Questa pillola anche disponibile in versione audio podcast nell’episodio S01E05 del Disruptive Talks (Spotify, Apple Podcasts, Deezer, Amazon Music…).

In apertura di questa pillola , trattiamo la storia dell’intelligenza artificiale, ripercorrendo tappe significative e periodi di altalenante interesse, per fornire un contesto storico capace di offrire una prospettiva più ampia sui cicli di ascesa e possibile declino delle tecnologie. Questo ci permetterà di approfondire la questione attuale della IA generativa, analizzata non tanto come una bolla effimera, ma piuttosto come una fase di una traiettoria evolutiva più lunga e potenzialmente rivoluzionaria.

L’intelligenza artificiale generativa sta catalizzando enormi investimenti e attenzioni da parte di aziende e startup, con valutazioni miliardarie che testimoniano un interesse diffuso. Tuttavia, i ricavi attuali non sono ancora all’altezza di tali aspettative, alimentando i timori di una bolla speculativa.

Le applicazioni concrete ci sono, ma i costi sono elevati

L’IA generativa ha già dimostrato applicazioni concrete nell’automazione della programmazione e della scrittura, trasformando interi settori. Ad esempio, GitHub Copilot, un assistente AI per la codifica, ha raggiunto il 30% di adozione tra gli sviluppatori a giugno 2022, a soli 12 mesi dal lancio [1].

Allo stesso modo, il modello GPT-3 di OpenAI ha mostrato capacità impressionanti nella generazione di testi, con il 50% degli output indistinguibili da quelli scritti da umani [2].

Abbonati alla newsletter per maggiori articoli e approfondimenti:

Tuttavia, tali soluzioni si basano su modelli proprietari molto costosi da addestrare e mantenere. Il costo stimato per l’addestramento di GPT-3 è di circa 12 milioni di dollari [3], e l’accesso a questi modelli è spesso limitato e costoso, con prezzi che possono raggiungere i 0,06 dollari per 1000 token [4].

Nonostante i progressi, l’accesso diffuso all’IA generativa richiederà ancora tempo e investimenti significativi per ridurre i costi e aumentare la scalabilità.

La competizione geopolitica conferma il potenziale

La corsa tra USA e Cina per primeggiare nell’IA è un chiaro segnale della centralità strategica di questa tecnologia. Gli Stati Uniti hanno annunciato investimenti per oltre 1,2 miliardi di dollari in ricerca e sviluppo dell’IA nel 2021 [5], mentre la Cina mira a diventare leader mondiale nell’IA entro il 2030, con un mercato nazionale dell’IA stimato in 150 miliardi di dollari [6].

Questa competizione globale suggerisce che, nonostante le sfide attuali, l’IA generativa non sia una moda passeggera ma una svolta tecnologica destinata a durare e ad avere un impatto significativo sull’economia e sulla società.

L’AGI è ancora lontana, ma l’IA generativa è già qui

Spesso si tende a confondere l’IA generativa con una futura intelligenza artificiale generale (AGI), dotata di capacità cognitive paragonabili o superiori a quelle umane. Tuttavia, questa visione è fuorviante. Sebbene l’AGI rimanga un obiettivo a lungo termine, con stime che variano dal 2040 al 2060 o oltre [7], l’IA generativa è già una realtà concreta. Modelli come DALL-E, Midjourney e Stable Diffusion hanno dimostrato capacità straordinarie nella generazione di immagini creative e artistiche [8], mentre GPT-3 e i suoi successori hanno mostrato abilità di scrittura e comprensione del linguaggio sempre più sofisticate [9].

Certo, queste tecnologie sono ancora imperfette e presentano problemi di affidabilità, bias e allineamento con i valori umani. Tuttavia, con il rapido progresso della ricerca e degli investimenti, è ragionevole aspettarsi che molti di questi ostacoli verranno superati nei prossimi anni, permettendo all’IA generativa di esprimere pienamente il suo vasto potenziale in molteplici settori e applicazioni.

Perché la Generative AI potrebbe avere successo:

  1. Innovazione e creatività: la gen. IA ha la capacità di rivoluzionare il modo in cui vengono generati i contenuti, offrendo strumenti in grado di produrre materiale originale in aree come la letteratura, le arti visuali e la musica. Questa capacità di stimolare la creatività umana e offrire nuove prospettive ai problemi esistenti è fondamentale per l’evoluzione del settore creativo e oltre. Secondo Forbes, AI come DALL-E e GPT-3 stanno già dimostrando come l’intelligenza artificiale possa assistere nella creazione di contenuti visivi e testuali inediti, ampliando le frontiere dell’innovazione [fonte: Forbes, 2023].
  2. Efficienza e riduzione dei costi: l’automazione dei compiti ripetitivi rappresenta un altro pilastro sul quale la Generative AI si fonda. Aziende che integrano questa tecnologia possono risparmiare tempo prezioso e risorse, riducendo i costi operativi e incrementando l’efficienza. Per esempio, la piattaforma AI di IBM, Watson, ha aiutato le imprese a snellire operazioni e ridurre i tempi di esecuzione attraverso l’automazione [fonte: IBM Case Studies, 2023].
  3. Supporto alla decisione: la Generative AI può simulare scenari e analizzare dati per offrire previsioni e intuizioni preziose. Questo supporto nella decisione consente alle aziende di navigare il mercato con maggiore fiducia, basando le scelte su solidi fondamenti analitici.
  4. Personalizzazione: attraverso l’IA generativa, le aziende possono ora personalizzare l’esperienza utente in maniera scalabile, soddisfacendo le esigenze individuali e migliorando l’engagement. La personalizzazione si rivela un potente vantaggio competitivo, come dimostrato da sistemi raccomandatori avanzati impiegati da colossi come Spotify e Netflix.

Perché la Generative AI potrebbe fallire:

  1. Mancanza di differenziazione: l’uso di piattaforme di IA generativa come GPT-3/4 senza innovazioni o miglioramenti significativi rischia di risultare in una mancanza di differenziazione sul mercato. È cruciale che le startup investano in R&D per sviluppare applicazioni uniche che si distingano. E su mente creative per gestire questi strumenti.
  2. Dipendenza da grandi piattaforme: la dipendenza da piattaforme di terze parti per risorse di Generative AI può generare problemi legati alla privacy, alla sicurezza dei dati, e limitare l’autonomia sulle proprie soluzioni. Un approccio più indipendente e critico verso lo sviluppo di queste tecnologie è consigliato per evitare queste trappole.
  3. Bias nei dati e nei modelli: il riconoscimento e la correzione dei bias presenti nei dati e nei modelli di apprendimento sono essenziali per garantire risultati etici e accurati. Gli sviluppatori devono implementare pratiche di revisione e correzione dei dati per mitigare questi rischi.
  4. Strategie di monetizzazione: identificare percorsi chiari verso la monetizzazione è fondamentale per la sostenibilità di soluzioni Generative AI. Senza un modello di business solido, anche le tecnologie più promettenti rischiano di non trovare un mercato.

Necessaria cautela, non scetticismo

L’IA generativa richiede ancora maturazione e presenta rischi da gestire. Ma il suo avvento sta ridisegnando il panorama tecnologico in modo irreversibile. Più che scetticismo, serve cautela e lungimiranza per coglierne i benefici ed evitarne le insidie.

Concludiamo la nostra pillola audio segnalando le recenti novità annunciate da OpenAI, che ha introdotto una sorta di “App Store” per la IA generativa, aprendo nuovi scenari per lo sviluppo e la commercializzazione di applicazioni basate su questa tecnologia. Queste innovazioni possono rivelare un ecosistema incipiente e in crescita, forse meno fugace di quanto si possa immaginare e indicativo di un percorso che, sebbene irti di sfide, potrebbe essere estremamente fruttuoso.

[1] GitHub. (2022). GitHub Copilot adoption. https://github.blog/2022-06-21-github-copilot-adoption/
[2] Brown, T. B., et al. (2020). Language models are few-shot learners. arXiv preprint arXiv:2005.14165.
[3] Li, L., et al. (2020). Train large, then compress: Rethinking model size for efficient training and inference of transformers. arXiv preprint arXiv:2002.11794.
[4] OpenAI. (2021). OpenAI API pricing. https://openai.com/api/pricing/
[5] National Science Foundation. (2021). NSF announces investment in 11 new AI research institutes. https://www.nsf.gov/news/news_summ.jsp?cntn_id=303176
[6] China Daily. (2021). China aims to be global AI leader by 2030. https://www.chinadaily.com.cn/a/202103/02/WS603dd1f3a31024ad0baabf5d.html
[7] Grace, K., et al. (2018). When will AI exceed human performance? Evidence from AI experts. Journal of Artificial Intelligence Research, 62, 729-754.
[8] Ramesh, A., et al. (2022). Hierarchical text-conditional image generation with CLIP latents. arXiv preprint arXiv:2204.06125.
[9] Brown, T. B., et al. (2020). Language models are few-shot learners. arXiv preprint arXiv:2005.14165.

Laissez un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *