Cognitive Assemblages

In questo frangente è emersa la stretta correlazione fra le
conseguenze dell’automazione cognitiva con l’orizzonte
dell’automazione fabbricativa. Connettendo un sistema automatico
di pensiero spaziale con la possibilità di automatizzarne
l’incarnazione materiale, si stabilisce un corto circuito,
un feedback loop capace di accelerare l’evoluzione di
entrambi i sistemi, le cui conseguenze si posizionano rapidamente
oltre l’orizzonte di ciò che è prevedibile.
L’impiego di un sistema di Reinforcement Learning, per sviluppare
e affinare questa cognizione non-umana, è stato
determinato dalla coscienza della necessità di un rapporto,
di un confronto con l’ambiente affinché emerga una cognizione
capace di esplorarlo. Il modello utilizzato, illustrato
nel paragrafo “Training”, è basato sulla Proximal Policy Optimization.
Si è dimostrato sufficientemente generale, capace
di operare sia in spazi bidimensionali che tridimensionali,
con diversi set di elementi da assemblare, pur mantenendo
la stessa architettura e gli stessi iper-parametri. Al contempo
è emersa, su un duplice livello, l’importanza del design
delle parti e delle loro regole di assemblaggio: design che
deve bilanciare due tendenze divergenti. è necessario dotare
le componenti di di un certo grado di complessità formale
e topologica per estendere il novero delle condizioni
spaziali emergenti, mentre è necessario che ad ogni iterazione
la rete neurale abbia possibilità di scelta, affinché possa
perseguire gli obbiettivi fissati. Al crescere della complessità
formale/topologica, aumenta la specificità del componente
e decresce la sua capacità connettiva.
In questo senso, i descrittori quantitativi impiegati, come
mostrato nella sezione “Qualità spaziali”, sono stati intesi
come stimoli all’esplorazione dello spazio delle soluzioni,
invece che come obbiettivi chiusi di un processo di ottimizzazione.
Cognitive Assemblages
163