Indica un intervallo di date:
  • Dal Al
tecnologia

La storia dell’intelligenza artificiale in due grafici

Quando prenoti un volo, spesso è un’intelligenza artificiale, e non più un essere umano, a decidere quanto paghi. Quando arrivi all’aeroporto, è un sistema di intelligenza artificiale c aiuta il pilota a portarti a destinazione. Sistemi di deep learning sono utilizzati per aiutare chi lavora nelle banche a decidere se farti ottenere un prestito. All’estero ci sono esempi di sistemi che calcolano se hai diritto o meno all’assistenza sanitaria. E alcuni uffici del personale usano già gli algoritmi per studiare curricula o valutare le soft skill.

Tutto questo è accaduto e sta accadendo in poche decine di anni. Se volete sperimentare in pratica quello che stiamo dicendo provate a scambiare due chiacchiere con GPT-3 o a giocare con gli avatar virtuali di Lensa AI.

Ad ogni volendo provare a misurare questo fenomeno occorre tornare indietro nel tempo di otto decenni. Il primo sistema di intelligenza artificiale (Ai) era un topo robotico che poteva trovare la via d’uscita da un labirinto, costruito da Claude Shannon nel 1950. Poi subito dopo le prima reti neurali e più nulla per almeno vent’anni. Poi la convergenza tra la miniaturizzazione dei chip che ha portato a un aumento esponenziale della potenza di calcolo e  l’introduzione delle tecnologie di rete hanno portato a un cambio di velocità della ricerca nell’AI. Nel grafico sotto pubblicato su World in Data viene mostrato lo sviluppo dell’AI dal 1980 a oggi. I dati tracciati sono il risultato di un serie di test volti a misurare le prestazioni umane e dell’intelligenza artificiale in cinque diversi domini, dal riconoscimento della grafia alla comprensione del linguaggio. All’interno di ciascuno dei cinque domini, le prestazioni iniziali del sistema di intelligenza artificiale sono impostate su -100 e le prestazioni umane in questi test vengono utilizzate come riferimento impostato su zero. Ciò significa che quando le prestazioni del modello attraversano la linea zero è quando il sistema AI ha ottenuto più punti nel test pertinente rispetto agli umani che hanno eseguito lo stesso test.

Per fare un esempio, solo 10 anni fa, nessuna macchina poteva fornire in modo affidabile il riconoscimento del linguaggio o delle immagini. Ma, come mostra il grafico, i sistemi di intelligenza artificiale sono diventati sempre più abili e ora stanno battendo gli umani nei test in tutti questi domini.

Attenzione, questo non vuole dire l’Ai abbia superato gli umani. O peggio che siamo di fronti a sistemi di apprendimento automatico con capacità senziente. Al di fuori di questi test standardizzati, le prestazioni di queste IA sono miste. In alcuni casi, questi sistemi stanno ancora funzionando molto peggio degli umani. Il discrimine in alcuni casi è legato all’accesso ai dati su cui allenare gli algoritmi. Esistono aziende che offrono dataset di miliardi di immagini per affinare le capacità di riconoscimento della computer vision. E poi ci sono gli smartphone, cioè noi che attraverso l’invio di dati ha reso più economico per esempio il riconoscimento delle immagini o il riconoscimento. E anche grazie a noi se l’evoluzione di questi sistemi ha subito una accelerazione.

 In sette decenni le capacità dell’intelligenza artificiale hanno fatto molta strada. Una premessa: tutti i sistemi di AI che si basano sul machine learning  devono essere addestrati e in questi sistemi l’addestramento del calcolo è uno dei tre fattori fondamentali che guidano le capacità del sistema. Gli altri due fattori sono gli algoritmi ei dati di input utilizzati per l’addestramento. La visualizzazione mostra che con l’aumento del calcolo dell’addestramento, i sistemi di intelligenza artificiale sono diventati sempre più potenti.
Nel grafico sopra ogni piccolo cerchi rappresenta un sistema di intelligenza artificiale. La posizione del cerchio sull’asse orizzontale indica quando è stato costruito il sistema di intelligenza artificiale e la sua posizione sull’asse verticale mostra la quantità di calcolo utilizzata per addestrare il particolare sistema di intelligenza artificiale.  Il calcolo dell’addestramento viene misurato in operazioni in virgola mobile , o FLOP in breve.
Il calcolo dell’addestramento è tracciato su una scala logaritmica, in modo che da ogni linea della griglia alla successiva mostri un aumento di 100 volte. Come si vede bene in alto a destra si trovano sistemi di intelligenza artificiale come appunto Gpt-3 (Chat bot) e DALL-E (text to image). Che peraltro sono tra i sistemi che hanno utilizzato la maggior quantità di calcoli di addestramento fino ad oggi.

Per i primi sei decenni, il calcolo dell’addestramento è aumentato in linea con la legge di Moore , raddoppiando all’incirca ogni 20 mesi. Dal 2010 circa questa crescita esponenziale è ulteriormente accelerata, fino a un tempo di raddoppio di circa 6 mesi.