Come gli esseri umani usano gli oggetti in modi nuovi per risolvere i problemi

Tools of the Trade Painting by Elo Wobig

Gli esseri umani sono utenti di strumenti, creativi per natura. Quando abbiamo bisogno di piantare un chiodo ma non abbiamo un martello, ci rendiamo facilmente conto che possiamo usare un oggetto pesante e piatto come una roccia al suo posto. Quando il nostro tavolo è traballante, scopriamo subito che possiamo mettere una risma di carta sotto la gamba del tavolo per stabilizzarlo. Ma sebbene queste azioni ci sembrino così naturali, si ritiene che siano un segno distintivo di grande intelligenza: solo poche altre specie usano gli oggetti in modi nuovi per risolvere i loro problemi, e nessuna può farlo in modo flessibile come le persone. Cosa ci fornisce queste potenti capacità per utilizzare gli oggetti in questo modo? In un nuovo articolo pubblicato su Proceedings of the National Academy of Sciences i ricercatori del Center for Brains, Minds and Machines del MIT descrivono le componenti cognitive che sono alla base di questo tipo di uso di strumenti improvvisati. Hanno progettato un nuovo compito, il gioco Virtual Tools, che attinge alle capacità di utilizzo degli strumenti: le persone devono selezionare un oggetto da una serie di “strumenti” che possono inserire in una scena bidimensionale computerizzata per raggiungere un obiettivo, come mettere una palla in un certo contenitore. Risolvere gli enigmi in questo gioco richiede il ragionamento su una serie di principi fisici, incluso il lancio, il blocco o il supporto di oggetti. Il team ha ipotizzato che ci siano tre capacità su cui le persone fanno affidamento per risolvere questi enigmi: una convinzione precedente che guida le azioni delle persone verso quelle che faranno la differenza nella scena, la capacità di immaginare l’effetto delle loro azioni e un meccanismo per aggiornare le loro convinzioni su quali azioni potrebbero fornire una soluzione. Hanno costruito un modello che ha creato un’istanza di questi principi, chiamato modello “Sample, Simulate, Update” o “SSUP”, e lo hanno fatto giocare allo stesso modo delle persone. Hanno scoperto che SSUP ha risolto ogni enigma a velocità simili e in modi simili alle persone. D’altra parte, un popolare modello di apprendimento profondo che poteva giocare bene ai giochi Atari ma non aveva lo stesso oggetto e le stesse strutture fisiche non era in grado di generalizzare la sua conoscenza ai puzzle su cui non era direttamente addestrato. Questa ricerca fornisce un nuovo quadro per lo studio e la formalizzazione della cognizione che supporta l’uso degli strumenti umani. Il team spera di estendere questo framework non solo per studiare l’uso degli strumenti, ma anche per come le persone possono creare nuovi strumenti innovativi per nuovi problemi e come gli esseri umani trasmettono queste informazioni per costruire da semplici strumenti fisici a oggetti complessi come computer o aeroplani che ora fanno parte della nostra vita quotidiana. Sicuramente è entusiasmante come il gioco Virtual Tools possa supportare altri scienziati cognitivi interessati all’uso degli strumenti: il team ha già iniziato a collaborare con ricercatori di più istituzioni diverse su progetti che vanno dallo studio di cosa significa che i giochi siano divertenti, allo studio di come l’incarnazione influenzi il ragionamento fisico disincarnato. Questo lavoro può essere visto come un passo verso la comprensione non solo di un aspetto importante della cognizione e della cultura umana, ma anche di come costruire forme di intelligenza più simili a quelle umane nelle macchine. I ricercatori di Intelligenza Artificiale sono stati molto entusiasti del potenziale per gli algoritmi di apprendimento per rinforzo (RL) di apprendere dall’esperienza di tentativi ed errori, come fanno gli esseri umani, ma il vero apprendimento per tentativi ed errori di cui gli esseri umani traggono beneficio si svolge solo in una manciata di prove, non milioni o miliardi di esperienze, come negli odierni sistemi RL. Il gioco Virtual Tools consente di studiare questa forma molto rapida e molto più naturale di apprendimento per tentativi ed errori negli esseri umani, e il fatto che il modello SSUP sia in grado di catturare le dinamiche di apprendimento rapido che sono viste negli esseri umani suggerisce che potrebbe anche indicare la strada verso nuovi approcci di intelligenza artificiale alla RL che possono imparare dai loro successi, fallimenti e quasi fallimenti con la stessa rapidità e flessibilità delle persone.

Daniele Corbo

Bibliografia: “Rapid trial-and-error learning with simulation supports flexible tool use and physical reasoning” by Kelsey R. Allen, Kevin A. Smith, and Joshua B. Tenenbaum. PNAS

Immagine: Tools of the Trade (Elo Wobig)

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo di WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione /  Modifica )

Google photo

Stai commentando usando il tuo account Google. Chiudi sessione /  Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione /  Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione /  Modifica )

Connessione a %s...

Questo sito utilizza Akismet per ridurre lo spam. Scopri come vengono elaborati i dati derivati dai commenti.