La Macchina della Mente: seconda parte

Che cosa sono i modelli di reti nervose

Un modello di rete nervosa è una rappresentazione semplificata, spesso matematica e informatica, del modo in cui i neuroni del sistema nervoso comunicano tra loro. L’obiettivo non è copiare il cervello cellula per cellula, impresa oggi impossibile, ma catturarne i principi essenziali di funzionamento e verificare se da essi possano emergere comportamenti simili a quelli osservati negli organismi viventi.

L’unità di base di questi modelli è il neurone artificiale: un elemento che riceve segnali in ingresso, li combina e produce un segnale in uscita quando supera una certa soglia di attivazione. Preso da solo, un neurone di questo tipo è capace di operazioni molto semplici. La potenza del sistema nasce quando moltissimi di questi elementi vengono collegati tra loro in fitte reti, esattamente come accade nel sistema nervoso biologico.

È proprio questo lo spunto che muove gran parte della ricerca: il gran numero di connessioni sinaptiche osservate tra i neuroni del sistema nervoso, unito alla variabilità dei coefficienti di trasmissione sinaptica, suggerisce che la mente lavori in un modo profondamente diverso da quello di un calcolatore tradizionale. Non un singolo processore che esegue istruzioni una dopo l’altra, ma una moltitudine di unità che elaborano informazione contemporaneamente.

Il paradigma connessionista

Il connessionismo è l’approccio teorico secondo cui le funzioni mentali emergono dall’interazione di moltissimi elementi semplici collegati in rete. In questa visione l’informazione non è conservata in un punto preciso, come un file in una cartella, ma è distribuita nell’intero schema delle connessioni e nella forza con cui ciascun collegamento trasmette il segnale.

Questa idea ha conseguenze importanti. In un sistema connessionista la conoscenza è ridondante e robusta: se alcune unità o alcuni collegamenti vengono danneggiati, il sistema non smette di funzionare di colpo, ma degrada gradualmente le proprie prestazioni. È una caratteristica che ricorda da vicino il comportamento del cervello reale, capace spesso di compensare lesioni parziali e di mantenere funzioni anche dopo danni circoscritti.

Elaborazione parallela contro elaborazione seriale

La differenza più evidente rispetto ai comuni calcolatori riguarda il modo di trattare l’informazione. Un computer tradizionale lavora in modo prevalentemente seriale: esegue una sequenza di operazioni una alla volta, con grande precisione e velocità sui compiti ben definiti. Una rete connessionista lavora invece in parallelo, perché tutte le sue unità possono attivarsi e influenzarsi nello stesso momento.

Questa elaborazione distribuita e parallela rende le reti nervose particolarmente adatte a compiti che mettono in difficoltà i calcolatori seriali: riconoscere un volto, completare una parola da poche lettere, ritrovare un ricordo a partire da un indizio frammentario. Sono operazioni in cui non esiste una regola rigida da applicare passo dopo passo, ma serve confrontare rapidamente l’ingresso con un’enorme quantità di esperienze passate. In questo senso le reti possono mostrare comportamenti per certi aspetti più “intelligenti” di quelli ottenibili con la sola programmazione seriale.

L’apprendimento e la regola di Hebb

Il vero cuore dei modelli connessionisti è l’apprendimento. Una rete non viene programmata con istruzioni esplicite per ogni situazione: impara modificando la forza delle proprie connessioni in base all’esperienza. Il principio più celebre che descrive questo processo risale a Donald Hebb, che nel 1949 propose un’ipotesi destinata a diventare un riferimento per tutta la disciplina.

La regola di Hebb si può riassumere in una formula intuitiva: quando due neuroni si attivano ripetutamente insieme, il collegamento tra loro si rafforza. In altre parole, le connessioni che vengono usate spesso e in modo coordinato diventano via via più efficaci, mentre quelle che restano inattive tendono a indebolirsi. È un meccanismo di rinforzo che lega la struttura della rete alla storia delle sue attivazioni.

Adattamenti e varianti di questo principio sono alla base di molti modelli di reti nervose. Grazie a regole di rinforzo di tipo hebbiano una rete può imparare a riconoscere regolarità nei dati, associare stimoli che si presentano insieme e formare rappresentazioni stabili senza che nessuno le abbia inserite dall’esterno. La memoria, in questa cornice, non è un cassetto in cui depositare ricordi, ma una proprietà che emerge dal modo in cui le connessioni si sono plasmate nel tempo.

Memorie distribuite e associative

Una conseguenza affascinante di questo modo di apprendere è la natura associativa della memoria nelle reti nervose. Poiché un ricordo corrisponde a uno schema di attivazione distribuito su molte unità, è possibile recuperarlo a partire da una parte soltanto dell’informazione originaria. Presentando alla rete un frammento di uno schema appreso, l’intera configurazione tende a ricostruirsi da sola, completando ciò che manca.

È un comportamento che assomiglia molto a ciò che sperimentiamo ogni giorno: un odore, una melodia o poche parole bastano a far riaffiorare un’esperienza intera. Le reti connessioniste offrono un modello plausibile di questo fenomeno, mostrando come la capacità di ricostruire il tutto dalla parte possa emergere naturalmente da un sistema di unità interconnesse, senza bisogno di un indirizzo preciso in cui il ricordo sarebbe archiviato.

Perché parlare di “macchina della mente”

L’espressione macchina della mente non va intesa come una riduzione meccanica dell’esperienza umana, ma come un programma di ricerca: capire fino a che punto i principi del calcolo e dell’elaborazione dell’informazione possano spiegare i processi mentali. I modelli di reti nervose sono uno strumento per mettere alla prova ipotesi sul cervello, costruendo sistemi artificiali e osservando se riproducono i fenomeni che vogliamo comprendere.

Questo approccio ha avuto un impatto enorme anche al di fuori della ricerca di base. Le moderne reti neurali artificiali, alla base di molte applicazioni di intelligenza artificiale, discendono direttamente da questa tradizione di pensiero. Riconoscimento di immagini, comprensione del linguaggio e traduzione automatica si fondano su architetture che, pur enormemente più complesse, conservano l’idea originaria: tante unità semplici, collegate in rete, che apprendono modificando i propri pesi.

Allo stesso tempo è importante riconoscere i limiti di questi modelli. Per quanto evoluti, restano semplificazioni del sistema nervoso e non rendono conto di tutta la ricchezza della biologia cerebrale. I modelli più sofisticati, capaci di simulare anche i comportamenti oscillatori e ritmici tipici delle reti neuronali reali, ampliano il quadro pur rientrando solo in parte nel paradigma connessionista, e mostrano quanto ancora resti da capire sul rapporto tra struttura e funzione nel cervello.

Domande frequenti

Che cos’è il paradigma connessionista?

È l’approccio secondo cui le funzioni mentali emergono dall’interazione di moltissimi elementi semplici, i neuroni, collegati in rete. L’informazione non risiede in un punto preciso, ma è distribuita nello schema delle connessioni e nella forza con cui ciascun collegamento trasmette il segnale.

In che modo le reti nervose si differenziano da un computer tradizionale?

Un computer comune elabora le istruzioni in modo seriale, una dopo l’altra. Una rete nervosa lavora in parallelo, con molte unità che si attivano contemporaneamente. Questo la rende più adatta a compiti come riconoscere volti o completare ricordi a partire da indizi parziali.

Che cos’è la regola di Hebb?

È il principio proposto da Donald Hebb nel 1949 secondo cui due neuroni che si attivano ripetutamente insieme rafforzano la connessione che li lega. Varianti di questa regola permettono alle reti di apprendere dall’esperienza modificando la forza dei propri collegamenti.

I modelli di reti nervose spiegano completamente il cervello?

No. Sono strumenti potenti per mettere alla prova ipotesi sul funzionamento mentale, ma restano semplificazioni. Non rendono conto di tutta la complessità biologica del sistema nervoso, e i comportamenti oscillatori delle reti reali richiedono modelli ancora più evoluti.