I ricercatori che sviluppano algoritmi di intelligenza artificiale (AI) si stanno dedicando ad applicazioni specifiche nei settori dell’automotive e del riconoscimento facciale — le macchine a guida autonoma ed i sistemi per riconoscere i volti delle persone si trovano spesso al centro dell’attenzione del pubblico.

L’AI, però, offre notevoli potenzialità anche nell’ambito medico dove, principalmente, è stata applicata per riuscire a valutare i sintomi delle malattie e poter prevedere in anticipo la loro insorgenza. I ricercatori dello Stanford Neuromuscular Biomechanics Laboratory, invece, hanno deciso di concentrarsi sulla capacità di produrre modelli accurati sfruttando gli algoritmi di intelligenza artificiale e per farlo hanno indetto una competizione per migliorare i modelli delle ossa, muscoli, e nervi che controllano il nostro corpo, in modo da aiutare i medici nella gestione di persone affette da disturbi del movimento, come ad esempio nel caso della paralisi cerebrale infantile.

Il laboratorio fornisce un ambiente di simulazione virtuale con caratteristiche reali, in cui è possibile simulare movimenti accurati, ed un modello muscolo scheletrico umano. A questo punto i partecipanti devono applicare gli algoritmi di intelligenza artificiale ai muscoli per dar vita alla simulazione e gareggiare facendo camminare, correre e saltare i modelli in modo da coprire la massima distanza possibile: si tratta quindi di una vera e propria corsa fra AI per chi impara prima a tenersi in posizione eretta e camminare.

Nella simulazione possono essere introdotti anche degli elementi di disturbo, come ad esempio scalini, pavimenti scivolosi, ma si possono prevedere persino problemi legati ai muscoli stessi, in modo da rendere le simulazioni molto più realistiche.

Per imparare a camminare, l’approccio utilizzato in questa competizione è simile a quello dei videogiochi: ad ogni modello viene attribuito un punteggio sulla base della distanza percorsa in un determinato tempo. Vi sono anche delle penalizzazioni se si utilizzano i legamenti poiché i legamenti sono un tipo di tessuto che se sottoposto ad eccessivo utilizzo rischia di portare a gravi infortuni e lesioni.

Definite quindi le regole del gioco, ogni modello applica algoritmi di apprendimento per rinforzo: ad ogni esecuzione dell'algoritmo corrisponde una valutazione della sua prestazione e l’obiettivo è di massimizzare tale valore. Vengono forniti una serie di comandi relativi ai movimenti dei singoli muscoli ed alle forze da applicare per tenderli o rilassarli, ed ogni sequenza di comandi viene valutata in base al punteggio finale ottenuto, fino a quando non si ottiene la miglior soluzione.

La competizione è aperta fino al 31 ottobre ed è presente una sezione dedicata alla classifica in cui si possono vedere anche dei video dei vari modelli cimentarsi nella gara.

Questo tipo di competizione riesce ad unire da un lato i ricercatori che si occupano di intelligenza artificiale che cercano di applicare gli algoritmi in nuove aree e dall’altro i medici e gli esperti di biomeccanica che si trovano a dover affrontare dei problemi specifici per cui ancora non sono state trovate delle soluzioni: non è ancora possibile fare una previsione su come le persone possano imparare di nuovo a camminare dopo le operazioni chirurgiche, ma lo sviluppo di modelli più accurati è sicuramente un primo passo in questa direzione.

Oltre ai benefici dal punto di vista scientifico, però, questo approccio del laboratorio di Stanford dimostra che la ricerca può essere assistita anche dall’aiuto comune offerto dalle comunità: creare una piattaforma online in cui chiunque può proporre il proprio modello di apparato muscolo scheletrico in grado di camminare rappresenta un concetto innovativo di condivisione del sapere fra mondi scientifici non sempre in contatto — in questo caso quello dell’AI e quello biomedico.

Questa nuova collaborazione, inoltre, è facilitata anche dall’impiego di strumenti di simulazione open source, riaffermando quindi l’importanza della diffusione di strumenti pubblicamente accessibili e sottolineando la necessità che algoritmi come quelli di apprendimento per rinforzo debbano diffondersi sempre di più anche all’interno dell’ambito medico.