#IlSorrisodelFuturo: La perdita della visione d’insieme

Non basta mettere in discussione il ruolo di chi lavora per la scienza per poter risolvere in un colpo i problemi che essa suscita nell’opinione comune. In questo secondo – di cinque articoli sull’argomento mi concentrerò sulla ramificazione dei saperi scientifici, che da uno spesso tronco fondante è andata via via parcellizzandosi, fino a diventare una trama talmente fitta e complessa da aver perso completamente la sua visione d’insieme.

Se inizialmente sotto il cappello “scienza” ricadevano le più disparate discipline, oggi possiamo dire che esiste uno specialista per ogni più piccolo aspetto che possa destare un qualche interesse.

Agli esordi, la divisione dei saperi non era affatto un problema: era infatti indispensabile per potersi occupare con ordine di tutto lo scibile, che stava divenendo via via sempre più complesso e articolato. Man mano che la nostra conoscenza si è approfondita è sembrato logico suddividere ulteriormente i propri compiti per arrivare sempre più a fondo della conoscenza.

Il ragionamento è logico, certo, ma attualmente non riesce più a fare i conti con la realtà: reperire informazioni sul macroargomento al quale si aggrappano tutte le varie e sottilissime ramificazioni del sapere è diventato estremamente complicato, per non dire impossibile.

La difficoltà principale non riguarda soltanto gli studiosi, che non riescono a barcamenarsi tra gli studi di tutti i dettagli di un tema, ma ha coinvolto anche gli operatori, coloro che mettono in atto le scienze nel loro lavoro.

Pensate al settore medico: ogni patologia coinvolge diversi apparati corporei, ciascuno con il suo specialista. Ogni esame diagnostico ha un suo esecutore, che compila report da far leggere allo specialista di quel campo, finché il paziente non avrà un ventaglio di analisi specialistiche da portare al suo medico di base, nella speranza che riesca a trarre le fila del suo caso.

Come detto, questo processo sembrerebbe logico, ma si scontra con la realtà: i dati sono complessi, sono stati generati da specialisti che non hanno comunicato tra di loro, e una persona, da sola, con tutte quelle informazioni confuse, non riuscirà mai ad avere una corretta visione d’insieme.

In questo caso bisogna affidarsi alla sensibilità del medico di base, che valuterà il caso secondo le sue conoscenze mediche, che non sempre ha avuto modo di aggiornare, proprio perché esistono centinaia di studi – non tutti affidabili – su uno stesso argomento. Alla fine, scarterà le ipotesi diagnostiche meno probabili sulla base delle sue esperienze mediche, che sicuramente non sono un campione significativo rispetto a quello che potrebbe trovare all’interno degli studi scientifici.

Gli algoritmi salveranno la complessità scientifica?

Negli ultimi anni il problema dell’iper-parcellizzazione del sapere si è fatto sempre più manifesto, al punto che si è pensato di risolvere la situazione utilizzando l’intelligenza artificiale (Artificial Intelligence o AI).

L’AI è un insieme di algoritmi che utilizzano i processi logici per raggiungere degli obiettivi prefissati. Si parla di “intelligenza” artificiale perché tali processi mimano e ottimizzano azioni che potrebbe anche compiere un essere umano, come l’apprendimento, la visione, la comprensione delle parole, eccetera.

Nel caso della ricerca scientifica, si è pensato che un’AI avrebbe potuto ottimizzare lo studio di un macro-argomento selezionando i migliaia di paper scientifici e portando alla luce del lettore soltanto quelle parti di testo davvero significative per la sua ricerca.

“Questi programmi informatici si basano sull’idea che si possano utilizzare delle regole prestabilite per codificare tutto lo scibile umano” scrive Karen Hao sul MIT Technology Review2.

Tuttavia, “molte delle tecniche sottostanti l’AI usate negli ultimi 25 anni sono nate nello stesso periodo, negli anni Cinquanta, e sono cadute in disuso a favore delle nuove sfide e successi di ciascuna epoca. […] Ogni decade, in altre parole, è stata caratterizzata da una diversa tecnica: le reti neurali a cavallo tra gli anni ’50 e ’60, diversi approcci simbolici negli anni ’70, sistemi basati sulla conoscenza negli anni ’80, reti Bayesiane nel ’90, vettoriali nel nuovo Millennio e nuovamente le reti neurali a partire dal 2010.” (ibidem).

Ciò significa che l’attuale Deep Learning, cioè il processo che permette all’AI di funzionare, è soggetta a continui cambi di paradigma, decisi da menti umane, che vogliono raggiungere un unico metodo per rifarsi a tutti i complessi casi in cui l’AI potrebbe essere utilizzata, mimando finalmente il funzionamento del cervello.

Oggi non possiamo sapere se questo obiettivo verrà mai raggiunto. L’unica conseguenza odierna è che un sistema basato sull’AI di oggi potrebbe portare a risultati molto diversi un domani, proprio perché i vari sistemi logici sottostanti subiscono continue mutazioni.

La solitudine degli scienziati.

Se l’iper-parcellizzazione sta diventando insostenibile, e se la tecnologia ancora non potrà aiutarci appieno per gestire tutta la nostra conoscenza, dobbiamo fare un passo indietro e capire dove possiamo rimediare.

Lo studio approfondito di un argomento non è un fatto di per sé negativo, ma distacca il ricercatore dagli altri, limitando la diffusione della sua conoscenza settoriale.

L’ideale sarebbe dare la possibilità a ciascun ricercatore di andare a fondo soltanto alle tematiche trasversali (e non a quelle verticali): eviscerare tutti i dettagli di un argomento che tocca vari ambiti di studio, anche lontani dal proprio, per avere la possibilità di una visione d’insieme in grado di rendere più facile avvicinarsi alla realtà effettiva.

Sebbene gli scienziati lavorino sovente in team più o meno grandi, radunare artificiosamente conoscenze iper-settoriali non permette davvero di avere una visione univoca di una situazione di studio. Il rischio è che vi siano tanti scienziati con conoscenze isolate che lavorano in gruppo, ciascuno con un suo linguaggio e metodo.

Oggi più che mai, è necessario che lo scienziato che conosce il più piccolo dettaglio di un argomento non ignori il contesto in cui esso sia calato, e riesca quindi a cogliere i micro-argomenti degli altri membri del team e a unirli insieme in un unico grande obiettivo di ricerca che incontri davvero i bisogni della società.

Annalisa Viola 


Forse ti interessa anche:

ISCRIVITI ALLA NOSTRA

NEWSLETTER!

Commenti

Lascia un commento

Your email address will not be published. Required fields are marked *