Rivoluzione AI: scoperta shock sull’intelligenza artificiale

## Valutare l’Intelligenza Attraverso Tentativi ed Errori: Un Nuovo Paradigma

La valutazione dell’intelligenza artificiale (AI) è un campo in rapida evoluzione, con implicazioni significative per il futuro dell’automazione e della trasformazione digitale. Un recente studio introduce un nuovo framework, denominato “Survival Game”, per misurare l’intelligenza basandosi sul numero di tentativi falliti prima di trovare una soluzione corretta. L’idea di fondo è semplice: meno fallimenti equivalgono a maggiore intelligenza.

Questo approccio si discosta dalle tradizionali metriche di accuratezza, concentrandosi invece sulla capacità di un sistema di apprendere e adattarsi attraverso un processo di trial and error. Il concetto di “Autonomous Level” viene introdotto per descrivere la capacità di un sistema di trovare soluzioni in modo consistente a nuove sfide, caratterizzata da aspettative e varianze finite nel conteggio dei fallimenti.

## I Limiti dell’Approccio “Scaling”

I risultati ottenuti tramite il “Survival Game” rivelano una realtà preoccupante: sebbene i sistemi di AI raggiungano l’Autonomous Level in compiti semplici, sono ancora lontani dal farlo in aree più complesse come visione, ricerca, raccomandazione e linguaggio. La soluzione intuitiva di aumentare la scala dei modelli AI si scontra con ostacoli insormontabili.

Le proiezioni indicano che raggiungere l’Autonomous Level per compiti generali richiederebbe modelli con un numero di parametri pari a 10²⁶. Per dare un’idea della portata di questa cifra, caricare un modello di queste dimensioni richiederebbe un numero di GPU H100 il cui valore totale supererebbe di 4×10⁷ volte la capitalizzazione di mercato di Apple Inc. Persino ipotizzando il mantenimento della Legge di Moore, sarebbero necessari 70 anni per supportare una tale scala di parametri.

Questo scenario evidenzia la complessità dei compiti umani e le attuali limitazioni delle tecnologie AI. La mera forza bruta computazionale non sembra essere la risposta.

## La “Criticality” dei Compiti Umani

Un’analisi teorica del “Survival Game” rivela che i compiti umani possiedono una proprietà di “criticality”. Ciò significa che anche piccole variazioni nell’ambiente richiedono risposte completamente diverse. Per operare con successo in questi contesti, è necessaria una profonda comprensione dei meccanismi sottostanti.

I sistemi di AI attuali, tuttavia, si basano principalmente su una mimicry superficiale, memorizzando risposte a domande specifiche e cercando di risolvere nuovi problemi attraverso l’esplorazione. Questa mancanza di comprensione profonda rende difficile raggiungere un livello di autonomia.

## Oltre lo Scaling: La Necessità di Nuove Invenzioni

I risultati del “Survival Game” confermano un’intuizione che sta emergendo sempre più nel campo dell’AI: l’aumento della scala da solo non è sufficiente. Per superare i limiti attuali, sono necessarie nuove invenzioni, approcci radicalmente diversi che consentano ai sistemi di AI di comprendere e ragionare in modo più simile agli esseri umani.

Come ha affermato Yann LeCun, pioniere dell’AI, la strada verso un’intelligenza artificiale veramente autonoma richiede scoperte che al momento non possiamo nemmeno immaginare. La domanda cruciale è: saremo in grado di fare queste scoperte? C’è chi, con un atto di fede, ne è convinto.

## Verso un Futuro dell’AI: Riflessioni su Automazione e Scalabilità
L’articolo che abbiamo analizzato solleva questioni fondamentali sul futuro dell’AI e sul suo impatto sull’automazione e la scalabilità produttiva.

Nozione base di automazione: L’automazione, nella sua essenza, mira a ridurre l’intervento umano nei processi. Tuttavia, l’automazione cieca, basata solo sull’aumento della scala, può portare a risultati inefficienti e costosi, come dimostrato dalle proiezioni sul “Survival Game”.
Nozione avanzata di automazione: L’automazione avanzata richiede una comprensione profonda dei processi da automatizzare e la capacità di adattarsi a cambiamenti imprevisti. Questo implica lo sviluppo di sistemi di AI in grado di ragionare, apprendere e generalizzare, piuttosto che semplicemente memorizzare e imitare.

La riflessione che ne consegue è che l’automazione del futuro non sarà solo una questione di algoritmi e hardware, ma anche di comprensione e adattabilità. Sarà un processo che richiederà una stretta collaborazione tra esseri umani e macchine, in cui gli esseri umani forniranno la conoscenza e la creatività, mentre le macchine si occuperanno dei compiti ripetitivi e complessi.

Nel 2017, l’MIT avvertiva che il car sharing, pur promettente, non avrebbe risolto i problemi di traffico e inquinamento se non accompagnato da un ripensamento radicale del sistema dei trasporti. Allo stesso modo, l’AI, per quanto potente, non potrà trasformare il mondo se non saremo in grado di sviluppare una comprensione più profonda dell’intelligenza e dei suoi limiti.