In un mondo ossessionato dai Chatbot che rispondono sempre, a qualsiasi domanda, anche quando non sanno di cosa stiano parlando, c’è una frontiera dell’Intelligenza Artificiale che lavora in tutt’altra direzione: quella della certezza matematica.
Aniello Murano, professore all’Università Federico II di Napoli e ricercatore di fama internazionale, è uno dei massimi esperti di Metodi Formali e ragionamento strategico.
Lontano dai riflettori che illuminano i Large Language Models (LLM), Murano lavora su un’IA che non impara dai dati ma dai modelli logici, capace di dire “non lo so” invece di inventare, e che sa spiegare le proprie decisioni. È la Neuro-Symbolic AI: l’integrazione tra l’IA generativa, utilizzata per l’intuizione e per restringere il campo di ricerca in scenari complessi, e l’IA simbolica, che verifica e certifica la risposta corretta.
Una tecnologia “Green”, sicura e spiegabile, che ha convinto colossi come Amazon e Meta e con cui il professor Murano oggi punta a rivoluzionare quei settori critici dove sbagliare non è un’opzione. Ma andiamo con ordine:
Professore, per i non addetti ai lavori, in cosa consiste esattamente il suo approccio all’Intelligenza Artificiale?
«Se dovessi sintetizzarlo in una frase, mi occupo di aspetti formali per il ragionamento strategico in sistemi multi-agente. A differenza dell’IA generativa che si nutre di dati, io parto dai modelli. Utilizzo la logica — specificamente la Strategy Logic che ho introdotto nel 2010 con il mio mentore il professor Moshe Vardi — per costruire sistemi che non “inferiscono” una risposta probabile come fanno i sistemi di AI generativa, ma la calcolano in modo esatto. Questo ci permette di essere estremamente efficienti dal punto di vista energetico, non dovendo addestrare modelli su miliardi di dati, e soprattutto di fornire risposte certificate, cioè spiegabili ricostruendo il ragionamento. Noi siamo Explainable by definition: se ti do una risposta, ti dimostro il perché andando a ritroso».
Perché questa “certificazione” è così importante rispetto a quello che vediamo oggi con ChatGPT o simili?
«Perché nei sistemi critici non c’è spazio per l’errore o l’allucinazione. Pensi alla guida autonoma o a un’operazione chirurgica. Nel progetto Infant – la rete informatica per l’oncologia pediatrica in Campania – se il sistema basato su AI deve suggerire una terapia per un paziente, io devo dimostrare che quella scelta è corretta e sicura basandomi sui protocolli, non su una probabilità statistica. L’IA generativa è progettata per rispondere sempre, anche a costo di inventare. Altman ha scelto eticamente di far rispondere sempre ChatGPT, anche quando non sa la risposta, per vincere la gara commerciale. Noi invece puntiamo sulla correttezza.Il mio sistema, se non ha le informazioni sufficienti o se la logica dimostra che non c’è una soluzione sicura, ti risponde: “Non lo so”. E questa è una garanzia di affidabilità fondamentale».
Sembra un approccio molto rigido. Come gestite l’imprevedibilità e le mille variabili del mondo reale?
«Quando il problema diventa troppo complesso per il solo calcolo formale, ad esempio perché ci sono troppe variabili, allora entra in gioco la Neuro-symbolic AI, che è la vera evoluzione del settore. In pratica usiamo l’AI generativa per restringere il campo di ricerca ed escludere soluzioni errate. Poi, la parte formale interviene per trovare e certificare la soluzione corretta all’interno di quel perimetro ristretto. La logica è un linguaggio universale con sintassi e semantica univoche: non c’è spazio per l’interpretazione, o è vero o è falso».
Quindi la componente di AI generativa che utilizzate serve ad escludere le opzioni di troppo invece che a crearne?
«Sì, anche se siamo più contenti quando non dobbiamo usarla, perché risparmiamo energia e rischio di errori, ma a volte serve per avvicinarsi alla soluzione. È un po’ come il pensiero umano: usiamo il “fast thinking” per intuire e lo “slow thinking” per ragionare e validare. Inoltre, i nostri modelli gestiscono l’incertezza: possiamo dire con precisione matematica che una strategia ha il 97,79% di probabilità di successo, gestendo anche informazioni incomplete.
E questa soluzione funziona anche in contesti ad alta imprevedibilità, come ad esempio la guida autonoma?
«Qui, un ruolo chiave viene svolto dai sistemi multi-agente: se divido il problema in tanti piccoli agenti, cui affido singoli task come l’accelerazione, o la frenata, posso verificare il singolo modulo in microsecondi. Scaliamo dividendo la complessità. Abbiamo anche creato uno spin-off accademico, Strea Srl, per portare questo dalla teoria alla pratica, lavorando anche sulla Customer Experience»
Ci sono altri campi in cui state portando la Neuro-symbolic AI?
«Stiamo lavorando con il MASE sulle comunità energetiche, usando il ragionamento strategico per ottimizzare lo scambio di energia tra edifici (es. una scuola e una chiesa) in base ai giorni di utilizzo, evitando gli sprechi e i costi per le batterie. E abbiamo appena concluso un progetto affascinante di Cultural Heritage: abbiamo ricreato un Giordano Bruno digitale. Attraverso un grafo di conoscenza basato sui suoi scritti, l’IA risponde alle domande applicando la logica del filosofo, deducendo cosa avrebbe pensato su argomenti anche non esplicitamente trattati nei suoi testi, ma sempre in modo logicamente coerente».
In conclusione, come vede il futuro dell’AI in relazione all’attuale hype sulla AI generativa?
«L’approccio attuale, basato solo sull’aumento della potenza di calcolo e dei data center, non è sostenibile e sta raggiungendo un limite. Non lo dico solo io, lo dicono i padri dell’IA come Yoshua Bengio: bisogna tornare ai metodi formali. La parte generativa è ottima per il marketing, ma se vogliamo un’intelligenza artificiale robusta, etica e capace di ragionare davvero, la strada maestra è quella del simbolico».
Alessio Jacona, Giornalista, esperto di innovazione e curatore dell’Osservatorio Intelligenza Artificiale ANSA