Intelligenza artificiale e comprensione dei circuiti neurali

Indice

• Dalla genetica alla forma cerebrale
• Correlazione, spiegazione e rischio di riduzionismo computazionale
• Struttura non è funzione
• Conclusioni

Chi lavora nelle neuroscienze cognitive convive da un pò con una sensazione ambivalente, ossia da un lato la disponibilità dei dati che cresce in modo continuo, dall’altro la comprensione dei meccanismi cognitivi fondamentali che invece tende a procedere con più lentezza. L’accumulo di informazioni strutturali, funzionali e genetiche non ha quindi eliminato l’esigenza di modelli teorici, ma anzi, l’ha resa più urgente. In questo scenario (molto variegato), l’impiego di modelli di apprendimento automatico come strumenti predittivi e descrittivi dei circuiti neurali non può che essere una risposta potente, ma non priva di ambiguità. La capacità dell’Intelligenza artificiale di individuare regolarità in spazi ad altissima dimensionalità è ormai indiscutibile; meno chiaro è in che misura queste regolarità corrispondano a principi organizzativi cognitivamente significativi. La distinzione tra descrivere un pattern e comprenderne il ruolo funzionale rimane centrale, e nessun aumento di risoluzione computazionale può eluderla.

Dalla genetica alla forma cerebrale

I lavori sul mapping genetico-strutturale del cervello, (come quelli sviluppati alla Keck School of Medicine of USC), sono di sicuro uno dei campi in cui l’Intelligenza artificiale ha mostrato il suo potenziale più evidente. Modelli che integrano dati genomici con neuroimaging strutturale riescono a collegare varianti genetiche a configurazioni anatomiche complesse, come la morfologia del corpus callosum, una struttura cruciale per l’integrazione interemisferica e spesso implicata in disturbi neuropsichiatrici. Dal punto di vista predittivo, questi risultati sono notevoli: è possibile stimare caratteristiche anatomiche a partire dal profilo genetico con una precisione che fino a pochi anni fa era praticamente impensabile. Secondo le neuroscienze cognitive, va però riconosciuto un limite strutturale in un approccio del genere, in quanto la maggior parte di questi modelli ignora il livello dello sviluppo e dell’esperienza. Il cervello non è la semplice traduzione diretta del genoma, ma l’esito di un processo temporale complesso, fatto di plasticità, interazioni ambientali e vincoli funzionali. La predizione genetica della forma cerebrale, per quanto accurata, rischia di rimanere così muta sul piano dei meccanismi.

Correlazione, spiegazione e rischio di riduzionismo computazionale

Un punto critico, spesso sottovalutato, riguarda lo statuto epistemologico dei modelli di intelligenza artificiale nelle neuroscienze. Un modello che predice bene non è necessariamente un modello che spiega. L’abilità dell’apprendimento automatico nel catturare correlazioni distribuite può portare ad una falsa sensazione di comprensione, soprattutto quando le variabili in gioco sono migliaia e le relazioni non immediatamente interpretabili. Questo rischio è rilevante nello studio dei disturbi neuropsichiatrici, dove l’identificazione di biomarcatori predittivi viene spesso scambiata per una teoria della patologia. Senza un quadro concettuale che distingua cause, conseguenze e compensazioni funzionali, l’intelligenza artificiale rischia di rafforzare un riduzionismo elegante ma fragile, in cui la complessità viene compressa in output numerici difficili da tradurre in ipotesi cognitive.

Struttura non è funzione

Una delle lezioni fondamentali delle neuroscienze cognitive è che la relazione tra struttura e funzione non è mai univoca. Circuiti strutturalmente simili possono supportare funzioni diverse, e funzioni simili possono emergere da architetture diverse. Questo vale ancora di più quando si scende al livello microscopico, dove la variabilità locale convive con una sorprendente stabilità del comportamento cognitivo. Il contributo più importante dell’intelligenza artificiale alle neuroscienze potrebbe non risiedere quindi nella precisione delle mappe e nella potenza delle predizioni, ma nella possibilità di costringerci a chiarire le nostre teorie. Un modello di AI diventa veramente utile quando è messo alla prova da ipotesi cognitive esplicite, quando fallisce in modo informativo e quando obbliga il ricercatore a riformulare i propri assunti. Senza questo dialogo tra dati, modelli e teoria, l’IA rischia di trasformarsi in una tecnologia descrittiva estremamente sofisticata, ma concettualmente povera.

Conclusioni

L’intelligenza artificiale ha reso visibili aspetti del cervello che per lungo tempo erano rimasti inaccessibili, dalla relazione tra geni e struttura alla micro-connettività dei circuiti corticali. Vedere però non equivale a capire. Per un neuroscienziato cognitivo, l’obiettivo non è adottare l’IA in modo acritico, bensì integrarla in una visione teorica che tenga conto del cervello come sistema dinamico, adattivo e orientato alla cognizione. Usata come lente, può ampliare il nostro campo visivo; usata come risposta definitiva, rischia di offuscare (forse), le domande più importanti.