Nonostante i progressi straordinari dell’intelligenza artificiale (IA) nel superare campioni mondiali a scacchi, generare opere d’arte straordinarie e scrivere codice in tempi record, quando si tratta di comprendere fenomeni fisici di base, come il motivo per cui una palla cade verso il basso invece che verso l’alto, o prevedere cosa accade quando si spinge un bicchiere fuori da un tavolo, le IA spesso falliscono in modi che stupirebbero un bambino.
I modelli di linguaggio avanzati, come quelli sviluppati da OpenAI e altre aziende, possono risolvere equazioni complesse, spiegare principi di termodinamica e persino aiutare a progettare esperimenti. Tuttavia, questa apparente competenza nasconde limitazioni fondamentali. Studi recenti hanno dimostrato che, mentre gli strumenti di IA mostrano buone prestazioni in domande teoriche, faticano con la risoluzione pratica dei problemi, soprattutto in aree che richiedono una comprensione concettuale profonda e calcoli complessi.
La comprensione della fisica negli esseri umani inizia prima ancora che possiamo camminare. I neonati mostrano sorpresa quando gli oggetti sembrano violare le leggi fisiche di base, suggerendo una base innata per il ragionamento fisico. Questo apprendimento intuitivo si sviluppa attraverso l’interazione costante con il mondo fisico. Quando un bambino lascia cadere un giocattolo, sta conducendo esperimenti di fisica. Impara la gravità, il momento e le relazioni causa-effetto attraverso l’esperienza diretta. Questo apprendimento incorporato crea modelli mentali robusti che generalizzano nuove situazioni.
I sistemi di IA affrontano i problemi di fisica in modo fondamentalmente diverso rispetto agli esseri umani. Si basano sul riconoscimento dei modelli attraverso vasti set di dati piuttosto che costruire modelli concettuali di come funziona il mondo. Questo approccio ha punti di forza e debolezze critiche. Quando incontrano problemi familiari che corrispondono ai loro dati di addestramento, i sistemi di IA possono apparire notevolmente competenti. Possono risolvere problemi di fisica da manuale e persino scoprire nuovi modelli in dati scientifici complessi. Tuttavia, questo successo è spesso fragile e fallisce quando si affrontano situazioni nuove. Il problema principale è che i sistemi di IA apprendono correlazioni senza necessariamente comprendere la causa e l’effetto. Possono imparare che determinate relazioni matematiche prevedono determinati risultati senza capire perché tali relazioni esistono o quando potrebbero fallire.
Una delle principali limitazioni degli attuali sistemi di IA è la loro difficoltà con ciò che i ricercatori chiamano “ragionamento compositivo”. Gli esseri umani comprendono naturalmente che fenomeni fisici complessi derivano dall’interazione di principi più semplici. Possiamo scomporre situazioni complicate in parti componenti e ragionare su come interagiscono. I sistemi di IA spesso faticano con questo tipo di comprensione gerarchica. Possono eccellere nel riconoscere modelli specifici ma non comprendere come principi fisici di base si combinano per creare comportamenti più complessi. Questa limitazione diventa particolarmente evidente in scenari che coinvolgono più oggetti o sistemi che interagiscono.
L’intuizione fisica umana è profondamente connessa alla nostra esperienza fisica del mondo. Comprendiamo concetti come forza e resistenza attraverso i nostri muscoli, l’equilibrio attraverso l’orecchio interno e il momento attraverso il nostro movimento. Questa comprensione incarnata fornisce una base ricca per il ragionamento fisico. Gli attuali sistemi di IA mancano di questa esperienza incarnata. Elaborano la fisica come relazioni matematiche astratte piuttosto che come esperienze vissute. Questa assenza di incarnazione fisica potrebbe essere una delle ragioni per cui i sistemi di IA spesso faticano con compiti di ragionamento fisico apparentemente semplici che i bambini piccoli padroneggiano facilmente.
I sistemi di IA eccellono nel trovare modelli statistici in grandi set di dati, ma la fisica non riguarda solo la statistica. Le leggi fisiche rappresentano verità fondamentali su come funziona il mondo, non solo correlazioni osservate. Questa distinzione diventa cruciale quando si trattano casi limite o situazioni nuove. La ricerca recente dimostra che l’IA generalmente fatica a riconoscere quando commette errori, in particolare in aree che richiedono una comprensione concettuale profonda. Questa mancanza di consapevolezza dei propri limiti può portare a previsioni errate ma sicure in scenari fisici.
Gli esseri umani eseguono naturalmente simulazioni mentali di scenari fisici. Possiamo immaginare di lasciare cadere un oggetto e prevedere la sua traiettoria, o visualizzare il flusso dell’acqua attraverso un tubo. Questi modelli mentali ci permettono di ragionare sulla fisica in modi che vanno oltre le formule memorizzate. Mentre i sistemi di IA possono eseguire simulazioni fisiche sofisticate, spesso faticano a collegare queste simulazioni alla comprensione intuitiva. Potrebbero modellare accuratamente il comportamento matematico di un sistema senza capire perché quel comportamento si verifica o come potrebbe cambiare in condizioni diverse.
L’intuizione fisica umana è notevolmente flessibile e consapevole del contesto. Regoliamo automaticamente le nostre aspettative in base alla situazione. Sappiamo che gli oggetti si comportano diversamente nell’acqua rispetto all’aria, o che gli stessi principi si applicano in modo diverso a diverse scale. I sistemi di IA spesso faticano con questo tipo di ragionamento contestuale. Possono applicare modelli appresi in modo inappropriato o non riconoscere quando il contesto cambia i principi fisici rilevanti. Questa inflessibilità limita la loro capacità di gestire gli scenari fisici ricchi e vari che gli esseri umani navigano senza sforzo.
Le limitazioni dell’attuale IA nella comprensione della fisica indicano domande più profonde sulla natura dell’intelligenza e della comprensione. La vera intuizione fisica sembra richiedere più del riconoscimento dei modelli e dell’analisi statistica. Gli esseri umani sviluppano quelli che potrebbero essere chiamati “modelli causali” del mondo fisico. Comprendiamo non solo cosa accade, ma perché accade e in quali condizioni. Questa comprensione causale ci permette di generalizzare a nuove situazioni e fare previsioni su scenari che non abbiamo mai incontrato. Gli attuali sistemi di IA, nonostante le loro capacità impressionanti, operano principalmente attraverso il riconoscimento sofisticato dei modelli. Mancano dei modelli causali profondi che sembrano essenziali per un ragionamento fisico robusto.
I ricercatori stanno lavorando attivamente su diversi approcci per colmare il divario tra il calcolo dell’IA e la comprensione fisica simile a quella umana. Questi includono lo sviluppo di modelli di ragionamento più sofisticati, l’incorporazione dell’apprendimento incarnato e la creazione di sistemi che possano costruire e testare modelli causali del mondo fisico. I recenti progressi includono sistemi di deep learning ispirati alla psicologia dello sviluppo che possono apprendere regole di base del mondo fisico, come la solidità degli oggetti.