Proposte per i principi della cognizione e per gli strumenti che consentono di esprimerli

Recentemente sono stati ottenuti importanti e sorprendenti risultati nel campo delle reti neurali e degli agenti intelligenti tramite l’approccio deep learning. Questi risultati sono dovuti al miglioramento delle tecniche di composizione e addestramento delle reti nonché alla disponibilità di potenza di calcolo fornita da calcolatori vettoriali a basso costo (GPU). Ma l’aspetto più importante è costituito dalla struttura gerarchica che queste reti presentano e dalla loro capacità di astrarre. Tuttavia diversi ricercatori hanno segnalato che permangono importanti lacune teoriche in questo approccio. Credo che il presente lavoro possa contribuire a colmare queste lacune. Nella sostanza, riassumendo, in forma molto compatta e semplificata, alcuni dei concetti illustrati all’interno del libro, propongo l’ipotesi che i successi delle tecniche di deep learning siano dovuti al fatto che le reti neurali in esse utilizzate permettono di accedere ad un particolare complesso di regolarità e regole emergenti. Si può mostrare che si tratta di quella tipologia di regole che costituisce la spina dorsale della nostra conoscenza semantica naturale. Si può ben argomentare che per accedere a queste regole è necessario eseguire particolari trasformazioni nelle rappresentazioni di base, costituite per buona parte da operazioni di derivazione strutturale. Come verrà illustrato nelle pagine che seguono questi concetti possono essere ben precisati e grazie ad essi appare possibile identificare alcuni principi molto generali e potenti.