Una macchina con una comprensione di causa ed effetto potrebbe imparare di più come un essere umano, attraverso l’immaginazione e il rimpianto. Rohit Bhattacharya, quando ha iniziato il suo dottorato di ricerca in informatica, aveva l’obiettivo di costruire uno strumento che potesse aiutare i medici a identificare le persone malate di cancro che avrebbero risposto bene all’immunoterapia. Tuttavia, si è scontrato con il vecchio detto secondo cui la correlazione non è uguale alla causalità, un ostacolo fondamentale nell’intelligenza artificiale (AI).
Le macchine possono essere addestrate a individuare schemi nei dati, ma quando si tratta di causa ed effetto, le macchine sono generalmente in perdita. L’assenza di una comprensione di buon senso di come funziona il mondo rende difficile per le macchine comprendere le cause degli eventi e come questi possano influenzare gli effetti.
L’inferenza causale, un modo formale e matematico per accertare se una variabile influisce su un’altra, potrebbe essere la soluzione a questo problema. Gli scienziati informatici stanno lavorando per fondere la causalità con l’intelligenza artificiale per dare alle macchine la capacità di affrontare domande e prendere decisioni migliori, imparare in modo più efficiente e adattarsi al cambiamento.
Un vantaggio del ragionamento causale è che potrebbe rendere l’IA più in grado di affrontare circostanze mutevoli. L’IA basata sulle associazioni nei dati è estremamente vulnerabile a qualsiasi cambiamento nel modo in cui tali variabili sono correlate. Invece, un modello causale consente al sistema di conoscere molte possibili relazioni e adattarsi rapidamente ai cambiamenti.
La capacità di immaginare diversi scenari potrebbe anche aiutare a superare alcuni dei limiti dell’IA esistente, come la difficoltà di reagire a eventi rari. Utilizzando i controfattuali per apprendere le regole su come funzionano le cose, le macchine potrebbero essere meglio preparate per eventi rari.
Lavorare da regole causali piuttosto che da un elenco di esempi precedenti alla fine rende il sistema più versatile. Se i ricercatori riescono a costruire la causalità nel calcolo, potrebbe portare l’IA a un livello completamente nuovo di sofisticazione.
Anche ChatGPT, il popolare generatore di linguaggio naturale, potrebbe trarre vantaggio dall’incorporazione della causalità. Con la causalità, ChatGPT potrebbe costruire un piano coerente per ciò che stava cercando di dire e garantire che fosse coerente con i fatti così come li conosciamo.
Quindi, l’inclusione della causalità nell’intelligenza artificiale potrebbe portare a macchine più sofisticate e versatili che sono in grado di comprendere meglio il mondo e prendere decisioni più precise.