Come scrisse Charles Darwin alla fine del suo fondamentale libro del 1859 Sull'origine delle specie, "Mentre questo pianeta è andato avanti in bicicletta secondo la legge di gravità fissa, da un principio così semplice sono state infinite le forme più belle e meravigliose, e sono, evoluto." Da tempo gli scienziati credono che la diversità e la gamma delle forme di vita sulla Terra forniscano la prova che l'evoluzione biologica innova spontaneamente in modo aperto, inventando continuamente cose nuove. Però, i tentativi di costruire simulazioni artificiali di sistemi evolutivi tendono a scontrarsi con limiti nella complessità e novità che possono produrre. Questo è a volte indicato come "il problema dell'indeterminatezza". A causa di questa difficoltà, ad oggi, gli scienziati non possono facilmente creare sistemi artificiali in grado di esibire la ricchezza e la diversità dei sistemi biologici.

In un nuovo studio pubblicato sulla rivista Vita artificiale , un gruppo di ricerca guidato da Nicholas Guttenberg e Nathaniel Virgo dell'Earth-Life Science Institute (ELSI) presso il Tokyo Institute of Technology, Giappone, e Alexandra Penn del Center for Evaluation of Complexity Across the Nexus (CECAN), Università del Surrey, Regno Unito (CRESS), esaminare la connessione tra l'apertura evolutiva biologica e gli studi recenti sull'apprendimento automatico. Speravano che collegare le idee di questi campi avrebbe reso possibile combinare le reti neurali con le motivazioni e le idee della vita artificiale per creare nuove forme di apertura.

Una fonte di indeterminatezza nei sistemi biologici in evoluzione è la "corsa agli armamenti" della sopravvivenza. Per esempio, volpi più veloci possono evolversi per catturare conigli più veloci, che a sua volta può evolversi per diventare ancora più veloce per allontanarsi dalle volpi più veloci. Questa idea si riflette nei recenti sviluppi che comportano la messa in competizione delle reti tra loro per produrre cose come immagini realistiche utilizzando reti generative avversarie (GAN) e per scoprire strategie in giochi complessi come Go. In evoluzione, fattori come la mutazione possono limitare l'estensione di tale corsa agli armamenti. Però, poiché le reti neurali sono state ingrandite, nessuna tale limitazione sembra esistere, e la rete può continuare a migliorare man mano che vengono forniti dati aggiuntivi ai loro algoritmi.

Guttenberg aveva studiato l'apertura evolutiva sin dalla scuola di specializzazione, ma è stato solo negli ultimi anni che la sua attenzione si è spostata sull'intelligenza artificiale e sulle reti neurali. In quel periodo, sono stati inventati metodi come i GAN, che lo colpì come molto simile ai sistemi co-evolutivi a tempo indeterminato su cui aveva lavorato in precedenza. Ha visto un'opportunità per abbattere una barriera tra i campi per fare progressi su un problema interessante.

I ricercatori hanno dimostrato che mentre possono utilizzare le analisi di scala per dimostrare l'indeterminatezza in contesti evolutivi e cognitivi, c'è differenza tra fare qualcosa che, Per esempio, diventa infinitamente bravo a fare foto di gatti e qualcosa che, stanco di fare foto di gatti, decide invece di fare musica. Nei sistemi evolutivi artificiali, questo tipo di grandi salti di qualità devono essere anticipati dal programmatore:avrebbero bisogno di creare un mondo artificiale in cui la musica sia possibile affinché gli "organismi" decidano di essere musicisti. In sistemi come le reti neurali, concetti come l'astrazione vengono catturati più facilmente, e le popolazioni di agenti interagenti potrebbero creare nuovi problemi da risolvere tra loro.

Questo lavoro solleva alcune domande profonde e interessanti. Per esempio, se la spinta alla novità qualitativamente diversa in un sistema computazionale nasce internamente dall'astrazione, cosa determina il "significato" della novità generata dai sistemi artificiali? L'apprendimento automatico ha talvolta portato alla creazione di linguaggi artificiali mediante l'interazione di agenti computazionali, ma questi linguaggi sono ancora radicati nel compito a cui gli agenti stanno cooperando per risolvere. Se gli agenti si affidano davvero alle interazioni all'interno del sistema per guidare l'indeterminatezza lontano da ciò che è stato fornito come materiale di partenza, sarebbe anche possibile riconoscere o interpretare le cose che escono, o bisognerebbe essere nativi di un tale sistema per comprenderne la ricchezza?

In definitiva, questo studio suggerisce che potrebbe essere possibile realizzare sistemi artificiali che in modo autonomo e continuo inventano o scoprono cose nuove, che costituirebbe un progresso significativo nell'intelligenza artificiale, e può aiutare a comprendere l'evoluzione e l'origine della vita.