Iscriviti alla newsletter quotidiana di Popular Science per scoperte, scoperte e consigli fai-da-te consegnati sei giorni a settimana. Il progresso dei modelli di intelligenza artificiale (AI) è spesso illustrato dalla loro abilità nei giochi. Nel 1997, IBM’s Deep Blue sorprese il mondo sconfiggendo il campione mondiale di scacchi Garry Kasparov e, quasi due decenni dopo, AlphaGo di Google batté un campione umano nel gioco del Go—una impresa un tempo ritenuta impossibile. Da allora, l’AI è passata dai giochi da tavolo ai videogiochi, utilizzando il reinforcement learning, una tecnica fondamentale anche per l’addestramento di chatbot come ChatGPT, che permette alle macchine di affinare competenze in giochi Atari e in titoli di strategia complessa come Dota 2 e Starcraft II. Tuttavia, l’AI fatica ancora a imparare rapidamente vari giochi più aperti—un settore in cui gli esseri umani eccellono. Quando si confrontano con un gioco sconosciuto, i giocatori umani assimilano rapidamente le sue nozioni di base, mentre i modelli di AI spesso falliscono, come evidenziato in un recente studio del professor Julian Togelius e colleghi della NYU. Questa differenza sottolinea una distanza fondamentale tra l’intelligenza umana e le capacità attuali dell’AI, evidenziando che l’AI ha ancora un lungo cammino davanti prima di raggiungere o superare un’intelligenza di livello umano. I giochi sono da tempo un campo di prova ideale per l’AI grazie alle loro regole prevedibili, obiettivi chiari e meccaniche, che si adattano bene al reinforcement learning: i modelli giocano ripetutamente in simulazioni per migliorarsi tramite tentativi ed errori. Questo approccio ha consentito a DeepMind di dominare nel 2015 i giochi Atari e influenza oggi i grandi modelli linguistici addestrati su enormi quantità di dati internet. Tuttavia, questi modelli sono bravi solo in compiti specifici con limiti chiaramente definiti; anche piccole variazioni nel design del gioco possono compromettere le performance dell’AI. Pur raggiungendo abilità fuori dal comune in un singolo gioco, l’AI fatica con l’improvvisazione. Questa limitazione si rende ancora più evidente man mano che i giochi moderni diventano più aperti e astratti. A differenza degli scacchi, giochi come “Red Dead Redemption” o altri open-world presentano obiettivi complessi legati all’incarnazione di un personaggio moralmente conflittuale, piuttosto che a scopi semplici.

Gli umani comprendono intuitivamente queste sfumature; le macchine no. Anche in giochi sandbox più semplici come “Minecraft, ” l’AI può eseguire azioni basilari come saltare, ma senza capire il contesto. Gli autori sottolineano che i giochi ben progettati si allineano strettamente con l’intuizione umana, il senso comune e l’esperienza vissuta—che si accumulano nel tempo attraverso interazioni con il mondo reale. Per esempio, i bambini imparano a riconoscere gli oggetti verso i 18-24 mesi semplicemente tramite l’esperienza, mentre le macchine richiedono molto più input guidato. Questo vantaggio esperienziale permette agli umani di imparare nuovi giochi più rapidamente. La ricerca mostra che un AI basato su curiosity-driven reinforcement learning può aver bisogno di circa quattro milioni di pressione sui tasti—circa 37 ore continue—per completare un gioco, mentre i giocatori umani di solito afferrano nuove meccaniche in meno di 10 ore. Tuttavia, l’AI sta facendo progressi nel gioco generale. Nel 2023, Google DeepMind ha introdotto SIMA 2, un modello che combina l’AI esistente con capacità di ragionamento del suo grande modello linguistico Gemini, consentendo un miglioramento nella comprensione e nell’interazione con giochi 3D—anche quelli su cui non è stato specificamente addestrato. Tuttavia, Togelius e colleghi avvertono che l’AI ha ancora molta strada da fare prima di raggiungere la flessibilità umana. Propongono un benchmark in cui un modello potrebbe giocare e vincere i 100 migliori giochi su Steam o sull’App Store iOS senza averli addestrati in precedenza—e farlo in un tempo simile a quello di un essere umano. Resta una sfida notevole, che le attuali tecniche di AI né sono vicine a risolvere né stanno seriamente tentando di affrontare. Per raggiungere questo livello di generalizzazione, l’AI dovrebbe dimostrare vera creatività, capacità di pianificazione e pensiero astratto—qualità uniche dell’intelligenza umana. In definitiva, la vera sfida del raggiungimento di un “livello umano” potrebbe non essere la creazione di deepfake o la scrittura di romanzi superficiali, ma la capacità di padroneggiare un’ampia varietà di giochi diversi con una velocità di apprendimento e comprensione paragonabile a quella umana.