L'intelligenza artificiale generativa può risolvere i problemi di scalabilità e costi?

Economico

Resoconto:

Secondo Goldman Sachs Research, mentre le più grandi aziende del mondo gareggiano per sviluppare l'intelligenza artificiale più sofisticata, si stanno ponendo domande su quanto e quanto velocemente questa tecnologia possa essere scalabile.

L'avvento dell'IA generativa ha creato un'ondata di entusiasmo per il futuro della tecnologia. A differenza di altri tipi di IA, l'IA generativa può creare i propri output in linguaggio naturale. Poiché è "multimodale", può anche generare risposte in altri formati, tra cui testo, numeri, video e audio.

Le grandi aziende tecnologiche citano casi di utilizzo iniziali e alcuni attori aziendali intravedono margini di miglioramento della produttività in determinate aree, come la scrittura di codice, che potrebbero rendere i dipendenti più preziosi ancora più produttivi.

Tuttavia, l'entità esatta dei futuri benefici economici è oggetto di dibattito . Il costo di sviluppo dell'IA di generazione su larga scala è estremamente elevato, con grandi aziende tecnologiche che investono centinaia di miliardi di dollari, sebbene il costo per query sia sceso notevolmente da quando la tecnologia è stata lanciata per la prima volta.

Al Goldman Sachs European Virtual AI and Semis Symposium inaugurale, 20 relatori, da CEO e tecnologi a macroeconomisti, si sono riuniti per valutare le prospettive dell'IA. In particolare, hanno discusso argomenti chiave tra cui casi d'uso, il mercato totale indirizzabile, sfide per l'ulteriore sviluppo e adozione della tecnologia e implicazioni per hardware e semiconduttori europei.

Abbiamo parlato con Alexander Duval, responsabile Europe Tech Hardware Semiconductors presso Goldman Sachs Research, dei principali risultati del simposio.

Quale ruolo svolgono le grandi aziende tecnologiche note come “hyperscaler” nello sviluppo dell’intelligenza artificiale?

Finora, i giganti della tecnologia statunitense sono stati all'avanguardia nell'uso dell'intelligenza artificiale generativa. Hanno sviluppato grandi modelli linguistici, che possono utilizzare sia per il loro business esistente sia potenzialmente per creare nuovi strumenti aziendali.

Il simposio ha ascoltato come la tecnologia stia generando un quarto del codice di un hyperscaler e facendo risparmiare tempo di progettazione significativo a un altro. Casi di utilizzo più ampi nell'economia reale includono il suo utilizzo per prevedere la struttura delle proteine e persino per "ringiovanire" l'aspetto di un attore in un film.

Questi sono esempi lampanti. Ma vale la pena tenere a mente che gli hyperscaler hanno speso centinaia di miliardi in questo. Insieme, hanno speso circa 200 miliardi di dollari in AI quest'anno, e probabilmente saliranno a 250 miliardi di dollari l'anno prossimo. Sviluppare grandi modelli linguistici può costare decine o centinaia di milioni di dollari. Ed è per questo che in questo simposio abbiamo voluto davvero esaminare se è fattibile o auspicabile che la tecnologia possa scalare per affrontare molti più casi d'uso. Questi hyperscaler hanno un sacco di flusso di cassa libero e stiamo iniziando a vedere esempi di casi d'uso, ma diversi osservatori del settore ritengono che a un certo punto dovremo vedere un ritorno sull'investimento per una gamma più ampia di casi d'uso e verticali.

Sono emersi casi d'uso chiave per l'intelligenza artificiale nell'economia in generale?

Poiché l'IA generativa è multimodale, potrebbe teoricamente applicarsi a più campi: assistenza clienti, codifica, analisi medica, marketing e molti altri. Dato che c'è un livello molto significativo di investimenti nell'IA, il beneficio aggregato di tali casi d'uso dovrà essere dimostrato per giustificare un solido ritorno sull'investimento. Detto questo, alcuni partecipanti al simposio hanno affermato che potrebbe non essere indispensabile che l'IA si estenda in un'area particolare, in altre parole, un singolo caso d'uso chiave potrebbe non essere necessario, purché i benefici economici di tutti i diversi casi d'uso siano sufficienti in aggregato. Si potrebbero vedere guadagni di efficienza su tutta la linea.

Alcuni relatori hanno sottolineato che ci sono diversi esempi di grandi aziende tecnologiche di successo in cui si potrebbe sostenere che all'inizio non c'era un caso d'uso chiave. Prendiamo l'esempio delle app di ride hailing. C'era già una soluzione perfettamente valida: camminare fino alla fine della strada e chiamare fisicamente un taxi. Ma sfruttando il software e gli effetti di rete, si potrebbero creare grandissimi vantaggi economici, così come vantaggi per i consumatori.

C'è ancora spazio per la competizione per le aziende tecnologiche più piccole?

Alcuni relatori del simposio hanno avuto interessanti spunti sui modelli linguistici di piccole dimensioni. All'inizio, gli attori della tecnologia si sono concentrati sulla creazione di modelli linguistici di grandi dimensioni, e questi sono ancora importanti. Ma c'è anche una tendenza a sviluppare modelli più piccoli ed efficienti.

I modelli di linguaggio di piccole dimensioni sono più facili da mettere a punto, possono avere un consumo energetico inferiore e possono essere personalizzati per soddisfare i requisiti specifici di un'azienda in un dato dominio (ad esempio legale, medico o finanziario). Sono anche generalmente meno costosi, perché sono più piccoli e consumano meno energia.

I grandi modelli linguistici rimarranno importanti e i colossi della tecnologia hanno le risorse, il flusso di cassa libero e i bilanci per guidarne lo sviluppo. Ma i relatori hanno sottolineato che ci saranno altri, forse più piccoli attori nell'ecosistema, che possono innovare e sviluppare piccoli modelli linguistici che si collocheranno in cima a quei modelli più grandi. Alcuni relatori hanno pensato che questo rappresentasse un'opportunità per le piccole aziende di guidare l'innovazione in cima alla pila e hanno evidenziato il gran numero di aziende che vengono fondate ogni giorno per farlo.

L'elevato costo dell'intelligenza artificiale generativa potrebbe frenarne lo sviluppo?

La formazione LLM richiede livelli molto elevati di investimenti di capitale. Devi costruire un data center, hai bisogno di tutti i semiconduttori, che includono sia GPU che chip di memoria, e hai bisogno di hardware, alimentazione e utilità. I relatori hanno detto che il costo per query in alcuni domini è più volte superiore rispetto a un normale algoritmo di ricerca.

Detto questo, si sono registrati progressi costanti nella riduzione dei costi. Il costo di una query di IA generativa presso alcune grandi aziende tecnologiche è diminuito in modo significativo dal lancio della tecnologia e una nuova società di IA ha affermato che i ricavi generati dall'ultima generazione di LLM hanno superato il costo di formazione dei modelli precedenti. Mentre alcuni relatori hanno affermato che potrebbe esserci il rischio che la spesa per l'IA possa ridursi se non vengono generati rendimenti significativi, il consenso è stato che gli hyperscaler continueranno a investire nei prossimi anni. In totale, Goldman Sachs Research prevede circa 1 trilione di dollari di investimenti in IA nei prossimi anni.

Quali sono gli altri ostacoli all'ulteriore diffusione dell'intelligenza artificiale?

Ci sono diverse sfide coinvolte nel ridimensionamento dell'IA. Per costruire la tecnologia, hai bisogno di accesso a semiconduttori, energia e molti dati.

I dati stanno diventando una questione chiave. Stiamo arrivando al punto in cui gli sviluppatori hanno addestrato questi grandi modelli linguistici su praticamente tutti i dati che si trovano su Internet. Gli esperti di intelligenza artificiale stanno cercando di capire come superare questo problema.

Una possibile risposta è l'apprendimento multimodale, in cui i modelli di intelligenza artificiale apprendono ingerendo non solo testo, ma anche video e immagini. Ciò fornirà loro molte più informazioni. Esistono anche archivi di dati che potrebbero trovarsi in silos proprietari, ad esempio presso istituti di ricerca o aziende, e potrebbero teoricamente essere aggiunti al corpus di dati su cui vengono addestrati questi modelli. Abbiamo anche sentito parlare della possibilità che il calcolo quantistico genererà alcuni dati ad alta fedeltà che potrebbero essere utilizzati per addestrare i modelli.

L'enorme richiesta di energia è un altro collo di bottiglia. La produzione di energia dovrà aumentare di almeno tre o quattro volte entro il 2030. E uno dei panel ha evidenziato che l'aumento della richiesta di energia da parte dei soli quattro o cinque più grandi hyperscaler in quel periodo sarà equivalente all'attuale consumo energetico della Francia. Fortunatamente, semiconduttori più avanzati potrebbero anche portare una migliore infrastruttura di trasmissione e una conversione di potenza più efficiente. Sono in corso anche sforzi per rendere i semiconduttori più efficienti dal punto di vista energetico.

Quali sono i rischi dell'adozione dell'intelligenza artificiale su larga scala e come possiamo limitarli?

La proliferazione dell'IA ha sollevato preoccupazioni circa l'etica del suo utilizzo. Detto questo, i nostri panel hanno evidenziato che le aziende e gli enti etici stanno monitorando i casi d'uso in fase di sviluppo e suggerendo delle misure di sicurezza per garantire che l'IA non venga utilizzata in modo improprio. Ad esempio, alcuni relatori hanno discusso di come avere un essere umano che abbia familiarità con il contesto del compito specifico che controlla gli output dell'IA riduca il rischio che le allucinazioni abbiano un impatto negativo.

Altri rischi che meritano ulteriore attenzione includono le IA che comunicano tra loro (potenzialmente in un linguaggio che gli esseri umani non possono comprendere), problemi di copyright, pregiudizi e sicurezza.

Pertanto, i relatori hanno convenuto che l'uso dell'intelligenza artificiale potrebbe essere sempre più limitato ai domini meno rischiosi e subordinato a misure di sicurezza e alla supervisione umana.

In che modo le aziende europee di hardware e semiconduttori potrebbero trarre vantaggio dallo sviluppo della tecnologia AI?

Diverse aziende europee di hardware e semiconduttori potrebbero trarne vantaggio. In particolare, il simposio ha appreso della tecnologia di deposizione a strati atomici, un tipo di apparecchiatura di produzione di semiconduttori che consente di depositare materiali su un wafer di silicio con estrema precisione per costruire un chip. Un'azienda in particolare nei Paesi Bassi offre questa tecnologia. Man mano che questi chip diventano più potenti, devono essere più efficienti con spazio e potenza, quindi i nuovi design di chip sfruttano sempre di più la tecnologia di deposizione a strati atomici.

Diversi partecipanti hanno anche evidenziato le capacità dell'Europa nel packaging avanzato dei semiconduttori, necessarie per garantire un uso efficiente dello spazio sui dispositivi. E la litografia, il meccanismo per stampare i transistor sui microchip, continuerà a progredire, offrendo capacità di elaborazione sempre più potenti. L'Europa è anche il produttore dominante di quel tipo di tecnologia.

Infine, per far funzionare i server di intelligenza artificiale sarà necessaria una notevole conversione di potenza, e anche in questo caso l'Europa ha capacità promettenti.

Per rimanere aggiornato su tutti gli eventi economici di oggi, consulta il nostro Calendario economico

Avvertenza sui rischi ed esclusione di responsabilità sugli investimenti

Comprendi e riconosci che esiste un alto grado di rischio coinvolto nel trading con strategie. Seguire qualsiasi strategia o metodologia di investimento è il potenziale di perdita. Il contenuto del sito viene fornito dai nostri collaboratori e analisti solo a scopo informativo. Tu solo sei l'unico responsabile di determinare se qualsiasi attività di negoziazione, o titolo, o strategia, o qualsiasi altro prodotto è adatto a te in base ai tuoi obiettivi di investimento e alla tua situazione finanziaria.

Informativa sui rischi

Il trading di strumenti finanziari come azioni, valute, materie prime, futures, obbligazioni, fondi o criptovalute è un'attività ad alto rischio, che include la perdita parziale o totale dell'importo dell'investimento, pertanto il trading non è adatto a tutti gli investitori.

Quando prendi qualsiasi decisione finanziaria, dovresti condurre la tua due diligence, usare il tuo giudizio e consultare consulenti qualificati. Il contenuto di questo sito Web non è rivolto a te, né prendiamo in considerazione la tua situazione finanziaria o le tue esigenze. Le informazioni contenute in questo sito Web non sono necessariamente fornite in tempo reale, né sono necessariamente accurate. I prezzi forniti su questo sito possono essere forniti dai market maker anziché dalle borse. Qualsiasi decisione commerciale o altra decisione finanziaria presa è di esclusiva responsabilità dell'utente e non è possibile fare affidamento su alcuna informazione fornita tramite il sito Web. Non forniamo alcuna garanzia rispetto a qualsiasi informazione sul sito Web e non siamo responsabili per eventuali perdite commerciali che potrebbero derivare dall'uso di qualsiasi informazione sul sito Web.

L'uso, la memorizzazione, la riproduzione, la visualizzazione, la modifica, la diffusione o la distribuzione dei dati contenuti in questo sito web sono vietati senza il consenso scritto di questo sito web. I fornitori e gli scambi che forniscono i dati contenuti in questo sito Web mantengono tutti i loro diritti di proprietà intellettuale.

Ricerche recenti

Principali ricerche

Quotazioni

Analisi

Utente

24/7

Calendario economico

Educazione

Dati