Il modo in cui il cervello prende le decisioni potrebbe essere molto diverso da quanto si è creduto finora. Un gruppo di ricercatori dell’Università dell’Illinois Urbana Champaign ha raccolto prove che spostano indietro nel tempo il momento in cui la mente comincia a scegliere, e questo cambio di prospettiva ha ricadute anche su un campo che sembra distante, l’intelligenza artificiale. Il lavoro, guidato dal professore di ingegneria elettrica e informatica Yurii Vlasov del Grainger College of Engineering, è stato pubblicato sulla rivista scientifica Proceedings of the National Academy of Science.
Per anni si è pensato che la decisione nascesse solo alla fine di un percorso ben preciso. Le informazioni sensoriali salivano verso zone del cervello sempre più complesse, fino ad arrivare alla corteccia frontale, dove finalmente si prendeva la scelta. Un flusso in una sola direzione, ordinato, gerarchico. Ecco, questa idea ha ispirato buona parte dei sistemi di intelligenza artificiale che usiamo oggi, comprese le reti neurali convoluzionali. Solo che, a quanto pare, la realtà è più intricata.
Un cervello che dialoga con se stesso
Vlasov e colleghi hanno cominciato a mettere in discussione questo schema. La loro proposta parte da un dato semplice ma potente, ovvero che l’intelligenza naturale si è affinata attraverso centinaia di milioni di anni di evoluzione. In questo modello il cervello non lavora a senso unico. Contano soprattutto i circuiti di feedback, cioè collegamenti che permettono alle informazioni di viaggiare in entrambe le direzioni tra le diverse aree. Un continuo andirivieni, più che una staffetta.
E c’è un dettaglio che rende tutto ancora più interessante. L’intelligenza biologica riesce a compiere operazioni complicatissime consumando molta meno energia rispetto ai sistemi di IA attuali. “Vogliamo imparare da un miliardo di anni di evoluzione”, ha spiegato Vlasov. “Com’è organizzata dal punto di vista architettonico quell’intelligenza biologica? Possiamo imparare dal lato architettonico del cervello ed emularlo per rendere l’IA più efficace, meno assetata di energia e più intelligente di quanto sia adesso? A livello di processo decisionale, è lì che l’IA attuale è carente”.
Le prove arrivano dalle prime aree sensoriali
Per capire come funzionano davvero questi meccanismi, il team si è concentrato sulle fasi più precoci della percezione. Hanno registrato l’attività neurale di alcuni topi mentre attraversavano un corridoio in realtà virtuale e prendevano decisioni percettive. La scoperta è arrivata proprio lì, nella corteccia somatosensoriale primaria, chiamata S1, una delle prime zone del cervello a elaborare i segnali sensoriali.
Invece di limitarsi a passare l’informazione verso l’alto, S1 sembrava influenzata dalle aree cerebrali superiori attraverso i circuiti di feedback. Questa regolazione dall’alto verso il basso suggerisce che la decisione nasca da una comunicazione continua tra più regioni, non da un flusso lineare. “Il codice neurale del cervello è ancora in gran parte una lingua sconosciuta”, ha detto Vlasov. “Ma questa comprensione a livello di sistema può avere un impatto su come costruire reti neurali artificiali più efficienti, su come pensare la prossima generazione di IA. Forse, con queste analogie che impariamo dai cervelli reali, possiamo migliorare ancora l’IA”.
I ricercatori tengono a precisare una cosa, ovvero che lo studio non offre un progetto pronto all’uso per costruire un’intelligenza artificiale migliore. Fornisce piuttosto una chiave di lettura nuova su come il cervello organizza le scelte, qualcosa che un giorno potrebbe ispirare architetture diverse. Il prossimo passo sarà studiare più a fondo la tempistica di questi segnali cerebrali e mettere a punto nuove tecnologie per misurare l’attività neurale, così da capire come nascono e si coordinano quei circuiti di feedback.
“Guardando alle rapide dinamiche temporali dell’attività neurale, forse possiamo capire meglio come questi circuiti di feedback vengono coinvolti nelle decisioni”, ha aggiunto Vlasov. “Forse è questo l’approccio che può svelare i meccanismi ancora sconosciuti, come questi circuiti si organizzano in modo dinamico e come formano e modellano i diversi livelli di elaborazione. Forse tutto ciò può essere implementato in nuove architetture per l’IA”.
