Intelligenza Artificiale: l'ultimo hype o il prossimo cambiamento dirompente?
Le principali società tech statunitensi hanno attraversato un 2022 finanziariamente difficile. Eppure, sono state impegnate a portare sul mercato prodotti con le ultime innovazioni nell’Intelligenza Artificiale (IA). Dato il contesto finanziario, alcuni hanno sottolineato che, poiché il settore è noto per la sua propensione a generare troppo hype, l’entusiasmo per l'IA potrebbe svanire rapidamente, ma sarebbe un errore sottovalutare l’impatto potenziale di queste innovazioni.
L'intelligenza artificiale non è una novità. La teoria alla base è stata sviluppata sin dagli anni '50, quando Alan Turning propose per la prima volta il suo test di Turing1, il cui obiettivo era quello di valutare oggettivamente la capacità di una macchina di mostrare comportamenti intelligenti. È passata da periodi di entusiasmo, a seguito di scoperte in matematica e informatica, a periodi di apatia (spesso in relazione ai cicli di finanziamento per la ricerca di base).
Anche se solo negli ultimi mesi abbiamo visto significativi progressi, soprattutto nell’ambito dei Large Language Models (LLM) come quelli alla base di ChatGPT, la chatbot sviluppata da OpenAI, società di ricerca sull'intelligenza artificiale con sede a San Francisco, che ha superato il già citato Test di Turing, la matematica dietro questi modelli (il Teorema Universale dell’Approssimazione2) è stata dimostrata già 33 anni fa, nel 1989. Eppure, all'industria ci sono voluti 30 anni per superare i tre fattori più significativi e limitanti:
GLOSSARIO
1 Source: McKinsey, 2018, Is the Solow Paradox back?, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/is-the-solow-paradox-back
2 Source: The annual average rate of change of the gross domestic product (GDP) at market prices based on constant local currency, for a given national economy, during a specified period of time.
3 Source: McKinsey, 2018, Is the Solow Paradox back?, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/is-the-solow-paradox-back
4 Source: The annual average rate of change of the gross domestic product (GDP) at market prices based on constant local currency, for a given national economy, during a specified period of time.
5 Source: McKinsey Global Institute (2017), “Jobs lost, jobs gained: Workforce transition in a time of automation.”
6 Source: Greene, A.N. (2008), “Horses at work”, Harvard University Press.
7 The ratio of a company’s profit to its revenue.
8 Source: Brynjolfsson, Rock and Chad Syverson (2017), “Artificial intelligence and the modern productivity paradox: a clash of expectations and statistics”, NBER.
9 Source: Bresnahan and Trajtenberg (1995), “General purpose technologies ‘Engines of growth’?”, Journal of Econometrics, Volume 65, Issue 1, January 1995, Pages 83-108.
10 Source: Web browsers software is today mostly free or open source. No company actually managed to make money out of it, with the exclusion of Microsoft which bundles it with other paying software.
11 Source: Reuters, Feb 2023, https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/
12 Source: Ancient Greek philosophers Plato and Aristotle were well-paid private tutors. Socrates was an exception as he apparently did not charge for its teachings.
13 Source: https://www.reuters.com/legal/getty-images-lawsuit-says-stability-ai-misused-photos-train-ai-2023-02-06/
14 Source: https://epochai.org/blog/will-we-run-out-of-ml-data-evidence-from-projecting-dataset
Il presente materiale e/o riferimento a titoli, settori o mercati specifici all'interno del presente materiale non costituisce una consulenza in materia di investimenti, né una raccomandazione o un'offerta di acquisto o di vendita di alcun titolo o un'offerta di attività finanziaria regolamentata. Gli investitori devono valutare attentamente gli obiettivi, i rischi e le spese di investimento prima di investire. Le analisi, le opinioni e alcuni dei temi e processi di investimento citati nel presente documento rappresentano le opinioni del gestore/i del portafoglio alla data indicata. Queste, nonché le partecipazioni in portafoglio e le caratteristiche del portafoglio indicate, sono soggette a modifiche. Non ci può essere alcuna garanzia che gli sviluppi traspireranno come può essere previsto in questo materiale. Le analisi e le opinioni espresse da terze parti esterne sono indipendenti e non riflettono necessariamente quelle di Natixis Investment Managers. Le informazioni sui risultati ottenuti nel passato presentate non sono indicative di risultati futuri.
|
|---|
Le profonde trasformazioni tecnologiche sono solitamente accolte con scetticismo e resistenza all'inizio, poiché si ritiene che distruggano posti di lavoro. È chiaro che questo potrebbe accadere anche con l'IA."
L'intelligenza artificiale non è una novità. La teoria alla base è stata sviluppata sin dagli anni '50, quando Alan Turning propose per la prima volta il suo test di Turing1, il cui obiettivo era quello di valutare oggettivamente la capacità di una macchina di mostrare comportamenti intelligenti. È passata da periodi di entusiasmo, a seguito di scoperte in matematica e informatica, a periodi di apatia (spesso in relazione ai cicli di finanziamento per la ricerca di base).
Anche se solo negli ultimi mesi abbiamo visto significativi progressi, soprattutto nell’ambito dei Large Language Models (LLM) come quelli alla base di ChatGPT, la chatbot sviluppata da OpenAI, società di ricerca sull'intelligenza artificiale con sede a San Francisco, che ha superato il già citato Test di Turing, la matematica dietro questi modelli (il Teorema Universale dell’Approssimazione2) è stata dimostrata già 33 anni fa, nel 1989. Eppure, all'industria ci sono voluti 30 anni per superare i tre fattori più significativi e limitanti:
- Dati: La formazione di questi modelli richiede datesets molto grandi, che sono relativamente scarsi in forma strutturata. Ma Internet ora offre un modo per sfruttare enormi quantità di dati per il training degli algoritmi per compiti specifici (come i LLM).
- Potenza di calcolo: Le macchine di oggi sono sufficientemente potenti per gestire il training di questi algoritmi.
- Cloud e semiconduttori: Data la quantità di dati e la potenza di calcolo richiesta, solo infrastrutture cloud grandi ed efficienti, con chip avanzati, sono in grado di fornire l'ambiente appropriato per costruire e fare il training di questi algoritmi.
La prima cosa che viene in mente quando si pensa all'intelligenza artificiale è la produttività e, più precisamente, l'impatto potenziale che l'intelligenza artificiale potrà avere sul lavoro e sugli incrementi di produttività. Il rapporto tra miglioramenti tecnologici e produttività è ben compreso seppure non sempre visibile nei dati economici.
L'economista Robert Solow, vincitore del premio Nobel, ha affermato, agli albori dell‘era informatica, che si poteva vedere l'impatto dei computers ovunque, tranne che nelle statistiche sulla produttività3 . L'entusiasmo per i personal computer avrebbe dovuto sollevare la produttività delle economie occidentali e spingere i loro tassi di crescita. L'aumento della produttività c’è stato nel corso dei successivi 20-30 anni, ma non ha fatto molto per alzare il tasso di crescita del PIL4 . Questa volta sarà diverso?
Da un lato, possiamo sperare che l'automazione delle attività possa rendere il lavoro più produttivo, liberando le risorse umane per attività a maggior valore, aumentando sia la produzione che i salari. Le profonde trasformazioni tecnologiche sono solitamente accolte con scetticismo e resistenza all'inizio, poiché si ritiene che distruggano posti di lavoro. È chiaro che questo potrebbe accadere con l’IA.
Questa volta però, i moderni Luddisti potrebbero essere impiegati nei settori dei servizi. L'idea che le innovazioni tecnologiche tolgano lavoro e stili di vita è vecchia quanto lo stesso capitalismo. Ma come ha spiegato il professor Shiller nel suo libro Narrative Economics, queste idee, sebbene non supportate da dati scientifici, sono difficili da eliminare e riemergono nel dibattito pubblico. Storie di persone che perdono il lavoro e prospettive buie sono troppo vivide per essere scartate (anche dai consumatori), quindi c'è il rischio che l'intelligenza artificiale possa provocare lo stesso mix di entusiasmo e paura.
L'economista Robert Solow, vincitore del premio Nobel, ha affermato, agli albori dell‘era informatica, che si poteva vedere l'impatto dei computers ovunque, tranne che nelle statistiche sulla produttività3 . L'entusiasmo per i personal computer avrebbe dovuto sollevare la produttività delle economie occidentali e spingere i loro tassi di crescita. L'aumento della produttività c’è stato nel corso dei successivi 20-30 anni, ma non ha fatto molto per alzare il tasso di crescita del PIL4 . Questa volta sarà diverso?
Da un lato, possiamo sperare che l'automazione delle attività possa rendere il lavoro più produttivo, liberando le risorse umane per attività a maggior valore, aumentando sia la produzione che i salari. Le profonde trasformazioni tecnologiche sono solitamente accolte con scetticismo e resistenza all'inizio, poiché si ritiene che distruggano posti di lavoro. È chiaro che questo potrebbe accadere con l’IA.
Questa volta però, i moderni Luddisti potrebbero essere impiegati nei settori dei servizi. L'idea che le innovazioni tecnologiche tolgano lavoro e stili di vita è vecchia quanto lo stesso capitalismo. Ma come ha spiegato il professor Shiller nel suo libro Narrative Economics, queste idee, sebbene non supportate da dati scientifici, sono difficili da eliminare e riemergono nel dibattito pubblico. Storie di persone che perdono il lavoro e prospettive buie sono troppo vivide per essere scartate (anche dai consumatori), quindi c'è il rischio che l'intelligenza artificiale possa provocare lo stesso mix di entusiasmo e paura.
Un rapporto McKinsey5 ha stimato che il passaggio dai cavalli alle automobili all'inizio del ventesimo secolo è stato responsabile della creazione di oltre sei milioni di posti di lavoro dal 1910 al 1950 (dal settore petrolifero alla produzione, dai servizi per le automobili alle stazioni di servizio e all'industria pubblicitaria). Senza contare le migliaia di aziende nate dall'uso diffuso delle auto.
Eppure, un rapporto del Bureau of the Census6 subito dopo la Grande Depressione ha individuato il passaggio dai cavalli alle auto come uno dei principali fattori aggravanti della depressione, con implicazioni dal settore agricolo, alimentare (con una spirale di prezzi al ribasso e la ricerca di nuovi mercati), alle banche regionali (i cui clienti hanno visto i loro margini7 spremuti e molti default) per poi diffondersi ad altri settori e al mercato del lavoro nel suo complesso. In totale, una perdita di 13 milioni di posti di lavoro.
Nel caso dell'intelligenza artificiale, non sappiamo ancora in che modo la tecnologia verrà adottata e quali impatti potrebbe avere sul mercato del lavoro. Il consenso è che l'adozione sarà probabilmente lenta, e così saranno i suoi effetti. Parte della ragione è che è molto difficile riprogettare le aziende in modo da massimizzare il potenziale di IA: dotare la forza di vendita di automobili piuttosto che cavalli per aumentare le vendite non è esattamente lo stesso di riorganizzare industrie complesse per sfruttare meglio l’IA. Inoltre, una parte sostanziale delle nostre economie è costituita da settori che si riveleranno difficili da riprogettare (si pensi ad esempio al settore sanitario, all'istruzione, al turismo, alle arti o allo sport per esempio) in modo tale che l'intelligenza artificiale possa infine aumentarne la produttività. Questi sono grandi settori dell'economia e la loro produttività conta.
In modo più ottimistico, seguendo le recenti ricerche8 sulle tecnologie dirompenti, è possibile immaginare cambiamenti di produttività seguendo una cosiddetta "curva J". Più precisamente, prima che la tecnologia possa produrre risultati positivi, le aziende devono investire denaro e tempo per utilizzare questi strumenti e formare la forza lavoro per utilizzarli in modo efficace. Questo, a sua volta, probabilmente abbasserà la loro produttività, poiché passeranno del tempo in attività non produttive. Solo allora si potranno attendere i profitti e la produttività alla fine salirà.
Eppure, un rapporto del Bureau of the Census6 subito dopo la Grande Depressione ha individuato il passaggio dai cavalli alle auto come uno dei principali fattori aggravanti della depressione, con implicazioni dal settore agricolo, alimentare (con una spirale di prezzi al ribasso e la ricerca di nuovi mercati), alle banche regionali (i cui clienti hanno visto i loro margini7 spremuti e molti default) per poi diffondersi ad altri settori e al mercato del lavoro nel suo complesso. In totale, una perdita di 13 milioni di posti di lavoro.
Nel caso dell'intelligenza artificiale, non sappiamo ancora in che modo la tecnologia verrà adottata e quali impatti potrebbe avere sul mercato del lavoro. Il consenso è che l'adozione sarà probabilmente lenta, e così saranno i suoi effetti. Parte della ragione è che è molto difficile riprogettare le aziende in modo da massimizzare il potenziale di IA: dotare la forza di vendita di automobili piuttosto che cavalli per aumentare le vendite non è esattamente lo stesso di riorganizzare industrie complesse per sfruttare meglio l’IA. Inoltre, una parte sostanziale delle nostre economie è costituita da settori che si riveleranno difficili da riprogettare (si pensi ad esempio al settore sanitario, all'istruzione, al turismo, alle arti o allo sport per esempio) in modo tale che l'intelligenza artificiale possa infine aumentarne la produttività. Questi sono grandi settori dell'economia e la loro produttività conta.
In modo più ottimistico, seguendo le recenti ricerche8 sulle tecnologie dirompenti, è possibile immaginare cambiamenti di produttività seguendo una cosiddetta "curva J". Più precisamente, prima che la tecnologia possa produrre risultati positivi, le aziende devono investire denaro e tempo per utilizzare questi strumenti e formare la forza lavoro per utilizzarli in modo efficace. Questo, a sua volta, probabilmente abbasserà la loro produttività, poiché passeranno del tempo in attività non produttive. Solo allora si potranno attendere i profitti e la produttività alla fine salirà.
Se la produttività non fosse l'angolo corretto per vedere l'intelligenza artificiale, un altro modo potrebbe essere attraverso la lente di una tecnologia abilitante. Invece di fare le cose che facciamo attualmente, più velocemente e forse meglio (cosa ancora possibile in alcuni casi), l'IA potrebbe diventare un conduit per nuovi servizi che le persone potrebbero acquistare in futuro, il che porterebbe alla nascita di nuove imprese. Se questo è vero, l'impatto dell'IA non finirebbe per assomigliare a quello dell’auto, ma piuttosto a quello dell’ elettricità.
L'avvento dell'elettricità è stata infatti una svolta definitiva nella storia umana e uno dei fattori, se non quello principale, che ci hanno aiutato ad uscire dalla povertà. Si è rivelato decisivo nei nostri sforzi per mitigare i rischi naturali come le carestie. Ha permesso nuovi servizi che gli esseri umani in precedenza non potevano nemmeno immaginare e lo fa ancora. La trasformazione è stata enorme e tuttavia, da un punto di vista micro-economico, come le creazioni di posti di lavoro e la loro distruzione, l'impatto dell'elettrificazione non è stato così importante come il passaggio dai cavalli alle auto. In questi giorni notiamo solo come le nostre vite dipendono da esso quando manca l’energia.
La rivoluzione dell'intelligenza artificiale può essere tanto impattante quanto l'elettrificazione? O, più precisamente, è l’IA un nuovo esempio di una general-purpose technology - tecnologia di scopo generale, (GPT)? - da non confondere con il GPT in ChatGPT. Si tratta di innovazioni tecnologiche che consentono un aumento generalizzato della produttività e l'ascesa di interi nuovi settori industriali e dei servizi. Per essere considerato un GPT9 dovrebbe:
Un altro indizio che punta verso l'ipotesi general-purpose technology sembra essere il fatto che le applicazioni basate sull'intelligenza artificiale siano state finora relativamente semplici da utilizzare per i consumatori. Contrariamente, ad esempio, al calcolo quantistico, le diffusioni di IA e la facilità con cui le persone si abituano rapidamente ad essa sono chiare, basta guardare allavelocità di adozione di ChatGPT nei primi mesi della sua uscita (si stima che abbia raggiunto i 100 milioni di utenti attivi mensili nel gennaio 2023, a soli due mesi dal lancio, diventando così l'applicazione consumer con la crescita più rapida della storia11).
L'avvento dell'elettricità è stata infatti una svolta definitiva nella storia umana e uno dei fattori, se non quello principale, che ci hanno aiutato ad uscire dalla povertà. Si è rivelato decisivo nei nostri sforzi per mitigare i rischi naturali come le carestie. Ha permesso nuovi servizi che gli esseri umani in precedenza non potevano nemmeno immaginare e lo fa ancora. La trasformazione è stata enorme e tuttavia, da un punto di vista micro-economico, come le creazioni di posti di lavoro e la loro distruzione, l'impatto dell'elettrificazione non è stato così importante come il passaggio dai cavalli alle auto. In questi giorni notiamo solo come le nostre vite dipendono da esso quando manca l’energia.
La rivoluzione dell'intelligenza artificiale può essere tanto impattante quanto l'elettrificazione? O, più precisamente, è l’IA un nuovo esempio di una general-purpose technology - tecnologia di scopo generale, (GPT)? - da non confondere con il GPT in ChatGPT. Si tratta di innovazioni tecnologiche che consentono un aumento generalizzato della produttività e l'ascesa di interi nuovi settori industriali e dei servizi. Per essere considerato un GPT9 dovrebbe:
- Essere utilizzato in molteplici settori - probabile nel caso dell'IA
- Poter essere continuamente migliorato - una caratteristica distintiva dell’IA
- Avere il potenziale per portare all'introduzione di innovazioni specifiche per il settore - che si ritiene sia anche il caso dell'intelligenza artificiale.
Un altro indizio che punta verso l'ipotesi general-purpose technology sembra essere il fatto che le applicazioni basate sull'intelligenza artificiale siano state finora relativamente semplici da utilizzare per i consumatori. Contrariamente, ad esempio, al calcolo quantistico, le diffusioni di IA e la facilità con cui le persone si abituano rapidamente ad essa sono chiare, basta guardare allavelocità di adozione di ChatGPT nei primi mesi della sua uscita (si stima che abbia raggiunto i 100 milioni di utenti attivi mensili nel gennaio 2023, a soli due mesi dal lancio, diventando così l'applicazione consumer con la crescita più rapida della storia11).
L'idea che l'IA sarà responsabile di un cambiamento significativo del modo in cui le aziende lavorano e di aumenti di produttività potrebbe, in teoria, sostenere valutazioni più elevate per gli anni a venire. Inoltre, le società potrebbero trovarsi su una quantità enorme di dati preziosi sui loro clienti, il che potrebbe sbloccare un potenziale ancora più grande se essi potessero essere sfruttati per esempio per aumentare le vendite.
Infine, alcuni sostengono che, contrariamente alle immobilizzazioni, che si deprezzano nel tempo diventando obsolete (~ 30% dei flussi di cassa operativi), con strumenti basati sull'intelligenza artificiale, gli asset potrebbero diventare sempre più preziosi nel tempo. Ridurre il tasso di deprezzamento o bloccarlo del tutto significherebbe un forte impulso alla redditività e quindi ai rendimenti. Questo potrebbe accadere solo se le società abbracciassero la rivoluzione dell'intelligenza artificiale e riprogettassero le loro organizzazioni per garantire che i dati siano al centro dei loro processi. E non è un compito facile, dal momento che i dati di molte aziende sono ancora raccolti e archiviati in diversi formati, da team diversi e in diversi reparti. Pertanto, sfruttando queste informazioni saranno necessari tempo, investimenti e talento, tre cose che di solito non sono vantaggiose per le valutazioni di breve termine.
Non sorprende che, a parte i grandi e ben noti nomi del settore tecnologico statunitense, molte aziende non stiano nemmeno cercando di farlo, soprattutto le piccole imprese, che di solito non possiedono le giuste competenze e i soldi per investire in queste tecnologie. Eppure, in teoria, l'intelligenza artificiale potrebbe consentire loro di competere in settori che prima erano fuori dalla loro portata, come gli studi legali, la compliance, il marketing o la consulenza. Per queste imprese, una parte sostanziale dei prodotti richiede tempo e risorse, che di fatto eliminano dalla concorrenza le piccole imprese. In un futuro (non così lontano) su cui si potrà fare affidamento sull'intelligenza artificiale per contribuire a questi compiti, idee, creatività e personalizzazione potrebbero diventare più centrali nel processo di creazione di valore di queste aziende.
La domanda principale per gli investitori è se l'IA sarà la prossima grande novità per un numero limitato di aziende tecnologiche (soprattutto negli Stati Uniti e in Cina), a beneficio principalmente dei loro investitori (anche se non è possibile escludere alcune ricadute positive, come ad esempio il ruolo che i social media svolgono per molte piccole imprese che si affidano a loro per le loro strategie B2C). Oppure se, come general-purpose technology, avrà un ampio impatto economico, con i vincitori di domani non necessariamente tra i protagonisti di oggi. La tesi di investimento nei due scenari non è la stessa e scegliere quella sbagliata potrebbe avere conseguenze significative per gli investitori.
Infine, alcuni sostengono che, contrariamente alle immobilizzazioni, che si deprezzano nel tempo diventando obsolete (~ 30% dei flussi di cassa operativi), con strumenti basati sull'intelligenza artificiale, gli asset potrebbero diventare sempre più preziosi nel tempo. Ridurre il tasso di deprezzamento o bloccarlo del tutto significherebbe un forte impulso alla redditività e quindi ai rendimenti. Questo potrebbe accadere solo se le società abbracciassero la rivoluzione dell'intelligenza artificiale e riprogettassero le loro organizzazioni per garantire che i dati siano al centro dei loro processi. E non è un compito facile, dal momento che i dati di molte aziende sono ancora raccolti e archiviati in diversi formati, da team diversi e in diversi reparti. Pertanto, sfruttando queste informazioni saranno necessari tempo, investimenti e talento, tre cose che di solito non sono vantaggiose per le valutazioni di breve termine.
Non sorprende che, a parte i grandi e ben noti nomi del settore tecnologico statunitense, molte aziende non stiano nemmeno cercando di farlo, soprattutto le piccole imprese, che di solito non possiedono le giuste competenze e i soldi per investire in queste tecnologie. Eppure, in teoria, l'intelligenza artificiale potrebbe consentire loro di competere in settori che prima erano fuori dalla loro portata, come gli studi legali, la compliance, il marketing o la consulenza. Per queste imprese, una parte sostanziale dei prodotti richiede tempo e risorse, che di fatto eliminano dalla concorrenza le piccole imprese. In un futuro (non così lontano) su cui si potrà fare affidamento sull'intelligenza artificiale per contribuire a questi compiti, idee, creatività e personalizzazione potrebbero diventare più centrali nel processo di creazione di valore di queste aziende.
La domanda principale per gli investitori è se l'IA sarà la prossima grande novità per un numero limitato di aziende tecnologiche (soprattutto negli Stati Uniti e in Cina), a beneficio principalmente dei loro investitori (anche se non è possibile escludere alcune ricadute positive, come ad esempio il ruolo che i social media svolgono per molte piccole imprese che si affidano a loro per le loro strategie B2C). Oppure se, come general-purpose technology, avrà un ampio impatto economico, con i vincitori di domani non necessariamente tra i protagonisti di oggi. La tesi di investimento nei due scenari non è la stessa e scegliere quella sbagliata potrebbe avere conseguenze significative per gli investitori.
Mentre cerchiamo di tracciare potenziali percorsi attraverso i quali l'intelligenza artificiale potrebbe evolvere, dobbiamo anche tenere conto dell'impatto che la regolamentazione avrà sul suo sviluppo.
Storicamente, la regolamentazione ha seguito l'introduzione di grandi invenzioni e innovazioni, soprattutto nella tecnologia. La società impara da loro e a volte ne subisce le conseguenze negative. Pertanto, sono state introdotte nuove norme per orientarne l’utilizzo a beneficio di tutti, limitando ed eventualmente eliminando gli impatti negativi.
Un chiaro esempio è fornito dal corpus sempre più crescente di norme di sicurezza in tecnologie come l'informatica o l'elettricità. Non c'è motivo di credere che con l'intelligenza artificiale sarà diverso, anche se molti hanno richiesto regolamenti prima che la tecnologia possa essere implementata su vasta scala.
Per molti l'obiettivo della regolamentazione preventiva è quello di evitare le insidie del monopolio del successo da parte di pochi, come nei social media dove la regolamentazione è arrivata forse troppo tardi e ora è difficile da applicare data l'infrastruttura esistente. Gli obiettivi saranno molto ampi, a partire da quello che l'IA potrà fare e per chi si assumerà la responsabilità per i suoi atti; dal possesso di risultati di strumenti basati sull'intelligenza artificiale all'accesso ai dati e agli algoritmi; dalla creazione di fake news allo sfruttamento di contenuti falsi.
Gli Stati Uniti e il Regno Unito stanno adottando un approccio di tipo "attendista" per la regolamentazione, con l'idea che per prima si veda come vengono utilizzati gli strumenti di intelligenza artificiale, acquisendo una migliore conoscenza sui loro rischi e altre questioni, come la proprietà e la responsabilità. L'obiettivo è quello di creare una regolamentazione progressiva che dovrebbe, in teoria, affrontare i problemi man mano che si presentano. Questo approccio è chiaramente disposto a incoraggiare lo sviluppo di ecosistemi di intelligenza artificiale (dalle imprese ai servizi e altri usi). I critici sostengono che questo approccio liberista potrebbe non tenere a freno le conseguenze negative se affrontate troppo tardi.
Dall'altra parte, vediamo la Cina assumere una posizione relativamente ferma sul mondo dell'intelligenza artificiale, con il chiaro obiettivo di controllare l'intera catena del valore (dai dati agli algoritmi e agli usi e alle applicazioni finali). Le ragioni sia geopolitiche che di stabilità interna sono dette le principali cause del loro approccio conservatore e piuttosto restrittivo.
L'UE sta nel mezzo, cercando di bilanciare la necessità di garantire che l'IA venga impiegata e utilizzata in modo responsabile, consentendo al contempo alle imprese di innovare ed le opportunità economiche.
Una delle caratteristiche più importanti della normativa probabilmente riguarderà la questione della proprietà dei dati. Poiché per il training dei modelli moderni servono enormi quantità di dati , Internet con tutte le sue risorse e contenuti è il luogo abituale su cui collegarli. Ma sebbene i dati su Internet siano pubblicamente disponibili, non significa che si possano utilizzare gratuitamente.
Inoltre, le persone i cui dati vengono utilizzati per questi scopi potrebbero un giorno volerli monetizzare. Dopo tutto, formare qualcuno (IA) o produrre materiale (dati) su cui può imparare è un lavoro vecchio quanto la storia umana e, ad eccezione di rari casi, è ancora un lavoro retribuito12 come quello degli insegnanti. E ci si aspetta un contenzioso tra coloro che possiedono i dati e coloro che utilizzano i dati per formare i loro modelli13.
Infine, mentre Internet per molte applicazioni pratiche è effettivamente inesauribile, la quantità di dati di buona qualità non sta crescendo velocemente come le esigenze degli algoritmi più sofisticati. Alcuni sostengono che i dati di buona qualità potrebbero essere esauriti entro il 202614 . Naturalmente si tratta di proiezioni che non tengono conto adeguatamente dei potenziali miglioramenti delle tecniche di training. Inoltre, c'è una crescente consapevolezza che i guadagni in efficienza dell’IA possono essere limitati dall’energia e dai dati, i due che non sono in grado di crescere al ritmo necessario
Storicamente, la regolamentazione ha seguito l'introduzione di grandi invenzioni e innovazioni, soprattutto nella tecnologia. La società impara da loro e a volte ne subisce le conseguenze negative. Pertanto, sono state introdotte nuove norme per orientarne l’utilizzo a beneficio di tutti, limitando ed eventualmente eliminando gli impatti negativi.
Un chiaro esempio è fornito dal corpus sempre più crescente di norme di sicurezza in tecnologie come l'informatica o l'elettricità. Non c'è motivo di credere che con l'intelligenza artificiale sarà diverso, anche se molti hanno richiesto regolamenti prima che la tecnologia possa essere implementata su vasta scala.
Per molti l'obiettivo della regolamentazione preventiva è quello di evitare le insidie del monopolio del successo da parte di pochi, come nei social media dove la regolamentazione è arrivata forse troppo tardi e ora è difficile da applicare data l'infrastruttura esistente. Gli obiettivi saranno molto ampi, a partire da quello che l'IA potrà fare e per chi si assumerà la responsabilità per i suoi atti; dal possesso di risultati di strumenti basati sull'intelligenza artificiale all'accesso ai dati e agli algoritmi; dalla creazione di fake news allo sfruttamento di contenuti falsi.
Gli Stati Uniti e il Regno Unito stanno adottando un approccio di tipo "attendista" per la regolamentazione, con l'idea che per prima si veda come vengono utilizzati gli strumenti di intelligenza artificiale, acquisendo una migliore conoscenza sui loro rischi e altre questioni, come la proprietà e la responsabilità. L'obiettivo è quello di creare una regolamentazione progressiva che dovrebbe, in teoria, affrontare i problemi man mano che si presentano. Questo approccio è chiaramente disposto a incoraggiare lo sviluppo di ecosistemi di intelligenza artificiale (dalle imprese ai servizi e altri usi). I critici sostengono che questo approccio liberista potrebbe non tenere a freno le conseguenze negative se affrontate troppo tardi.
Dall'altra parte, vediamo la Cina assumere una posizione relativamente ferma sul mondo dell'intelligenza artificiale, con il chiaro obiettivo di controllare l'intera catena del valore (dai dati agli algoritmi e agli usi e alle applicazioni finali). Le ragioni sia geopolitiche che di stabilità interna sono dette le principali cause del loro approccio conservatore e piuttosto restrittivo.
L'UE sta nel mezzo, cercando di bilanciare la necessità di garantire che l'IA venga impiegata e utilizzata in modo responsabile, consentendo al contempo alle imprese di innovare ed le opportunità economiche.
Una delle caratteristiche più importanti della normativa probabilmente riguarderà la questione della proprietà dei dati. Poiché per il training dei modelli moderni servono enormi quantità di dati , Internet con tutte le sue risorse e contenuti è il luogo abituale su cui collegarli. Ma sebbene i dati su Internet siano pubblicamente disponibili, non significa che si possano utilizzare gratuitamente.
Inoltre, le persone i cui dati vengono utilizzati per questi scopi potrebbero un giorno volerli monetizzare. Dopo tutto, formare qualcuno (IA) o produrre materiale (dati) su cui può imparare è un lavoro vecchio quanto la storia umana e, ad eccezione di rari casi, è ancora un lavoro retribuito12 come quello degli insegnanti. E ci si aspetta un contenzioso tra coloro che possiedono i dati e coloro che utilizzano i dati per formare i loro modelli13.
Infine, mentre Internet per molte applicazioni pratiche è effettivamente inesauribile, la quantità di dati di buona qualità non sta crescendo velocemente come le esigenze degli algoritmi più sofisticati. Alcuni sostengono che i dati di buona qualità potrebbero essere esauriti entro il 202614 . Naturalmente si tratta di proiezioni che non tengono conto adeguatamente dei potenziali miglioramenti delle tecniche di training. Inoltre, c'è una crescente consapevolezza che i guadagni in efficienza dell’IA possono essere limitati dall’energia e dai dati, i due che non sono in grado di crescere al ritmo necessario
Mentre cerchiamo di contemplare le potenziali implicazioni della distribuzione su scala dell’IA (le incognite note), dovremmo anche considerare le eventuali esternalità negative che l'IA potrebbe scatenare. Questo è di solito più difficile individuare (le incognite “ignote”) e capita di essere sorpresi da uno sviluppo negativo di progressi tecnologici realmente positivi.
L'esempio principale è stata la speranza che il dialogo e l'interazione su Internet fossero catalizzatori della diffusione di democrazia e libertà. L'accuratezza delle informazioni e la responsabilità sono state ritenute le conseguenze inevitabili di Internet.
In questo c’è del vero (dopotutto, informazioni di buona qualità sono liberamente disponibili su Internet) tuttavia si è scoperto che la polarizzazione, diffidenza, propaganda e fake news sono una piaga comune dell’era internet. Inoltre, la capacità di generare “deep fake”, contenuti che replicano le immagini e la voce umana, ha chiaramente il potenziale di complicare i processi consolidati che governano la nostra vita, incluso il processo democratico e le elezioni.
In campo militare, l'aumento dell'uso dell'intelligenza artificiale e degli armamenti “senza pilota” pone interrogativi sulla misura in cui l’uomo debba mantenere il controllo e la responsabilità del loro uso e del processo decisionale stesso.
L'esempio principale è stata la speranza che il dialogo e l'interazione su Internet fossero catalizzatori della diffusione di democrazia e libertà. L'accuratezza delle informazioni e la responsabilità sono state ritenute le conseguenze inevitabili di Internet.
In questo c’è del vero (dopotutto, informazioni di buona qualità sono liberamente disponibili su Internet) tuttavia si è scoperto che la polarizzazione, diffidenza, propaganda e fake news sono una piaga comune dell’era internet. Inoltre, la capacità di generare “deep fake”, contenuti che replicano le immagini e la voce umana, ha chiaramente il potenziale di complicare i processi consolidati che governano la nostra vita, incluso il processo democratico e le elezioni.
In campo militare, l'aumento dell'uso dell'intelligenza artificiale e degli armamenti “senza pilota” pone interrogativi sulla misura in cui l’uomo debba mantenere il controllo e la responsabilità del loro uso e del processo decisionale stesso.
- Intelligenza artificiale (IA) - la simulazione dei processi di intelligenza umana da parte delle macchine, in particolare di sistemi informatici. Le applicazioni specifiche dell'IA includono sistemi esperti, elaborazione del linguaggio naturale, riconoscimento vocale e visione artificiale.
- Deep learning - Conosciuto anche come "deep neural networks", il deep learning fa parte di una famiglia più ampia di metodi di "machine learning" basati su rappresentazioni di dati di apprendimento, al contrario di algoritmi specifici. Le reti neurali sono una serie di algoritmi che si cerca di riconoscere le relazioni sottostanti in una serie di dati attraverso un processo che imita il modo in cui il cervello umano opera. Il deep learning analizza i dati a più livelli di apprendimento (quindi "profondo") e può iniziare a farlo imparando su concetti più semplici e combinando questi concetti più semplici per capire concetti più complessi e nozioni astratte.
- Chatbot - Abbreviazione di "chatterbot", sono programmi informatici che simulano la conversazione umana attraverso comandi vocali, chat di testo o entrambi.
- IA Generativa - Resa famosa da generatori di testi per chatbot come ChatGPT, è una tecnologia di conversazione che può analizzare una vasta quantità di dati. Può realizzare solo quello che è stato programmato per fare - qui la differenza con AGI. Tuttavia, l'accessibilità generativa fuori dagli schemi lola rende diversa da tutta l'IA venuta prima di essa. Gli utenti non hanno bisogno di una laurea in apprendimento automatico per interagire o trarne valore; quasi chiunque sia in grado di porre domande può usarlo. Può consentire funzionalità in una vasta gamma di contenuti, tra cui immagini, video, audio e codice del computer. E può eseguire diverse funzioni nelle organizzazioni, tra cui la classificazione, la modifica, la sintesi, la risposta alle domande e la redazione di nuovi contenuti.
- Machine learning - Un ramo di IA che permette ai sistemi informatici di imparare direttamente da esempi, dati ed esperienze. Sempre più utilizzato per il trattamento dei "big data", l'apprendimento automatico è il concetto che un programma informatico può imparare e adattarsi a nuovi dati senza interferenze umane - mantiene aggiornati gli algoritmi di un computer indipendentemente dai cambiamenti nell'economia mondiale.
- Natural language processing - Un ramo dell’informatica, ingegneria informatica e intelligenza artificiale si occupa delle interazioni tra computer e lingue umane (naturali), in particolare come programmare i computer per elaborare e analizzare grandi quantità di dati del linguaggio naturale. È uno degli strumenti utilizzati in Siri, l'assistente digitale controllato dalla voce. I sistemi tentano di consentire ai computer di comprendere la parola umana in forma scritta o orale. I modelli iniziali erano basati su regole grammaticali, ma non riuscivano bene a gestire parole sconosciute o errori ortografici.
- Informatica quantistica - L'informatica quantistica è un tipo di elaborazione che sfrutta le proprietà collettive degli stati quantistici (basate sulla meccanica quantistica), come la sovrapposizione, l'interferenza e l'entanglement, per eseguire calcoli. I dispositivi che eseguono calcoli quantistici sono noti come computer quantistici, talvolta definiti supercomputer.
2 Source: The annual average rate of change of the gross domestic product (GDP) at market prices based on constant local currency, for a given national economy, during a specified period of time.
3 Source: McKinsey, 2018, Is the Solow Paradox back?, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/is-the-solow-paradox-back
4 Source: The annual average rate of change of the gross domestic product (GDP) at market prices based on constant local currency, for a given national economy, during a specified period of time.
5 Source: McKinsey Global Institute (2017), “Jobs lost, jobs gained: Workforce transition in a time of automation.”
6 Source: Greene, A.N. (2008), “Horses at work”, Harvard University Press.
7 The ratio of a company’s profit to its revenue.
8 Source: Brynjolfsson, Rock and Chad Syverson (2017), “Artificial intelligence and the modern productivity paradox: a clash of expectations and statistics”, NBER.
9 Source: Bresnahan and Trajtenberg (1995), “General purpose technologies ‘Engines of growth’?”, Journal of Econometrics, Volume 65, Issue 1, January 1995, Pages 83-108.
10 Source: Web browsers software is today mostly free or open source. No company actually managed to make money out of it, with the exclusion of Microsoft which bundles it with other paying software.
11 Source: Reuters, Feb 2023, https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/
12 Source: Ancient Greek philosophers Plato and Aristotle were well-paid private tutors. Socrates was an exception as he apparently did not charge for its teachings.
13 Source: https://www.reuters.com/legal/getty-images-lawsuit-says-stability-ai-misused-photos-train-ai-2023-02-06/
14 Source: https://epochai.org/blog/will-we-run-out-of-ml-data-evidence-from-projecting-dataset
Il presente materiale e/o riferimento a titoli, settori o mercati specifici all'interno del presente materiale non costituisce una consulenza in materia di investimenti, né una raccomandazione o un'offerta di acquisto o di vendita di alcun titolo o un'offerta di attività finanziaria regolamentata. Gli investitori devono valutare attentamente gli obiettivi, i rischi e le spese di investimento prima di investire. Le analisi, le opinioni e alcuni dei temi e processi di investimento citati nel presente documento rappresentano le opinioni del gestore/i del portafoglio alla data indicata. Queste, nonché le partecipazioni in portafoglio e le caratteristiche del portafoglio indicate, sono soggette a modifiche. Non ci può essere alcuna garanzia che gli sviluppi traspireranno come può essere previsto in questo materiale. Le analisi e le opinioni espresse da terze parti esterne sono indipendenti e non riflettono necessariamente quelle di Natixis Investment Managers. Le informazioni sui risultati ottenuti nel passato presentate non sono indicative di risultati futuri.
Perché tutti parlano di... Mercati in bolla
Investire in innovazione oltre i Magnifici 7
Tre minuti con… Soliane Varlet, Mirova
Outlook azionario dei mercati emergenti: Opportunità in un contesto di cambiamenti strutturali e nuove dinamiche