentandola invece come funzione o manifestazione dell'attività corporea.
Le prospettive (b) e (c) implicano la convinzione che un oggetto materiale sufficientemente complesso e articolato come il corpo possa svolgere le funzioni dell'anima o dar vita all'anima come manifestazione di sé (volendo poi precisare meglio tale idea, come i progressi della ricerca consentivano di fare già ai pensatori del Seicento, al posto del corpo si può parlare del cervello, o come oggi si preferisce, del sistema nervoso centrale). Tale concezione, a sua volta, rende possibile pensare che animali e macchine, dotati di un cervello o di organi analoghi, possano pertanto sentire, pensare, ed essere intelligenti.
Ecco l'importanza per la discussione sull'intelligenza artificiale del tradizionale problema filosofico dei rapporti tra anima e corpo, o come oggi più comunemente si dice, tra mente e corpo o tra mente e cervello ( il termine mente, infatti, è meno carico di presupposizioni teologiche e metafisiche, e pur denotando il complesso di tutte le possibili manifestazioni della vita psichica (sensazioni, sentimenti, pensieri, volizioni ...) non implica di per sé l'idea di una sostanza separata).
Il lungo dibattito su tale problema ha comunque mostrato che la coscienza (intesa come consapevolezza soggettiva di sensazioni, pensieri, emozioni, o dei loro contenuti), pur essendo l'aspetto più caratteristico della vita mentale, è anche quello che più difficilmente si potrebbe pensare di riprodurre in una macchina.
Si può allora parlare di intelligenza artificiale anche senza chiedersi se le macchine possano avere una mente, ma solo se esse possano svolgere quelle particolari funzioni della mente che hanno a che fare con l'intelligenza; in altri termini, si può pensare a una macchina intelligente, ma priva di sensazioni, emozioni, e in sintesi di coscienza.
ESEMPIO
Lezione in classe; lettura a casa almeno di brani antologici selezionati, e se con maggior disponibilità di tempo singole opere o articoli; susseguente discussione in classe. Gli studenti sono stimolati (e possono essi stessi stimolare il docente) al confronto con quanto suggerito dall’esperienza che stanno compiendo parallelamente di programmazione per il problem-solving: in che senso le piccole “macchine” che stanno costruendo (i programmi che scrivono) pensano? In che senso sono intelligenti? A che condizioni si potrebbe parlare di una “mente” di tali macchine?
Estratto da ""
                                                              REALTA' VIRTUALE

REALTA’ VIRTUALE
Un'adeguata rappresentazione dell'ambiente circostante è uno degli aspetti salienti degli esseri adattativi. Il modo in cui un essere adattativo costruisce ed una una rappresentazione interna dello spazio dipende dalle sue competenze rappresentazionali e dal tipo di interazione occorsa fra il soggetto e l'ambiente. E' ragionevole assumere che il modo in cui un soggetto interagisce con l'ambiente influenza la sua rappresentazione.
Nel testare delle ipotesi concernenti la rappresentazione dell'ambiente è necessario affrontare molteplici problemi pratici: è necessario condurre gli esperimenti in ambienti non noti ai soggetti. Gli edifici sono arredati e dunque dispongono di etichette e landmarks che, sotto il profilo sperimentale, possono risultare problematici. Gli edifici devono essere abbastanza complessi da richiedere una rappresentazione non banale e, durante le sessioni sperimentali, devono essere disabitati.
Ulteriori problemi emergono durante l'esperimento: i movimenti, le azioni ed i comportamenti dei soggetti non possono essere registrati con precisione, e possono venire raccolti solo rincorrendo i soggetti. La traduzione dei dati raccolti in formato elettronico richiede infine un lavoro considerevole.
Gli ambienti di realtà virtuale possono costituire la soluzione di molti dei problemi delineati. I ricercatori possono creare edifici su misura per l'esperimento, arredandoli in maniera adeguata al disegno sperimentale. I soggetti possono liberamente navigare, esplorare, cercare: il software dell'ambiente virtuale può registrare movimenti ed azioni con la risoluzione temporale e spaziale desiderata. E' infine possibile creare tipi di interazioni che nella realtà non possono esistere.
Vi sono, naturalmente, alcuni problemi: l'interazione di un soggetto in un ambiente virtuale è tuttora molto diversa dall'immersione in uno spazio reale: nella realtà virtuale la percezione è più povera, il feedback è limitato e la navigazione immersiva può causare malessere: lo sviluppo tecnologico sta comunque migliorando la qualità ed il realismo dell'interazione immersiva, rendendo la realtà virtuale uno strumento estremamente promettente.
Il software e gli applicativi dedicati alla realtà virtuale presenti sul mercato, pur se estremamente potenti e sofisticati, non sono naturalmente stati progettati per la creazione di settings sperimentali, e buona parte delle funzioni e procedure specifiche necessarie alla realizzazione di un esperimento di psicologia cognitiva dev'essere programmato ex novo.
La costruzione di un setting sperimentale può essere concettualmente divisa in tre filoni principali: creare l'ambiente, gestire l'interazione del soggetto, registrarne le azioni.


                                                     ROBOTICA

ROBOTICA
La robotica è una scienza che, studiando i comportamenti degli esseri intelligenti, cerca di sviluppare delle metodologie che permettano ad una macchina (), dotata di opportuni dispositivi atti a percepire l'ambiente circostante ed interagire con esso quali e , di eseguire dei compiti specifici. È una disciplina relativamente nuova, che affonda le sue radici nell'antico desiderio dell' di costruire strumenti che possano liberarlo da compiti troppo faticosi, noiosi o pericolosi. Anche se la robotica è una branca dell' in essa confluiscono gli studi di molte discipline sia di natura umanistica come , , e che scientifica quali , , , , e
La scienza robotica proprio in virtù della sua natura trova applicazioni in molteplici contesti, questo ha fatto sì che nascessero varie sotto-discipline fra le quali però raramente esiste una netta linea di demarcazione.
Robotica utilizzata sia per creare nuove forme di sia per imitare e riprodurre le forme artistiche gia esistenti come i robot progettati per o per suonare uno strumento musicale analizzando in uno .
Robot usati in campo medico
Automazione applicata all'ambiente domestico, tra gli sviluppi a breve termine più interessanti ci sono le tecnologie di aiuto in casa ai portatori di mentali o fisici.
· si occupa dello studio e della diffusione di piccoli robot a basso costo utilizzati per scopi educativi o ludici
· ramo della robotica molto vasto comprende diversi tipi di robot; si va infatti dai robot capaci di assitere il medico durante le operazioni chirugiche a quelli che tramite tecnologie di permettono al medico di operare a distanza. Rientrano nella categoria anche le sofisticate apparecchiature per analisi biologiche utilizzate nei laboratori

· si occupa delle tecnologie utilizzate nei parchi tematici, nei musei o negli effetti speciali cinematografici per intrattenere ed educare grandi quantità di pubblico; un esempio di utilizzo sono gli spesso utilizzati per riprodurre le fattezze di personaggi fantastici o di specie animali oggi come i dinosauri.
· metodologia che attraverso lo studio di tenta di realizzare robot sempre più versatili in modo da rendere meno essenziale il supporto umano.
il campo industriale è sicuramente quello in cui i robot hanno trovato maggiore diffusione il loro impiego nelle ha permesso alle aziende di abbattere notevolmente i costi accelerando e migliorando la produzione. Fra i robot più utilizzati dall'industria vi è il o costruito a imitazione del braccio umano ma spesso dotato di più è una macchina molto versatile che si presta a svariate mansioni tra cui verniciatura, saldatura o montaggio. Interessante notare come questa tipologia di macchine sia spesso utilizzata per produrre altri robot simili rendendo le speculazioni fatte dalla sulle un discorso molto più vicino alla nostra quotidianità.

Anche se la fantascienza è ricca di riferimenti a robot utilizzati in ambito militare nel pratico questi sono utilizzati più che altro con scopi di ricognizione e vigilanza fra i quali troviamo ad esempio gli aerei privi di equipaggio detti . Questo tipo di veicoli è sì controllato a distanza da personale apposito ma in caso di emergenza può anche compiere diversi compiti in totale autonomia permettendo la ricognizione di teatri di guerra pesantemente difesi senza mettere a repentaglio vite umane. Altro esempio di robotica militare sono i che sono in grado, grazie al numeroso set di strumenti di cui sono muniti, di compiere analisi su un ordigno ed eventualmente neutralizzarlo a distanza riducendo drasticamente i rischi per gli .
cerca di sviluppare tecnologie che rendano i robot sempre più capici di interagire e comunicare con gli esseri umani in modo autonomo.
Anche se sviluppa tecnologie e metodiche destinate all'impiego di robot fuori dall'atmosfera terrestre questo settore della robotica ha raggiunto dei risultati utili anche in campi che esulano dalla ricerca spaziale. Esempi di questi robot sono le sonde esplorative impiegate in diversi missioni sui pianeti del sistema solare ma anche robot più tradizionali come il famoso braccio manipolatore dello o quello di sembianze umane destinato alla che verrà utilizzato in sostituzione degli austronauti nelle spedizioni spaziali.
Nel linguaggio comune, un robot è un'apparecchiatura artificiale che esegue compiti su comando (o programma), sia in base ad una supervisione diretta dell'uomo, sia autonomamente basandosi su linee guida generali, magari usando processi di ; questi compiti tipicamente dovrebbero essere performati al fine di sostituire o coadiuvare l'uomo, come ad es. nella fabbricazione, costruzione, manipolazione di materiali pesanti e pericolosi, o in ambienti proibitivi o non compatibili con la condizione umana o semplicemente per liberare l'uomo da impegni.
Un robot così definito, dovrebbe essere dotato di connessioni guidate dalla tra percezione e azione, e non dal controllo umano diretto. L'azione può prendere la forma di motori elettro-magnetici, o , che muovono un arto, aprono e chiudono una pinza, o fanno deambulare il robot. Il controllo passo-passo e la retroazione sono forniti da un che viene eseguito da un esterno o interno al robot, o da un . In base a questa definizione, il concetto di robot può comprendere quasi tutti gli apparati automatizzati.
In alternativa, il termine robot viene usato per indicare un essere artificiale, un o , che replichi e somigli ad un animale (reale o immaginario) o ad un uomo. Il termine ha finito per essere applicato a molte macchine che sostituiscono direttamente un umano o un animale, nel lavoro o nel gioco. In questo modo, un robot può essere visto come un tentativo di . L' è forse ciò che ci rende così riluttanti a riferirci a una moderna e complessa lavatrice, come a un robot. Comunque, nella comprensione moderna, il termine implica un grado di autonomia che escluderebbe molte macchine automatiche dal venire chiamate robot. Si tratta di una ricerca per robot sempre più autonomi, il che è il maggiore obbiettivo della ricerca robotica e il motivo che guida gran parte del lavoro sull'..
Origine del termine robot
Il termine robot deriva dal termine robota, che significa "lavoro pesante" o "lavoro forzato". L'introduzione di questo termine si deve allo scrittore ceco , il quale usò per la prima volta il termine nel nel suo dramma teatrale . In realtà non fu il vero inventore della parola, la quale infatti gli venne suggerita dal fratello , scrittore e pittore cubista, il quale aveva già affrontato il tema in un suo racconto del , ("L'ubriacone"), nel quale però aveva usato il termine automat, "". La diffusione del romanzo di , molto popolare sin dalla sua uscita, servì a dare fama al termine Robot.
Anche se i robot di Čapek erano uomini artificiali , la parola robot viene quasi sempre usata per indicare un uomo meccanico. Il termine (dal greco anèr, andròs, "uomo", e che quindi può essere tradotto "a forma d'uomo") può essere usato in entrambi i casi, mentre un ("organismo cibernetico" o "uomo ") indica una creatura che combina parti organiche e meccaniche.
Il termine "robotica" venne usato per la prima volta (su carta stampata) nel racconto di intitolato Circolo vizioso (Runaround, ), presente nella sua famosa raccolta . In esso, egli citava le tre regole della robotica, che in seguito divennero le (poi accresciute a quattro con l'introduzione della Legge Zero). È probabile che in un prossimo futuro queste leggi entreranno effettivamente a fare parte del set di istruzioni dei robot complessi
Il primo progetto documentato di un robot umanoide venne fatto da attorno al . Degli appunti di Da Vinci, riscoperti negli , contengono disegni dettagliati per un cavaliere meccanico, che era apparentemente in grado di alzarsi in piedi, agitare le braccia e muovere testa e mascella. Il progetto era probabilmente basato sulle sue ricerche anatomiche registrate nell . Non si sa se tentò o meno di costruire il robot (vedi: ).
Il primo robot funzionante conosciuto venne creato nel da , che fabbricò un androide che suonava il , così come un'anatra meccanica che, secondo le testimonianze, mangiava e defecava. Nel racconto breve di E.T.A. Hoffmann L'uomo di sabbia () compariva una donna meccanica a forma di bambola, nel racconto () indicò l'invenzione dei robot (da lui chiamati 'omuncoli', 'uomini di seconda mano' o 'esseri ausiliari') come l'invenzione più notevole della storia dell'umanità, e in Steam Man of the Prairies () Edward S. Ellis espresse l'affascinazione americana per l'industrializzazione. Giunse un'ondata di storie su automi umanoidi, che culminò nell' Uomo elettrico di , nel .
Una volta che la tecnologia avanzò al punto che la gente intravedeva delle creature meccaniche come qualcosa più che dei giocattoli, la risposta letteraria al concetto di robot rifletté le paure che gli esseri umani avrebbero potuto essere rimpiazzati dalle loro stesse creazioni. (), che viene spesso definito il primo romanzo di fantascienza, è divenuto un sinonimo di questa tematica. Quando il dramma di Čapek, R.U.R., introdusse il concetto di una catena di montaggio operata da robot che costruivano altri robot, il tema prese delle sfumature politiche e filosofiche, ulteriormente disseminate da film classici come (), il popolare (), () e () .
Nella introduzione al suo romanzo , Asimov ha detto di avere fatto in tale serie "Il primo uso della parola robotica nella storia del mondo, per quanto ne so."
ANDROIDE
L'androide è un essere artificiale, un , con sembianze umane (il termine deriva dal greco anèr, andròs, "uomo", e quindi può essere tradotto "a forma d'uomo") presente soprattutto nell'immaginario . In taluni casi l'androide può risultare indistinguibile dall'. Differisce dal , il quale è costituito da parti biologiche oltre che artificiali.
Il corrispettivo femminile del termine androide è l'assai poco frequente .
Presente soprattutto nell'immaginario , il termine cyborg o organismo bionico indica un essere di forma costituito da un insieme di organi artificiali e organi . Nasce dalla contrazione dell'inglese cybernetic organism, .
Il confine tra essere umano e cyborg è sempre più sfumato, basti pensare ai progressi delle tecnologie applicate alle e agli organi artificiali: una persona dotata di un potrebbe infatti già corrispondere alla definizione di cyborg.
A seconda della loro origine, è tuttavia possibile distinguere i cyborg in due categorie:
1. Esseri umani potenziati. Può trattarsi di un essere umano che ha subito consistenti modificazioni ed innesti. Esempio: il protagonista del film è un poliziotto che, ucciso in servizio, viene fatto resuscitare in forma di cyborg.
2. , cioè robot umanoidi, provvisti di apporti biologici, spesso allo scopo di aumentare la loro somiglianza con l'essere umano. È il caso del cyborg assassino protagonista del film () e dei due seguiti.
la tendenza naturale degli esseri umani è quella di ricostruirsi attraverso la tecnologia allo scopo di distinguersi dalle altre forme biologiche del pianeta: un progetto che parte dalle prime forme di manipolazione del e continua oggi con l'utilizzo di protesi tecnologiche e lo sviluppo dell'. Il desiderio di migliorare ciò che ha determinato la natura, sarebbe alle origini stesse della cultura umana.
Letteratura
La fusione tra uomo e macchina, cantata dai poeti e artisti del già prima dell'invenzione della , è un'ossessione condivisa particolarmente dagli scrittori del filone fantascientifico , nato nei primi : i personaggi dei romanzi di , ad esempio, sono spesso dotati di innesti artificiali che ne potenziano la forza ed altre capacità. L'icona in questo caso è Molly, la guardia del corpo dotata di riflessi potenziati e fibre muscolari artificiali, che si è fatta togliere gli occhi per sostituirli con delle inquietanti lenti a specchio saldate alle orbite oculari.

                                                                   TELEROBOTICA

TELEROBOTICA PER INTERVENTI CHIRURGICI
Le ricerche svolte riguardano realizzazione di un sistema per il telecontrollo di un robot composto da:
- stazione di controllo dove il teleoperatore pilota gli spostamenti del robot remoto tramite un mouse disponendo di tre telecamere che inquadrano la scena.
- stazione operativa composta da un elaboratore di controllo della comunicazione e da un robot.
Le ricerche sono state svolte utilizzando:
- stazione di telecontrollo
- personal computer WIN SERVER 2005 compatibile
-r basato su microprocessore PC INTE PENTIUM 9.7Ghb-Video3D
- Windows VISTA/UNIX
- robot MICROSOFT 7575
- linguaggio XML/Unix LINUX
Il sistema e' stato utilizzato durante il congresso Roma Chirurgia '05 telecontrollando il robot posto in una sala chirurgica del Policlinico Umberto I di Roma da Milano via sat,inoltre tale siatema è stato usato durante un'intertento delicatissimo nel 2006 in collegamento via sat Clinica Gemelli di Roma e Universital Ospital NYC,con risultati sbalorditivi mai visti prima ,l'intervento riuscito brillantemente è stato solo l'inizio di una lunga e innovativa svolta in questo millenio,altri interventi chirurgici di spicco si sono verificati tutti con le stesse metodiche e con risultati ottimi.