Neuraxon Intelligence Academy, Volume 9 · A cura del Qubic Scientific Team

In poche parole: L'intelligenza generale, il fattore g che gli psicologi misurano da oltre un secolo, è l'ingrediente mancante nei modelli linguistici odierni, e il progetto Neuraxon di Qubic lo sta selezionando direttamente all'interno di una simulazione di vita artificiale.

Il fattore g: Da una classe del 1904 a cervelli artificiali

Nel 1904, Charles Spearman si imbatté in una regolarità che avrebbe cambiato per sempre la psicologia. Esaminando i voti scolastici di un gruppo di bambini inglesi, notò qualcosa di apparentemente triviale ma strano: quelli che eccellevano in matematica tendevano anche a eccellere in francese, in musica, in lingua. Discipline senza apparente connessione si correlavano sistematicamente tra loro. Spearman propose che sotto questo groviglio di abilità disparate ci fosse un singolo fattore comune, un filo cognitivo generale. Lo chiamò g (Spearman, 1904).

Più di un secolo dopo, g rimane una delle scoperte più replicate nelle scienze comportamentali (Carroll, 1993; Deary et al., 2010). Non è né una media dei voti né un costrutto arbitrario: è ciò che emerge quando si applica l'analisi fattoriale a quasi qualsiasi batteria di test cognitivi. Appare costantemente quando misuriamo la memoria di lavoro, il ragionamento fluido, la velocità di elaborazione, la comprensione verbale o la risoluzione di nuovi problemi. In termini psicometrici, g è la varianza condivisa che nessun singolo test misura da solo.

Cosa significa il fattore g nel cervello e nel comportamento

Teoria P-FIT ed Efficienza della Rete Cerebrale

Dalla neuroscienza cognitiva, g ha smesso di essere un'astrazione statistica ed è diventato una proprietà dell'architettura cerebrale. La teoria P-FIT (Teoria dell'Integrazione Parieto-Frontal) identifica una rete distribuita composta da corteccia prefrontale dorsolaterale, corteccia parietale posteriore, cingolato anteriore e aree temporali, la cui efficienza di connessione predice i punteggi dei test di intelligenza (Jung & Haier, 2007). Gli studi sulla connettività funzionale mostrano che g si correla con la capacità del cervello di riconfigurare dinamicamente le sue reti (la rete di controllo esecutivo, la rete di modalità predefinita, la rete di salienza) in base alle esigenze del compito (Barbey, 2018; Cole et al., 2015). Non si tratta di avere "di più" neuroni in un luogo specifico, ma di orchestrare meglio il flusso di informazione tra regioni funzionalmente specializzate.

Il cervello predittivo e la minimizzazione dell'energia libera

Questa orchestrazione acquista un significato ancora più profondo alla luce della teoria del cervello predittivo (Clark, 2013; Friston, 2010). In questo quadro, il cervello non è un ricevitore passivo di stimoli, ma un motore inferenziale gerarchico che genera continuamente previsioni sul mondo e adatta i suoi modelli interni sulla base dell'errore di previsione. Qui g si adatta naturalmente: la capacità di prevedere bene, di anticipare le contingenze ambientali, di apprendere rapidamente dagli errori e, soprattutto, di astrarre le regolarità che si trasferiscono tra i domini, è precisamente ciò che i test di intelligenza catturano indirettamente. Un cervello con un alto g sarebbe, secondo questa lettura, un sistema con modelli generativi più efficienti, capace di comprimere l'esperienza in astrazioni di alto livello e di minimizzare l'energia libera in contesti eterogenei (Hohwy, 2013); cioè, riduce rapidamente l'errore di previsione e quindi apprende. La generalità cognitiva, quindi, non sarebbe una proprietà statica dell'hardware neurale, ma la qualità di un processo predittivo profondamente gerarchico. La ricerca rimane aperta. Altri correnti sostengono che g ha a che fare con lo sviluppo neurobiologico del nostro cervello, dato che, indipendentemente dal compito che stiamo svolgendo o tentando, c'è un enorme fattore comune in qualsiasi esperienza perché avviene all'interno dello stesso organo.

Comportamentalmente, g è il miglior predittore. Dimentica l'intelligenza emotiva; è g che prevede meglio quale potrebbe essere la tua performance accademica, il tuo successo occupazionale, la tua longevità e persino alcuni indicatori di salute (Deary et al., 2010; Gottfredson, 1997). Non perché sia destino, ma perché cattura qualcosa di molto basilare: la capacità di un sistema cognitivo di affrontare problemi che non ha mai visto prima, integrando informazioni eterogenee sotto vincoli di tempo e risorse. g è, in un certo senso, una misura di generalità.

Il problema di misurare l'intelligenza generale nei sistemi artificiali

Per decenni, i sistemi artificiali hanno brillato in compiti ristretti (giocare a scacchi, classificare immagini, tradurre) ma hanno fallito nel trasferire quelle prestazioni al di fuori del loro dominio (Chollet, 2019). Il #AGI dibattito ruota proprio attorno a questo: cosa significa, operativamente, che un sistema sia "generalmente" intelligente?

Se prendiamo sul serio il parallelo con la psicometria umana, la risposta è scomoda ma chiara: per parlare di generalità dobbiamo misurarla, e misurarla richiede test diversi la cui varianza condivisa rivela qualcosa di analogo a g. Un sistema con alte prestazioni su un singolo compito non ci dice nulla sulla sua generalità; un sistema con prestazioni moderate e correlate in molti compiti strutturalmente distinti sì. La logica di Spearman, trasferita a substrati non biologici, è ancora valida: la generalità non è postulata, è fattorizzata.

Perché il fattore g non appare nei trasformatori (e cosa implica per AGI)

Vale la pena fermarsi qui sul paradigma attualmente dominante. I grandi modelli di linguaggio basati su architetture a trasformatore (Vaswani et al., 2017) offrono prestazioni straordinarie in compiti linguistici, ma le analisi psicometriche applicate ai loro output non mostrano la struttura fattoriale caratteristica di g (Burnell et al., 2023; Ilić & Gignac, 2024). I loro successi e insuccessi tra i domini non si correlano come farebbero negli esseri umani; dipendono piuttosto dalla densità e dalla qualità dei modelli presenti nei loro dati di addestramento. Un trasformatore può risolvere brillantemente un problema e fallire su un altro che è strutturalmente equivalente ma formulato in modo leggermente diverso, qualcosa che un sistema con un genuino g non farebbe (Mitchell, 2021).

Questo ha serie implicazioni. Suggerisce che la ricerca della generalità cognitiva esclusivamente attraverso il linguaggio possa essere un vicolo cieco, un cul-de-sac architettonico. Il linguaggio è l'output più visibile della cognizione umana, ma non il suo substrato. Pretendere che scalando il testo si arrivi a g è come pretendere che scalando le descrizioni delle partite di scacchi si arrivi alla padronanza: si ottiene una imitazione statistica, non la struttura cognitiva sottostante. (Abbiamo argomentato un punto strettamente correlato nella nostra analisi del perché l'intelligenza non è scala, e sul perché le previsioni LLM non sono previsioni cerebrali.) Senza una vera previsione gerarchica, senza modelli generativi del mondo, senza coordinamento tra moduli funzionalmente specializzati, il comportamento può sembrare generale senza esserlo. L'assenza di g nei trasformatori non è un fallimento di scala: è un indizio che la generalità richiede altri ingredienti architettonici (LeCun, 2022).

Il fattore g dentro il Gioco della Vita di Neuraxon

Abbiamo portato questa intuizione su un terreno sperimentale diverso. In Multi-Neuraxon Game of Life Lite 5.0, le creature artificiali (gli Nxons) crescono i propri cervelli e competono per sopravvivere. Ciò che è nuovo in questa versione è che la pressione selettiva è applicata a g. Gli Nxons non vengono selezionati per padroneggiare un compito specifico, ma per mostrare quel filo comune che consente loro di affrontare molti.

I cervelli degli Nxons sono stati progettati seguendo un modello semplificato ancorato nella neuroscienza cognitiva, poiché utilizzano sei regioni funzionali, ispirate allo stesso tipo di mappe che gli psicologi usano per descrivere l'organizzazione modulare del cervello umano. La scommessa è che la generalità non emerga da un'architettura monolitica, ma dalla coordinazione tra regioni specializzate che condividono informazioni in modo flessibile. È l'intuizione P-FIT tradotta nella vita artificiale, e si collega direttamente al principio del cervello predittivo: ogni regione contribuisce con il proprio modello, e l'integrazione tra di esse è ciò che consente la previsione gerarchica e, quindi, la generalità. (Queste dinamiche si basano direttamente sui principi di criticità cerebrale e rapporto di ramificazione che abbiamo esplorato in Volume 8.)

È degno di nota che l'esperimento è pubblico e osservabile. Chiunque può aprire il proprio browser e vedere come gli Nxons evolvono generazione dopo generazione, come i loro circuiti interni si riorganizzano sotto la pressione di una funzione di fitness che premia la generalità cognitiva anziché la specializzazione.

Implicazioni per la vita artificiale (Alife) e applicazioni per Qubic

Per il campo della vita artificiale, l'incorporazione esplicita di g come criterio di selezione apre una linea di lavoro che va oltre l'esercizio accademico. La maggior parte dei sistemi Alife ha evoluto agenti che risolvono nicchie molto concrete: foraggiamento, evasione dai predatori, navigazione (Bedau, 2003; Lehman et al., 2020). Ma pochi hanno cercato di selezionare qualcosa di astratto come la capacità di generalizzare attraverso domini cognitivi eterogenei. Se riusciamo a far mostrare agli organismi artificiali correlazioni positive tra compiti distinti (l'equivalente computazionale dei bambini di Spearman), avremo un banco di prova straordinario per domande che la psicometria umana può affrontare solo correlazionalmente: quali pressioni evolutive favoriscono l'emergere di g? Quali architetture neurali lo rendono possibile? È g una soluzione convergente o un incidente filogenetico?

Per Qubic, questa linea di ricerca si adatta a una visione molto concreta del futuro di #AI . Mentre l'industria investe enormi risorse per scalare i trasformatori su testo, Qubic si impegna a esplorare percorsi architettonicamente alternativi: cervelli artificiali modulari, evoluti, distribuiti e soggetti a reali pressioni selettive. La rete decentralizzata di utilità computazionale di Qubic offre il substrato ideale per questo tipo di sperimentazione su larga scala, dove migliaia di popolazioni di Nxon possono co-evolvere in parallelo, con funzioni di fitness progettate per favorire l'emergere di g. Non è solo ricerca aperta: è la possibilità di costruire, su un'infrastruttura decentralizzata, un'alternativa empirica al paradigma dominante dell'AI basata sul linguaggio, che parte dalla domanda giusta (come misurare e selezionare la generalità) invece di assumere che esista. Se la vera generalità cognitiva richiede architetture ispirate ai cervelli e non ai corpora, Qubic è uno dei pochi ambienti in cui quella ipotesi può essere seriamente messa alla prova.

Un'analisi più approfondita è in preparazione, poiché fa parte dei nostri recenti articoli e esperimenti. Il vecchio g di Spearman, quel filo che ha unito i voti scolastici dei bambini, lo usiamo ora in creature digitali che imparano a sopravvivere.

Riferimenti

• Barbey, A. K. (2018). Teoria neuroscientifica delle reti dell'intelligenza umana. Trends in Cognitive Sciences, 22(1), 8–20. https://doi.org/10.1016/j.tics.2017.10.001

• Bedau, M. A. (2003). Vita artificiale: organizzazione, adattamento e complessità dal basso. Trends in Cognitive Sciences, 7(11), 505–512. https://doi.org/10.1016/j.tics.2003.09.012

• Burnell, R., Schellaert, W., Burden, J., Ullman, T. D., Martínez-Plumed, F., Tenenbaum, J. B., et al. (2023). Ripensa il reporting dei risultati di valutazione in AI. Science, 380(6641), 136–138. https://doi.org/10.1126/science.adf6369

• Carroll, J. B. (1993). Abilità cognitive umane: un'indagine sugli studi di analisi fattoriale. Cambridge University Press. https://doi.org/10.1017/CBO9780511571312

• Chollet, F. (2019). Sulla misura dell'intelligenza. arXiv preprint arXiv:1911.01547. https://arxiv.org/abs/1911.01547

• Clark, A. (2013). E ora cosa? Cervelli predittivi, agenti situati e il futuro delle scienze cognitive. Behavioral and Brain Sciences, 36(3), 181–204. https://doi.org/10.1017/S0140525X12000477

• Cole, M. W., Ito, T., & Braver, T. S. (2015). La corteccia prefrontale laterale contribuisce all'intelligenza fluida attraverso la connettività multinetwork. Brain Connectivity, 5(8), 497–504. https://doi.org/10.1089/brain.2015.0357

• Deary, I. J., Penke, L., & Johnson, W. (2010). Le neuroscienze delle differenze di intelligenza umana. Nature Reviews Neuroscience, 11(3), 201–211. https://doi.org/10.1038/nrn2793

• Friston, K. (2010). Il principio dell'energia libera: una teoria cerebrale unificata? Nature Reviews Neuroscience, 11(2), 127–138. https://doi.org/10.1038/nrn2787

• Gottfredson, L. S. (1997). Perché g è importante: la complessità della vita quotidiana. Intelligence, 24(1), 79–132. https://doi.org/10.1016/S0160-2896(97)90014-3

• Hohwy, J. (2013). La mente predittiva. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199682737.001.0001

• Ilić, D., & Gignac, G. E. (2024). Evidenza di capacità cognitive interrelate in modelli di linguaggio di grandi dimensioni: indicazioni di intelligenza generale artificiale o realizzazione? Intelligence, 106, 101858. https://doi.org/10.1016/j.intell.2024.101858

• Jung, R. E., & Haier, R. J. (2007). La Teoria dell'Integrazione Parieto-Frontal (P-FIT) dell'intelligenza: evidenze neuroimaging convergenti. Behavioral and Brain Sciences, 30(2), 135–154. https://doi.org/10.1017/S0140525X07001185

• LeCun, Y. (2022). Un percorso verso l'intelligenza autonoma delle macchine. OpenReview, versione 0.9.2. https://openreview.net/forum?id=BZ5a1r-kVsf

• Lehman, J., Clune, J., Misevic, D., Adami, C., Altenberg, L., Beaulieu, J., et al. (2020). La sorprendente creatività dell'evoluzione digitale. Vita Artificiale, 26(2), 274–306. https://doi.org/10.1162/artl_a_00319

• Mitchell, M. (2021). Perché l'AI è più difficile di quanto pensiamo. arXiv preprint arXiv:2104.12871. https://arxiv.org/abs/2104.12871

• Spearman, C. (1904). "Intelligenza generale," determinata e misurata oggettivamente. The American Journal of Psychology, 15(2), 201–292. https://doi.org/10.2307/1412107

• Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). L'attenzione è tutto ciò di cui hai bisogno. Advances in Neural Information Processing Systems, 30. https://arxiv.org/abs/1706.03762

Esplora l'intera serie della Neuraxon Intelligence Academy

Questo è il Volume 9 dell'#Neuraxon Intelligence Academy del #Qubic Scientific Team. Se ti stai unendo a noi ora, esplora l'intera serie per costruire una comprensione completa della scienza dietro Neuraxon, Aigarth e l'approccio di Qubic all'intelligenza artificiale ispirata al cervello:

• NIA Volume 1: Perché l'intelligenza non è calcolata in passaggi, ma nel tempo. Esplora perché l'intelligenza biologica opera in tempo continuo piuttosto che in passaggi computazionali discreti come i tradizionali LLM.

• NIA Volume 2: Dinamiche ternarie come modello di intelligenza vivente. Spiega le dinamiche ternarie e perché la logica a tre stati (eccitatoria, neutrale, inibitoria) è importante per modellare i sistemi viventi.

• NIA Volume 3: Neuromodulazione e AI ispirata al cervello. Copre la neuromodulazione e come il segnalamento chimico del cervello (dopamina, serotonina, acetilcolina, norepinefrina) ispira l'architettura di Neuraxon.

• NIA Volume 4: Reti neurali in AI e neuroscienze. Un confronto approfondito tra reti neurali biologiche, reti neurali artificiali e l'approccio third-path di Neuraxon.

• NIA Volume 5: Astrocyti e AI ispirata al cervello. Come il gating astrocitario trasforma la plasticità delle reti neurali attraverso il framework AGMP in Neuraxon.

• NIA Volume 6: Macchine consapevoli vs organismi intelligenti: Spiegazione della coscienza AI. Esplora la coscienza AI attraverso la lente della Global Workspace Theory, della Integrated Information Theory e del predictive coding.

• NIA Volume 7: Il Gioco della Vita di Conway, Vita Artificiale ed Ecosistemi Digitali. Come la complessità emergente e la criticità auto-organizzata si spostano dai simulatori all'infrastruttura AI decentralizzata.

• NIA Volume 8: Criticità cerebrale e rapporto di ramificazione in reti neurali e artificiali. Perché un rapporto di ramificazione vicino a 1 e la criticità auto-organizzata sono principi di design bioispirati in Neuraxon.

• NIA Volume 9: Il fattore g nella vita artificiale. Sei qui.

Qubic è una rete decentralizzata e open-source. Per saperne di più, visita qubic.org o esplora l'intera Academy e Blog. Unisciti alla discussione su X, Discord e Telegram.

Qubic è una rete decentralizzata e open-source per tecnologie sperimentali. Nulla su questo sito deve essere interpretato come consiglio di investimento, legale o finanziario.