Summary
Highlights
Attualmente, l'Europa è carente nella proprietà e nello sviluppo della tecnologia AI, con Stati Uniti e Cina che detengono il monopolio. Questo è problematico perché l'AI influenzerà tutti i settori, inclusa la ricerca scientifica. Per garantire la sostenibilità sociale e scientifica dell'AI, è fondamentale che non sia in mano solo a pochi attori globali, specialmente considerando il software proprietario. L'Europa deve investire in AI attraverso una collaborazione tra stati, simile al modello CERN, poiché i costi sono troppo elevati per le singole nazioni. La frammentazione degli investimenti, ad esempio in spese militari, ridurrebbe ulteriormente le capacità innovative.
La mancanza di un polo europeo indipendente nello sviluppo dell'AI è un problema per la scienza e per la società. La dipendenza da software proprietario e la poca trasparenza sullo sviluppo di AI da parte di giganti come OpenAI e Google ostacolano la comprensione e l'allineamento dell'AI con i valori sociali. È essenziale promuovere l'open source e la condivisione delle informazioni per consentire a tutti i ricercatori di contribuire e garantire che l'AI sia sostenibile e benefica per l'umanità. La collaborazione tra stati europei è l'unica via per rimanere competitivi.
L'investimento in intelligenza artificiale (AI) in Europa è cruciale, ma le singole nazioni non possono sostenerlo autonomamente a causa dei costi elevati, come dimostrato dai 20 miliardi di dollari di Open AI. Zecchina suggerisce un approccio congiunto, simile al CERN di Ginevra, dove più paesi europei contribuiscono per creare un centro di ricerca funzionale.
Le performance dei sistemi AI migliorano all'aumentare delle risorse (dati e potenza di calcolo), seguendo leggi di scala logaritmiche. Ciò significa che per una piccola riduzione degli errori è necessario moltiplicare drasticamente le risorse. GPT-4, ad esempio, ha un trilione di parametri, richiedendo un'energia e un potere di calcolo enormi, spesso non disponibili in paesi come l'Italia. Questi sistemi sono costosi da mantenere in esercizio, rendendo la distribuzione delle versioni più avanzate commercialmente non vantaggiosa per l'utente finale.
Oggi l'AI si riferisce principalmente al machine learning, ovvero macchine che apprendono dai dati. L'Artificial General Intelligence (AGI) e la 'super intelligence' sono concetti ancora indefiniti e non ci sono prove attuali di macchine creative o in grado di cambiare paradigmi. Il progresso è continuo, ma le macchine attuali non sono equivalenti all'intelligenza umana.
L'ultima ondata di AI è driven dall'apprendimento autosupervisionato (self-supervised learning) e dagli 'embedding'. Quest'ultimo permette di processare enormi quantità di dati senza intervento umano, rimuovendo parti di dati (es. parole) e addestrando la macchina a predire ciò che è stato rimosso. Questo non solo insegna la grammatica ma anche la modellizzazione dei problemi. I sistemi autoregressivi, come quelli nei Large Language Models (LLM), prevedono la parola successiva, consentendo la generazione di testi complessi. Le parole vengono trasformate in vettori in spazi ad alta dimensionalità, permettendo operazioni algebriche che conferiscono significato in base al contesto.
Per migliorare le capacità di ragionamento, si addestrano i sistemi AI con 'catene di pensiero', scomponendo le risposte in sotto-risposte. Questo ha portato a prestazioni eccezionali in matematica, coding e ragionamento, rendendo l'AI un campo di grande impatto economico e politico. Esistono anche modelli alternativi, come i 'world models', che ragionano per astrazioni. L'AI generativa e l'apprendimento multimodale sono le tendenze attuali. Mentre alcuni credono che gli LLM evolveranno verso l'AGI, altri ritengono necessarie nuove architetture per rappresentare la realtà tridimensionale. Tuttavia, tutti concordano che le prestazioni continueranno a migliorare, con un enorme impatto economico e politico.