I ricercatori della Tokyo University of Science hanno sviluppato un innovativo metodo di “Black-Box Forgetting” che consente di rimuovere selettivamente informazioni non necessarie dai modelli di intelligenza artificiale su larga scala, migliorando l’efficienza e affrontando questioni legate alla privacy. Questa metodologia, applicata a modelli come CLIP, potrebbe rivoluzionare l’utilizzo dell’AI, rendendola più sostenibile e specializzata.

Cos’è il Black-Box Forgetting?

Il Black-Box Forgetting è un processo che permette ai modelli AI di “dimenticare” classi di oggetti inutili, mantenendo la capacità di riconoscere le categorie rilevanti. Ad esempio, in un sistema di guida autonoma, è fondamentale identificare veicoli, pedoni e segnali stradali, mentre categorie come cibo o mobili risultano superflue e possono ridurre la precisione del modello.

Questa tecnica si differenzia dai metodi tradizionali, poiché non richiede accesso ai parametri interni del modello (setting “white-box”). Utilizzando un’ottimizzazione priva di derivati, i ricercatori possono ottimizzare i prompt di input per influenzare il comportamento del modello, eliminando classi specifiche senza alterarne il funzionamento complessivo.

Innovazioni tecniche

La sfida principale dell’approccio era ridurre la complessità computazionale. A questo scopo, il team ha sviluppato un metodo di “Latent Context Sharing”, che decomprime i contesti latenti in unità più piccole, uniche o condivise tra diversi token. Questo approccio ha reso il problema gestibile, ottimizzando i prompt senza compromettere le prestazioni del modello.

Test condotti su dataset di benchmark hanno dimostrato che il metodo può far “dimenticare” fino al 40% delle classi mantenendo alta precisione sulle categorie rimanenti.

Implicazioni pratiche e future

Le applicazioni del Black-Box Forgetting sono molteplici:

• Miglioramento delle performance: i modelli possono essere adattati per compiti specifici, evitando sprechi di risorse computazionali.
• Protezione della privacy: il metodo consente di rimuovere informazioni sensibili dai modelli senza doverli addestrare nuovamente, contribuendo a rispettare il “Diritto all’oblio”, particolarmente rilevante in settori come la sanità e la finanza.
• Prevenzione dei contenuti indesiderati: modelli di generazione di immagini possono essere programmati per evitare la creazione di contenuti non appropriati.

Il Black-Box Forgetting rappresenta un passo avanti significativo nella gestione dei modelli AI su larga scala, rendendoli più adattabili, efficienti e rispettosi delle esigenze etiche e legali. Con potenziali applicazioni che spaziano dalla personalizzazione dei sistemi all’incremento della sicurezza, questa metodologia segna una nuova era nell’evoluzione dell’intelligenza artificiale.

Gli scienziati del Scripps Research hanno sviluppato MovieNet, un modello di intelligenza artificiale ispirato al cervello umano. Questa tecnologia, in grado di riconoscere sequenze video e interpretare scene in modo dinamico, promette di rivoluzionare campi come la diagnostica medica, la guida autonoma e lo sviluppo di farmaci. Grazie alla sua efficienza e sostenibilità, MovieNet rappresenta una pietra miliare nell’evoluzione dell’AI.

Come funziona MovieNet

MovieNet è progettato per elaborare video emulando il modo in cui i neuroni del cervello codificano le informazioni visive. Il modello si basa su studi condotti su neuroni di girini, che mostrano una sorprendente capacità di rilevare e rispondere a stimoli visivi dinamici.

Gli scienziati Hollis Cline e Masaki Hiramoto hanno scoperto che il cervello integra frammenti di informazioni visive in “clip” temporali di 100-600 millisecondi, costruendo una rappresentazione fluida e coerente delle scene. Ispirandosi a questo meccanismo, MovieNet scompone le informazioni visive in sequenze essenziali, riducendo il volume di dati elaborati senza compromettere la precisione.

Risultati straordinari

Nei test, MovieNet ha superato modelli avanzati come GoogLeNet, raggiungendo un’accuratezza dell’82,3% nel distinguere comportamenti normali e anomali nei girini. Inoltre, il modello ha dimostrato di consumare meno risorse energetiche rispetto alle AI convenzionali, offrendo un’alternativa ecologica.

Questa efficienza rende MovieNet ideale per applicazioni che richiedono l’elaborazione di dati dinamici, come il monitoraggio dei cambiamenti nei pazienti con condizioni neurodegenerative o la rilevazione di anomalie nei movimenti durante i test farmaceutici.

Implicazioni future

MovieNet apre nuovi orizzonti nella diagnostica medica e nella ricerca scientifica. Potrebbe essere utilizzato per identificare segni precoci di malattie come il Parkinson o per migliorare i processi di screening farmacologico. Inoltre, la sua efficienza energetica lo rende adatto a un uso più ampio in settori ad alta intensità di dati. L’approccio bioispirato di MovieNet dimostra come la combinazione di neuroscienze e intelligenza artificiale possa creare modelli più intelligenti, sostenibili e adattabili. Il lavoro del Scripps Research evidenzia il potenziale delle tecnologie ispirate alla natura per risolvere sfide complesse in modo innovativo.

Google segna un nuovo traguardo nella computazione quantistica con il lancio di Willow, un chip rivoluzionario che promette di risolvere problemi impossibili per i supercomputer tradizionali. Supportato da una tecnologia di correzione degli errori avanzata, Willow rappresenta un passo fondamentale per superare i limiti della computazione classica, con potenziali applicazioni rivoluzionarie in ambiti come la scienza, la crittografia e l’intelligenza artificiale.

Willow: velocità e precisione senza precedenti

Google ha progettato Willow nel laboratorio Quantum AI di Santa Barbara, enfatizzando la qualità piuttosto che la quantità dei qubit. Questo chip contiene 105 qubit che, combinati con tecniche avanzate di correzione degli errori, riescono a ridurre i tassi di errore in modo esponenziale durante l’espansione della rete.

In un test di random circuit sampling (RCS), Willow ha completato calcoli che avrebbero richiesto 10 settilioni di anni a un supercomputer tradizionale, come Frontier, in meno di cinque minuti. Questa straordinaria performance dimostra non solo il potenziale della tecnologia quantistica, ma anche la sua capacità di affrontare problemi che vanno oltre le possibilità della fisica convenzionale.

Il laboratorio Google Quantum AI: tecnologia all’avanguardia

Il chip Willow è stato sviluppato interamente da Google, utilizzando circuiti superconduttori integrati che consentono il controllo preciso dei qubit. Questi qubit operano in stati di superposizione e entanglement, fondamentali per aumentare la potenza di calcolo.

Per garantire l’operatività, Google utilizza una tecnologia di isolamento unica, chiamata dilution fridge, che mantiene i qubit a temperature più fredde dello spazio esterno. Questo ambiente ultra-freddo riduce il rumore termico e altre interferenze, permettendo ai qubit di mantenere le loro proprietà quantistiche.

Verso applicazioni reali
Il prossimo obiettivo di Google è sviluppare algoritmi quantistici capaci di risolvere problemi di utilità pratica e commerciale, andando oltre le dimostrazioni di fattibilità. Willow segna un passo decisivo verso un quantum computer stabile e affidabile, con potenziali applicazioni nella chimica, nell’ottimizzazione e nella simulazione molecolare.

Willow rappresenta non solo un progresso tecnologico, ma anche un simbolo del futuro della computazione quantistica. Google si posiziona come leader in questo campo emergente, offrendo soluzioni che potrebbero trasformare radicalmente le industrie globali.