Confronto fra cervello e macchina elettronica

Raffronti strutturali

Allo stato attuale della tecnologia elettronica, i raffronti fra cervello e rete neurale artificiale mostrano che vi è ancora una grande distanza da coprire quando vengono considerati come sistemi complessi a molti componenti.
Il cervello umano contiene circa 1011 neuroni e 1015 sinapsi cioè, in media, circa diecimila sinapsi per neurone.
Con l'attuale tecnologia microelettronica, è pensabile che si possa mettere insieme un sistema contenente 109 componenti. Tenendo presente che per emulare la funzione di una sinapsi occorrono almeno un centinaio di componenti, si vede che siamo ancora molto lontani dal raggiungere una complessità paragonabile: ci sarebbero ancora 8 ordini di grandezza di differenza come numero di componenti elementari.
I neuroni cerebrali sono però molto più lenti dei componenti elettronici attivi: un transistore può commutare in intervalli di nanosecondi, mentre nei neuroni i processi si svolgono in intervalli di millisecondi. Dunque, sotto questo aspetto, vi sarebbe un differenza di 6 ordini di grandezza a vantaggio dei componenti elettronici. Ma questo è compensato dal fatto che, mentre nei calcolatori elettronici alla Von Neumann i processi computazionali sono sequenziali nel tempo, nel cervello procedono in parallelo e con memoria associativa e per questo i processi di elaborazione decisionale sono molto più rapidi.
Nel considerare l'efficienza energetica del cervello, si stima che esso consumi circa 10-16 joules per operazione al secondo, mentre oggi il più efficiente dei calcolatori arriva a consumare non meno di 10-6 joules per operazione al secondo. Da questo punto di vista, abbiamo quindi una differenza di dieci ordini di grandezza a svantaggio del calcolatore elettronico che incontrerebbe problemi di dissipazione termica insolubili con gli attuali componenti e circuiti.

Raffronti prestazionali fra cervello e calcolatore di Von Neumann

Grazie alla complessità delle reti cerebrali e alla loro efficienza energetica, il cervello ha la capacità di autoorganizzarsi in modo da compiere elaborazioni complesse come: il riconoscimento di forme, il controllo dei movimenti muscolari, la percezione e la comprensione sensoriale.
In questi compiti il cervello è molto più rapido di un supercomputer gestito anche con il più efficace dei programmi di Intelligenza Artificiale: ad esempio il riconoscimento di una voce, di un'immagine può richiedere al cervello secondi o frazioni di secondo, mentre occorrerebbero giorni per farlo anche con il più veloce dei calcolatori digitali alla Von Neumann.
Il cervello è un sistema di elaborazione non-lineare a parallelismo massiccio, ad alta complessità, che funziona per associazione di idee, cioè in modo completamente diverso dal calcolatore digitale di Von Neumann basato su sequenze di istruzioni programmate. Il suo modo di funzionare può essere simulato, almeno in parte, ricorrendo alle reti neurali artificiali che costituiscono un paradigma computazionale, ispirato dalle conoscenze delle neuroscienze in cui la macchina elettronica è vista come "metafora del cervello", alternativo al modello di macchina sequenziale di Von Neumann.
Gli unici compiti in cui il calcolatore digitale supera di gran lunga il cervello umano, sono quelli riconducibili alla sequenza di semplici operazioni aritmetiche.

Raffronti fra cervello e reti neurali artificiali

Il cervello presenta prestazioni che sarebbe auspicabile poter avere anche in un sistema elettronico artificiale:

Nonostante le grandi differenze quantitative e qualitative come sistema complesso, può essere dunque istruttivo e fruttuoso simulare il cervello con le reti neurali, perché consente di progredire nella comprensione e nel progetto di nuove macchine computazionali, diverse dal calcolatore digitale alla Von Neumann.
In gran parte il funzionamento del cervello, e quindi anche quello delle reti neurali, può essere analizzato con i metodi statistici della fisica applicabili ai sistemi complessi a molti componenti. Ciò permette di progredire nella comprensione delle macchine computazionali ma, nel contempo può fornire nuovi modelli e strumenti di indagini alle scienze cognitive.

Confronti tra reti neurali e calcolatori alla Von Neumann

Rispetto a una rete neurale il calcolatore digitale riesce a:

ma non riesce a:

L’approccio che si dà ai problemi con elaborazione digitale influenza in maniera decisiva il modo di risolversi, cioè le soluzioni: se un problema è intrattabile con il calcolo matematico, viene scartato ogni possibile approccio alla soluzione del problema in questione.
Si può dire ancor di più: i ricercatori non sono pienamente consapevoli di come vengano forzati dallo strumento con cui lavorano a dare soluzioni secondo l’approccio possibile consentito dallo strumento usato.
Sicché si può finanche affermare che il mezzo usato per risolvere un problema ha un significato per se stesso (medium has a meaning of its own).
Perciò il mezzo usato può suggerire approcci che non sarebbero mai stati pensati e soluzioni che non sarebbero state mai trovate in altro modo, usando un altro strumento.
Forse è questo il motivo per cui il sistema cerebrale è costruito con struttura così flessibile e adattiva a diversi possibili processi con approcci alternativi e probabilistici.

Il paradigma del calcolo alla Von Neumann e il primo paradigma connessionista neurale

Gli approcci dell'intelligenza artificiale classici come pure i sistemi esperti sviluppati con rappresentazioni dichiarative e procedurali della conoscenza, si basano sempre su meccanismi sequenziali che procedono secondo programmi algoritmici a passi successivi logico-deduttivi con sistemi di calcolo alla Von Neumann. In questo tipo di macchina tutte le informazioni - dati e programmi - sono raccolte nell'unità di memoria e l'esecuzione delle istruzioni del programma sui dati dipende dall'interazione fra memoria e processore. Il canale che collega queste due unità costituisce "il collo di bottiglia" dell'intero sistema poiché istruzioni, dati da elaborare e risultati da memorizzare devono muoversi avanti e indietro fra le due unità, uno alla volta, passando sempre per questo stesso canale. Si aumenta la velocità di calcolo aumentando la velocità dei circuiti elettronici, ma l'esecuzione è sempre di tipo algoritmico con procedura seriale implementata su macchine sequenziali a stati finiti alla "Von Neumann".
Oggi si cerca di superare i limiti tecnologici ed epistemologici su cui si basa il processo algoritmico-seriale delle macchine di Von Neumann con un'impostazione: il nuovo approccio si fonda sul paradigma connessionista di "rete neurale", così chiamata per analogia con la rete biologica del cervello composta di neuroni collegati fra loro da sinapsi.
Il vecchio punto di vista, che pretende di simulare e comprendere il funzionamento della nostra mente ispirandosi all'analisi del calcolatore sequenziale a stati finiti, viene in un certo senso pratica ribaltato: invece di ricondurre il confronto del nostro cervello alla struttura del calcolatore sequenziale, si parte dal modello che possiamo farci della nostra mente, con le conoscenze di cui attualmente disponiamo, per costruire una macchina con struttura a rete neurale che ne emuli il comportamento.

Confronti fra strutture e processi di calcolo del calcolatore di Von Neumann con le reti neurali

Nel caso del calcolatore di Von Neumann si pone l'enfasi sulla rappresentazione simbolica della conoscenza e quindi su regole e procedure sequenziali con memorizzazione dati e programmazione di problemi eseguiti con blocchi funzionali fra loro ben distinti, il nuovo approccio con le reti neurali si differenzia perché memorizzazione ed elaborazione sono inestricabilmente intrecciate fra loro. Queste attività vengono svolte con reti che si autoconfigurano seguendo processi paralleli nel tempo e che si adattano ai dati di ingresso della macchina in modo da raggiungere in uscita la minima discrepanza fra la soluzione teorica e il risultato pratico. L'informazione viene elaborata non grazie a istruzioni scambiate fra unità differenti, ma generando valori di attivazione nelle diverse unità neurali e modificando le connessioni fra loro. Il nuovo sistema cerca con continuità nel proprio interno i valori appropriati da dare ai pesi della rete neurale in modo che essa si adatti ai dati di ingresso per fornire l'uscita ottimale che rappresenta la soluzione cercata del problema. In questo senso l'autoapprendimento diventa il processo fondamentale per il nuovo paradigma connessionista che si sviluppa in una configurazione di stati via via qualitativamente diversi in modo continuo e spontaneo, al fine di raggiungere la soluzione del problema. L'auto apprendimento avviene non attraverso cambiamenti di stato di una macchina a stati finiti, bensì per cambiamenti della struttura connessionista dello stesso sistema: connessioni esistenti vengono alterate, connessioni nuove si formano, altre invecchiano e si indeboliscono. Sicché il calcolo viene interpretato non in termini di messaggi che cambiano gli stati della macchina, quanto di nuovi stati resi attivi dai nuovi pesi generati nella rete neurale.
Nella macchina di Von Neumann si fa una netta distinzione fra l'informazione che deve essere elaborata e la struttura che la elabora, nel nuovo paradigma l'informazione risulta dalla forma che assume via via la struttura di rete grazie all'attivazione di nuove connessioni: informazione e struttura si combinano riflettendosi l'una nell'altra. In questo senso l'algoritmo della macchina sequenziale a stati finiti non ha "una sua storia di apprendimento": le sue prestazioni sono sempre le stesse, così come le ha programmate chi lo ha concepito. Viceversa la rete neurale acquista esperienza con tentativi successivi nel tempo: apprende "provando e riprovando" e su questa base elabora nuova conoscenza.

Cervello e macchine elettroniche a confronto

I termini di paragone allo stato attuale dello sviluppo tecnologico possono essere riassunti nella tabella che segue

Calcolatore alla Von Neumann Reti neurali Cervello
Materiale inorganico (silicio) inorganico (silicio) organico (carbonio)
Componenti transistori transistori neuroni
Unità di elaborazione poche ma complesse molte e relativamente semplici moltissime ma semplici
Memoria distinta dall’unità di elaborazione e dimensionata in capacità come numero di caratteri combinata con la elaborazione nei neuroni artificiali e dimensionata come numero di connessioni combinata con la elaborazione nei neuroni naturali e dimensionata come numero di connessioni
Velocità operativa altissima (miliardi di istruzioni al secondo) media con passi di elaborazioni nel microsecondo bassa con passi di elaborazione nel millisecondo
Tipo di elaborazione sequenziale o modestamente parallela parallela massicciamente parallela
Struttura sistemistica non ridondante modestamente ridondante molto ridondante
Rappresentazione dell’informazione simbolica configurazioni topologiche significato dei simboli
Dissipazione grande modesta molto piccola