La Macchina della Mente: seconda parte

Il paradigma connessionista in breve

Il connessionismo propone un modo di intendere la cognizione radicalmente diverso da quello dei calcolatori tradizionali. Invece di eseguire istruzioni una dopo l’altra secondo un programma centrale, un sistema connessionista distribuisce l’elaborazione su un gran numero di unita semplici che lavorano in parallelo e si influenzano a vicenda attraverso le connessioni che le legano.

L’idea che sta alla base di questo tipo di ricerca e che il gran numero di connessioni sinaptiche osservabili tra i neuroni del sistema nervoso, unito alla variabilita dei coefficienti di trasmissione sinaptica, renda possibile la realizzazione di processi informazionali sostanzialmente diversi da quelli seriali dei computer convenzionali. La conoscenza, in questa prospettiva, non risiede in una singola unita, ma nel modo in cui l’intera rete e configurata.

Dai neuroni biologici ai neuroni formali

La ricerca connessionista ha una lunga radice. Gia nel 1943 Warren McCulloch e Walter Pitts avevano proposto un modello di neurone formale, una unita logica capace di sommare gli ingressi che riceve e di attivarsi quando la somma supera una certa soglia. Da questa astrazione essenziale nasce l’idea che reti di elementi cosi semplici possano, nel loro insieme, calcolare funzioni complesse.

Negli anni successivi Frank Rosenblatt sviluppo il perceptron, uno dei primi modelli capaci di apprendere a classificare stimoli modificando il peso delle proprie connessioni. Il neurone artificiale rimane una drastica semplificazione di quello biologico, ma cattura un aspetto essenziale: la capacita di trasformare un insieme di segnali in ingresso in una risposta, e di modulare questa trasformazione con l’esperienza.

La forza sta nelle connessioni

Cio che distingue un modello connessionista non e la complessita della singola unita, che resta elementare, ma la ricchezza delle connessioni tra le unita. E’ nella struttura dei collegamenti e nel valore dei loro pesi che viene immagazzinata l’informazione. Modificare quei pesi significa modificare cio che la rete sa fare. Per questo si parla di conoscenza distribuita: nessun elemento, da solo, contiene il significato, che emerge invece dalla configurazione complessiva.

La regola di Hebb e l’apprendimento

Il cuore dei modelli connessionisti e il meccanismo con cui le connessioni si modificano, cioe l’apprendimento. Il riferimento classico e la regola proposta da Donald Hebb nel 1949 nell’opera “The Organization of Behavior”. In termini semplici, Hebb suggeri che quando due neuroni collegati si attivano ripetutamente insieme, la connessione tra loro tende a rafforzarsi.

Questa idea di rinforzo, per quanto formulata in modo essenziale, si e rivelata straordinariamente feconda. Fornisce infatti una spiegazione plausibile di come l’esperienza possa lasciare tracce durature nella struttura di una rete, modificandone i coefficienti di trasmissione senza bisogno di un programmatore esterno che riscriva le istruzioni. E’ proprio la variabilita di questi coefficienti, guidata da regole di rinforzo di tipo hebbiano, a rendere una rete capace di adattarsi.

Perche puo risultare piu intelligente di un calcolatore seriale

I comuni calcolatori operano in modo seriale: eseguono una istruzione alla volta, con grande precisione e velocita, seguendo un programma definito. Questa architettura e imbattibile in molti compiti, ma mostra i suoi limiti quando si tratta di riconoscere un volto in condizioni di luce diverse, di completare un ricordo a partire da un indizio parziale o di tollerare informazioni rumorose e incomplete.

Le reti connessioniste affrontano questi problemi con un’altra logica. Elaborando l’informazione in parallelo e in modo distribuito, tendono a degradare in modo graduale anziche bloccarsi di fronte a dati imperfetti, e riescono a generalizzare a partire dagli esempi appresi. Sono queste caratteristiche che, in molti compiti percettivi e cognitivi, le rendono per certi aspetti piu simili al funzionamento della mente rispetto ai calcolatori tradizionali.

Comportamenti emergenti

Uno degli aspetti piu interessanti di questi sistemi e che dalla interazione di regole locali molto semplici possono emergere comportamenti globali complessi, non programmati esplicitamente in nessuna singola unita. La rete, nel suo insieme, mostra proprieta che nessuno dei suoi elementi possiede da solo. Questa nozione di emergenza e centrale per chi cerca di collegare la struttura del cervello alle funzioni cognitive che ne derivano.

Verso i modelli oscillatori

Memoria che si completa da sola

Un esempio concreto di questa logica e la memoria associativa. In un calcolatore tradizionale un dato si recupera conoscendone l’indirizzo esatto in cui e archiviato. In una rete connessionista, invece, l’informazione si richiama a partire dal suo contenuto, anche parziale: presentando alla rete un frammento di uno schema appreso, l’attivita si propaga lungo le connessioni fino a ricostruire lo schema completo. E’ un modo di ricordare molto piu vicino a quello umano, in cui un odore, una parola o un volto possono richiamare un ricordo intero a partire da un piccolo indizio.

Portata e limiti del paradigma

Sarebbe un errore presentare il connessionismo come una spiegazione definitiva della mente. Questi modelli sono astrazioni molto semplificate rispetto alla complessita reale del sistema nervoso, e restano aperti interrogativi importanti su come rappresentino concetti astratti, linguaggio e ragionamento simbolico. Il loro valore, piuttosto, sta nel mostrare in modo rigoroso che alcune proprieta tipiche della cognizione, come la robustezza, la generalizzazione e l’apprendimento dall’esperienza, possono emergere da principi semplici e distribuiti, senza bisogno di un programma centrale che le governi.

Verso i modelli oscillatori

I modelli fin qui richiamati rappresentano la spina dorsale del paradigma connessionista, ma non ne esauriscono le possibilita. Esistono modelli piu evoluti, capaci di simulare alcuni comportamenti oscillatori delle reti neuronali, cioe l’alternarsi ritmico dell’attivita che si osserva nei sistemi nervosi reali. Pur rientrando solo parzialmente nel paradigma connessionista classico, questi modelli aprono prospettive nuove sul modo in cui il tempo e la dinamica entrano nel funzionamento della mente. Saranno oggetto della terza parte di questo articolo.

Domande frequenti

Che cos’e il paradigma connessionista?

E’ l’approccio allo studio della mente secondo cui i processi cognitivi nascono dall’attivita collettiva di un gran numero di unita semplici, simili ai neuroni, connesse tra loro. L’informazione non risiede in una singola unita ma nella configurazione complessiva delle connessioni e dei loro pesi.

In che cosa consiste la regola di Hebb?

Proposta da Donald Hebb nel 1949, la regola suggerisce che quando due neuroni collegati si attivano ripetutamente insieme, la connessione tra loro si rafforza. E’ un principio di apprendimento che spiega come l’esperienza possa modificare in modo duraturo la struttura di una rete nervosa.

Perche una rete neurale puo essere piu efficace di un computer tradizionale?

Perche elabora l’informazione in parallelo e in modo distribuito. Questo la rende robusta di fronte a dati rumorosi o incompleti, capace di generalizzare dagli esempi e di completare informazioni parziali, compiti in cui i calcolatori seriali, pur precisi e veloci, incontrano difficolta.

Che cosa significa comportamento emergente in una rete neurale?

Significa che dalla interazione di regole locali semplici emergono proprieta globali complesse che nessuna singola unita possiede da sola. La rete, nel suo insieme, mostra capacita non programmate esplicitamente, un fenomeno chiave per collegare la struttura del cervello alle funzioni cognitive.