La convergenza dei percorsi intelligenti e le origini del calcolo evolutivo

Quando né la potenza di calcolo né le capacità dei modelli sono più scarse, dopo il «calcolare di più» la vera domanda diventa:come cercare, e se il metodo di ricerca stesso possa essere migliorato dal sistema. Il giudizio che questa pagina intende stabilire è il seguente: i molteplici percorsi di sviluppo dell'intelligenza — comprensione, espressione, azione e feedback — tornano a convergere quando si affrontano problemi sistemici e del mondo reale; e il calcolo evolutivo è, proprio in questo punto di convergenza, la fonte tecnologica più diretta: è al tempo stesso il meccanismo della ricerca e un oggetto che può essere ricercato.

1. Il cambio di premessa: dalla «generazione singola» alla «ricerca continua»

I limiti della generazione singola sono ormai del tutto evidenti: una singola generazione non può dimostrare la propria correttezza, né è facile che resti valida dopo un cambiamento dell'ambiente o del modello. Una volta rafforzate le capacità, il collo di bottiglia si è spostato dal «generare una buona risposta una volta» al «come cercare, dare feedback e selezionare in modo continuo». In altre parole, la natura del problema è passata dallacampionamentoallaricerca— l'attenzione non è più se esista una risposta, ma se sia possibile proporla, verificarla, conservarla e rigenerarla ripetutamente.

2. Perché molteplici percorsi convergono

Un sistema intelligente non è una singola capacità, ma comprende molteplici dimensioni: comprensione, espressione, azione, feedback e selezione dei risultati. Nessuna di queste dimensioni può chiudersi in un ciclo autonomo: la comprensione va calibrata tramite il feedback, l'azione va fatta convergere tramite la selezione dei risultati, l'espressione va verificata tramite l'ambiente. Perciò questi percorsi tornano a incrociarsi a livello di sistema, invece di sostituirsi a vicenda. Per comprendere questa interdipendenza si può ricorrere alla catena di osservazioni più semplice: porre il problema → generare candidati → feedback dell'ambiente → valutazione e selezione → conservazione e rigenerazione.

3. L'inquadramento delle origini: perché il calcolo evolutivo

Tra i molti percorsi di convergenza, il calcolo evolutivo offre il meccanismo più diretto e più operativo —popolazione, mutazione, selezione, iterazione, che corrispondono naturalmente al ciclo chiuso di sistema «generazione — valutazione — conservazione — rigenerazione». Non è l'ennesima capacità espressiva, bensì il meccanismo che fa girare davvero il ciclo chiuso: per questo la pagina lo colloca come la fonte tecnologica più diretta del punto di convergenza.

4. Il punto cieco degli algoritmi evolutivi tradizionali

Gli algoritmi evolutivi tradizionali usano mutazione, crossover e selezione per modificare le soluzioni candidate, ma raramente modificano «il metodo che genera le soluzioni candidate». In altre parole, ilmeta-livellodell'algoritmo resta a lungo nella fase di progettazione manuale. È abile nel cercare risposte, ma non nel cercare se stesso.

Un esempio concreto del costo è l'evoluzione differenziale: quale strategia di mutazione adottare, come scegliere il vettore di base, come impostare il fattore di mutazione e la probabilità di crossover — tutto ciò influenza in modo significativo il risultato della soluzione. Di fronte a problemi diversi, i ricercatori devono di solito scegliere tra numerose varianti e poi ricalibrare ripetutamente i parametri attraverso molti esperimenti. Questo lavoro avviene al di fuori della ricerca, non è riutilizzabile e difficilmente si sedimenta — ed è proprio la nota a piè di pagina della realtà secondo cui «l'algoritmo cerca la risposta, ma l'algoritmo stesso non entra nel processo di ricerca».

5. La svolta chiave: far sì che l'algoritmo ottimizzi l'algoritmo

Il vero passo avanti è far entrare nel processo di ricerca anche il metodo di risoluzione stesso, cioè la prospettiva annidata dell'«algoritmo che ottimizza l'algoritmo». A questo punto l'algoritmo non è più soltanto uno strumento per cercare risposte, ma diventa un oggetto da cercare e da migliorare. EvoX, che verrà presentato in seguito, è proprio il veicolo che sistematizza questa prospettiva (i dettagli della sua architettura sono nelle pagine successive).

Il criterio di giudizio di questa pagina

Per valutare un percorso di intelligenza non basta guardare alla sua capacità espressiva in una singola occasione, ma occorre vedere se riesce a formare un ciclo chiuso sostenibile e auto-migliorabile: se, dopo una deriva del problema, sia ancora in grado di continuare a cercare a un costo contenuto.

Molteplici percorsi convergono nel calcolo evolutivo

I percorsi di comprensione, espressione, azione e feedback non riescono, ciascuno per conto proprio, a chiudersi in un ciclo autonomo: la comprensione va calibrata tramite il feedback, l'azione va fatta convergere tramite la selezione dei risultati, e perciò tornano a convergere quando si affrontano problemi reali di sistema. Il calcolo evolutivo, con popolazione, mutazione, selezione e iterazione, offre un meccanismo di ciclo chiuso immediatamente operativo e, oltre a cercare le risposte, include nella ricerca anche il metodo di risoluzione stesso — strategie di mutazione, impostazioni dei parametri — realizzando l'algoritmo che ottimizza l'algoritmo.

Domanda 1

Questa pagina sostiene che, quando i modelli e la potenza di calcolo non sono più il collo di bottiglia principale, come si è spostata la domanda centrale?

Dall'«accuratezza su un singolo compito» a «più manodopera per l'annotazione»

Dal «servono più dati» al «serve più potenza di calcolo»

Dal problema di campionamento del «generare una buona risposta una volta» al problema di ricerca del «come cercare, dare feedback e selezionare in modo continuo»

Dalla «scala del modello» all'«interpretabilità del modello»

Domanda 2

Perché i percorsi di intelligenza come comprensione, espressione e azione-feedback tornano a convergere a livello di sistema invece di sostituirsi a vicenda?

Perché in fondo sono nomi diversi della stessa capacità

Perché l'ordine dello sviluppo storico determina che alla fine ne rimarrà solo un percorso

Perché nessuna dimensione può chiudersi in un ciclo autonomo, e solo a livello di sistema è possibile accoppiare queste dimensioni

Perché il costo di ogni percorso preso singolarmente è troppo elevato, e sono costretti a fondersi

Domanda 3

Questa pagina colloca il calcolo evolutivo come «la fonte tecnologica più diretta del punto di convergenza»: qual è la ragione principale?

Il calcolo evolutivo raggiunge sempre più rapidamente degli altri metodi la soluzione ottima globale

Il calcolo evolutivo non dipende affatto da alcuna impostazione dei parametri

Popolazione, mutazione, selezione e iterazione corrispondono naturalmente al ciclo chiuso di sistema «generazione — valutazione — conservazione — rigenerazione»

Il calcolo evolutivo può essere usato solo per simulare problemi legati alla biologia

Domanda 4

Si dice spesso che gli algoritmi evolutivi tradizionali presentino un «punto cieco al meta-livello»: a cosa si riferisce esattamente?

Possono gestire solo problemi privi di vincoli

Non riescono a rappresentare alcuna soluzione candidata

Modificano le soluzioni candidate, ma raramente modificano «il metodo che genera le soluzioni candidate»; il meta-livello si affida a lungo alla progettazione manuale

Riescono sempre a convergere alla soluzione ottima in un numero finito di passi

Domanda 5

Prendiamo l'evoluzione differenziale come esempio: i ricercatori devono scegliere la strategia di mutazione, il vettore di base, e impostare il fattore di mutazione e la probabilità di crossover. Cosa dimostra meglio tutto ciò?

L'impostazione dei parametri non ha quasi alcun effetto sul risultato della soluzione

Basta scansionare i parametri in modo più fitto per risolvere definitivamente tutti i problemi

L'evoluzione differenziale si adatta automaticamente senza alcun intervento umano

Questo lavoro avviene al di fuori della ricerca, non è riutilizzabile e difficilmente si sedimenta, il che dimostra proprio che «l'algoritmo stesso non entra nel processo di ricerca»

Caso di studio: il costo di trasferimento della calibrazione dei parametri nella schedulazione di officina

Leggi lo scenario seguente e rispondi a due domande.

Un team di ingegneri, di fronte a un problema di schedulazione di officina con molteplici vincoli, sceglie l'evoluzione differenziale come metodo di risoluzione. In due settimane confrontano diverse strategie di mutazione e scansionano il fattore di mutazione e la probabilità di crossover, fino a fissare un set di parametri. Tre mesi dopo, la struttura dei vincoli della linea di produzione cambia: si aggiungono vincoli di cambio formato e finestre temporali su due turni; il set di parametri precedentemente scelto diventa inefficace e l'intero processo di calibrazione deve ricominciare da capo. Il team inizia così a discutere se adottare strategie di adattamento o auto-calibrazione più complesse.

1. A quale livello manca un elemento negli algoritmi evolutivi tradizionali, come mostra questo caso? Illustra la risposta facendo riferimento al concetto di «meta-livello».

Risposta:
Riflette una mancanza al meta-livello. Mutazione, crossover e selezione dell'evoluzione differenziale agiscono sulle soluzioni candidate, ma «quale strategia di mutazione usare, come scegliere il vettore di base, come impostare il fattore di mutazione e la probabilità di crossover» è ancora deciso dall'uomo al di fuori della ricerca. Quando la struttura dei vincoli cambia (nuovi vincoli di cambio formato e finestre su due turni), l'algoritmo stesso non è in grado di regolare automaticamente queste impostazioni e si è costretti a ripetere da capo il processo di scelta della variante e di calibrazione dei parametri: ciò dimostra che «l'algoritmo cerca la risposta, ma l'algoritmo stesso non entra nel processo di ricerca».

2. Se si facesse entrare nel processo di ricerca anche il metodo di risoluzione stesso (algoritmo che ottimizza l'algoritmo), come cambierebbero i costi e i compromessi del trasferimento? Fornisci un giudizio di trade-off.

Risposta:
Una volta che il metodo entra nella ricerca, di fronte a cambiamenti come i nuovi vincoli di cambio formato e le finestre su due turni, il sistema può ricostruire automaticamente strategia di mutazione e parametri tramite l'adattamento o l'auto-calibrazione, riducendo così in modo significativo i costi di trasferimento e diminuendo gli esperimenti ripetuti; il prezzo da pagare è l'introduzione di un onere di calcolo aggiuntivo e una possibile riduzione dell'interpretabilità del processo. Il trade-off consiste dunque nel: scambiare calcolo e interpretabilità aggiuntivi con un minor costo di trasferimento in caso di deriva del problema. È proprio questo il criterio di giudizio fornito da questa pagina — vedere se un percorso di intelligenza riesce a formare un ciclo chiuso sostenibile e auto-migliorabile, e non solo la sua capacità espressiva in una singola occasione.