Studio rivela il ruolo del discorso interiore nella memoria delle AI

Il discorso interiore autodiretto emerge come un elemento chiave per potenziare la memoria di lavoro nelle AI, secondo uno studio firmato da Jeffrey Frederic Queißer e Jun Tani dell’Okinawa Institute of Science and Technology. La ricerca dimostra che l’integrazione strutturata tra memoria di lavoro multipla, discorso interno autodiretto e active inference consente a un modello computazionale di acquisire e generalizzare task complessi in modo più robusto. I risultati, pubblicati su Neural Computation, suggeriscono un parallelo diretto con i processi cognitivi umani.

Architettura del modello e memoria di lavoro multipla

Il modello proposto si basa su una rete neurale ricorrente stacked (RNN) accoppiata a due moduli di memoria di lavoro, progettati per mantenere stati temporanei su scale diverse. Questa configurazione permette alla rete di gestire pattern temporali e obiettivi di task specificati linguisticamente in modo simultaneo. Gli autori dimostrano che la presenza di due moduli di memoria è determinante: con un solo modulo, o in assenza di memoria di lavoro, le prestazioni calano in modo significativo.

La separazione funzionale tra codifica del contenuto e dinamiche di controllo emerge come un punto cruciale. Un modulo si occupa prevalentemente della rappresentazione delle informazioni rilevanti per il task, mentre l’altro governa la sequenza e la coordinazione delle azioni. Questa distinzione rafforza la stabilità delle rappresentazioni interne e prepara il terreno per una migliore generalizzazione.

Il ruolo del discorso interiore autodiretto

L’elemento più innovativo dello studio è l’introduzione del discorso interiore autodiretto durante la fase di esecuzione dei task. Il modello genera output linguistici interni che non sono destinati all’ambiente esterno, ma servono a guidare il controllo interno e la pianificazione delle azioni. Questo meccanismo riflette il modo in cui gli esseri umani utilizzano il linguaggio interno per organizzare il pensiero e orientare il comportamento.

Le simulazioni mostrano che, senza discorso interiore, anche con memoria di lavoro multipla, le prestazioni risultano inferiori. Quando invece il discorso autodiretto è attivo, la rete sviluppa rappresentazioni interne più strutturate, capaci di riflettere la struttura latente del task. In questo senso, il linguaggio non è solo un mezzo di comunicazione, ma diventa uno strumento di controllo cognitivo.

Active inference e minimizzazione dell’energia libera

Dopo la fase di apprendimento supervisionato, il modello opera attraverso il framework di active inference, un approccio bayesiano in cui l’agente seleziona azioni per minimizzare l’energia libera, ovvero la discrepanza tra predizioni interne e segnali osservati. Durante l’addestramento, la minimizzazione dell’energia libera guida l’ottimizzazione dei pesi della rete, mentre in esecuzione l’active inference coordina percezione, memoria e azione.

L’interazione tra active inference, memoria di lavoro e discorso interiore autodiretto consente all’agente di mantenere obiettivi a lungo termine, riducendo l’incertezza e adattandosi a configurazioni di task mai viste prima. I risultati indicano che questo triangolo funzionale è essenziale per ottenere comportamenti goal-directed stabili e flessibili.

Emergenza di una gerarchia temporale nella rete neurale

Un altro risultato rilevante riguarda l’emergere spontaneo di una gerarchia temporale nella rete neurale ricorrente stacked. In condizioni ottimali, con due moduli di memoria e discorso interiore attivo, i livelli superiori della rete codificano dinamiche lente e astratte, mentre quelli inferiori gestiscono variazioni rapide legate all’esecuzione immediata.

Questa organizzazione gerarchica migliora l’efficienza computazionale e supporta la generalizzazione, perché consente di separare la pianificazione a lungo termine dall’azione a breve termine. Gli autori sottolineano come questa struttura ricordi le gerarchie temporali osservate nel cervello umano, rafforzando la validità del modello come strumento di cognizione computazionale.

Generalizzazione e acquisizione di nuovi task

Il test più significativo riguarda la generalizzazione su task nuovi. Il modello viene addestrato su un insieme di configurazioni e poi valutato su combinazioni mai viste. Solo la configurazione che integra due moduli di memoria di lavoro e discorso interiore autodiretto mantiene prestazioni elevate. Questo dimostra che la generalizzazione non deriva solo dalla capacità di memorizzare pattern, ma dalla costruzione di rappresentazioni interne strutturate, guidate dal linguaggio e dal controllo attivo.

Gli autori argomentano che l’interplay tra memoria e discorso interno consente di astrarre la logica del task, piuttosto che limitarsi a risposte reattive. È questo passaggio che permette all’AI di comportarsi in modo più simile a un agente cognitivo.

Implicazioni per l’AI e le neuroscienze computazionali

Le implicazioni dello studio vanno oltre il singolo modello. L’integrazione di discorso interiore autodiretto, memoria di lavoro multipla e active inference apre la strada a AI più robuste, autonome e generalizzabili, con applicazioni potenziali in robotica, sistemi embodied e assistenti intelligenti.

Dal punto di vista delle neuroscienze computazionali, il lavoro fornisce un ponte teorico tra modelli neurali artificiali e processi cognitivi umani, suggerendo che il linguaggio interno possa essere un meccanismo fondamentale per l’organizzazione della memoria e del controllo. Come sottolinea Jun Tani, comprendere e simulare questi processi è un passo essenziale verso una AI realmente cognitiva.

Domande frequenti su discorso interiore e memoria nelle AI