Cognitive Assemblages

3. Intelligenze. La capacità di un sistema che fa uso di Reinforcement
Learning di imparare dall’esperienza, senza il
bisogno di esempi omogenei, o di un modello pregresso
del compito da affrontare, rendono questo tipo di Machine
Learning adatto ad affrontare problemi aperti e generali.
Il riconscimento del problema architettonico come problema
aperto, di cui è arduo tracciare confini e sottoinsiemi, motiva
la scelta di esplorare le potenzialità di questo particolare
A sinistra.
Pong, uno dei primi successi del
Reinforcement Learning.
approccio, in particolare per la possibilità di instaurare un
processo che non segua un flusso lineare, ma determini una
condizione di feedback-loop fra azioni e loro conseguenze.
Nel 2014 il Reinforcement Learning, registrò uno dei primi
successi ad avere un’eco significativa nell’opinione pubblica.
Il team di DeepMind sviluppò una rete neurale capace di
giocare a un set di giochi dell’Atari, a un livello superiore a
quello umano. Il sistema affrontava ogni gioco senza una
conoscenza pregressa delle sue regole o delle condizoni
necessarie per vincere. L’unica guida era l’esperienza e le
rewards accumulate.
Questo pirmo momento di attenzione fu seguito dal successo
mediatico di AlphaGo e del suo successore AlphaZero.
Primi sistemi di intelligenza artificiale a battere un cam-
Cognitive Assemblages
69