Yoshua Bengio, uno dei ricercatori che hanno contribuito maggiormente allo sviluppo del deep learning, ha affermato che l’intelligenza artificiale non riuscirà a raggiungere il massimo potenziale finché non comprenderà i rapporti fra causa ed effetto.
Intervistato da Wired, Bengio ritiene che l’AI come è ora non vada molto oltre il riconoscimento dei pattern, il che va bene quando deve risolvere problemi specifici o essere usata in ambienti limitati. Ma il vero salto in avanti, quello che potrebbe portare a una reale rivoluzione dell’intelligenza artificiale, si avrà quando essa riuscirà a comprendere il nesso causale fra due o più eventi.
Il problema è che il deep learning attualmente non è in grado di imparare la relazione fra causa ed effetto. Quella che manca, in altre parole, è la capacità di generalizzare, di trasportare gli insegnamenti da una situazione all’altra.
Uno degli esempi fatti nell’articolo riguarda la correlazione fra cancro ai polmoni, il fumo di sigaretta e le visite in ospedale. Per un algoritmo di deep learning la malattia è correlata sia al fumo, sia alle visite in ospedale, ma l’algoritmo non capisce che essa viene causata dal fumo e non dalle visite in ospedale (che al massimo sono una conseguenza).
Bengio, nel tentativo di colmare questa lacuna, sta lavorando a una versione del deep learning che riconosca semplici relazioni fra causa ed effetto, pubblicando la ricerca su arXiv.
L’intera intervista di Wired è disponibile qui: An AI Pioneer Wants His Algorithms to Understand the ‘Why’
