L'idea che l'intelligenza artificiale sia specchio del funzionamento biologico è uno dei pilastri su cui si è costruita la narrativa della moderna AI. Tuttavia, un recente studio condotto dai ricercatori della York University suggerisce che questa somiglianza sia in gran parte superficiale. Sebbene le reti neurali artificiali (ANN) riescano a prevedere con precisione l'attività cerebrale umana durante il riconoscimento di oggetti, accade l'esatto opposto quando si tenta di invertire il processo: l'attività del cervello non è in grado di prevedere le risposte interne dei modelli AI.
Il test della predittività inversa
Per smascherare questa asimmetria, il team guidato dal professor Kohitij Kar ha implementato un test di predittività inversa. Mentre i ricercatori si erano concentrati finora sulla capacità dell'AI di simulare il cervello, lo studio ha analizzato se l'attività neurale dei primati potesse spiegare i processi interni delle macchine. Utilizzando un dataset di 1.320 fotografie naturali e 300 immagini stilizzate (disegni, outline e variazioni artistiche), i risultati hanno evidenziato un mismatch critico.
Mentre l'AI imita bene i neuroni, il cervello non riflette le strategie computazionali del modello. Questo indica che l'AI raggiunge la risposta corretta attraverso percorsi logici e visivi completamente alieni a quelli biologici. In sostanza, l'AI non sta "vedendo" come un primate, ma sta applicando scorciatoie matematiche che portano allo stesso risultato finale.
Oltre la metafora biologica
Questa scoperta si inserisce in un dibattito più ampio sulla natura del ragionamento sintetico. Altri studi recenti, tra cui ricerche condotte da Apple su modelli di ragionamento avanzati (LRM), hanno evidenziato un collasso della logica davanti a puzzle classici, suggerendo che l'AI non "pensi" nel senso cognitivo del termine. La tendenza delle reti neurali a divergere dal modello biologico è stata confermata anche da analisi pubblicate su PNAS Nexus, dove i modelli hanno mostrato un crollo della concentrazione all'aumentare delle richieste cognitive.
Il rischio è che l'uso di sistemi mal allineati per interpretare il comportamento umano possa portare a conclusioni errate, specialmente in ambiti clinici. Ad esempio, l'utilizzo di modelli AI come baseline per la ricerca sull'autismo o sul disturbo da stress post-traumatico richiede una validazione rigorosa per evitare che l'interpretazione dei dati sia distorta da strategie computazionali non biologiche.
Verso un'AI più efficiente e trasparente
Nonostante il divario, l'allineamento tra biologia e silicio resta un obiettivo strategico. Se i sistemi AI potessero imitare più fedelmente la struttura cerebrale, potrebbero apprendere in modo più efficiente con meno dati, riducendo drasticamente l'impatto energetico e le infrastrutture necessarie.
Per supportare questa evoluzione, i ricercatori della York University hanno rilasciato un toolkit di testing per permettere agli sviluppatori di valutare quanto le feature interne dei loro modelli corrispondano effettivamente all'attività cerebrale, trasformando la "scatola nera" dell'AI in uno strumento di ricerca più trasparente e scientificamente fondato.