Elan Barenholtz

Oltre la Memoria e la Previsione - La Teoria Generativa del Cervello

Nel panorama delle neuroscienze cognitive, la comprensione del funzionamento del cervello ha attraversato diverse fasi interpretative. Tradizionalmente, il cervello è stato concepito come un sistema di archiviazione e recupero di informazioni, simile a un database biologico. Più recentemente, il paradigma del predictive coding ha guadagnato terreno, descrivendo il cervello come una macchina predittiva che anticipa gli stimoli sensoriali per minimizzare l'errore di previsione. Tuttavia, Elan Barenholtz, professore associato presso il Center for Complex Systems and Brain Sciences della Florida Atlantic University, propone una visione radicalmente nuova: il cervello come un motore generativo autoregressivo, che non si limita a reagire o prevedere ma crea attivamente la propria esperienza del mondo.

La Memoria come Processo Generativo

Uno dei pilastri della teoria di Barenholtz è la ridefinizione della memoria. Tradizionalmente, ricordiamo un evento o un volto come se stessimo recuperando un file immagazzinato. Barenholtz sfida questa concezione, sostenendo che la memoria non è un processo di recupero passivo ma un atto di generazione attiva. Quando richiamiamo il volto di una persona cara, il cervello non accede a un'immagine statica ma costruisce dinamicamente una rappresentazione basata su frammenti di dati immagazzinati, contesto attuale e capacità generative.

Questo approccio spiega la straordinaria flessibilità della memoria umana: possiamo immaginare una persona in un contesto mai visto o da una prospettiva diversa, non perché abbiamo un archivio di tutte le possibili angolazioni ma perché il cervello genera queste rappresentazioni in tempo reale. Barenholtz sottolinea che ricordare significa generare. Questa visione ha implicazioni profonde: la memoria non è una fotografia del passato ma una costruzione creativa, soggetta a distorsioni e adattamenti, con l'estremo dei falsi ricordi o delle illusioni mnemoniche.

Oltre il Predictive Coding

La teoria di Barenholtz si discosta dal modello del predictive coding, che vede il cervello come un sistema che genera previsioni sugli input sensoriali e aggiorna i propri modelli interni riducendo gli errori di previsione. Sebbene questo modello abbia rivoluzionato le neuroscienze, Barenholtz lo considera limitato per due motivi principali:

• Reattività - Il predictive coding descrive il cervello come fondamentalmente reattivo, impegnato a confrontare previsioni con input sensoriali. Questo lo rende meno adatto a spiegare la creatività e la proattività umana.

• Carico computazionale - Mantenere previsioni continue su molteplici modalità sensoriali (vista, udito, tatto, ecc.) richiederebbe una capacità computazionale biologicamente implausibile.

In alternativa, Barenholtz propone che il cervello funzioni come un motore autoregressivo generativo, simile ai moderni Large Language Models (LLM) come quelli utilizzati nell’intelligenza artificiale. In un modello autoregressivo, ogni stato mentale (pensiero, percezione, azione) è generato in base agli stati precedenti e al contesto, senza la necessità di un confronto costante con un modello predittivo. Questo è formalizzato come: Sₜ₊₁ = f (Sₜ, contesto), dove Sₜ₊₁ è lo stato mentale futuro, Sₜ è lo stato attuale, e il contesto include input sensoriali, memorie e obiettivi interni. Questo processo continuo di autogenerazione consente al cervello di produrre un flusso coerente di pensieri, percezioni e azioni, senza dipendere da un modello interno statico.

Un Nuovo Paradigma per la Cognizione

La teoria di Barenholtz ridefinisce diverse funzioni cognitive, offrendo una prospettiva unificata:

• Percezione - Non è un processo di inferenza per ridurre l’errore rispetto agli input sensoriali, ma una generazione attiva di stati percettivi. Le illusioni ottiche, ad esempio, derivano dalla capacità del cervello di produrre l’interpretazione più coerente e funzionale di dati ambigui.

• Azione - Le azioni non sono reazioni per allineare il mondo a una previsione ma sequenze motorie generate proattivamente per raggiungere obiettivi. Il feedback sensoriale serve a ottimizzare queste sequenze, non solo a correggere errori.

• Apprendimento - È il processo di affinamento delle regole generative del cervello, che si adattano in base al successo delle sequenze generate nel contesto reale.

• Memoria di lavoro e a lungo termine - Entrambe sono viste come processi generativi.

Questa visione attribuisce una natura proattiva e creativa del cervello, che non si limita a rispondere al mondo ma lo plasma attivamente attraverso la generazione di stati interni.

Parallelismi con l’Intelligenza Artificiale

Un aspetto affascinante della teoria di Barenholtz è il suo parallelismo con i modelli generativi nell’intelligenza artificiale, come i Large Language Models. Gli LLM generano testo prevedendo la parola successiva in una sequenza, basandosi su un contesto precedente. Allo stesso modo, il cervello di Barenholtz genera stati mentali in modo autoregressivo, utilizzando il contesto interno e gli input esterni per costruire esperienze coerenti. Questo parallelismo suggerisce che comprendere il cervello come un sistema generativo potrebbe ispirare nuove architetture di IA più flessibili e creative, capaci di emulare la cognizione umana.

Implicazioni e Prospettive Future

La teoria generativa di Barenholtz può avere implicazioni di vasta portata:

• Neuroscienze - Offre un quadro unificato per comprendere percezione, memoria, azione e apprendimento, superando le limitazioni dei modelli predittivi.

• Psicologia - Spiega fenomeni come la creatività, i falsi ricordi e le illusioni come risultati naturali di un sistema generativo.

• Intelligenza Artificiale - Fornisce un modello teorico per sviluppare sistemi di IA che non solo reagiscono, ma generano proattivamente soluzioni creative.

• Filosofia della mente - Ridefinisce la coscienza come il prodotto di un processo generativo continuo, aprendo nuove domande su come emerga l’esperienza soggettiva.

Critiche e Sfide

Nonostante il suo potenziale, la teoria di Barenholtz deve affrontare alcune sfide:

• Validazione empirica - Sebbene ispirata dai modelli computazionali, la teoria richiede ulteriori esperimenti per confermare che il cervello operi effettivamente in modo autoregressivo.

• Complessità computazionale - Anche il modello generativo deve spiegare come il cervello gestisca l’enorme complessità delle sequenze generate senza sovraccaricare le sue risorse.

• Integrazione con altri paradigmi - La teoria andrà confrontata con modelli consolidati come il predictive coding per dimostrare la sua superiorità o complementarità.

Massimo Zanetti