Extended Summary of " A Conceptual Bio-Inspired Framework for the Evolution of Artificial General Intelligence"
1. UNIVERSITA’ DEGLI STUDI DI TRIESTE
Dipartimento di Ingegneria e Architettura
Corso di Laurea Triennale in Ingegneria Elettronica ed Informtica con
curriculum Biomedico
Extended Summary of " A Conceptual
Bio-Inspired Framework for the Evolution
of Artificial General Intelligence"
Relatore:
Prof. Ing.
ERIC MEDVET
Presentata da:
NICOLETTA GIURGEVICH
Anno Accademico 2020/2021
3. Indice
1 Introduzione 3
2 Approcci e lavori correlati 4
3 Metodo e finalità dello studio 4
4 Terminologia e concetti 5
5 Conclusione 6
2
4. 1 Introduzione
L’articolo proposto affronta il tema dell’evoluzione dell’Intelligenza Artificiale
Generale (AGI), identificabile (anche se non esiste una sua definizione univo-
ca e certificata) come l’abilità ipotetica di un agente intelligente (macchina) di
comprendere e apprendere i compiti intellettuali che un essere umano è in grado
di svolgere.
In particolare è d’interesse la capacità di comprensione ed elaborazione degli
stimoli sensoriali provenienti dall’esterno e la conseguente predisposizione verso
l’adattamento all’ambiente circostante e ai suoi continui cambiamenti.
Il cervello rappresenta una complessa macchina computazionale che ha permesso
agli organismi viventi, nel corso delle diverse generazioni, di essere naturalmen-
te selezionati poiché in grado di adattarsi e apprendere quali input sensoriali
influissero positivamente, e quindi fungessero da gratificazioni e quali negati-
vamente, e quindi fungessero da penalità, rispetto alla propria sopravvivenza e
riproduzione.
Allo stesso modo, la ricerca proposta, volge a trovare agenti che si evolvano
all’interno di ambienti dinamici e mutevoli ed "imparino ad imparare".
I concetti cardine di tale studio sono rappresentati dalla metodologia di ap-
prendimento degli agenti, si tratta infatti di "autoapprendimento" per mezzo
di personificazione, la tipologia di ambiente circostante (di cui gli agenti non
hanno conoscenze pregresse), che è in continua mutazione e infine l’evoluzione e
la "complessificazione" delle topologie delle reti neurali; due dei fattori soggetti
al processo evolutivo.
Il testo si propone quindi di affrontare in modo narrativo la ricerca dell’Intelli-
genza Artificiale nella sua forma più semplice, che definiamo come un "agente in
grado di apprendere e adattarsi in ambienti circostanti distinti e di complessità
crescente".
In particolare, il modello proposto è basato sul concetto di " NeuroEvoluzione
dell’Intelligenza Artificiale Generale" (NAGI) sviluppato tramite un prototipo
di neurone artificiale, verosimile in senso biologico, basato sul funzionamento
reale delle reti neurali e sulla trasmissione sinaptica tramite impulsi nervosi
(comunemente detti Spike), che permettono la propagazione dell’informazione
da un neurone ad un altro.
All’interno di tale sistema verranno inclusi algoritmi di apprendimento, che sa-
ranno soggetti al processo evolutivo, e si osserverà che gli agenti selezionati per
la riproduzione e che presentano un’aspettativa di vita maggiore, saranno quelli
distintisi per la propria capacità di autoapprendimento e adattamento a nuovi
contesti e situazioni esterne.
3
5. 2 Approcci e lavori correlati
Il testo riunisce al suo interno diversi approcci allo studio dell’Intelligenza Artifi-
ciale, definendo "SNN" le "reti neurali basate sugli Spike" ovvero sistemi formati
da numerosi neuroni artificiali verosimili, che comunicano gli uni con gli altri
tramite la propagazione di un segnale sotto forma di scariche elettriche, gli Spi-
ke, generatisi in seguito al raggiungimento di un valore soglia del potenziale
d’azione.
Viene inoltre indicata con "NEAT" la "NeuroEvoluzione delle Topologie incre-
mentali", ovvero una metodica che sfrutta algoritmi genetici "GA" per favorire
l’accrescimento delle dimensioni topologiche delle reti neurali artificiali e otti-
mizzarne le funzionalità.
Negli algoritmi di apprendimento senza supervisione, come quelli considerati
nel testo, i valori target sono sconosciuti e la rete apprende autonomamente,
identificando i modelli nascosti nell’input fornito dall’ambiente circostante e
dalle sue continue variazioni.
Nel testo viene inoltre fatto riferimento e data breve spiegazione di lavori a
esso correlati, che vi si diversificano per le caratteristiche dell’ambiente esterno
considerato, in quanto statico e non in continua evoluzione (in tale situazione
si perde parte del concetto di capacità di autoapprendimento dell’agente), o
per le modalità stesse di apprendimento che non è autonomo ma controllato e
rinforzato.
Ulteriori studi prevedono anche ambienti multi-agente, relativamente simili a
quelli che si presentano in natura, in cui i singoli soggetti devono adattarsi a
situazioni di cooperazione ma anche di competizione vicendevole.
3 Metodo e finalità dello studio
L’obbiettivo che si pone lo studio esposto all’interno dell’articolo è d’imitare
nella maniera più simile possibile l’evoluzione naturale degli organismi biologici
e la loro propria capacità di adattamento ad ambienti mutevoli, tramite le
potenzialità dell’Intelligenza Artificiale Generale, a partire dalle più semplici
forme di organismi viventi.
Al fine di realizzare ciò, viene proposto un modello minimalistico di neurone
artificiale inserito all’interno di un ambiente dinamico e integrato in una rete
neurale che si basa su scariche elettriche dette "Spike" e che viene inizializzato
in maniera casuale.
4
6. L’obbiettivo di un agente è quello di possedere una topologia che sia in gra-
do di supportare e favorire l’abilità di "imparare ad imparare" e di conseguente
adattamento, non soltanto a un singolo ambiente ma a diversi ed eterogenei
ambienti nel corso del tempo.
L’apprendimento neurale avviene tramite la neuroplasticità e l’utilizzo delle in-
formazioni estratte dai dati ambientali, comprendenti penalità e ricompense,
che vengono percepiti dall’agente tramite input sensoriali.
In tale caso si verifica che essi risulteranno essere più propensi a sopravvivere
nel momento in cui effettueranno delle azioni corrette.
Il risultato atteso sarebbe un sistema che si evolve autonomamente e senza su-
pervisione diretta e che impara senza la necessità di allenamenti espliciti e mi-
rati, ma tramite la creazione e lo sviluppo della capacità di autoapprendimento
mediante personificazione.
4 Terminologia e concetti
All’interno del testo vengono poi proposte delucidazioni a proposito di alcuni
argomenti necessari a una più completa ed efficace comprensione di tale studio.
A proposito della rappresentazione dei dati che scorrono all’interno della rete
neurale a controllo degli agenti, essi sono generalmente codificati come frequen-
ze di scarica, ovvero numero di Spike al secondo, rappresentati tipicamente con
numeri naturali tra lo zero e l’uno.
Per quanto riguarda invece il concetto di autoapprendimento tramite personi-
ficazione o incarnazione, esso prevede che un agente impari tramite le reazioni
stesse dell’ambiente all’interno del quale viene inserito e tramite la percezione
di input comprendenti ricompense e penalità.
E’ infatti fondamentale inserire l’agente all’interno di ambienti reattivi in cui
vi possano essere interazioni vicendevole tra i due (agente e ambiente).
Considerando il discorso sopra, osserviamo che l’obiettivo evoluzionistico degli
agenti è quello di sopravvivere adattandosi ai continui cambiamenti dell’am-
biente che li circonda, come avviene per gli organismi viventi a contatto con la
natura, che in certi casi hanno sviluppato, con il passare del tempo, meccani-
smi di adattamento atti a favorire la propria sopravvivenza come ad esempio la
possibilità di mimetizzazione.
Gli agenti che agiscono correttamente all’interno di distinti ambienti saranno
più propensi a evolversi ulteriormente e andare avanti con le generazioni suc-
cessive.
Viene poi chiarito il concetto di Neuroplasticità sottolineando che ogni neurone
all’interno della rete neurale potrebbe presentare delle regole di plasticità di-
5
7. stinte.
Tale concetto si riferisce a cambiamenti nell’organizzazione e nella struttura dei
neuroni, in grado di spiegare varie forme di modificazioni comportamentali, che
vanno dall’apprendimento all’acquisizione di nuove capacità e pratiche motorie.
Infine per quanto concerne il concetto di NeuroEvoluzione, esso permette la cre-
scita e la "complessificazione" delle topologie delle reti neurali, infatti gli agenti
vengono comunemente inizializzati con reti neurali minimali prive di conoscenze
e inseriti all’interno di ambienti dinamici.
L’aspettativa di vita degli agenti viene utilizzata come valutazione del loro stato
e della capacità di adattamento.
Tale aspettativa viene ridotta più velocemente, nel momento in cui le azioni ef-
fettuate dall’agente non siano corrette ed egli riceva quindi una penalità, mentre
al contrario, viene ridotta meno velocemente in caso di ricompense.
Nonostante ciò gli agenti presentano comunque un’aspettativa di vita massima
non infinita, anche nel caso in cui essi eseguano sempre l’azione corretta.
5 Conclusione
Si osserva che una delle fondamentali differenze che sussiste tra Intelligenza
Artificiale e Intelligenza Artificiale Generale è proprio la capacità di apprendi-
mento.
L’obiettivo di tale ricerca è infatti quello di individuare un sistema di "AGI" che
permetta il continuo adattamento e l’autoapprendimento tramite i tre princi-
pali livelli di auto-organizzazione dei sistemi viventi: filogenesi, ontogenesi ed
epigenesi.
Il modello neurale proposto includerà quindi nelle sue future estensioni sviluppi
e processi morfogenetici, oltre ad una possibile estensione a sistemi di vita arti-
ficiali multi-agente, che favoriscono lo sviluppo di strategie di apprendimento e
adattamento più avanzate basate sia sulla collaborazione che sulla competizione
vicendevole.
E’ possibile in conclusione dire che l’articolo propone una descrizione gene-
rale romanzata per il concetto di " NeuroEvoluzione dell’Intelligenza Artificiale
Generale" (NAGI) nella sua più semplice forma.
In cui l’abilità di adattamento degli agenti è il risultato dell’autoapprendimento
tramite personificazione mediante la percezione come input sensoriali dei dati
ambientali, all’interno dei quali sono già incorporate gratificazioni e penalità,
un discorso che potrà in seguito essere esteso a compiti e ambienti di comples-
sità crescente.
6
