L'AI si avvicina all'età della ragione

Al momento del lancio di ChatGPT, poco più di due anni fa, avevamo detto che questa piattaforma di intelligenza artificiale (AI) di OpenAI poteva rappresentare l'innovazione tecnologica più significativa delle ultime generazioni. I successivi progressi dell'AI non hanno fatto che rafforzare questa visione. Ha suscitato meno attenzione uno sviluppo più recente che consideriamo altrettanto rivoluzionario: i modelli AI che iniziano a mostrare capacità di ragionamento.

Considerando la velocità dell'innovazione, e le nostre aspettative per il 2025 che potrebbe rivelarsi un anno di svolta, ci sembra il momento opportuno per fornire un aggiornamento sull'AI e il relativo potenziale di cambiare radicalmente le nostre modalità di interazione con la tecnologia e rimodellare l'economia globale.

Uno sguardo al passato

Siamo andati molto lontano, molto velocemente.ChatGPT è stata adottata rapidamente come una piattaforma orizzontale in grado di alterare l'utilità della tecnologia. I casi d'uso hanno iniziato a maturare in tutte le funzioni, dall'assistenza clienti alla creazione di contenuti, dalla codifica al marketing. L'impiego dell'AI non è più limitato al settore dei servizi, ma si estende anche alla biologia e alle scienze della vita. A ChapGPT si sono aggiunti altri modelli fondazionali, come Claude, Gemini di Google, Lama e Mistral. Queste piattaforme sono state in competizione durante la fase di addestramento dell'AI e finora le leggi di scaling, ovvero la funzione degli input di dati e della capacità di calcolo che producono risultati amplificati, hanno tenuto.

Entra in scena l'inferenza in fase di test

Dopo un'intensa fase di addestramento, molti modelli AI sono alle soglie della transizione verso la fase più operativa di inferenza. Questo sviluppo si è rivelato più interessante del previsto. L'obiettivo finale è che questi modelli raggiungano l'intelligenza artificiale generale (AGI). L'avanzata verso questo traguardo ha fatto un passo notevole alla fine del 2024 con il rilascio della piattaforma Strawberry di OpenAI, che combina il ragionamento e la memoria con i modelli linguistici di grandi dimensioni (LLM).

Cosa significa? Anziché interpretare gli input e prevedere un "passo successivo", i modelli AI riflettono sui problemi in modo iterativo per identificare la soluzione o il percorso migliore da seguire. Ora i modelli possono apprendere da ogni iterazione, con ciascun passaggio aggiuntivo che produce dati cui si può fare riferimento negli usi futuri, il che dovrebbe portare a una precisione esponenzialmente maggiore. Questa novità si chiama inferenza in fase di test e crediamo che sarà particolarmente utile per funzioni altamente complesse come la matematica, la fisica, la codifica e altre applicazioni in cui si dà priorità alla risposta migliore e non a quella più veloce.

L'inferenza in fase di test è simile a un programma per computer sviluppato da DeepMind di Alphabet per giocare a giochi da tavolo. A differenza di altri programmi, AlphaGo di DeepMind non aveva informazioni precaricate, ma poteva imparare solo in modo iterativo attraverso i giochi e riusciva rapidamente a sconfiggere gli umani.

Un esempio da un ambiente professionale è una startup AI che ha cercato di implementare la tecnologia per eseguire le mansioni di un assistente legale. Il passaggio a svolgere i compiti di un avvocato è stato rapido e si può ipotizzare che un socio AI sia una realtà non molto lontana. Nel mondo accademico, i progetti di ricerca che in passato erano affidati a un manipolo di dottorandi oggi possono sfruttare decine di bot AI .

Questi progressi nel ragionamento hanno cambiato le regole a gioco in corso. Inizialmente, l'aspettativa era che le leggi di scaling sarebbero state superate con la graduale maturazione della fase di addestramento dell'AI . Invece è emersa una nuova serie di leggi di scaling, in parte a causa dei dati prodotti nell'ambito dell'inferenza in fase di test. Rimanendo all'esempio accademico, negli ultimi due anni, le piattaforme AI si sono evolute da studenti di scuola superiore a studenti universitari e ora forniscono risultati sovrapponibili al lavoro di un dottore di ricerca. La velocità di questa trasformazione ci ha permesso, per la prima volta, di avere visibilità su ciò che servirà per raggiungere l'AGI, un traguardo cui si potrebbe arrivare entro i prossimi tre anni.

Una corsa folle?

Finora, l'adozione dell'AI è stata relativamente ordinata, ma i progressi recenti potrebbero cambiare le cose. Più che una riduzione delle spese fisse man mano che la fase di addestramento arriva a maturazione, potremmo osservare livelli di investimento sostenuti, con la corsa delle piattaforme AI ad assicurarsi capacità di calcolo sufficienti per eseguire l'inferenza in fase di test.

Per questo passaggio occorre che le piattaforme siano più vicine al cliente e già la prossima generazione di innovatori AI si sta finanziando per costruire su queste basi. Cogliendo l'entità dell'opportunità, le aziende di software stanno cercando di integrare l'AI nelle proprie offerte e le società di servizi stanno esplorando attivamente modi di sfruttare l'AI per ampliare le attività e migliorare le efficienze. La fase di studio è finita ed è arrivato il momento dei risultati e della monetizzazione .

Diventare mainstream

Rimane la possibilità che, con la fase di addestramento ormai matura, le leggi di scaling comincino a mostrare ritorni decrescenti, riducendo così la domanda di infrastrutture ad alta intensità di investimenti.

Lo scenario più probabile è l'affermazione di nuove leggi di scaling complementari che manterrebbero gli investimenti legati all'AI a livelli elevati. Questa tesi è corroborata dal passaggio dell'opportunità AI da un mercato del software che vale 650 miliardi di dollari al settore dei servizi che ha un valore di svariati trilioni di dollari. La domanda di potenza di calcolo dovrebbe essere ulteriormente sostenuta in quanto l'AI incorpora più input ambientali e multimodali, come voce e immagini.

Con il potenziale dell'AI che diventa sempre più visibile, gli attori al di fuori dei servizi e della ricerca stanno rivendicando il loro spazio. I governi stanno sviluppando sistemi "AI sovrani" per proteggere i dati, aumentare i ritorni economici e mantenere un certo grado di indipendenza tecnologica. All'interno del settore, le aziende stanno cercando di adottare l'AI per ottimizzare i processi di produzione, progettare le fabbriche e integrare bot che migliorano l'efficienza operativa in generale.

Il punto di vista di un investitore

Dato che l'intensità di calcolo probabilmente aumenterà con l'implementazione dell'inferenza in fase di test, i recenti livelli di investimento molto elevati da parte degli hyperscaler potrebbero essere mantenuti nei prossimi due anni. Questa prospettiva è incoraggiante per i produttori di unità di elaborazione grafica (GPU), circuiti integrati per applicazioni specifiche (ASIC) e altri segmenti che sono parte integrante dell'infrastruttura AI. L'introduzione della prossima generazione di GPU, notevolmente più potenti, può solo rafforzare questa tendenza.

In ambito software, il passaggio dall'addestramento dell'AI al ragionamento dovrebbe avvantaggiare le aziende che producono software sia infrastrutturali che applicativi. La domanda potrebbe concentrarsi proprio sulle applicazioni, in quanto i fornitori sfruttano l'AI per offrire soluzioni per processi aziendali e flussi di lavoro di alto valore. È probabile che anche le società Internet ricevano una spinta, in quanto proprietarie di LLM e in virtù della loro impronta globale.

Al di fuori del settore tecnologico, l'approvvigionamento energetico è un problema che deve essere affrontato data l'intensità energetica delle piattaforme AI . Gli hyperscaler stanno prendendo in considerazione diverse soluzioni per evitare carenze di fornitura, tra cui l'impiego di fonti di energia dedicate in loco, la co-ubicazione vicino alle centrali nucleari e lo studio di fattibilità di piccoli reattori modulari e celle a combustibile.

L'AI ha catturato l'attenzione degli investitori dopo il rilascio di ChatGPT. Le prime iterazioni potevano sembrare sofisticate e al tempo stesso rudimentali, con risultati talvolta dubbi se non comici. Un'intensa fase di addestramento ha affinato questi modelli e l'avvento del ragionamento potrebbe tradursi in competenze che solo pochi mesi fa erano considerate teoriche.

La velocità con cui ciò sta accadendo significa che ci sono pochi segmenti dell'economia globale e dei mercati finanziari che non risentiranno dell'adozione dell'AI. Nonostante la natura secolare, ci sembra ragionevole l'aspettativa degli investitori che il tema AI si traduca in monetizzazione in un orizzonte di breve-medio periodo.

INFORMAZIONI IMPORTANTI

I settori tecnologici possono essere influenzati in modo significativo dall'obsolescenza della tecnologia esistente, dai cicli brevi dei prodotti, dal calo dei prezzi e dei profitti, dalla concorrenza di nuovi operatori di mercato e dalle condizioni economiche generali. Un investimento concentrato in un singolo settore potrebbe essere più volatile rispetto alla performance di investimenti meno concentrati e del mercato nel suo complesso.

Il settore energetico può risentire in modo significativo delle fluttuazioni dei prezzi dell'energia e dell'offerta e della domanda di combustibili, della conservazione, del successo di progetti di esplorazione e delle normative fiscali e statali in generale.

Gli investimenti concentrati in un unico settore, industria o regione saranno più sensibili ai fattori che influiscono su tale gruppo e potrebbero essere più volatili rispetto a investimenti meno concentrati o al mercato nel suo complesso.