Introduzione

Con Artificial Science (A.S.) si intendono quelle scienze per le quali la comprensione dei processi naturali e/o culturali si realizza tramite la ricreazione di quei processi stessi per mezzo di modelli automatici. Nelle A.S. il computer è ciò che la scrittura rappresenta per le lingua naturale: le A.S. sono costituite di algebre formali per la generazione di modelli artificiali (strutture e processi), nello stesso modo in cui le lingue naturali sono costituite di una semantica, di una sintassi e di una pragmatica per la generazione dei testi.

Nelle lingue naturali la scrittura è la conquista della indipendenza dal tempo della parola, tramite lo spazio; nelle A.S. il computer è la conquista del modello dell’indipendenza dal soggetto , tramite l’automazione e/o l’azione. Così come, tramite la scrittura, una lingua naturale può creare oggetti culturali che prima della scrittura erano impensabili (romanzi, testi di leggi, manuali ecc...) allo stesso modo le A.S. , tramite il computer, possono creare modelli automatici di particolare complessità.

Lingue naturali e Artificial Science, senza la scrittura e il computer, restano quindi limitate. Ma una scrittura non basata su una lingua naturale, o un modello automatico non generato da un’algebra formale, sono un insieme di scarabocchi.

Nelle A.S. la comprensione di un qualsiasi processo naturale e/o culturale avviene in modo proporzionale alla capacità del modello artificiale automatico di ricreare quel processo. Più la comparazione tra processo originale e modello generato da esito positivo, più’ è probabile che il modello artificiale abbia esplicitato le regole di funzionamento del processo originale. Questo confronto, tuttavia, non può essere effettuato in modo ingenuo. Sono necessari sofisticati strumenti di analisi per effettuare una comparazione attendibile tra processo originale e modello artificiale. La maggioranza degli strumenti di analisi utili per questa comparazione consistono nel confrontare le dinamiche del processo originale e quelle del modello artificiale al variare delle rispettive condizioni al contorno.

In modo sintetico si potrebbe argomentare:
- più, al variare delle condizioni al contorno, si ottengono varietà di dinamiche di risposta sia nel processo originale che nel modello artificiale;
- più queste dinamiche tra processo originale e modello artificiale sono omologhe, allora
- più è probabile che il modello artificiale sia una buona spiegazione del processo
originale.

Proponiamo un albero tassonomico per la caratterizzazione delle discipline che, attraverso la Natural Computation e la Classic Computer Science, compongono il sistema delle Artificial Science.

Natural computation

Con Natural Computation (N.C.) si intende quella parte delle Artificial Science (A.S.) che tenta di costruire modelli automatici di processi naturali e/o culturali tramite l’interazione locale di microprocessi non isomorfi al processo originale. Nella N.C. si assume quindi che qualsiasi processo sia il risultato, più o meno contingente, di processi più elementari che tendono ad auto-organizzarsi nel tempo e nello spazio e che nessuno dei microprocessi è di per sé informativo circa la funzione che assumerà rispetto agli altri, né del processo globale di cui sarà parte. Questa filosofia computazionale, poco economica per la creazione di modelli semplici, può essere utilizzata efficacemente per creare qualsiasi tipo di processo o modello che si ispiri a processi complessi, ossia a processi di fronte ai quali le filosofie classiche hanno trovato notevoli inconvenienti.

E’ questa la ragione per la quale con N.C. l’analisi e la generazione di modelli artificiali altamente non lineari. La N.C. si occupa in realtà della costruzione di modelli artificiali che simulano la complessità dei processi naturali e/o culturali non tramite regole, bensì tramite vincoli che, a seconda dello spazio e del tempo attraverso il quale prende forma il processo, creano autonomamente un insiemi di regole contingenti ed approssimate. La N.C. non tenta di ricreare processi naturali e/o culturali analizzando le regole tramite le quali si vuole che questi funzionino e formalizzandole in un modello artificiale. Al contrario, la N.C. tenta di ricreare processi naturali e/o culturali costruendo modelli artificiali in grado di creare dinamicamente regole locali suscettibili di cambiamento in accordo al processo stesso. I vincoli che permettono ai modelli di N.C. di generare dinamicamente regole assomigliano alle regole trascendentali kantiane: si tratta di regole che stabiliscono le condizioni di possibilità di altre regole. Nella N.C. una dinamica come l’apprendere ad apprendere è implicita nei modelli artificiali stessi, mentre nella Classical Computation ha bisogno di ulteriori regole. Il grafico mostra in modo più dettagliato la formalizzazione, l’automazione e il confronto tra Processi Naturali e/o Culturali e Modelli Artificiali Automatici visti dai due punti di vista (Classical Computation e Natural Computation).

Ciascun punto di vista può essere visto come un ciclo che può ripetersi più volte. Da cui si può desumere che il processo scientifico umano che caratterizza entrambi i cicli, assomiglia più a quello della Natural Computation che non a quello della Classical Computation

Sistemi descrittivi
Con Sistemi Descrittivi (S.D.) si intendono quelle discipline che hanno sviluppato, intenzionalmente o meno, algebre formali che si sono rivelate particolarmente efficaci nell’elaborare opportuni vincoli di funzionamento di modelli artificiali generati all’interno della N.C.

--------------------------------------------------------------------------------

Sistemi generativi
Con Sistemi Generativi (S.G.) si intendono quelle teorie di N.C. che hanno previsto esplicitamente delle algebre formali orientate a generare modelli artificiali di processi naturali e/o culturali tramite vincoli che creano regole dinamiche nello spazio e nel tempo.

--------------------------------------------------------------------------------

Sistemi fisici
Con Sistemi Fisici (S.F.) si intende raggruppare quelle teorie di Natural Computation le cui algebre generative creano modelli artificiali comparabili con processi materiali e/o culturali, solo quando il modello artificiale raggiunge determinati stadi evolutivi (tipo cicli limite). Mentre non necessariamente il percorso tramite il quale i vincoli generano il modello è esso stesso un modello del processo del processo di origine. In breve, in questi sistemi il tempo di generazione del modello non è necessariamente un modello artificiale di evoluzione del tempo del processo.

--------------------------------------------------------------------------------

Sistemi adattivi
Con Sistemi Adattivi (S.A.) si intendono quelle teorie di N.C. le cui algebre generative creano modelli artificiali di processi naturali e/o culturali, il cui processo di nascita del processo è esso stesso un modello artificiale comparabile con la nascita del processo di origine. Si tratta, quindi, di teorie che assumono il tempo di emergenza del modello come un modello formale del tempo del processo stesso. In breve: per queste teorie, ogni fase di generazione artificiale è un modello comparabile ad un processo naturale e/o culturale.

I Sistemi Artificiali Adattivi a loro volta comprendono:

• Learning Systems (Artificial Neural Networks - ANNs): si intendono algoritmi per l’elaborazione di informazioni che permettono di ricostruire, in modo particolarmente efficace, le regole approssimative che mettono in relazione un certo insieme di dati “esplicativi” per il problema considerato (l’Input), con un insieme di dati (l’Output) dei quali si richiede una corretta previsione o riproduzione in condizioni di incompletezza informativa.
• Sistemi Evolutivi (Evolutive Systems): la generazione di sistemi adattivi che mutano nel tempo la loro architettura e le loro funzioni per adattarsi all'ambiente nel quale sono inseriti. L'evoluzione di un genotipo da un tempo ti ad un tempo t(i+n) è un buon esempio di evoluzione nel tempo della architettura e delle funzioni di un sistema adattivo. Nei sistemi evolutivi si possono considerare diversi livelli di mutamento dell'architettura e delle funzioni del sistema:
  a) Evoluzione nel tempo del tipo di stati che configurano le possibilità del sistema. A questo settore appartengono le famiglie degli Algoritmi Genetici;
  b) Evoluzione nel tempo del tipo di stati e di trasformazioni tra stati che configurano la metrica evolutiva del sistema. In questo caso per ogni sistema viene prevista anche l'evoluzione delle funzioni tramite le quali esso genera i suoi propri stati. In questo settore si è sviluppata la Genetic Programming.
  c) Evoluzione nel tempo anche delle condizioni di ottimalità di rapporto tra sistema e ambiente. Si tratta di generare sistemi che vivono in un ambiente variabile . Di conseguenza la loro funzione di adattamento all'ambiente (fitness) varia essa stessa nel tempo, evolvendosi, obbligando tutti i sistemi ad un continuo cambiamento di strategia evolutiva . Di questo settore si occupa la Evolutionary Strategy.
  d) Evoluzione nel tempo di Organismi Complessi, ciascuno dei quali non solo evolve i suoi stati, muta i suoi operatori tra stati e cambia le sue strategie in funzione delle variazioni ambientali, ma progetta strategie, opera previsioni su di sé e sugli altri cerca di fondare regole evolutive diverse da quelle esistenti. Questo settore esiste ancora solo in parte come settore di ricerca. Riguarda l'Evoluzione di Agenti e l'etichetta sotto la quale, forse, andrebbe approfondito è Organism Programming .