La notizia in sintesi
- Google DeepMind analizza i limiti degli attuali modelli linguistici.
- Induzione e deduzione avanzano, ma l’abduzione resta un ostacolo.
- La relatività generale di Albert Einstein è l’esempio centrale.
- I modelli del mondo sono indicati come possibile direzione futura.
(Riassunto generato con AI)
DeepMind e il limite della scoperta autonoma
Google DeepMind, in un paper diffuso recentemente da Tom Zahavy, sostiene che gli attuali Large Language Model non possano sostituire l’ingegno umano nella scoperta scientifica. L’analisi riguarda il modo in cui i sistemi di intelligenza artificiale elaborano teorie, non la loro velocità di calcolo o la capacità di trattare formule complesse.
Secondo il documento, il nodo emerge quando un modello deve generare autonomamente le premesse di una teoria realmente nuova, soprattutto in presenza di dati scarsi o incompleti. La tesi è rilevante perché distingue l’automazione di compiti scientifici già definiti dalla capacità di cambiare la cornice concettuale entro cui quei compiti vengono affrontati.
Il paper non nega i progressi dell’AI nella ricerca: indica però un confine architetturale tra calcolo logico e intuizione fisica. In questa prospettiva, più infrastrutture e più data center possono estendere le inferenze disponibili, senza garantire la nascita di nuove ipotesi esplicative.
Induzione, deduzione e abduzione a confronto
Il documento separa tre forme di inferenza: induzione, deduzione e abduzione. I modelli linguistici hanno ottenuto risultati significativi nell’induzione grazie al riconoscimento statistico degli schemi e alla compressione di grandi quantità di informazioni.
Anche la deduzione mostra progressi: sistemi come AlphaProof possono ricavare dimostrazioni logiche da regole, assiomi e condizioni già stabiliti. Si tratta di capacità importanti, ma dipendono da premesse, obiettivi e vincoli definiti prima dell’esecuzione.
La difficoltà centrale è l’abduzione, cioè la formulazione di un’ipotesi che spieghi dati limitati o incompleti. Il paper contesta quindi l’idea associata al ricercatore Jürgen Schmidhuber, secondo cui la scoperta scientifica sarebbe essenzialmente una forma avanzata di compressione dei dati.
Per Google DeepMind, alcune svolte teoriche non nascono da un archivio abbastanza ampio da essere compresso o analizzato statisticamente. La potenza di calcolo amplia ciò che un sistema può dedurre, ma non gli offre automaticamente le premesse concettuali necessarie a formulare un nuovo quadro interpretativo.
Questa distinzione sposta il confronto oltre le prestazioni dei modelli: la questione non è solo quante informazioni l’AI riesca a processare, ma da dove provengano le intuizioni che collegano osservazioni, causalità e formalizzazione matematica.
L’esperienza fisica come possibile requisito
L’esempio indicato dal paper è la relatività generale di Albert Einstein. Senza una vasta base di osservazioni da trattare statisticamente, Einstein ricorse a esperimenti mentali incarnati, fra cui l’immagine di una persona in caduta all’interno di un ascensore chiuso.
Quell’intuizione fisica permise di connettere esperienza sensoriale, causalità e matematica. Un modello linguistico potrebbe elaborare deduzioni successive, ma non ricaverebbe necessariamente da un corpus testuale le premesse originali dell’esperimento mentale.
Il documento suggerisce come direzione possibile i modelli multimodali del mondo e agenti addestrati in simulazioni incarnate. È una strada proposta per avvicinarsi alla scoperta autonoma, non una capacità che DeepMind dichiara già raggiunta.
FAQ
Cosa sostiene il paper di Google DeepMind?
Sì, sostiene che gli attuali LLM non sostituiscono l’ingegno umano nella scoperta scientifica, perché non generano autonomamente le premesse di teorie completamente nuove.
Quale capacità manca agli attuali LLM?
Sì, il limite principale indicato è l’abduzione: formulare un’ipotesi esplicativa quando le informazioni disponibili sono poche, frammentarie o incomplete.
AlphaProof dimostra che l’AI può fare matematica?
Sì, AlphaProof mostra progressi nella deduzione, ricavando dimostrazioni logiche da regole, assiomi e condizioni che risultano già stabiliti.
Perché più data center non bastano?
Sì, più calcolo permette inferenze più vaste e complesse, ma non fornisce automaticamente l’esperienza fisica necessaria per inventare una nuova cornice concettuale.
Come è stata verificata questa analisi?
Sì, il contenuto nasce da un’analisi approfondita e da una verifica incrociata della nostra Redazione su numerose fonti, tra cui Tom’s Hardware.
