Se questo tipo di AI fosse molto sdviluppato, permetterebbe ad una macchina di essere completamente autonoma, di apprendere in continuazione e di migliorarsi attraverso l’esperienza.

Spingendosi avanti in tale direzione, si dovrebbe raggiungere la singolarità tecnologica, quando i sistemi automatici avranno superato le capacità umane e saranno perfino capaci di autoprogettarsi ed evolversi in un modo che per gli umani potrebbe diventare incomprensibile o troppo avanzato.

La distinzione fra AI debole e forte dipende dal modello di apprendimento della macchina. Il machine learning è una macchina che migliora le sue prestazioni man mano che svolge il suo lavoro, limitatamente a ciò che sta facendo. Il deep learning è un sistema capace di emulare la mente dell’uomo, elaborando con grande potenza di calcolo enormi quantità di dati, con diversi strati di profondità delle reti neurali con cui i dati si combinano e si intrecciano per produrre conoscenze.

L’idea di creare macchine intelligenti ha avuto una lunga gestazione, prima di concretizzarsi nella disciplina dell’AI. Nel 1943 fu costruito il primo neurone artificiale, che avrebbe portato alle reti neurali di fine anni ’50, mentre Alan Turing proponeva il suo famoso test: se fai alcune domande ad una macchina e ad un essere umano, e dalle risposte non riesci a capire chi dei due ti ha risposto, la macchina ha superato il test. Negli anni ’80 Marvin Minsky parlava della mente come di un aggregato di società, ognuna con un suo compito, e poneva le basi per la realizzazione di agenti intelligenti che non imitassero tutta la mente umana, ma solo qualche funzione. E Douglas Hofstadter poneva importanti capisaldi alla discussione su che cosa fosse una mente, e se andasse affrontata a livello riduzionistico o olistico.
Negli anni 90 i videogame divennero molto realistici e richiesero processori grafici potenti che furono utilizzati nelle ricerche sull’AI.

Dai primi del 2000 fino ad oggi chip neuromorfici archiviano ed elaborano dati in un unico componente, e computer quantistici combinano la codifica binaria delle informazioni con gli stati di atomi e particelle subatomiche. Nuove celle di memoria e componenti di calcolo gestiscono dati a tre stati: 0, 1, 2, in modo che un solo transistor registri più bit su più livelli.

Algoritmi sempre più complessi rendono le macchine capaci di riconoscere volti e tracciare profili personali, persuadere, consigliare, suggerire. Agenti intelligenti, che imparano man mano che acquisiscono dati, si vanno diffondendo nel marketing, nella previsione e gestione dei rischi dall’ambiente alla finanza e al lavoro, nella sanità, nell’ottimizzazione delle organizzazioni e delle catene del valore.

Le macchine, dopo aver sostituito l’uomo nei lavori “stupidi”, pesanti e ripetitivi, diventano sempre più capaci di svolgere lavori che si credevano esclusivi dell’uomo, come fare diagnosi mediche, dare pareri legali, individuare nicchie di mercato, scrivere articoli e racconti.

Oppure collaborano con gli umani aiutandoli a risolvere problemi, prendere decisioni, apprendere. Sono capaci di andare oltre la logica e i numeri, per valutare contesti e circostanze, come per un veicolo a guida automatica decidere se è meglio andare fuori strada o investire un passante, o interpretare sentimenti e valori etici.

Seguono alcune applicazioni dell’AI, già in uso e in forte sviluppo.

Elaborazione del linguaggio naturale (NLG, Natural language generation): insieme di tecnologie che interagiscono con il linguaggio umano per gestire informazioni tratte da testi scritti o audio, e per produrre testi derivandoli da un corpo di risposte o da componenti testuali.

Tecnologia semantica: comprensione profonda dei dati e organizzazione delle conoscenze con classificazioni, tassonomie, gerarchie, relazioni, modelli e metadati.

Riconoscimento vocale: strumenti e tecnologie che comprendono e interpretano il linguaggio parlato catturando segnali audio e trasformandoli in testo scritto o altri formati di dati.

Analisi di immagini e video: strumenti e tecnologie che analizzano immagini e video per rilevare oggetti e/o caratteristiche di oggetti. Utilizzati nelle vendite, assicurazioni, sicurezza, marketing, e per ricostruire immagini difettose o sfocate.

Biometrica: tecnologie che rilevano caratteristiche fisiche del corpo umano e includono il riconoscimento di immagini, voce, linguaggio del corpo.

Swarm intelligence: gli sciami sono sistemi decentralizzati per risolvere problemi con un’intelligenza superiore che potenzia le specifiche conoscenze dei singoli. Sono usati per gestire magazzini e consegne o prevedere risultati sportivi e meteo o per generare animazioni video con numerosissimi elementi come fogliami di alberi, folle di persone, stormi di uccelli, ecc.

Machine learning: algoritmi, API, strumenti di sviluppo per progettare, sviluppare e addestrare modelli in applicazioni, processi e altre macchine. Si usano quando, per risolvere un problema, è necessario riconoscere pattern all’interno di grandi insiemi di dati.

Piattaforme di deep learning: riconoscimento immagini e testi audio, traduzioni e analisi dei linguaggi.

Hardware ottimizzato per l’AI: apparecchi e sistemi per elaborare applicazioni come machine learning e deep learning.

Robotic process automation: vari metodi per automatizzare prestazioni umane fra cui veicoli a guida automatica.

Agenti virtuali: software che offrono un’interfaccia che permette all’utente di interagire in modo naturale con una macchina o un sistema informatico.

Decision management: software che permettono ai sistemi AI di dedurre decisioni e di intraprendere azioni in tempo reale.

Text to image: programmi che creano immagini in base a descrizioni verbali.