Il progetto MIMIR e la sua missione
Il progetto MIMIR (Metacognitive Intelligence Maneuvers for Influence and Resolution), finanziato dalla DARPA, è guidato dal dott. Ian Perera insieme ai co‑principal investigator dott. Matt Johnson e dott. Mark Orr. L’obiettivo è creare un sistema di intelligenza artificiale che non solo apprende rapidamente a prendere decisioni, ma che impara anche a farlo nello stesso modo in cui lo fanno gli esseri umani.
A differenza dei Large Language Model (LLM), MIMIR non richiede data center, non è basato su enormi quantità di dati pre‑addestrati e non è concepito per essere “parlato”. Il suo scopo è invece quello di “mettere l’uomo al centro” del processo decisionale, aprendo la strada a sistemi capaci di esplorare il mondo con minima supervisione umana.
Il team di ricerca si concentra su problemi in cui i dati sono scarsi, complessi e le strategie devono essere dinamiche: cybersecurity, risposta a catastrofi, negoziazioni e altri domini dove l’expertise umana è preziosa ma difficile da formalizzare.
Perché un approccio diverso dagli LLM?
Se si vuole rispondere a una domanda comune, risolvere un problema di routine, riorganizzare un documento o scrivere un programma, i LLM rimangono validi. Tuttavia, MIMIR si rivolge a scenari dove:
- i dati sono limitati o frammentari,
- le condizioni ambientali cambiano rapidamente,
- le decisioni richiedono un ragionamento contestuale e non semplici risposte statistiche.
Il dott. Perera sottolinea: “Sono meno interessato a creare un’AI migliore, più a rendere gli esseri umani migliori attraverso l’AI”. L’obiettivo è sfruttare i punti di forza umani, trasformando limiti e bias in opportunità di miglioramento, anziché rinforzarli come avviene spesso con i LLM.
Trasparenza contro la “scatola nera”
MIMIR contrasta la tendenza dei LLM a farci parlare di più pensando di meno, rinforzando preconcetti e bias, e operando dietro una “scatola nera” incomprensibile anche per i loro ingegneri. Con MIMIR, ogni decisione è tracciabile:
- viene mostrato l’esempio recuperato da una situazione simile nella memoria,
- viene indicata l’inferenza di dati mancanti basata su un metodo di ragionamento specifico,
- si espone l’assunzione di comportamento o obiettivo contestuale,
- si evidenzia il modello di bias decisionale usato per la previsione.
Fondamenti di modellazione cognitiva
Il progetto si basa su decenni di ricerca in modellazione cognitiva condotta da:
- dott. Christian Lebiere,
- dott. Drew Cranford,
- dott. Mark Orr,
- dott. Brent Venable,
- Connor Tate.
A differenza dei LLM, MIMIR non è addestrato con enormi dataset. Impara come un umano: prova opzioni, osserva i risultati e archivia le esperienze in una memoria consultabile per situazioni future.
Il dott. Lebiere spiega che “i nostri approcci di modellazione cognitiva hanno un vantaggio quantificabile in efficienza dei dati” e permettono di modellare bias decisionali umani, potendo così difendersi da essi o sfruttarli.
Validazione dei bias cognitivi
Studi sperimentali hanno dimostrato che i modelli di MIMIR prevedono bias umani noti, tra cui:
- bias di recenza,
- avversione al rischio,
- bias di conferma.
Questa capacità consente a MIMIR di colmare il divario tra decisioni ottimali e decisioni “umane”, rendendo il sistema più affidabile in ambiti critici come medicina e difesa.
Applicazioni pratiche: cybersecurity e oltre
Nel contesto della cybersecurity, le risorse sono spesso limitate. Il dott. Cranford osserva: “Se si assume che ogni attaccante agisca in modo ottimale, si può rapidamente essere sopraffatti. Conoscendo invece come gli attaccanti valutano obiettivi e rischi, è possibile rendere certi asset meno attraenti e difendere più efficacemente gli altri.”
MIMIR costruisce rapidamente archetipi di decisori, ipotesi iniziali su comportamento, motivazioni e bias. Queste ipotesi consentono decisioni in tempo reale; anche se errate, tendono a sbagliare nello stesso modo di un umano, favorendo la fiducia dell’operatore.
Il dott. Perera aggiunge: “Se l’AI deve commettere errori, è meglio che assomiglino a quelli umani. Quando l’AI è trasparente sui propri limiti, l’operatore può usarla più efficacemente, ottenendo risultati migliori rispetto a un’AI più performante ma opaca.”
Multialternative Decision Field Theory (MDFT)
Un componente chiave di MIMIR è la MDFT, che analizza non solo le decisioni esplicite dell’utente, ma anche dove guarda o dove il cursore del mouse si ferma, inferendo ciò che è importante prima ancora di una domanda.
Connor Tate spiega: “MDFT apprende un modello di preferenze e attenzione, prevedendo azioni future o identificando deviazioni dal modello predetto. Inoltre, rileva come stress fisiologico o psicologico alteri l’elaborazione delle informazioni in tempo reale.”
Joint Activity Graphs (JAGs): la struttura delle attività
Un altro pilastro di MIMIR è rappresentato dai Joint Activity Graphs (JAGs), sviluppati dal dott. Matthew Johnson e Michael Vignati. I JAGs mappano azioni e attività, evidenziando le interdipendenze cruciali per strategie coerenti.
Il dott. Johnson ha già implementato i JAGs in scenari di ricerca e soccorso e di lotta antincendio. Egli afferma: “Nelle decisioni complesse del mondo reale, le procedure interagiscono tra loro e il risultato desiderato spesso appare solo alla fine di un lungo processo. I JAGs permettono al modello cognitivo di esplorare uno spazio strategico che rispetta le vincoli tra attività, mantenendo una visione a lungo termine.”
Pro e contro dell’integrazione di conoscenza umana
La stretta integrazione con conoscenza umana, come quella codificata nei JAGs, è sia un punto di forza che una limitazione. Il dott. Perera osserva: “MIMIR non sarà scaricabile o accessibile via web, perché la codifica della conoscenza specifica di dominio richiede tempo ed esperienza. Tuttavia, avere tale expertise esplicita e verificabile nel sistema è una vera forza.”
Verso il futuro: MIMIR come scienziato e manager
Nonostante le limitazioni di accessibilità, il team prevede un futuro in cui MIMIR sarà impiegato per generare insight e risolvere problemi più ampi, agendo come scienziato o program manager. Il dott. Perera immagina MIMIR capace di individuare nuove direzioni di ricerca, colmare lacune di conoscenza e proporre ipotesi innovative.
“Nel fronte della ricerca scientifica o matematica, troviamo una combinazione poco studiata di processi noti e salti concettuali come il ragionamento analogico o il cambio di prospettiva. MIMIR è posizionato per gestire questo tipo di decision‑making flessibile e esplorativo, compito che un LLM standard non può svolgere.”
Sinergie tra MIMIR e LLM
Il potenziale di MIMIR non esclude l’uso dei LLM. Al contrario, il dott. Perera suggerisce una possibile architettura ibrida: un LLM fornisce la “operatività della conoscenza”, mentre MIMIR funge da “corteccia prefrontale” per le decisioni. I LLM, addestrati su grandi quantità di dati, portano con sé bias, ma il framework di MIMIR può mitigare tali effetti, rendendo il sistema più robusto e adattabile.
In conclusione, MIMIR rappresenta una svolta nell’approccio all’intelligenza artificiale: apprendere come gli umani pensano, rendere trasparenti le decisioni, e integrare conoscenze di dominio in modo verificabile. Se realizzato pienamente, potrà trasformare settori dove la complessità, la scarsità di dati e la necessità di fiducia umana sono fondamentali, dal cyberspazio alla risposta a emergenze, dalla negoziazione strategica alla scoperta scientifica.