La notizia in sintesi
- Johns Hopkins University studia architetture di IA ispirate al cervello.
- Reti convoluzionali non addestrate mostrano attività più simili a quella cerebrale.
- Lo studio è stato pubblicato su Nature Machine Intelligence.
- La struttura dei modelli potrebbe ridurre la dipendenza da enormi dataset.
Riassunto generato con AI
Architettura biologica e intelligenza artificiale
Un gruppo di ricerca della Johns Hopkins University ha rilevato che sistemi di intelligenza artificiale progettati con strutture ispirate alla biologia possono manifestare schemi di attività simili a quelli del cervello umano prima ancora dell’addestramento sui dati. Lo studio, pubblicato su Nature Machine Intelligence, ha confrontato diverse architetture neurali non addestrate durante la visione di immagini di oggetti, persone e animali. Il risultato centrale indica che il progetto strutturale di un modello può incidere quanto, o più, della quantità di dati elaborati.
La ricerca si concentra su un nodo rilevante per lo sviluppo dell’IA: l’attuale dipendenza da dataset vastissimi, lunghi cicli di addestramento e grandi risorse computazionali. Secondo gli autori, una base architetturale più vicina ai principi biologici potrebbe offrire ai modelli un punto di partenza più favorevole. L’obiettivo non è dimostrare che l’addestramento sia superfluo, ma verificare se la sola architettura possa predisporre i sistemi a risposte più simili a quelle osservate nei primati.
Il confronto tra tre modelli neurali
Il team guidato da Mick Bonner, assistant professor di scienze cognitive alla Johns Hopkins University, ha analizzato tre famiglie diffuse nell’IA moderna: transformer, reti completamente connesse e reti neurali convoluzionali. I ricercatori hanno modificato ripetutamente questi progetti, generando decine di reti artificiali differenti. Nessuno dei modelli era stato pre-addestrato prima dei test visivi.
Le attività interne delle reti sono state quindi confrontate con le risposte cerebrali di esseri umani e primati non umani esposti alle stesse immagini. L’aumento del numero di neuroni artificiali nei transformer e nelle reti completamente connesse ha prodotto cambiamenti limitati. Nelle reti convoluzionali, invece, analoghe modifiche hanno generato configurazioni di attività più vicine a quelle registrate nel cervello umano.
Secondo gli autori, i modelli convoluzionali non addestrati hanno raggiunto prestazioni comparabili a sistemi tradizionali che solitamente richiedono l’esposizione a milioni o miliardi di immagini. Mick Bonner osserva che l’industria tende a “gettare una grande quantità di dati nei modelli e costruire risorse di calcolo grandi come piccole città”, con investimenti nell’ordine di centinaia di miliardi di dollari. Il confronto con l’apprendimento umano, che avviene con una quantità limitata di dati, suggerisce una possibile rivalutazione della fase di progettazione dei modelli.
Un possibile cambio di priorità
La conclusione dello studio non elimina il ruolo dei dati, ma rafforza l’ipotesi che la struttura iniziale possa accelerare l’apprendimento. Bonner afferma che, se l’addestramento su masse di dati fosse l’unico fattore decisivo, le modifiche architetturali non dovrebbero avvicinare da sole l’IA ai comportamenti cerebrali. Il gruppo sta ora esplorando metodi di apprendimento semplici, ispirati alla biologia, per nuovi framework di deep learning potenzialmente più rapidi, efficienti e meno dipendenti da dataset enormi.
FAQ
Chi ha condotto la ricerca sull’IA?
Sì, lo studio è stato condotto da ricercatori della Johns Hopkins University, con Mick Bonner indicato come autore principale.
Dove è stato pubblicato lo studio?
Sì, i risultati sono stati pubblicati sulla rivista scientifica Nature Machine Intelligence, secondo il materiale diffuso dalla Johns Hopkins University.
Quali modelli di IA sono stati confrontati?
Sì, il team ha confrontato transformer, reti completamente connesse e reti neurali convoluzionali, creando decine di varianti non addestrate.
Quale architettura ha mostrato risultati più vicini al cervello?
Sì, le reti neurali convoluzionali hanno mostrato schemi di attività più simili alle risposte cerebrali umane rispetto agli altri modelli analizzati.
Come è stata verificata questa analisi?
Sì, il contenuto nasce da un’analisi approfondita e da una verifica incrociata condotta dalla nostra Redazione su numerose fonti, tra cui ScienceDaily.
