133
“L’uomo non è che una canna, la più fragile di tutta la natura.
Non occorre che l’universo intero si armi per annientarlo: un vapore,
una goccia d’acqua è sufficiente per ucciderlo. Ma quando
l’universo lo schiacciasse, l’uomo sarebbe pur sempre più nobile
di ciò che lo uccide dal momento che egli sa di morire
mentre l’universo non sa nulla.”
Blaise Pascal
CONCLUSIONI
Che cosa c’è di innovativo in questa tesi che non sia stato già
proposto da altri autori? A mio parere, alcuni aspetti interessanti sono
emersi lungo tutto l’arco della costruzione del modello e della sua
attuazione su calcolatore.
I modelli proposti da Grossberg ed Houghton implementano
separatamente i meccanismi di controllo superiore, quali l’attenzione
selettiva (Grossberg 1982, Houghton e Tipper 1996), dagli stadi precoci
di elaborazione dell’input sensoriale (Grossberg 1988, Frohn, Geiger e
Singer 1987). Nella rete proposta in questa tesi, invece, i due livelli sono
integrati ed interagiscono sia con connessioni feed-forward che di feedback. La fusione dei due stadi e la loro implementazione è un processo
che richiede un livello di dettaglio notevole: che cosa proietti a che cosa
e perché non è affatto banale da stabilire.
L’apprendimento competitivo è un paradigma estremamente popolare
nella letteratura sulle reti: questo processo è indispensabile per la
creazione
di
neuroni
artificiali
specializzati
per
determinate
caratteristiche della stimolazione. Nel mio modello viene però
evidenziato un ulteriore motivo che richiede una competizione intramodulo prima che il segnale venga proiettato ad altre aree: la necessità
di ridurre il numero di segnali afferenti allo stadio successivo o a quello
134
precedente, come nel feed-back. Abbiamo visto, infatti, che una
funzione di attivazione dalle capacità limitate non può discriminare se
non entro un determinato range di attivazione, come d’altronde anche i
neuroni biologici. Questo risultato teorico è una diretta conseguenza
dello
sforzo
supplementare
richiesto
dall’implementazione
su
elaboratore.
Negli esempi è emersa una risposta preferenziale per stimoli con alta
ridondanza e simmetria. Una possibile spiegazione di questo fenomeno
è da ricercare nella struttura del campo recettivo delle unità semplici.
Nell’ultima simulazione si è dimostrato come la rete sia in grado di
incrementare l’elaborazione del target ed inibire quella del distrattore.
Quest’ultimo, tuttavia, non è depresso fino al punto di scomparire
totalmente. Un tale effetto nuocerebbe alla rete, nonché ad un organismo
vivente, che si vedrebbe privato di indispensabili informazioni
contestuali, nonché della possibilità di vigilare sull’ambiente. E’ infatti
comune che, in un habitat naturale, un distrattore si trasformi
repentinamente in target, specie in un attacco predatorio. A questo
proposito, il tipo di circuiteria adottata nell’ultimo strato della rete,
modificato
opportunamente
e
dotato
di
un
meccanismo
di
deplezione/accumulo di neurotrasmettitori, sarebbe capace di generare
dei meccanismi di rebound della rappresentazione del distrattore ed
inibizione del target precedente. Questi effetti presi congiuntamente
favorirebbero il processo di scansione veloce dell’ambiente. La rete
esibisce inoltre un altro tipo di comportamento quasi “biologico”. Con
un livello di rinforzo molto alto, infatti, il modello inibisce quasi
completamente i distrattori. E’ come se la rete mostrasse un interesse
esclusivo nei confronti di un particolare stimolo, motivazionalmente
saliente, e che l’universo che lo circonda cessasse di essere importante.
Una rete animata da passione? Non nel senso umano del termine,
135
ovviamente, ma sicuramente un meccanismo neurale con curiose
analogie.
In conclusione, il modello neurale implementato in questa tesi
riproduce, con le dovute semplificazioni ed in scala ridotta, alcuni
comportamenti tipici di un sistema nervoso biologico. Siamo ripetutamente
passati, durante la simulazione, dal livello microscopico della circuiteria
neurale e delle dinamiche delle unità artificiali a quello macroscopico dato
dal comportamento della rete nei confronti di diverse condizioni di
stimolazione. Spero che il passaggio sia stato il più naturale possibile.
Tutto ciò si è reso fattibile attraverso la costruzione una circuiteria di
una certa complessità utilizzando come “mattoni” dei neuroni artificiali
molto semplici. E’ opinione convinta di chi scrive che la bontà di una rete
sia direttamente proporzionale alla stupidità dei suoi neuroni artificiali oltre
che, ovviamente, alla qualità delle sue performance. Non ha senso, infatti,
costruire delle unità con complesse proprietà matematiche sapendo che i
neuroni biologici sono in realtà piuttosto limitati nelle loro possibilità. Le
prestazioni vanno ricercate nell’architettura.
Le
complicazioni
che
potrebbero
essere
apportate
sono
innumerevoli: dotare la rete di una dinamica temporale, aumentarne la
complessità incrementando il numero di unità di input, introdurre delle
unità effettrici in grado di modificare l’ambiente percettivo, fornire
un’interfaccia sensoriale e motoria con il mondo esterno, sottoporre
l’organismo artificiale ad un processo di evoluzione simulata attraverso
l’utilizzo di algoritmi genetici.
Questa piccola rete, quindi, non è che un timido tentativo di
modellare alcune proprietà del sistema nervoso. Nonostante questo,
parafrasando il pensiero di Pascal, pur nella sua umiltà, questa piccola rete
ha un pregio: esiste.
