Immaginate di dover tornare a casa dal lavoro in auto e di voler seguire il percorso migliore, cioè la sequenza di scelte migliore in base a un certo criterio, per esempio il costo o il tempo di percorrenza. Un sistema di ia sarebbe perfettamente in grado di scegliere la migliore tra due strade esistenti, ma avrebbe più difficoltà a generare quella ottimale da zero.

Un percorso consiste in una sequenza di scelte diverse. Ma prendere singole decisioni in modo isolato non porta sempre alla soluzione complessivamente migliore. Per esempio, a volte bisogna accettare un piccolo sacrificio all’inizio per raccogliere dei benefici più tardi, come fare la fila per entrare in autostrada in modo da andare più velocemente in seguito. È l’essenza dei problemi di pianificazione, un argomento classico nel campo dell’ia.

Ci sono dei paralleli con i giochi da tavolo come go, in cui il risultato di una partita dipende dalla serie complessiva di mosse, che in alcuni casi servono a creare opportunità da sfruttare più avanti. Google DeepMind ha sviluppato una potente ia per questo gioco, chiamata AlphaGo e basata su un approccio innovativo alla pianificazione. Non era solo capace di esplorare una gamma di opzioni disponibili, ma anche di migliorare con l’esperienza.

Ovviamente il punto non è trovare percorsi ottimali o giocare ai giochi da tavolo. I programmi come ChatGpt e Llama3 si basano su sistemi chiamati modelli linguistici di grandi dimensioni (Llm). Le aziende vogliono che siano in grado di calcolare le conseguenze a lungo termine delle loro azioni. Questa capacità è necessaria per risolvere i problemi matematici, e potrebbe ampliare le potenzialità degli Llm.

Gli Llm sono programmati per predire l’elemento successivo di una sequenza di parole. Ma in pratica sono usati per prevedere lunghe serie di parole, come le risposte alle domande degli utenti umani. Attualmente lo fanno aggiungendo una parola dopo l’altra alla risposta: è quella che in gergo si chiama “previsione autoregressiva”. Ma a volte possono infilarsi in vicoli ciechi da cui è impossibile uscire.

Un importante obiettivo dei programmatori è coniugare la pianificazione con le reti neurali profonde, il tipo di algoritmi – o insiemi di regole – su cui si basano gli Llm. Queste reti sono ispirate al sistema nervoso, e possono migliorare le loro prestazioni attraverso un processo chiamato addestramento, in cui sono esposti a grandi insiemi di dati.

I ricercatori del campo dell’ia si aspettavano progressi simili da tempo. Recentemente Google DeepMind ha pubblicato una richiesta di brevetto che faceva riferimento alla pianificazione, e i suoi autori avevano fatto parte del team di AlphaGo. Il metodo descritto somiglia molto a quello che guidava questo programma, e sarebbe compatibile con le architetture delle reti neurali usate dagli Llm.

Joelle Pineau, vicepresidente della ricerca sull’ia della Meta, ha dichiarato al Financial Times: “Stiamo lavorando duramente per capire come far sì che questi modelli possano non solo parlare, ma anche ragionare davvero, pianificare e ricordare”.

Se ci riusciranno, potremmo realmente vedere dei progressi sulla pianificazione e il ragionamento, passando dalla semplice generazione sequenziale di frasi alla costruzione di intere conversazioni o perfino negoziati. A quel punto vedremmo davvero l’ia passare al livello successivo. ◆ gac

Nello Cristianini insegna intelligenza artificiale all’università di Bath, nel Regno Unito. Ha scritto Machina sapiens (Il Mulino 2024)