Nell’ultima puntata di Commit ti ho parlato di come le capacità dei modelli AI attuali avessero raggiunto “un muro”.

In pratica, molti dicono che la qualità dell’output non può migliorare ulteriormente.

Ma anche se così fosse, avremmo comunque davanti decadi di implementazioni e integrazioni.

Volevo partire da questo perché oggi volevo parlarti dell’evoluzione dell’AI👇

📌 Da dove arriviamo?

📌 Dove siamo oggi?

📌 Cosa ci aspetta?

Leggevo lo scorso weekend un articolo che raccontava di come fossimo arrivati a metà della “partita” dell’AI: il primo tempo è servito per sviluppare modelli sempre più potenti, il secondo tempo servirà a capire come utilizzare l’AI al meglio.

Per decenni, la ricerca si è concentrata solo sullo sviluppo di nuovi metodi e modelli. 🙌

Infatti, i paper più impattanti finora, se ci pensi, sono stati proprio questi: Transformer, AlexNet, GPT-3, etc…

Cosa hanno in comune questi paper? 🤔

Propongono alcune scoperte fondamentali per addestrare modelli.

Ogni progresso dei modelli veniva poi confermato attraverso i benchmark.

E questo approccio ha funzionato: l’AI ha battuto campioni di scacchi, superato test difficili e persino raggiunto livelli olimpici in matematica e informatica.

Al contrario, definire compiti in cui utilizzare l’AI spesso sembrava più lineare: si prendevano compiti che le persone già fanno e li si trasformavano in benchmark.

Questo riassume bene il gioco del primo tempo: concentrarsi sulla costruzione di nuovi modelli e metodi.

Valutazione e benchmark erano secondari (anche se comunque necessari per far funzionare il sistema dei paper).

La vera svolta arriva, poi, col Reinforcement Learning (RL). 🔥

Il Reinforcement Learning (RL) è un metodo in cui un agente impara facendo esperimenti:

-compie un’azione

-riceve una ricompensa (positiva o negativa)

-e usa queste informazioni per migliorare le azioni future

È come addestrare un cane: se si siede gli dai un biscotto, se abbaia lo ignori.

Col tempo, impara a fare la cosa giusta.

Ma siamo arrivati ad un punto in cui non è più sufficiente creare modelli più grandi o benchmark più difficili: vengono comunque superati in fretta.

La vera sfida ora diventa ridefinire la valutazione: creare test e scenari che abbiano utilità nel mondo reale, non solo in laboratorio.

Per esempio:

-Non valutare un agente solo su compiti isolati, ma valutarlo in interazioni lunghe con le persone.

-Non trattare i problemi come indipendenti, ma tener conto di memoria e apprendimento nel tempo.

Quindi cosa viene dopo in questo secondo tempo?

La seconda fase dell’AI, sposterà il focus dal risolvere problemi al definire problemi.

Mi spiego meglio.

La valutazione diventa più importante del training.

Invece di chiederci semplicemente: “Possiamo addestrare un modello a risolvere X?”, ci stiamo chiedendo: “Cosa dovremmo addestrare l’AI a fare e come misuriamo il progresso reale?”

Il secondo tempo sarà pratica e utilità, cioè trasformare l’AI in prodotti e servizi che aiutano le persone nella loro quotidianità.

Chiudo con un’ultima riflessione, giusto per completare il quadro di dove siamo oggi e il tipo di AI che abbiamo (tutti) a disposizione.

Oggi miliardi di persone usano l’AI ogni giorno, e ormai la tecnologia è diventata super economica, accessibile e facile da usare. 🙌

Pochi mesi fa i modelli più potenti erano riservati a chi pagava molto (20-200$/mese) e bisognava anche sapere quale modello scegliere e come usarlo.

Ora i modelli sono molto più efficienti, quindi i costi di calcolo e di energia sono crollati.

Questo rende possibile offrire gratis funzioni che pochi anni fa costavano molto.

Prendiamo per esempio GPT-5.

Non è un singolo modello, ma un router che decide automaticamente quale modello usare: uno più veloce e leggero per chat semplici, o uno più potente per ragionamenti complessi.

Insomma, oggi chiunque può usare l’AI anche senza avere particolari conoscenze tecniche o di prompting.

I modelli capiscono e fanno da soli.

L’AI oggi è molto potente, economica, accessibile e facile da usare. Ci saranno enormi opportunità ma anche tanti rischi e confusione.

***

Giacomo Ciarlini - Head of Content & Education - Datapizza

Alexandru Cublesan - Media Manager & Creator - Datapizza