L'AI debole, detta anche AI ristretta o intelligenza artificiale ristretta (ANI), è un'AI addestrata e orientata a eseguire attività specifiche.L’intelligenza artificiale debole è alla base della maggior parte dell'AI che ci circonda oggi."Ristretta" potrebbe essere un termine più preciso per descrivere questo tipo di AI, in quanto è tutt'altro che debole; abilita alcune applicazioni molto robuste, come Siri di Apple, Alexa di Amazon, Watson di IBM e i veicoli autonomi.

L'AI forte è composta da intelligenza artificiale generale (AGI) e superintelligenza artificiale (ASI).L'intelligenza artificiale generale (AGI), o AI generale, è una forma teorica di AI secondo la quale una macchina avrebbe un'intelligenza pari a quella umana; una coscienza autoconsapevole che ha la capacità di risolvere problemi, imparare e pianificare il futuro.La superintelligenza artificiale (ASI), nota anche come superintelligenza, supererebbe l'intelligenza e le capacità del cervello umano.Sebbene l'AI forte sia ancora del tutto teorica e non vi siano esempi pratici in uso oggi, ciò non significa che i ricercatori di AI non ne stiano esplorando gli sviluppi.Nel frattempo, i migliori esempi di ASI potrebbero essere tratti dalla fantascienza, come HAL, il supercomputer malvagio in 2001: Odissea nello spazio.

Poiché l'apprendimento profondo e l'apprendimento automatico tendono a essere usati in modo intercambiabile, vale la pena di notare le sfumature che li differenziano.Come accennato in precedenza, sia l'apprendimento profondo che l'apprendimento automatico sono sottoinsiemi dell’intelligenza artificiale e l'apprendimento profondo è in realtà un sottoinsieme dell'apprendimento automatico.

L'apprendimento profondo è in realtà composto da reti neurali.Il termine "profondo" si riferisce a una rete neurale composta da più di tre strati, che comprenderebbero input e output, e può essere considerata un algoritmo di apprendimento profondo.Questo è generalmente rappresentato utilizzando il diagramma seguente.

La differenza tra apprendimento profondo e apprendimento automatico riguarda il modo in cui ciascun algoritmo apprende.L'apprendimento profondo automatizza gran parte del processo di estrazione delle caratteristiche, eliminando parte dell'intervento umano manuale richiesto e consentendo l'uso di set di dati più grandi.Si può pensare all'apprendimento profondo come "apprendimento automatico scalabile" come ha notato Lex Fridman nella stessa conferenza del MIT di cui sopra.L’apprendimento automatico classico, o “non profondo”, dipende maggiormente dall’intervento umano.Gli esperti umani determinano la gerarchia delle caratteristiche per comprendere le differenze tra gli input di dati, che in genere richiedono dati più strutturati per l'apprendimento.

L'apprendimento automatico "profondo" può sfruttare i dataset etichettati, noti anche come apprendimento controllato, per informarne l'algoritmo, ma non richiede necessariamente un dataset etichettato.Può acquisire dati non strutturati nella loro forma grezza (ad es.testo, immagini) e può determinare automaticamente la gerarchia delle caratteristiche che distinguono le diverse categorie di dati l'una dall'altra.A differenza dell'apprendimento automatico, non richiede l'intervento umano per elaborare i dati, consentendoci di scalare l'apprendimento automatico in modi più interessanti.

L'AI generativa si riferisce a modelli di apprendimento profondo che possono prendere dati non elaborati – ad esempio, tutta Wikipedia o le opere raccolte di Rembrandt – e “imparare” a generare risultati statisticamente probabili quando richiesto.Ad un livello superiore, i modelli generativi codificano una rappresentazione semplificata
dei dati di addestramento e ne attingono per creare un risultato simile,
ma non identico, ai dati originali.

I modelli generativi sono stati utilizzati per anni in statistica per analizzare i dati numerici.L’ascesa dell'apprendimento profondo, tuttavia, ha reso possibile l'estensione a immagini, parlato e altri tipi di dati complessi.Tra la prima classe di modelli che hanno raggiunto questa impresa trasversale ci sono gli autoencoder variazionali, o VAE, introdotti nel 2013.I VAE sono stati i primi modelli di apprendimento profondo ad essere ampiamente utilizzati per generare immagini e discorsi realistici.

"I VAE hanno aperto le porte alla modellazione generativa profonda rendendo i modelli più facili da scalare
", ha dichiarato Akash Srivastava, esperto di AI generativa presso il MIT-IBM Watson AI Lab.
"Gran parte di ciò che oggi consideriamo AI generativa è iniziata da qui".

I primi esempi di modelli, come GPT-3, BERT o DALL-E 2, hanno dimostrato cosa sia possibile fare.Il futuro è rappresentato da modelli addestrati su un ampio insieme di dati non etichettati che possono essere utilizzati per attività diverse, con una ottimizzazione minima.I sistemi che eseguono attività specifiche in un singolo dominio lasciano posto a un'AI più ampia, che apprende in modo più generale e opera su più domini e problemi.I modelli di fondazione, addestrati su dataset di grandi dimensioni non etichettati e ottimizzati per una serie di applicazioni, stanno guidando questo cambiamento.

Per quanto riguarda l'AI generativa, si prevede che i modelli di fondazione
accelereranno drasticamente l'adozione dell'IA nelle aziende.La riduzione dei requisiti di etichettatura renderà molto più facile
per le aziende lanciarsi in questa impresa e l'automazione altamente accurata ed efficiente guidata dall'IA che essi consentono di realizzare significherà consentirà a un numero molto maggiore di aziende di impiegare l'AI in una gamma più ampia di situazioni mission-critical.Per IBM, la speranza è che la potenza dei modelli di fondazione possa essere portata a tutte le aziende in un ambiente cloud ibrido senza precedenti.

Oggi esistono numerose applicazioni nel mondo reale dei sistemi di AI.Di seguito sono riportati alcuni dei casi d'uso più comuni:

• Riconoscimento vocale: è anche noto come riconoscimento vocale automatico (ASR), riconoscimento vocale computerizzato o speech-to-text, ed è una funzionalità che utilizza l'elaborazione del linguaggio naturale (NLP) per elaborare il discorso umano in un formato scritto. Molti dispositivi mobili incorporano il riconoscimento vocale nei loro sistemi per condurre ricerche vocali, ad esempioSiri o per fornire una maggiore accessibilità agli SMS. 
• Servizio clienti:  gli agenti virtuali online stanno sostituendo gli agenti umani nel percorso del cliente.Rispondono alle domande frequenti (FAQ) su argomenti come le spedizioni o forniscono consigli personalizzati, cross-selling di prodotti o suggeriscono le taglie agli utenti, cambiando il modo di concepire il coinvolgimento dei clienti su siti web e sulle piattaforme dei social media.Tra gli esempi vi sono i bot di messaggistica sui siti di e-commerce con agenti virtuali, le app di messaggistica, come Slack e Facebook Messenger, e le attività solitamente svolte da assistenti virtuali e assistenti  vocali.
• Computer vision: questa tecnologia di AI consente ai computer e ai sistemi di ricavare informazioni significative da immagini digitali, video e altri input visivi e, sulla base di tali input, di agire.Questa capacità di fornire consigli la distingue dalle attività di riconoscimento delle immagini.Grazie alle reti neurali convoluzionali, la computer vision trova applicazione nel tagging delle foto nei social media, nell'imaging radiologico nel settore sanitario e nelle auto a guida autonoma nel settore automobilistico.  
• Motori di raccomandazione: utilizzando i dati sul comportamento d'acquisto, gli algoritmi di AI possono aiutare a scoprire le tendenze dei dati che possono essere utilizzate per sviluppare strategie di cross-selling più efficaci.Viene utilizzato per fornire ai clienti consigli aggiuntivi pertinenti durante il processo di check out dei rivenditori online.
• Trading azionario automatizzato: progettate per ottimizzare i portafogli azionari, le piattaforme di trading ad alta frequenza basate sull’AI effettuano migliaia o addirittura milioni di operazioni al giorno senza l'intervento umano.

L'idea di 'una macchina che pensa' risale all'antica Grecia.Ma dall'avvento dell'informatica elettronica (e relativamente ad alcuni degli argomenti trattati in questo articolo), gli eventi chiave nell'evoluzione dell'intelligenza artificiale sono i seguenti:

• 1950: Alan Turing pubblica Computing Machinery and Intelligence. Nell'articolo, Turing, famoso per aver decifrato il codice ENIGMA dei nazisti durante la Seconda Guerra Mondiale, propone di rispondere alla domanda "Le macchine possono pensare?" e introduce il test di Turing per determinare se un computer può dimostrare la stessa intelligenza (o i risultati della stessa intelligenza) di un essere umano.Da allora il valore del test di Turing è stato oggetto di dibattito.

• 1956: John McCarthy conia il termine “intelligenza artificiale” in occasione della prima conferenza sull’AI al Dartmouth College.(McCarthy avrebbe successivamente inventato il linguaggio LISP.)Più tardi, nello stesso anno, Allen Newell, JC Shaw e Herbert Simon creano Logic Theorist, il primo programma di intelligenza artificiale funzionante.

• 1967: Frank Rosenblatt costruisce il Mark 1 Perceptron, il primo computer basato su una rete neurale che "impara" per tentativi ed errori.Appena un anno dopo, Marvin Minsky e Seymour Papert pubblicano un libro intitolato Perceptrons, che diventa sia l'opera fondamentale sulle reti neurali sia, almeno per un po', un argomento contro i futuri progetti di ricerca sulle reti neurali.

• Anni '80: le reti neurali che utilizzano un algoritmo di backpropagation per addestrarsi diventano ampiamente utilizzate nelle applicazioni di intelligenza artificiale.

• 1997: IBM Deep Blue batte l'allora campione del mondo di scacchi Garry Kasparov, in una partita a scacchi (e rivincita).

• 2011: IBM watson batte i campioni Ken Jennings e Brad Rutter a Jeopardy!

• 2015: il supercomputer Minwa di Baidu utilizza un tipo speciale di rete neurale profonda, chiamata rete neurale convolutiva, per identificare e categorizzare le immagini con un tasso di accuratezza superiore alla media umana.

• 2016: il programma AlphaGo di DeepMind, alimentato da una rete neurale profonda, batte Lee Sodol, il campione del mondo di Go, in un incontro di cinque partite.La vittoria è significativa se si considera l'enorme numero di mosse possibili nel corso del gioco (oltre 14,5 trilioni dopo solo quattro mosse!). Successivamente, Google ha acquistato DeepMind per una cifra stimata di 400 milioni di dollari.

• 2023: l'aumento dei modelli di linguaggio di grandi dimensioni, o LLM, come ChatGPT, crea un
  enorme cambiamento nelle prestazioni dell’AI e nel suo potenziale di generare valore aziendale.
  Con queste nuove pratiche di AI generativa, è possibile pre-addestrare i modelli di apprendimento profondo su
  grandi quantità di dati non elaborati e non etichettati.