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

Fin dall'inizio, l'AI generativa 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 di AI in modo che possano fare lo stesso o di più utilizzando meno risorse. La 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 formati 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 un fuoco di paglia. Non è una fase. Oltre 60 paesi hanno sviluppato strategie nazionali di AI per sfruttare i benefici dell'AI mitigando i rischi. Ciò significa investimenti sostanziali in ricerca e sviluppo, revisione e adattamento dei framework pertinenti e garanzia che la tecnologia non decimi il mercato del lavoro equo e la cooperazione internazionale.

Sta diventando 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 l'AI aggiungerà 4,4 trilioni di dollari all'economia globale attraverso l'esplorazione e l'ottimizzazione continua.

Da qui al 2034, l'AI diventerà una presenza fissa in molti aspetti della nostra vita personale e lavorativa. I modelli di intelligenza artificiale generativa come GPT-4 si sono dimostrati estremamente promettenti nel breve tempo in cui sono stati disponibili per il consumo 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 open source con 400 miliardi di parametri e Mistral Large 2, rilasciato a scopo di ricerca, illustrano la tendenza a promuovere la collaborazione della comunità nei progetti di modelli 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, veloce ed economico. Non passerà molto tempo prima che ci sia un modello adatto per l'integrazione in dispositivi come gli smartphone, soprattutto perché il costo continua a diminuire.

Questo movimento riflette una transizione da modelli chiusi esclusivamente di grandi dimensioni a soluzioni di AI più accessibili e versatili. Sebbene i modelli più piccoli offrano convenienza ed efficienza, rimane una domanda pubblica di sistemi di 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 necessitano di creazione di contenuti su misura o capacità complesse di risoluzione dei problemi.

L'AI ha influenzato lo sviluppo di diverse 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 relative all'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 dovremmo assistere tra dieci anni:

Il campo nascente dell'AI multimodale sarà accuratamente testato e perfezionato entro il 2034. L'intelligenza artificiale unimodale si concentra su un singolo tipo di dati, come l'NLP o la computer vision. Al contrario, l'intelligenza artificiale multimodale assomiglia più da vicino al modo in cui gli esseri 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 avanzati e chatbot che comprendono query complesse e possono fornire testo su misura, aiuti visivi o tutorial video in risposta.

L'AI diventerà ancora più integrata nella sfera personale e professionale, grazie a piattaforme facili da usare 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 educatori e alle piccole imprese di sviluppare soluzioni AI personalizzate senza richiedere una profonda competenza tecnica.

L'intelligenza artificiale e i microservizi basati suAPIconsentiranno alle aziende di integrare funzioni avanzate di intelligenza artificiale nei loro sistemi esistenti in modo modulare. Questo approccio accelererà lo sviluppo di applicazioni personalizzate senza richiedere una vasta esperienza di intelligenza artificiale.

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 uso limitato di codice 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 possono anche interrogare un modello AI utilizzando un prompt.

Le piattaforme di apprendimento automatico (ML) stanno migliorando rapidamente, automatizzando attività come la pre-elaborazione dei dati, la selezione delle funzionalità e l'ottimizzazione degli iperparametri. Nel prossimo decennio, l'apprendimento automatico (ML) diventerà ancora più facile da usare e accessibile, consentendo alle persone di creare rapidamente modelli AI ad alte prestazioni senza competenze specialistiche. Servizi di intelligenza artificiale 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 individuale, consentendo loro di sviluppare applicazioni di AI per progetti personali o attività secondarie.

Lo sviluppo open source può favorire la trasparenza, mentre un'attenta governance e linee guida etiche potrebbero 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 completamente a controllo vocale in grado di creare asset visivi, testuali o audio su richiesta.

Sebbene sia molto speculativo, se un sistema di intelligenza artificiale generale (AGI) emergesse 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 formazione, consentendo l'auto-miglioramento e l'adattamento senza intervento umano.

Man mano che l'AI generativa diventa più centralizzata all'interno delle organizzazioni, le aziende potrebbero iniziare a offrire un'assicurazione contro le allucinazioni AI. Nonostante una formazione approfondita, i modelli AI possono fornire risultati errati o fuorvianti. Questi errori spesso derivano da dati di formazione insufficienti, ipotesi errate o pregiudizi nei dati di formazione

Un'assicurazione di questo tipo proteggerebbe le istituzioni finanziarie, l'industria medica, l'industria legale e altri contro i risultati imprevisti, imprecisi o dannosi dell'AI. Gli assicuratori potrebbero coprire i rischi finanziari e di reputazione associati a questi errori, in modo simile a come gestiscono le frodi finanziarie e le violazioni dei dati.

Il processo decisionale e la modellazione delle previsioni dell'AI avanzeranno fino al punto in cui i sistemi di AI funzioneranno come business partner strategici, aiutando i dirigenti a prendere decisioni informate e ad automatizzare attività complesse. Questi sistemi di AI integreranno l'analisi dei dati in tempo reale, la consapevolezza e gli insight personalizzati per offrire raccomandazioni su misura, come la pianificazione finanziaria e la sensibilizzazione dei 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 reparti e perfezionare le strategie basate sull'apprendimento continuo. Questi partner di 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'intelligenza artificiale classica risolvendo problemi che in precedenza erano irrisolvibili a causa di vincoli computazionali. Simulazioni complesse dei materiali, 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'intelligenza artificiale spingerà i confini della scoperta in fisica, biologia e scienze del clima modellando scenari che richiederebbero millenni di computer classici per essere elaborati.

Uno dei principali ostacoli al progresso dell'IA è stato l'enorme tempo, energia e costi necessari per l'addestramento di 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. Quantum computing offre una strada promettente per l'innovazione dell'intelligenza artificiale, in quanto potrebbe ridurre drasticamente il tempo e le risorse necessarie per addestrare ed eseguire modelli di intelligenza artificiale di grandi dimensioni.

I modelli Bitnet utilizzano parametri ternari, un sistema 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 potrebbe comportare calcoli più rapidi con un consumo di energia inferiore.

Le startup sostenute da Y Combinator e 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 di 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 la legge sull'AI dell'UE, uno sviluppo chiave sarà la creazione di rigorosi sistemi di gestione del rischio, classificando l'AI in livelli di rischio e imponendo requisiti più severi per l'AI ad alto rischio. I modelli AI, in particolare quelli generativi e su larga scala, potrebbero dover soddisfare gli standard di trasparenza, robustezza e sicurezza informatica. È probabile che questi framework si espandano a livello globale, a seguito della legge sull'AI 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 di AI dovranno includere la supervisione umana, proteggere i diritti fondamentali, risolvere questioni quali pregiudizi ed equità e garantire una distribuzione responsabile.

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

Un vantaggio fondamentale dell'AI agentica è la sua divisione del lavoro tra LLM, che gestisce attività generali, e agenti specifici del dominio, che forniscono una competenza approfondita. Questa divisione aiuta a mitigare le limitazioni di LLM. Ad esempio, in un'azienda di telecomunicazioni, un LLM potrebbe categorizzare una richiesta del cliente, mentre agenti specializzati recuperano informazioni sull'account, diagnosticano problemi e formulano una soluzione in tempo reale.

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

Man mano che i dati generati dall'uomo diventano scarsi, le aziende stanno già passando a dati sintetici, dataset artificiali che imitano modelli del mondo reale senza le stesse limitazioni di risorse o preoccupazioni etiche. Questo approccio diventerà lo standard per l'addestramento dell'intelligenza artificiale, migliorando la precisione del modello e promuovendo la diversità dei dati. I dati di formazione sull'intelligenza artificiale includeranno immagini satellite, dati biometrici, registri audio e dati dei sensori IoT.

L'ascesa dei modelli personalizzati sarà una tendenza chiave dell'AI, con le organizzazioni che utilizzeranno set di dati proprietari per addestrare l'AI su misura per le loro esigenze specifiche. Questi modelli, progettati per la generazione di contenuti, l'interazione con i clienti e l'ottimizzazione dei processi, possono superare i LLM di uso generale grazie al loro stretto allineamento con i dati e il contesto unici di un'organizzazione. Le aziende investiranno nella garanzia 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 di "shadow AI"—strumenti di intelligenza artificiale non autorizzati utilizzati dai dipendenti—spingerà le organizzazioni a implementare una governance dei dati più rigorosa, garantendo che solo i sistemi di intelligenza artificiale approvati accedano a dati sensibili e proprietari.

Mentre l'AI continua ad 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 computing¹, 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 ad alta intensità di dati, sono necessarie nuove innovazioni. Le innovazioni nel calcolo neuromorfico², che imita la struttura neurale del cervello umano, sono in prima linea in questa transizione. Inoltre, l'optical computing³, che utilizza la luce invece dei segnali elettrici per elaborare le informazioni, offre strade promettenti per migliorare l'efficienza computazionale e la scalabilità.

Un altro risultato significativo è lo sviluppo di un Internet dell'AI⁴ distribuito, o AI federata, che prevede un'infrastruttura di intelligenza artificiale distribuita e decentralizzata. A differenza dei tradizionali modelli di AI che si basano su vasti data center, l'AI federata opera su più dispositivi e sedi, elaborando i dati localmente 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 interruzioni tra modelli distribuiti, facilitando l'apprendimento in tempo reale mantenendo elevati standard di integrità e privacy dei dati

Un'altra area cardine della sperimentazione riguarda i limiti intrinseci dell'architettura trasformativa del meccanismo di attenzione⁵. I trasformatori si basano su un meccanismo di attenzione con una finestra di contesto per elaborare parti rilevanti dei dati dell'input, come i token precedenti in una conversazione. Tuttavia, man mano che la finestra del contesto si espande per incorporare più dati storici, la complessità computazionale aumenta quadraticamente, rendendola 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 l'aumento esponenziale delle risorse. Questo progresso consentirebbe ai modelli AI di comprendere meglio e incorporare ampie interazioni passate, portando a risposte più coerenti e contestualmente pertinenti.

Immagina di iniziare la giornata nel 2034. Un assistente intelligente a comando vocale, connesso a ogni aspetto della tua vita, ti accoglie con il tuo piano alimentare familiare per la settimana, personalizzato in base alle preferenze di tutti. Ti informerà sullo stato attuale della tua dispensa, ordinando la spesa quando necessario. Il tuo tragitto diventa automatico mentre il tuo autista virtuale traccia il percorso più efficiente per andare al lavoro, adattandosi al traffico e alle condizioni meteorologiche in tempo reale.

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

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

L'AI svolgerà un duplice ruolo nell'azione per il clima, contribuendo contemporaneamente all'aumento della domanda di energia e fungendo da strumento di mitigazione. Le risorse necessarie per addestrare e implementare modelli AI aumentano significativamente il consumo di energia, esacerbando le emissioni di carbonio se le fonti di energia non sono sostenibili. In alternativa, l'AI può migliorare le iniziative climatiche ottimizzando l'uso dell'energia in vari settori, migliorando la modellazione e le previsioni climatiche e abilitando soluzioni innovative per le energie rinnovabili, la cattura del carbonio e il monitoraggio ambientale.

Nella produzione, i robot basati su tecnologia 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 nella customer experience possono semplificare le operazioni, ridurre i costi e migliorare la qualità del servizio. 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 l'immissione dei dati, il lavoro in linea di montaggio e il servizio clienti di routine possono subire riduzioni significative man mano che macchine e algoritmi assumono il controllo di queste funzioni. Tuttavia, creerà anche opportunità nello sviluppo dell'AI, nell'analisi dei dati e nella cybersecurity. La domanda di competenze per la manutenzione dell'AI, la supervisione e la governance etica dell'AI crescerà, fornendo strade per la riqualificazione della forza lavoro.

L'AI generativa ha semplificato la creazione di deepfake, audio, video e immagini realistici ma falsi, utilizzati per diffondere informazioni false e manipolare l'opinione pubblica. Ciò pone sfide per l'integrità delle informazioni e la fiducia dei media. Per affrontare questo problema sono necessari strumenti di rilevamento avanzati, educazione pubblica e possibilmente misure legali per ritenere responsabili i creatori di deepfake dannosi.

Le persone antropomorfizzano l'AI, formando legami emotivi e dinamiche sociali complesse, come si è visto con ELIZA Effect⁶ e altri compagnie di 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 a quelle umane e aiutare le persone a distinguere le interazioni umane autentiche da quelle basate sull'AI.

Poiché i contenuti generati dall'AI dominano Internet, che si stima 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 di modelli di intelligenza artificiale di grandi dimensioni potrebbero esaurirsi. Per affrontare questo problema, la comunità dell'AI sta esplorando la generazione di dati sintetici e nuove fonti di dati, come dispositivi IoT e simulazioni, per diversificare gli input di addestramento dell'AI. Queste strategie sono essenziali per sostenere i progressi dell'AI e garantire che i modelli rimangano capaci 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 consentono soluzioni su misura per individui e aziende, fiducia e sicurezza devono rimanere fondamentali.

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

Watsonx.ai integra avanzate funzionalità di AI con la flessibilità necessaria per supportare le aziende di 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 pronta a diventare un asset indispensabile per coloro che desiderano utilizzare l'AI nel prossimo decennio.