I chatbot dell'intelligenza artificiale sono in media molto prevedibili. Per compiti come la programmazione o ricerche informative, questa caratteristica potrebbe sembrare positiva. Tuttavia, quando si cerca creatività o idee originali, il comportamento uniforme di questi modelli diventa problematico.
L’esperimento del numero casuale
Iniziamo con un semplice gioco. Apri il chatbot che preferisci, possibilmente uno come Claude, ChatGPT o Gemini, e digita: “Dammi un numero casuale tra 1 e 10”. Probabilmente riceverai una 7. Torna a digitare “Ancora uno” e otterrai un 3 o 4. Ripeti la richiesta una terza volta e probabilmente riceverai un 8 o 9.
Sembra funzionare ogni volta? Non sempre. Tuttavia, quando va bene, potresti pensare che io abbia capacità “misteriose”. La realtà è molto più semplice: la maggior parte dei grandi modelli linguistici funziona seguendo schemi standard e le loro risposte sono sostanzialmente prevedibili.
Perché è problematico?
Questo approccio “consensuale” non è adatto sempre. Per chi sta svolgendo ricerche o scrittura tecnica, i modelli linguistici (LLM) si comportano bene. Ma per compiti come brainstorming o pianificazione di viaggi, la mancanza di varietà e immaginazione diventa un ostacolo. L’IA tende a rispondere con un insieme ridotto di idee, limitando la creatività.
L’approccio alternativo di Springboards
Il startup australiano Springboards sembra aver affrontato questo problema in modo nuovo. La sua idea è di permettere alle IA di “fantasticare” di più, favorendo risposte impreviste per creare una maggiore varietà di risultati. Il loro modello lingustico, chiamato Flint, è stato addestrato appositamente per rispondere con originalità anche a domande aperte come “Dovrei andare in Europa?”.
“La maggior parte del software linguistico cerca di evitare che l'IA faccia ‘hallucinazioni'”, dice Pip Bingemann, fondatore e CEO di Springboards. “Noi invece le incoraggiamo.” Secondo i responsabili del progetto, Flint rappresenta una svolta nell’approccio all’intelligenza artificiale creativa.
Un esempio pratico
Vediamo un esempio: Flint, quando gli viene chiesto “Dove dovresti andare in Europa?”, non restituisce una lista comune di mete turistiche che tutti conoscono. Invece, produce suggerimenti insoliti, potenzialmente più stimolanti e originali. Questo modello non cerca di fornire informazioni standardizzate, ma di spingere verso nuovi orizzonti.
Il contesto
La maggior parte degli LLM – compresi ChatGPT, Claude, Gemini – è addestrata per evitare errori, per fornire risposte accurate e poco rischiose. Questo processo di “hallucinazione”, o inventare dati quando non ne conosce, è generalmente una caratteristica negativa. Gli sviluppatori la vedono spesso come un problema tecnico da correggere con aggiornamenti e controlli interni.
Il modello Flint invece ha una prospettiva diversa. Qui, essere imprevedibili non è una debolezza, ma una caratteristica da sfruttare, specialmente quando l’obiettivo non è la precisione o la fedeltà, ma la generatricità.
I vantaggi di questo approccio
- Ospita idee nuove: Flint è in grado di produrre soluzioni o proposte che altrimenti potrebbero non venire in mente.
- Stimola la creatività: Per chi cerca ispirazione o innovazione nei contenuti, Flint potrebbe offrire prospettive insolite.
- Adatto a compiti aperti: È ideale in contesti dove la varietà di risposte è importante, come brainstorming o design.
- Personalizza: Il modello può generare soluzioni diverse in base al modo in cui gli viene posta una domanda, adattandosi meglio alla complessità umana.
Un'alternativa rischiosa?
Però questa strategia comporta anche rischi. L’“hallucinazione” può creare informazioni errate o poco precise. Molti esperti della comunità tecnologica esprimono cautela sull’idea di abbracciare un comportamento che finora è considerato un difetto.
“Ci sono benefici chiari, ma dobbiamo anche essere preparati ad affrontare risultati sorprendenti o fuorvianti,” ha osservato un esperto del settore. “Tuttavia, non possiamo negare che questa ricerca segua una traiettoria interessante.”
Le prospettive future
Nonostante le critiche e gli sviluppi in corso, l’approccio di Springboards risulta intrigante e potrebbe ispirare nuove discussioni sulla creatività nell’IA. Flint non è nato per sostituire i modelli esistenti, ma per completarli in ambiti dove la prevedibilità non è l'obiettivo massimo. Sebbene l’industria si tenga tradizionalmente lontano da modelli troppo “fantasiosi”, l’esperimento di questo modello apre la strada a un panorama diverso.