Animali cognitivi

Una delle sorprese per me più affascinanti nel meraviglioso mondo degli insetti è stato scoprire che le formiche allevano afidi (pidocchi delle piante) in un modo molto simile a come facciamo noi con i nostri animali domestici.
ad196390a887f4853be790e679386447
Il fenomeno noto come trofobiosi indica un rapporto di mutuo vantaggio tra le due specie. Le formiche si prendono cura dei pidocchi in un modo che potremmo definire quasi amorevole. Li nutrono coltivando le sostanze vegetali adatte a loro, li proteggono dai predatori, li curano dandogli riparo all’interno delle loro colonie, se li portano in giro sulla schiena, li coccolano.
In cambio ottengono melata, una sostanza zuccherina di scarto che gli afidi secernono, stimolati da una piccola pressione sul ventre.
Benché lo scambio tra i due assuma l’aspetto di un baratto spinto da motivazioni assolutamente razionali, si tratta in realtà di una interazione del tutto meccanica.
Se provate a solleticare il pancino di un afide con un capello, l’animaletto rilascia zucchero come un distributore automatico, senza avere nulla in cambio.
La secrezione da parte dell’afide non è un comportamento variabile, poiché è il risultato di un cablaggio diretto tra uno stimolo e una risposta preconfigurata. 
Un hardcode di questo tipo rappresenta una soluzione evolutiva vantaggiosa ed economica nella misura in cui il contesto all’interno del quale si muove l’organismo che la mette in atto non presenta grosse sorprese.
stimulus_response_med

Menti semplici e menti un po’ meno semplici

mg_5104scropbcropfsls-xlIl ragno saltatore è piuttosto minimalista nel categorizzare il mondo, o se non altro il suo mondo. Considera ogni cosa grande più o meno quanto lui e dotata di zampe come una femmina da corteggiare, anche nel caso in cui si tratti di un fantoccio molto stilizzato presentatogli da uno sperimentatore un po’ cattivo.
Anche in questo caso l’input visivo è sufficiente a determinare il comportamento.
Non bisogna pensare però che questo paradigma sia una prerogativa delle creature semplici, né che quest’ultime siano incapaci di applicare elaborazioni più complesse, come dimostra lo stesso ragno saltatore che dà prova di una efficiente memoria di lavoro e della capacità di scegliere il percorso ottimale, anche se macchinoso e innaturale, quando si tratta di procurarsi del cibo.
Evidentemente la ricerca di cibo nell’ambiente di un ragno impone sfide che hanno reso necessaria l’evoluzione di strategie adattive con una variabilità più ampia rispetto a quella richiesta dall’accoppiamento.
Il cablaggio diretto tra stimolo e risposta viene implementato ampiamente anche in animali più complessi, come osservò Pavlov nell’ormai noto riflesso condizionato che si verifica quando un cane, in presenza di cibo, inizia automaticamente a salivare.
72ff70c6cb32a57995de5d2081132da7
Di riflessi pavloviani ne abbiamo parecchi anche noi, quando ci viene la pelle d’oca per il freddo, quando arrossiamo a seguito di una situazione imbarazzante, quando le pupille si dilatano vedendo una ragazza affascinante, quando un forte spavento provoca un immediato innalzamento dell’adrenalina. Facciamo fatica a considerare queste reazioni come comportamenti alla stessa stregua di ciò che avviene quando dobbiamo decidere in quale fondo azionario investire i nostri risparmi, poiché tendiamo ad associare il concetto di comportamento ad un processo decisionale cosciente. Tuttavia si tratta in entrambi i casi di risposte elaborate dal cervello la cui differenza risiede nel fatto che quelle hard-wired sono state decise a monte dall’evoluzione che ha codificato in anticipo, e senza margine di manovra, la soluzione ottimale.
Ovviamente i comportamenti più sofisticati richiedono qualche elemento in più.
Prendiamo il caso del piviere, un uccello che depone le uova nel terreno e mette in atto una strategia molto ingegnosa per ingannare i predatori. Quando un pericolo si avvicina al nido, non potendo difendere la covata, elabora un diversivo basato sull’inganno.
Inizia a muoversi fingendo di essere ferito, inscenando una commedia con tanto di andatura zoppicante e lamenti via via più accentuati per attirare a sé il predatore allontanandolo dalle uova. La messinscena termina non appena il pericolo è sufficientemente lontano dal nido, e lo scaltro uccellino può spiccare il volo.
Ancora più interessante è il fatto che il piviere sembra essere in grado di valutare quando è il caso di ricorrere a questa strategia (che ha comunque dei costi e dei rischi potenziali) e quando invece è sufficiente nascondersi meglio nell’erba alta.
Rispetto al caso del riflesso condizionato, il cervello dell’animale deve elaborare una quantità decisamente superiore di variabili, incrociando gli stimoli provenienti dall’ambiente esterno con una serie di parametri interni, e applicando regole dinamiche che possono essere modulate e perfezionate nel tempo.
Variabilità, memoria, valutazione di stati interni, apprendimento e capacità di correzione sono gli elementi costitutivi di quello che chiamiamo comportamento cognitivo, e con il quale si intende sottolineare che la sequenza lineare stimolo-risposta non è sufficiente in un contesto adattivo, ma richiede uno strato intermedio che tenga conto dei dati in arrivo da molteplici direzioni.
Non significa che non ci sia alcun cablaggio, ma sicuramente non può essere né preconfigurato, né diretto.

Uno sguardo dentro la black box

Immaginiamo allora il nostro piviere alle prese con un potenziale pericolo. Il suo cervello deve disporre di un sistema per riconoscere un predatore.
Se il piviere fosse un ragno saltatore adotterebbe il meccanismo semplificato a due livelli (S => R) secondo il quale tutto ciò che si muove ed è troppo grande per i suoi standard va evitato. Ma l’ecosistema complesso e in continuo mutamento in cui si muove il pennuto richiede capacità di discernimento che possano fronteggiare problemi ai quali l’evoluzione non può dare una risposta a priori. Il piviere deve essere in grado di capire che un orso costituisce un problema, anche se non ne ha mai visto uno, mentre un pezzo di pane può costituire una fonte di cibo, anche se il pane non è un elemento noto nella sua storia evolutiva. In pratica, deve poter suddividere il mondo in un ventaglio di categorie più ampie, elaborate al momento. Tale suddivisione, però, non può essere il risultato di una conoscenza, altrimenti si porrebbe di nuovo il problema di avere una base informativa troppo ampia, dispendiosa e frastagliata. Al contrario, deve essere frutto di una elaborazione ottimizzata di volta in volta, attraverso una specie di algoritmo riprogrammabile.
Il modello che descrive questo tipo di comportamento è quello delle reti neurali, strutture composte da unità di elaborazione interconnesse il cui unico compito è quello di processare un dato in entrata e produrre un valore in uscita sulla base di semplici regole di fabbrica.
Tali unità di calcolo (i neuroni), sono organizzati su tre livelli concettuali: quello sensoriale (della percezione), quello cognitivo (che potremmo definire di decisione) e quello effettuale (dell’azione).
nn_blog

Lo strato percettivo raccoglie le informazioni provenienti dai canali sensoriali (vista, udito, olfatto) e le trasferisce alle altre unità di calcolo, ciascuna delle quali elabora una risposta parziale sulla base della propria configurazione. La rete deve valutare la forma, il colore, le dimensioni dell’oggetto non identificato. Ma anche l’odore, i suoni emessi, la posizione nello spazio. Deve rilevare se l’oggetto è in movimento e se si tratta di un movimento biologico. E’ un animale, una pianta, una roccia o un cartellone pubblicitario? Ha avuto esperienze simili in precedenza, e come si sono concluse?

La risposta, che si traduce in un’azione specifica, ad esempio nascondersi, fuggire o lanciare un segnale di allarme, per via della sua variabilità può risultare perfettamente adeguata così come dare luogo a falsi positivi, quando identifica uno spaventapasseri come un pericolo, o a falsi negativi, quando un predatore sfrutta il mimetismo per assumere sembianze apparentemente innocue.

Cognizione, intelligenza, pensiero. Facciamo il punto

Cosa intendiamo allora quando parliamo di cognizione negli animali?

Per rispondere a questa domanda consideriamo i sistemi di intelligenza artificiale in cui le reti neurali vengono implementate per il pattern recognition o per giocare a scacchi talmente bene da battere il campione del mondo.

Il paradigma del machine learning richiede una fase iniziale di apprendimento (o precaricamento) durante la quale la rete viene istruita attraverso una grande mole di dati che gli servirà per tarare le configurazioni delle proprie risposte, con un processo analogo a quello che la selezione naturale ha realizzato durante l’evoluzione delle reti biologiche.
Prendiamo CaptionBot, un sistema per il riconoscimento di immagini in grado di descrivere testualmente ciò che vede. Il suo strato percettivo è l’interfaccia che permette il caricamento dell’immagine, quello effettuale (l’output prodotto) è dato dal messaggio di testo che appare sullo schermo. Il comportamento cognitivo del bot viene implementato dalla rete neurale che effettua l’analisi visuale e utilizza il linguaggio naturale per descriverla.

Ecco come se la cava se gli sottoponiamo alcune fotografie prese a caso.Screenshot (12)Screenshot (8)Screenshot (14)

Nonostante CaptionBot ogni tanto si sbagli (ha scambiato una mitraglietta per un controller della Wii, e sembra vada in confusione con le patate, ad esempio), è difficile non rimanere sorpresi di fronte alla sua capacità di categorizzare ed esprimersi.

La sua intelligenza artificiale non è stata programmata per riconoscere autobus, calciatori, torte, giraffe, attori come Michael Douglas o qualsiasi altro oggetto gli venga presentato ma per assumere configurazioni e apprendere dai propri risultati.
CaptionBot utilizza termini quali “penso che”, “non sono molto sicuro”, ma capisce davvero quello che sta facendo? Conosce il significato delle descrizioni che produce? E’ intelligente nel senso comune del termine? Pensa?
Ovviamente no, e possiamo affermarlo con sicurezza perché ne conosciamo l’architettura costruttiva e possiamo escludere che dietro la sua interfaccia vi sia una mente cosciente. Ma se al posto di una macchina artificiale ce ne fosse una biologica, come un pappagallo, in grado di vedere e rispondere alle nostre domande, il giudizio su di lei cambierebbe? Probabilmente saremmo disposti ad attribuirgli stati mentali, a credere che l’animale sa ciò che sta facendo, è consapevole delle proprie competenze. Potremmo addirittura essere tentati di ritenere che l’animale non solo sa, ma sa di sapere. In altre parole saremmo portati ad attribuirgli conoscenza e una struttura di pensiero capace di fungere da architettura della conoscenza.
Eppure un pappagallo è dotato di una rete neurale qualitativamente non troppo diversa da quella implementata su CaptionBot.
L’aspetto interessante di una rete neurale è proprio il suo essere agnostica, e questo è particolarmente evidente in una rete artificiale.
Le informazioni si propagano al suo interno e vengono di volta in volta elaborate
seguendo i percorsi tra le varie unità di calcolo che producono risposte amplificando o inibendo un input e trasferendolo all’unità successiva.
Tali informazioni sono codificate in segnali privi di un significato. La rete non sa cosa sta elaborando, non conosce la domanda alla quale deve rispondere. 
Le connessioni, tuttavia, permettono di combinare risposte parziali provenienti dalle varie unità e generare così una composizione estremamente variabile di risultati possibili, la cui bontà è valutata da un meccanismo di rinforzo (positivo o negativo) che rimodula le configurazioni utilizzate per elaborare gli stessi input alla prossima occasione. E’ questa la capacità che una rete neurale ha per riprogrammare se stessa.
Il comportamento cognitivo negli animali viene spesso associato ad una qualche forma di pensiero, come se la capacità di elaborare una risposta adeguata e adattiva, quella che di fatto è una computazione, richiedesse i pensieri intesi come entità che guidano il processo decisionale. Secondo questa visione un animale cognitivo appare come un agente che riflette sulle opzioni possibili, seleziona le scelte, decide quale soluzione mettere in atto. In definitiva, pensa.
Osservando il modello delle reti neurali, tuttavia, è impossibile individuare dove risieda la cognizione, poiché non si tratta di un modulo la cui presenza o assenza determina qualitativamente il comportamento. Al contrario, cognitivo è il nome che diamo ad una modalità di funzionamento, in particolare quella di un sistema computazionale multilivello (n-tier) che utilizza un algoritmo di azione (feedforward) e retroazione (backpropagation) per correggere l’errore e ricalibrare il sistema stesso.  Tale modalità è comune a gran parte delle menti animali, siano essi mammiferi, uccelli, rettili o organismi cosiddetti inferiori, poiché è il tipo di soluzione più efficace che l’evoluzione ha escogitato per realizzare piattaforme di apprendimento.
deep-neural-networks-1
Il comportamento cognitivo non è una caratteristica fisica intrinseca dell’animale, poiché non si trova da nessuna parte all’interno della rete. La risposta intelligente che ne risulta è una proprietà emergente dal sistema, una chiave di lettura che un osservatore esterno attribuisce al fenomeno.
Parlare di ragionamento non è sbagliato purché abbandoniamo l’idea dualistica di un agente che, come in una cabina di pilotaggio, manda in esecuzione i propri sistemi di elaborazione e valuta a posteriori la soluzione da adottare.
L’animale cognitivo non è un io che possiede una rete neurale, l’io è la rete neurale stessa, il ragionamento è il processo stesso di elaborazione, e la decisione è il pattern di attivazione, ovvero la configurazione finale assunta dalla rete che origina la risposta.
In tutto questo groviglio di connessioni il pensiero cosciente non è una condizione necessaria.

Bibliografia e approfondimenti

Come funziona la mente – Steven Pinker
La mente e le menti – Daniel Dennett
La mente silenziosa – Felice Cimatti
La mente che scodinzola – Giorgio Vallortigara
Formiche – Bert Hölldobler, Edward O. Wilson

Sulle reti neurali e il deep learning
Annunci

Rispondi

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

Logo WordPress.com

Stai commentando usando il tuo account WordPress.com. 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 )

Google+ photo

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

Connessione a %s...