Un nuovo metodo di addestramento per l’intelligenza artificiale, chiamato Torque Clustering, sta suscitando grande interesse nella comunità scientifica. Questo approccio è stato sviluppato all’University of Technology Sydney ed è ispirato alle leggi fisiche che regolano l’universo. La sua particolarità sta nell’utilizzare il concetto di coppia gravitazionale. Tale concetto permette di raggruppare dati in modo autonomo. A differenza dei metodi tradizionali, come K-Means o DBSCAN, il Torque Clustering non richiede parametri definiti a priori. Ma come è possibile che un algoritmo riesca a organizzare i dati senza supervisione umana? La risposta sta nel principio fisico su cui si fonda. Esso conta infatti su massa e distanza. L’approccio si ispira anche al comportamento naturale degli animali, strano ma vero. Questo segue il modo in cui imparano osservando e interagendo con l’ambiente. La differenza rispetto ai metodi convenzionali è che Torque Clustering adatta dinamicamente la sua analisi a ogni tipo di informazione, senza bisogno di interventi manuali. Un passo che potrebbe avvicinare l’intelligenza artificiale alla sua forma più avanzata, l’AGI (intelligenza artificiale generale).
Efficacia e potenziale sull’intelligenza artificiale
I risultati ottenuti finora sono entusiastici. Gli scienziati hanno testato l’algoritmo su 1.000 set di dati, ottenendo un punteggio di 97,7% nell’AMI (adjusted mutual information), un parametro che misura l’efficacia del clustering. Questo valore supera ampiamente quelli dei metodi tradizionali, che si fermano intorno all’80%. Cosa significa questo? Che Torque Clustering è in grado di organizzare i dati dell’intelligenza artificiale con una precisione mai vista prima, senza interferenze umane. Eppure, non mancano i dubbi. Se il metodo sembra promettente, sorge spontanea una domanda: quanto è davvero autonomo questo algoritmo? Nonostante i progressi, alcune incertezze persistono. I ricercatori hanno ancora bisogno di chiarire se ci siano euristiche nascoste che influenzano l’apprendimento del sistema. Il fatto che il metodo sia disponibile in open source su GitHub dal maggio 2024 potrebbe essere la chiave per una sua diffusione più ampia. Il percorso, per quanto entusiasmante e promettente, purtroppo però è ancora lungo. Quando vedremo un’intelligenza artificiale del tutto autonoma?
