L’iniziativa fu organizzata da John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon grazie ad finanziamento della Fondazione Rockfeller. Il progetto diede un nome ed un forte impulso ad un nuovo campo di ricerca, che fu detto artificial intelligence. L’obiettivo era capire se apprendimento, linguaggio, ragionamento e soluzione dei problemi potessero essere prima descritti e poi simulati con l’uso dei computer. Per questo si dice che a Dartmouth è nata l’intelligenza artificiale come disciplina autonoma, anche se come vedremo molte delle idee su cui si basava erano già state sviluppate negli anni precedenti.
Prima della conferenza di Dartmouth.
La strada per arrivare a Dartmouth fu lunga. L’idea di una macchina capace di comportarsi intelligentemente non nasce soltanto dalla logica matematica e dall’informatica ed infatti negli anni quaranta del secolo scorso si sviluppò un’altra linea di ricerca destinata ad avere un’importanza enorme nei decenni successivi: il tentativo di descrivere il funzionamento del cervello attraverso modelli matematici di neuroni artificiali.
Nel 1943 il neurofisiologo Warren McCulloch e il giovane matematico Walter Pitts, suo collaboratore ed amico, pubblicarono un articolo destinato a diventare uno dei testi fondativi delle reti neurali artificiali: A Logical Calculus of the Ideas Immanent in Nervous Activity. L’idea era davvero molto innovativa: se il cervello è formato da cellule nervose che ricevono segnali, li combinano e producono a loro volta segnali, forse è possibile rappresentare questo comportamento attraverso un modello matematico molto semplificato. Il loro neurone artificiale non cercava di riprodurre tutta la complessità biologica di un neurone reale, ma lo sintetizzava con un’astrazione matematica. Il neurone riceveva diversi segnali in ingresso, li combinava e quindi produceva un’uscita quando la somma degli stimoli superava una determinata soglia; possiamo immaginarlo come una funzione che riceve diversi valori, attribuisce loro un certo peso, li somma e decide se attivarsi oppure no. In pratica McCulloch e Pitts volevano capire se fosse possibile descrivere matematicamente il comportamento di una rete di elementi. Il loro modello mostrava che collegando opportunamente neuroni artificiali era possibile rappresentare operazioni logiche e quindi costruire delle reti capaci di realizzare certe funzioni computazionali.
Al di là del dato tecnico la conseguenza concettuale era enorme. Se una singola unità molto semplice poteva svolgere una piccola operazione e se molte unità potevano essere collegate tra loro, allora forse l’intelligenza non doveva essere cercata in un singolo elemento estremamente sofisticato, ma nell’organizzazione di una rete di elementi semplici. Questa intuizione si collegava in modo sorprendente alla riflessione di Turing, che a sua volta aveva iniziato a considerare il cervello come un sistema da pensare in termini computazionali. Dopo la Seconda guerra mondiale lo studioso arrivò a immaginare reti di elementi semplici, inizialmente organizzati in modo casuale e poi, attenzione, modificabili attraverso l’addestramento. La strada che conduce all’intelligenza artificiale, dunque, proseguiva già allora in due direzioni diverse: da una parte il calcolo simbolico, la logica e le regole; dall’altra il connessionismo, cioè l’idea che capacità complesse potessero emergere dall’interazione di moltissime unità simili ai neuroni biologici.
Restava un problema fondamentale: come fa una rete di neuroni a imparare?
Un modello nel quale i neuroni sono collegati in maniera fissa può eseguire determinate operazioni, ma non spiega ancora l’apprendimento. Perché un’esperienza dovrebbe modificare il comportamento della rete? Per rispondere a questa domanda bisogna introdurre il concetto di sinapsi. Nel cervello, infatti, i neuroni comunicano tra loro attraverso connessioni, dette sinapsi. Non si tratta solo di un filo che collega due cellule: la trasmissione del segnale può essere modulata e le connessioni possono modificarsi nel tempo. L’idea che l’esperienza potesse produrre modificazioni nelle connessioni tra neuroni sarebbe diventata centrale per la spiegazione biologica dell’apprendimento.
Qui entra in scena Donald Olding Hebb, psicologo e neurofisiologo canadese. Nel 1949 pubblicò The Organization of Behavior, un libro destinato a esercitare un’influenza enorme sulla psicologia, sulle neuroscienze e, successivamente, sulle reti neurali artificiali. Hebb cercava di spiegare come processi psicologici complessi, come l’apprendimento e la memoria, potessero essere collegati al funzionamento del cervello. La sua intuizione più famosa si riassume in un gioco di parole, “neurons that fire together, wire together”; ciò significa che i neuroni che si attivano insieme tendono a collegarsi strettamente tra di loro. Hebb sosteneva che quando un neurone A contribuisce ripetutamente all’attivazione di un neurone B, l’efficacia della connessione tra i due può aumentare. In tal modo l’esperienza può modificare fisicamente o funzionalmente la rete nervosa.
È una intuizione importantissima.
In pratica, se una persona vede ripetutamente insieme due elementi, per esempio un determinato oggetto e il suo nome, l’attività simultanea di gruppi di neuroni può contribuire a rafforzare le associazioni tra le rappresentazioni corrispondenti. Hebb non pensava ad un algoritmo informatico, ma aveva elaborato una teoria neuropsicologica dell’organizzazione del comportamento. La sua idea poteva essere tradotta in termini matematici e diventare una regola per modificare i “pesi” delle connessioni di una rete artificiale. Ed è proprio qui che si stabilisce il collegamento storico fra neuroni biologici, sinapsi e reti neurali artificiali. Nel modello di McCulloch e Pitts, il neurone artificiale riceve segnali e decide se attivarsi sulla base di una soglia. Nella prospettiva di Hebb, invece, ciò che conta è anche il modo in cui i collegamenti tra i neuroni cambiano con l’esperienza. Unendo le due idee si arriva ad una conclusione fondamentale: una rete composta da numerose unità relativamente semplici può modificare le proprie connessioni e quindi cambiare il comportamento complessivo.
È come dire che l’intero è maggiore della somma delle sue parti.
Hebb introdusse un concetto ancora più importante: quello di cell assembly, o assemblea cellulare. Secondo la sua teoria, un’attività mentale non deve essere necessariamente localizzata in un singolo neurone, ma può dipendere dall’attivazione coordinata di un gruppo di neuroni collegati tra loro. Una determinata percezione, un ricordo o un’associazione potrebbero quindi corrispondere all’attivazione di una configurazione distribuita nella rete. Questo concetto anticipa in modo sorprendente alcune caratteristiche delle moderne reti neurali artificiali: l’informazione non deve necessariamente essere conservata in un singolo elemento, ma può essere distribuita nella configurazione delle connessioni e nell’attività di molti elementi.
E insomma, prima ancora di Dartmouth, erano presenti tre idee destinate a incontrarsi nella storia dell’intelligenza artificiale.
La prima era quella di Turing: un procedimento computazionale può essere eseguito da una macchina e, almeno in linea di principio, anche l’apprendimento può essere studiato come un processo programmabile. La seconda era quella di McCulloch e Pitts: una rete di elementi simili a neuroni può essere descritta matematicamente e può realizzare operazioni logiche. La terza era quella di Hebb: l’esperienza può modificare l’efficacia delle connessioni tra neuroni, permettendo alla rete di apprendere e di formare associazioni.
Sono tre idee diverse, ma complementari. Turing porta il concetto di macchina computazionale; McCulloch e Pitts quello di rete di neuroni artificiali; Hebb quello di apprendimento attraverso la modifica delle connessioni.
Ma cos’era la macchina di Turing? Alan Turing, un vero genio dell’informatica che oggi è considerato il padre dell’IA, alcuni anni prima si era posto un problema fondamentale: può una macchina pensare? Nel suo celebre articolo “Computing Machinery and Intelligence”, pubblicato nel 1950 sulla rivista Mind, Turing suggerì di abbandonare una definizione filosofica di “pensiero” e di trasformare il problema in una verifica del comportamento. Propose così il cosiddetto Imitation Game (che è anche il titolo di un film del 2014 dedicato al suo contributo per decifrare dei segreti della macchina tedesca Enigma durante la seconda guerra mondiale), poi conosciuto come Test di Turing: se un interlocutore, attraverso una conversazione, non fosse riuscito a distinguere una macchina da un essere umano, si sarebbe potuto dire, almeno in senso pratico e operativo, che quella macchina manifestava un comportamento intelligente.
Ma l’intuizione di Turing era ancora più profonda. Un computer digitale universale non è una macchina costruita per un solo compito, perchè può essere programmato per eseguire moltissime differenti attività. Se un’attività intellettuale può essere descritta attraverso una procedura, allora, almeno in linea di principio, un computer può eseguirla. Turing andò ben oltre e arrivò a parlare esplicitamente di learning machines, macchine capaci di apprendere. L’anno seguente lo studioso si trasferì all’Università di Manchester, dove lavorò alla realizzazione del Manchester Automatic Didital Machine (MADM). Era convinto che entro l’anno 2000 sarebbero state create macchine in grado di replicare la mente umana, e per questo si impegnò moltissimo nella creazione di algoritmi e programmi per il MADM, partecipando alla redazione del manuale operativo, diventandone uno dei principali utilizzatori.
Se Turing aveva posto il problema, la conferenza di Dartmouth avrebbe compiuto un passo ulteriore: avrebbe sostenuto che l’intelligenza stessa poteva diventare un oggetto di ricerca ingegneristica.
La futura intelligenza artificiale nascerà dall’incontro tra questi due filoni di pensiero: da un lato l’idea che l’intelligenza possa essere rappresentata attraverso simboli, regole e procedimenti logici; dall’altro l’idea che essa possa emergere da una rete di unità semplici che apprendono modificando le proprie connessioni.
La conferenza di Dartmouth del 1956 si inserisce esattamente in questo momento storico. Non è quindi l’inizio assoluto di tutte le idee sull’intelligenza artificiale: quando McCarthy, Minsky, Rochester e Shannon si riunirono, il problema del rapporto tra cervello, calcolo e intelligenza aveva già alle spalle Turing, McCulloch, Pitts e Hebb.
La vera novità di Dartmouth fu un’altra: mettere queste domande al centro di un nuovo programma di ricerca chiamato “artificial intelligence”. E proprio da qui comincia la storia della disciplina che, attraverso strade diverse, logica simbolica, sistemi esperti, reti neurali, machine learning e oggi Large Language Models, sarebbe arrivata fino ai sistemi contemporanei.
