Il futuro dell'AI: le tendenze che daranno forma ai prossimi 10 anni

Sin dal suo inizio, l'AI generativa (gen AI) è in continua evoluzione. Abbiamo già visto sviluppatori come OpenAI e Meta abbandonare i modelli di grandi dimensioni per includerne di più piccoli e meno costosi, migliorando i modelli AI in modo che possano fare lo stesso o di più utilizzando meno risorse. Il prompt engineering sta cambiando man mano che modelli come ChatGPT diventano più intelligenti e in grado di comprendere meglio le sfumature del linguaggio umano. Poiché gli LLM vengono addestrati su informazioni più specifiche, possono fornire competenze approfondite per settori specializzati, diventando agenti sempre attivi pronti ad aiutare a completare le attività.

L'AI non è una tecnologia di passaggio. Non è una fase. Oltre 60 paesi hanno sviluppato strategie nazionali di AI per sfruttare i benefici dell'AI mitigando i rischi. Ciò significa investire in modo sostanziale in ricerca e sviluppo, rivedere e adattare gli standard delle politiche e i framework normativi pertinenti e garantire che la tecnologia non distrugga il mercato del lavoro equo e la cooperazione internazionale.

Sta diventando sempre più facile per gli esseri umani e le macchine comunicare, consentendo agli utenti dell'AI di ottenere di più con maggiore competenza. Si prevede che AI apporterà 4,4 trilioni di dollari all'economia globale attraverso continue esplorazioni e ottimizzazioni.

Da qui al 2034 l'AI diventerà una presenza fissa in molti aspetti della nostra vita personale e lavorativa. I modelli di AI generativa come GPT-4 si sono dimostrati estremamente promettenti nel breve tempo in cui sono stati disponibili per l'uso pubblico, ma anche i loro limiti sono diventati noti. Di conseguenza, il futuro dell'AI è definito da un passaggio sia verso modelli open source su larga scala per la sperimentazione sia dallo sviluppo di modelli più piccoli ed efficienti per stimolare la facilità d'uso e facilitare una riduzione dei costi.

Iniziative come Llama 3.1, un modello AI open source con 400 miliardi di parametri e Mistral Large 2, rilasciato a scopo di ricerca, illustrano la tendenza a promuovere la collaborazione della community nei progetti di AI mantenendo i diritti commerciali. Il crescente interesse per i modelli più piccoli ha portato alla creazione di modelli come il mini GPT 4o-mini da 11 miliardi di parametri, che è veloce ed economico. Non passerà molto tempo prima che ci sia un modello adatto all'integrazione in dispositivi come gli smartphone, soprattutto perché il costo continua a diminuire.

Questo movimento riflette una transizione da modelli esclusivamente chiusi e di grandi dimensioni a soluzioni AI più accessibili e versatili. Sebbene i modelli più piccoli offrano convenienza ed efficienza, permane la domanda da parte del pubblico di sistemi AI più potenti, il che indica che probabilmente ci sarà un approccio equilibrato nello sviluppo dell'AI per cercare di dare priorità sia alla scalabilità che all'accessibilità. Questi nuovi modelli offrono una maggiore precisione con meno risorse, il che li rende ideali per le aziende che hanno bisogno di creare contenuti personalizzati o di funzionalità di risoluzione di problemi complessi.

L'AI ha influenzato lo sviluppo di numerose tecnologie di base. Svolge un ruolo fondamentale nel progresso della computer vision consentendo un'analisi più accurata di immagini e video, essenziale per tecnologie come i veicoli autonomi e la diagnostica medica. Nell'elaborazione del linguaggio naturale (NLP), l'AI migliora la capacità delle macchine di comprendere e generare il linguaggio umano, migliorando le interfacce di comunicazione e abilitando strumenti di traduzione e analisi del sentiment più sofisticati.

L'AI potenzia l'analisi predittiva e l'analisi dei big data, elaborando e interpretando grandi quantità di dati per prevedere le tendenze e prendere decisioni più informate. Nella robotica, lo sviluppo di macchine più autonome e adattabili semplifica compiti come l'assemblaggio, l'esplorazione e la fornitura di servizi. Inoltre, le innovazioni basate sull'AI nell'Internet of Things (IoT) migliorano la connettività e l'intelligenza dei dispositivi, portando a case, città e sistemi industriali più intelligenti.

Ecco alcuni dei progressi dell'AI a cui potremmo assistere tra dieci anni:

Il campo nascente dell'AI multimodale sarà accuratamente testato e perfezionato entro il 2034. L'AI unimodale si concentra su un singolo tipo di dati, come l'NLP o la computer vision. Al contrario, l'AI multimodale assomiglia più da vicino al modo in cui gli umani comunicano comprendendo i dati attraverso immagini, voce, espressioni facciali e inflessioni vocali. Questa tecnologia integrerà testo, voce, immagini, video e altri dati per creare interazioni più intuitive tra gli esseri umani e i sistemi informatici. Ha il potenziale per alimentare assistenti virtuali e chatbot avanzati che comprendono query complesse e possono fornire testo su misura, aiuti visivi o tutorial video in risposta.

L'AI diventerà sempre più integrata con la sfera personale e professionale grazie a piattaforme intuitive che consentiranno ai non esperti di utilizzare l'AI per le attività aziendali e individuali, la ricerca e i progetti creativi. Queste piattaforme, simili agli attuali costruttori di siti web, consentiranno agli imprenditori, agli insegnanti e alle piccole imprese di sviluppare soluzioni AI personalizzate senza richiedere grandi competenze tecniche.

L'AI e i microservizi basati su API consentiranno alle aziende di integrare funzioni avanzate di AI nei propri sistemi esistenti in modo modulare. Questo approccio accelererà lo sviluppo di applicazioni personalizzate senza richiedere competenze approfondite in materia di AI.

Per le aziende, una creazione di modelli più semplice significa cicli di innovazione più rapidi, con strumenti AI personalizzati per ogni funzione aziendale. Le piattaforme no-code e low-code consentiranno agli utenti non tecnici di creare modelli AI utilizzando componenti drag-and-drop, moduli plug-and-play o workflow guidati. Poiché molte di queste piattaforme saranno basate su LLM, gli utenti potranno anche interrogare un modello AI utilizzando i prompt.

Le piattaforme di Auto-ML stanno migliorando rapidamente, automatizzando compiti come la pre-elaborazione dei dati, la selezione delle caratteristiche e l'ottimizzazione degli iperparametri. Nel prossimo decennio, l'Auto-ML diventerà ancora più intuitivo e accessibile, consentendo alle persone di creare rapidamente modelli AI ad alte prestazioni senza competenze specialistiche. I servizi AI basati sul cloud forniranno inoltre alle aziende modelli AI predefiniti che possono essere personalizzati, integrati e scalati in base alle esigenze.

Per gli appassionati, gli strumenti di AI accessibili promuoveranno una nuova ondata di innovazione a livello individuale, consentendo loro di sviluppare applicazioni AI per progetti personali o attività secondarie.

Lo sviluppo open source può favorire la trasparenza, mentre una governance attenta e linee guida etiche possono aiutare a mantenere elevati standard di sicurezza e creare fiducia nei processi basati sull'AI. Il culmine di questa facilità di accesso potrebbe essere un assistente virtuale multimodale completamente a comando vocale in grado di creare asset visivi, testuali o audio su richiesta.

Sebbene sia solo un'ipotesi, se un sistema di intelligenza artificiale generale (AGI) dovesse emergere entro il 2034, potremmo vedere l'alba di sistemi di intelligenza artificiale in grado di generare, rendere accurati e perfezionare autonomamente i propri set di dati di addestramento, consentendo l'auto-miglioramento e l'adattamento senza intervento umano.

Man mano che l'AI generativa assumerà un ruolo più centrale all'interno delle organizzazioni, le aziende potrebbero iniziare a offrire un'assicurazione contro le "allucinazioni AI". Nonostante un addestramento approfondito, i modelli AI possono fornire risultati errati o fuorvianti. Questi errori spesso derivano da dati di addestramento insufficienti, ipotesi errate o distorsioni nei dati di addestramento.

Un'assicurazione di questo tipo proteggerebbe le istituzioni finanziarie, il settore medico, il settore legale e altri da output imprevisti, imprecisi o dannosi dell'AI. Gli assicuratori potrebbero coprire i rischi finanziari e di reputazione associati a questi errori, in modo analogo a come gestiscono le frodi finanziarie e le violazioni dei dati.

Il processo decisionale e la modellazione predittiva basati sull'AI avanzeranno fino al punto in cui i sistemi AI diventeranno dei business partner strategici, aiutando i dirigenti a prendere decisioni informate e ad automatizzare le attività complesse. Questi sistemi AI integreranno l'analisi dei dati in tempo reale, la consapevolezza contestuale e gli insight personalizzati per offrire consigli su misura, come la pianificazione finanziaria e il rapporto con i clienti, in linea con gli obiettivi aziendali.

Il miglioramento dell'NLP consente all'AI di partecipare alle conversazioni con la leadership, offrendo consigli basati sulla modellazione predittiva e sulla pianificazione degli scenari. Le aziende si affideranno all'AI per simulare potenziali risultati, gestire la collaborazione tra i reparti e perfezionare le strategie basate sull'apprendimento continuo. Questi partner AI consentiranno alle piccole imprese di scalare più rapidamente e di operare con un'efficienza simile a quella delle grandi imprese.

L'AI quantistica, utilizzando le proprietà uniche dei qubit, potrebbe infrangere i limiti dell'AI classica risolvendo problemi che in precedenza erano irrisolvibili a causa di vincoli computazionali. Simulazioni di materiali complessi, un'ampia ottimizzazione della supply chain e set di dati esponenzialmente più grandi potrebbero diventare fattibili in tempo reale. Questo potrebbe trasformare i campi della ricerca scientifica, in cui l'AI supererà i confini della scoperta in fisica, biologia e scienze del clima modellando scenari che richiederebbero millenni per essere elaborati dai computer classici.

Uno dei principali ostacoli al progresso dell'AI è stata l'enorme quantità di tempo ed energia e gli enormi costi necessari per l'addestramento dei modelli di grandi dimensioni, come i modelli linguistici di grandi dimensioni (LLM) e le reti neurali. Gli attuali requisiti hardware si stanno avvicinando ai limiti dell'infrastruttura informatica convenzionale, motivo per cui l'innovazione si concentrerà sul miglioramento dell'hardware o sulla creazione di architetture completamente nuove. Il quantum computing offre una strada promettente per l'innovazione dell'AI, in quanto potrebbe ridurre drasticamente il tempo e le risorse necessarie per addestrare ed eseguire modelli AI di grandi dimensioni.

I modelli bitnet utilizzano parametri ternari, ossia un sistema a base 3 con 3 cifre per rappresentare le informazioni. Questo approccio affronta il problema energetico consentendo all'AI di elaborare le informazioni in modo più efficiente, basandosi su più stati anziché su dati binari (0 e 1). Ciò può portare a calcoli più rapidi e a un consumo di energia inferiore.

Le startup sostenute da Y Combinator, così come altre aziende, stanno investendo in hardware di silicio specializzato su misura per i modelli bitnet, che potrebbe accelerare notevolmente i tempi di addestramento dell'AI e ridurre i costi operativi. Questa tendenza suggerisce che i futuri sistemi AI combineranno il quantum computing, i modelli bitnet e l'hardware specializzato per superare i limiti computazionali.

Le normative e gli standard etici dell'AI dovranno progredire in modo significativo affinché l'ubiquità dell'AI diventi realtà. Sulla base di framework come l'EU AI Act, uno sviluppo chiave sarà la creazione di rigorosi sistemi di gestione del rischio, la classificazione dell'AI in livelli di rischio e l'imposizione di requisiti più severi per l'AI ad alto rischio. I modelli AI, soprattutto quelli generativi e su larga scala, potrebbero dover soddisfare gli standard di trasparenza, robustezza e cybersecurity. È probabile che questi framework si espandano a livello globale, a seguito dell'AI Act dell'UE, che stabilisce standard per i settori sanitario, finanziario e delle infrastrutture critiche.

Considerazioni etiche daranno forma alle normative, compresi i divieti di sistemi che pongono rischi inaccettabili, come il punteggio sociale e l'identificazione biometrica remota negli spazi pubblici. I sistemi AI dovranno includere la supervisione umana, proteggere i diritti fondamentali, risolvere questioni come pregiudizi ed equità e garantire una distribuzione responsabile.

L'AI in grado di anticipare in modo proattivo le esigenze e prendere decisioni in modo autonomo diventerà probabilmente una parte fondamentale della vita personale e aziendale. Agentic AI si riferisce a sistemi composti da agenti specializzati che operano in modo indipendente, ciascuno dei quali gestisce compiti specifici. Questi agenti interagiscono con dati, sistemi e persone per completare workflow in più fasi, consentendo alle aziende di automatizzare processi complessi come il supporto clienti o la diagnostica di rete. A differenza dei modelli linguistici di grandi dimensioni (LLM) monolitici, l'agentic AI si adatta agli ambienti in tempo reale, utilizzando algoritmi decisionali più semplici e cicli di feedback per apprendere e migliorare.

Un vantaggio chiave dell'agentic AI è la sua divisione del lavoro tra l'LLM, che gestisce le attività generali, e agenti specifici del dominio, che offrono competenze avanzate. Questa divisione aiuta a mitigare i limiti dell'LLM. Ad esempio, in una società di telecomunicazioni, un LLM può assegnare una richiesta di un cliente a una categoria, mentre gli agenti specializzati recuperano informazioni sull'account, diagnosticano i problemi e formulano una soluzione in tempo reale.

Entro il 2034, questi sistemi di agentic AI potrebbero diventare fondamentali per gestire di tutto, dai workflow aziendali alle case intelligenti. La loro capacità di prevedere le esigenze, prendere decisioni e imparare dal loro ambiente in modo autonomo potrebbe renderli più efficienti ed economici, integrando le funzionalità generali degli LLM e aumentando l'accessibilità dell'AI in tutti i settori.

Dal momento che i dati generati dall'uomo stanno diventando scarsi, le aziende stanno già passando ai dati sintetici, ossia set di dati artificiali che imitano modelli del mondo reale senza le stesse limitazioni di risorse o problemi etici. Questo approccio diventerà lo standard per l'addestramento dell'AI, migliorando la precisione del modello e promuovendo la diversità dei dati. I dati di addestramento dell'AI includeranno immagini satellitari, dati biometrici, registrazioni audio e dati dei sensori IoT.

L'ascesa dei modelli personalizzati sarà una tendenza chiave dell'AI e le organizzazioni utilizzeranno set di dati proprietari per addestrare l'AI secondo le proprie esigenze specifiche. Questi modelli sono stati progettati per la generazione di contenuti, l'interazione con i clienti e l'ottimizzazione dei processi, e possono superare le prestazioni degli LLM di uso generale grazie al loro stretto allineamento con i dati e il contesto specifici di un'organizzazione. Le aziende investiranno nel controllo della qualità dei dati, in modo che sia i dati reali che quelli sintetici soddisfino elevati standard di affidabilità, accuratezza e diversità, mantenendo le prestazioni dell'AI e la solidità etica.

La sfida della "shadow AI", ovvero strumenti AI non autorizzati utilizzati dai dipendenti, spingerà le organizzazioni a implementare una governance dei dati più rigorosa, garantendo che solo i sistemi AI approvati accedano a dati sensibili e proprietari.

Mentre l'AI continua a evolversi, stanno emergendo diverse idee ambiziose per affrontare i limiti attuali e superare i limiti di ciò che l'AI può raggiungere. Uno di questi esempi è il post-Moore computing ¹, che mira ad andare oltre la tradizionale architettura von Neumann poiché GPU e TPU si avvicinano ai loro limiti fisici e pratici.

Con i modelli AI che diventano sempre più complessi e utilizzano sempre più dati, sono necessari nuovi paradigmi informatici. Le innovazioni nel neuromorphic computing ², che imita la struttura neurale del cervello umano, sono in prima linea in questa transizione. Inoltre, l'optical computing ³, che utilizza la luce invece dei segnali elettrici per elaborare le informazioni, offre strade promettenti per migliorare l'efficienza di calcolo e la scalabilità.

Un altro risultato significativo è lo sviluppo di un Internet of AI ⁴ distribuito, o AI federata, che prevede un'infrastruttura AI distribuita e decentralizzata. A differenza dei modelli AI tradizionali che si basano su vasti data center, l'AI federata opera su più dispositivi e sedi, elaborando i dati a livello locale per migliorare la privacy e ridurre la latenza.

Consentendo agli smartphone, ai gadget IoT e ai nodi di edge computing di collaborare e condividere insight senza trasmettere dati non elaborati, l'AI federata favorisce un ecosistema più sicuro e scalabile. La ricerca attuale si concentra sullo sviluppo di algoritmi e protocolli efficienti per una collaborazione senza soluzione di continuità tra modelli distribuiti, facilitando l'apprendimento in tempo reale e mantenendo elevati standard di integrità e privacy dei dati.

Un'altra area cardine della sperimentazione riguarda i limiti intrinseci del meccanismo di attenzione dell'architettura trasformativa ⁵. I trasformatori si basano su un meccanismo di attenzione con una finestra di contesto per elaborare parti rilevanti dei dati di input, come i token precedenti in una conversazione. Tuttavia, man mano che la finestra di contesto si espande per incorporare più dati storici, la complessità computazionale aumenta quadraticamente, diventando inefficiente e costosa.

Per superare questa sfida, i ricercatori stanno esplorando approcci come la linearizzazione del meccanismo di attenzione o l'introduzione di tecniche di windowing più efficienti, che consentono ai trasformatori di gestire finestre di contesto più grandi senza un aumento esponenziale delle risorse computazionali. Questo progresso consentirebbe ai modelli AI di comprendere e incorporare meglio interazioni estese avvenute in passato, portando a risposte più coerenti e contestualmente pertinenti.

Immagina di essere nel 2034. Al tuo risveglio, un assistente intelligente a comando vocale, connesso a ogni aspetto della tua vita, ti saluta e ti offre il piano alimentare della settimana per la tua famiglia, personalizzato in base alle preferenze di tutti. L'assistente ti aggiorna sullo stato attuale della tua dispensa, ordinando la spesa quando necessario. Il tuo tragitto casa-lavoro diventa automatico perché il tuo autista virtuale traccia il percorso più rapido, adattandosi al traffico e alle condizioni meteorologiche in tempo reale.

Al lavoro, un partner AI esamina le attività quotidiane e ti fornisce insight attuabili, ti aiuta nelle attività di routine e funge da database dinamico e proattivo delle conoscenze. A livello personale, la tecnologia integrata con l'AI può creare intrattenimento personalizzato, generando storie, musica o arte visiva personalizzate in base ai tuoi gusti. Se vuoi imparare qualcosa, l'AI può fornire video tutorial personalizzati in base al tuo stile di apprendimento, integrando testo, immagini e voce.

Man mano che l'adozione dell'AI aumenta e la tecnologia si evolve, il suo impatto sulle operazioni globali sarà immenso. Ecco alcune delle principali implicazioni della tecnologia AI avanzata:

L'AI svolgerà un duplice ruolo nell'azione per il clima perché contribuirà all'aumento della domanda di energia e, al contempo, fungerà da strumento di mitigazione. Le risorse computazionali necessarie per addestrare e implementare modelli AI di grandi dimensioni aumentano significativamente il consumo di energia, facendo impennare le emissioni di carbonio se le fonti di energia non sono sostenibili. D'altro canto, però, l'AI può potenziare le iniziative climatiche ottimizzando l'uso dell'energia in vari settori, migliorando la modellazione e le previsioni climatiche e rendendo possibili soluzioni innovative per le energie rinnovabili, la cattura di carbonio e il monitoraggio ambientale.

Nel settore manifatturiero, i robot basati su AI possono eseguire attività di assemblaggio complesse con precisione, aumentando i tassi di produzione e riducendo i difetti. Nel settore sanitario, gli strumenti diagnostici automatizzati aiutano i medici a identificare le malattie in modo più accurato e rapido. L'automazione dei processi basata sull'AI e il machine learning nella finanza, nella logistica e nell'esperienza del cliente possono semplificare le operazioni, ridurre i costi e migliorare la qualità dei servizi. Gestendo attività ripetitive, l'AI consente ai lavoratori umani di concentrarsi su attività strategiche e creative, promuovendo l'innovazione e la produttività.

L'aumento dell'automazione basata sull'AI porterà inevitabilmente alla perdita di posti di lavoro, in particolare nei settori che dipendono fortemente da attività ripetitive e manuali. Ruoli come addetti all'inserimento dati, alla catena di montaggio e al servizio clienti di routine possono ridursi significativamente man mano che macchine e algoritmi assumono il controllo di queste funzioni. Tuttavia, creerà anche opportunità nello sviluppo dell'AI, l'analisi dei dati e la cybersecurity. La domanda di competenze connesse alla manutenzione, supervisione e governance etica dell'AI crescerà, offrendo possibilità di riqualificazione della forza lavoro.

La gen AI ha reso più semplice creare deepfake (ossia audio, video e immagini realistici ma falsi), che vengono utilizzati per diffondere informazioni false e manipolare l'opinione pubblica. Ciò pone sfide per l'integrità delle informazioni e la fiducia nei media. Per affrontare questo problema sono necessari strumenti avanzati di rilevamento, educazione pubblica e probabilmente provvedimenti legislativi che consentano di denunciare i creatori di deepfake dannosi.

Le persone antropomorfizzano l'AI, formando legami emotivi e dinamiche sociali complesse, come si è visto con l'effetto ELIZA⁶ e altri compagni AI. Nel prossimo decennio, queste relazioni potrebbero diventare più profonde, sollevando questioni psicologiche ed etiche. La società deve promuovere interazioni sane con macchine sempre più simili all'uomo e aiutare le persone a distinguere le interazioni umane autentiche da quelle basate sull'AI.

Poiché i contenuti generati dall'AI dominano Internet (si stima infatti che costituiscano circa il 50% del materiale online), la disponibilità di dati generati dall'uomo diminuisce. I ricercatori prevedono che entro il 2026 i dati pubblici per l'addestramento dei modelli AI di grandi dimensioni potrebbero esaurirsi. Per affrontare questo problema, la comunità AI sta prendendo in considerazione la generazione di dati sintetici e nuove fonti di dati, come i dispositivi e le simulazioni IoT, per diversificare gli input di addestramento dell'AI. Queste strategie sono essenziali per sostenere i progressi dell'AI e garantire che i modelli possano continuare a operare in un paesaggio digitale sempre più saturo di dati.

Mentre l'AI continua a progredire e l'attenzione si sposta verso modelli più convenienti che offrano soluzioni su misura per individui e aziende, la fiducia e la sicurezza devono rimanere una priorità.

IBM® watsonx.ai è un portfolio di prodotti AI per lo sviluppo, l'implementazione e la gestione di soluzioni AI in linea con le tendenze attuali verso strumenti AI più sicuri, accessibili e versatili.

Watsonx.ai integra funzionalità di AI avanzate con la flessibilità necessaria per supportare le aziende di tutti i settori, contribuendo a garantire che sfruttino il potere dell'AI per un impatto reale e non solo per essere al passo con le tendenze. Dando priorità alla facilità d'uso e all'efficienza, watsonx.ai è pronto a diventare un asset indispensabile per coloro che intendono utilizzare l'AI nel prossimo decennio.