Punti di forza:
- L’intelligenza artificiale (AI) si riferisce alla simulazione dell’intelligenza umana nei computer che sono programmati per eseguire compiti simili a quelli umani.
- L’apprendimento automatico (ML) è un sottoinsieme dell’IA che si concentra sulla costruzione di modelli in grado di imparare a utilizzare i dati per migliorare le prestazioni su una serie specifica di compiti.
- L’apprendimento profondo è un sottoinsieme dell’apprendimento automatico e si basa su reti neurali artificiali liberamente modellate sulle reti neurali biologiche del cervello.
- La limitatezza dell’archiviazione dei dati e della velocità di elaborazione, che prima costituivano i principali svantaggi dell’IA, ora non sono più un problema importante.
- L’intelligenza artificiale ha un’ampia gamma di applicazioni in vari campi e settori. Due progetti di intelligenza artificiale che hanno recentemente attirato l’attenzione dei media sono ChatGPT e DALL-E.
- Con l’aumento della quantità di dati di addestramento e della potenza di calcolo, sarà possibile addestrare modelli di IA più potenti che potranno portare ad applicazioni più efficaci.
IA, apprendimento automatico e apprendimento profondo: Cosa sono
L’intelligenza artificiale (AI) ha conquistato il mondo negli ultimi tempi, insieme ad altri termini simili come machine learning (ML), deep learning e data science. Di seguito una breve descrizione per coloro che possono sentirsi confusi da questi termini.
Intelligenza artificiale si riferisce alla simulazione dell’intelligenza umana nei computer che sono programmati per eseguire compiti simili a quelli umani, come la sintesi e l’inferenza di informazioni.
L’apprendimento automatico è un sottoinsieme dell’IA che si concentra sulla costruzione di modelli che “imparano”, nel senso di utilizzare i dati per migliorare le prestazioni su una serie specifica di compiti. L’apprendimento automatico può essere ampiamente suddiviso in tre categorie:
- Apprendimento supervisionato: Il computer viene addestrato su dati costituiti da esempi etichettati – input noti X con l’output vero e proprio Y – e l’obiettivo è quello di apprendere una regola generale o una funzione (F) in grado di mappare gli input agli output in nuovi esempi (cioè, Y = F(X)). Un esempio di apprendimento supervisionato è il riconoscimento delle cifre scritte a mano, dove la macchina impara a riconoscere le cifre scritte a mano da 0 a 9.
- Apprendimento non supervisionato: Questi tipi di algoritmi analizzano i dati non etichettati per scoprire i modelli sottostanti (solo dati X ma non Y). Un esempio di apprendimento non supervisionato è il clustering, che mira a raggruppare i dati non etichettati in vari cluster in base alle loro somiglianze o differenze.
- Apprendimento per rinforzo: L’apprendimento per rinforzo studia come gli agenti intelligenti dovrebbero intraprendere azioni in un determinato ambiente per massimizzare una certa funzione di ricompensa. L’apprendimento per rinforzo può essere applicato alle auto a guida autonoma e alla robotica, oltre che all’addestramento di macchine per giocare a giochi da tavolo e al computer.
L’apprendimento profondo è un sottoinsieme dell’apprendimento automatico e si basa sulle reti neurali artificiali, che sono sistemi di calcolo vagamente modellati sulle reti neurali biologiche del cervello. I neuroni artificiali di una rete, simili ai neuroni biologici del cervello, possono ricevere e trasmettere segnali ad altri neuroni ad essi collegati.
La scienza dei dati si riferisce allo studio dei dati per estrarre informazioni significative. Si tratta di un campo altamente interdisciplinare che utilizza la statistica, la matematica e l’informatica per analizzare vari tipi di dati. La scienza dei dati si interseca con l’IA, l’apprendimento automatico e l’apprendimento profondo, poiché i modelli di intelligenza artificiale richiedono tipicamente dati per l’addestramento.
La tabella seguente mostra i diversi focus e applicazioni dell’IA, dell’apprendimento automatico e della scienza dei dati.
Storia e sviluppo dell’IA
Lo stato attuale dell’IA è stato principalmente il prodotto di diversi progressi nella potenza di calcolo nel corso del tempo. La limitatezza dell’archiviazione dei dati e della velocità di elaborazione, che prima costituivano i principali colli di bottiglia dell’IA, ora non sono più un problema importante, poiché la potenza di calcolo è cresciuta in modo esponenziale nell’ultimo decennio. Anche l’hardware (come le CPU e le GPU) è diventato più economico e accessibile nel corso degli anni, il che ha permesso la creazione di nuovi modelli e ha consentito di aumentare i finanziamenti e la ricerca sull’IA.
Inoltre, i costi dell’IA sono ora più bassi, ma i tempi di formazione sono più rapidi. Dal 2018, i costi di formazione sono diminuiti del 63,6%, mentre i tempi di formazione sono migliorati di oltre il 94%, secondo l’AI Index Report di Stanford. Tutti questi sviluppi, insieme a enormi quantità di dati prontamente disponibili, hanno contribuito a formare modelli migliori e a ottenere i risultati migliori che si vedono oggi. La graduale progressione dell’IA e alcuni sviluppi degni di nota in questo settore sono illustrati nella breve cronologia che segue.
L’IA non è un termine nuovo e gli algoritmi di IA come l’apprendimento profondo e le reti neurali possono essere fatti risalire agli anni Cinquanta. Solo negli ultimi anni, tuttavia, la potenza di calcolo è migliorata per rendere efficiente l’apprendimento profondo e sono stati introdotti nuovi algoritmi e modelli di IA, come i trasformatori, introdotti nel 2017 da Google Brain e adottati nel GPT-3, il modello alla base di ChatGPT.
Sviluppo dell’intelligenza artificiale e sue applicazioni
L’intelligenza artificiale ha un’ampia gamma di applicazioni in vari campi e settori. Due progetti di intelligenza artificiale che hanno ottenuto un’attenzione significativa da parte del mainstream sono ChatGPT e DALL-E. Entrambi i progetti hanno registrato un aumento dell’interesse per le ricerche su Google dal momento del loro lancio e sono stati messi in evidenza sui social media.
ChatGPT è un chatbot in grado di fornire risposte dettagliate e realistiche a domande che riguardano ampi domini di conoscenza. Lanciato da OpenAI nel novembre 2022, viene addestrato con tecniche di apprendimento supervisionato e di rinforzo. Oltre a rispondere alle domande, ChatGPT può scrivere codice in vari linguaggi di programmazione e comporre musica.
DALL-E e DALL-E 2 sono modelli di deep learning in grado di generare immagini in base alle richieste in linguaggio naturale degli utenti. L’ultima versione di DALL-E è DALL-E 2, annunciata nell’aprile 2022. È in grado di generare immagini a più alta risoluzione rispetto a DALL-E, più realistiche e che combinano vari stili.
Altri casi di utilizzo dell’intelligenza artificiale sono i giochi da tavolo, come il Go. AlphaGo è stato sviluppato da DeepMind Technologies, una sussidiaria di Google, ed è stato in grado di sconfiggere Ke Jie, il giocatore di Go numero 1 al mondo in quel momento. Successivamente, AlphaGo ha ottenuto il titolo professionale di 9-dan dall’Associazione cinese di Weiqi.
Un’altra promettente applicazione dell’IA è la guida autonoma, che consente alle auto di viaggiare con un ridotto apporto umano grazie all’aiuto di sensori per percepire l’ambiente circostante e di sistemi informatici per controllare e navigare l’auto. Esistono vari livelli di guida autonoma, con l’attuale tecnologia all’avanguardia in grado di raggiungere livelli intermedi come il livello 3 (“eyes off”), in cui il conducente può distogliere la propria attenzione dalla guida.
Per saperne di più Contenuti e applicazioni generati dall’intelligenza artificiale in Web3.
Pro e contro dell’IA
Poiché le macchine possono lavorare 24 ore al giorno senza pause, l’IA è in grado di svolgere compiti noiosi e ripetitivi in modo più efficiente degli esseri umani. Ad esempio, i chatbot di intelligenza artificiale possono aiutare a rispondere alle richieste dei clienti 24 ore su 24.
Inoltre, i robot e le macchine dotate di intelligenza artificiale sono in grado di svolgere compiti che sono rischiosi o pericolosi per gli esseri umani. Ad esempio, i robot AI possono esplorare oceani profondi, disinnescare esplosivi o lavorare in fabbriche con sostanze chimiche pericolose.
L’intelligenza artificiale è anche in grado di lavorare efficacemente con insiemi di dati di grandi dimensioni e ad alta densità, che possono essere difficili da analizzare o visualizzare per gli esseri umani. Con l’aumento della velocità di calcolo, l’IA è in grado di acquisire ed estrarre più rapidamente i dati, per poi trasformarli e interpretarli.
Uno svantaggio dell’IA è che a volte manca di creatività e innovazione. Sebbene l’IA stia migliorando rapidamente sotto questo aspetto, alcuni testi e immagini generati dall’IA mancano ancora del tocco umano e possono apparire rigidi e robotici.
L’intelligenza artificiale può anche commettere errori che un normale essere umano non commetterebbe, causando potenzialmente problemi di qualità. Per esempio, il ricercatore di intelligenza artificiale e professore di Stanford Andrew Ng ha prodotto un esempio in cui ChatGPT ha erroneamente spiegato come un abaco sia più veloce di una GPU. Pertanto, in alcuni casi, anche l’IA di ultima generazione non ha ancora raggiunto un livello di accuratezza sufficiente.
Il futuro dell’intelligenza artificiale
Le prospettive dell’IA sono promettenti. Secondo la Legge di Moore, il numero di transistor su un microchip raddoppia ogni due anni circa, mentre il suo costo si dimezza nello stesso arco di tempo. In breve, si prevede che la velocità e le capacità dei computer aumentino ogni due anni e diventino sempre più accessibili. Allo stesso tempo, la quantità di dati nel mondo sta crescendo in modo esponenziale e si prevede che raggiungerà i 175 zetabyte (175 trilioni di gigabyte) entro il 2025.
Le tendenze sopra descritte sono molto favorevoli all’IA perché i suoi algoritmi, come l’apprendimento profondo, funzionano più efficacemente con una maggiore potenza di calcolo e grandi quantità di dati. Ad esempio, ChatGPT è classificata come una Modello linguistico di grandi dimensioni (LLM) perché è stato addestrato su una vasta quantità di dati testuali e ha 175 miliardi di euro parametri. In generale, con l’aumento della quantità di dati di addestramento e della potenza di calcolo, sarebbe possibile addestrare modelli di IA più potenti, che possono portare ad applicazioni più efficaci.
Ci sono preoccupazioni e dibattiti sul fatto che l’IA potrebbe portare alla disoccupazione, dal momento che potrebbe automatizzare alcune attività lavorative e ottenere prestazioni migliori di quelle umane. Anche se l’IA potrebbe sostituire l’uomo in compiti che richiedono basse competenze, come la contabilità e l’inserimento di dati, la tecnologia dovrebbe essere vista come un modo per aiutare l’uomo: automatizzando i compiti ripetitivi, l’IA può aumentare la produttività dei dipendenti. Ad esempio, le tecnologie AI esistenti sono in grado di automatizzare fino al 40% del lavoro svolto dai venditori durante il processo di vendita.
Il famoso fisico Stephen Hawking una volta ha detto: “… i computer possono, in teoria, emulare l’intelligenza umana – e superarla”. Nel regno dell’IA, questo fenomeno sta iniziando a prendere forma, con i computer che iniziano a produrre testi e immagini alla pari, o addirittura meglio, di quelli prodotti dall’uomo medio. Sarà emozionante osservare i futuri sviluppi dell’IA negli anni a venire.
Leggete il rapporto completo sull’IA e i suoi casi d’uso, con ulteriori esempi e riferimenti, qui.
Tracciare i gettoni AI nell’App Crypto.com
L’ascesa della tecnologia AI ha portato alla nascita di nuovi token AI che stanno rapidamente guadagnando popolarità. Per soddisfare questo interesse, l’App Crypto.com ha aggiunto una nuova categoria su Track Coins, in modo che gli utenti possano seguire facilmente i principali token AI. Scopri AI e tutte le altre categorie qui.
Due diligence e ricerca personale
Tutti gli esempi elencati in questo articolo sono solo a scopo informativo. L’utente non deve interpretare tali informazioni o altro materiale come consulenza legale, fiscale, di investimento, finanziaria o di altro tipo. Nulla di quanto contenuto nel presente documento costituisce una sollecitazione, una raccomandazione, un’approvazione o un’offerta da parte di Crypto.com di investire, acquistare o vendere monete, token o altri asset crittografici. I rendimenti derivanti dall’acquisto e dalla vendita di criptovalute possono essere soggetti a imposte, compresa l’imposta sulle plusvalenze, nella vostra giurisdizione. Le descrizioni dei prodotti o delle caratteristiche di Crypto.com hanno uno scopo puramente illustrativo e non costituiscono un’approvazione, un invito o una sollecitazione.
Le performance passate non sono una garanzia o una previsione di quelle future. Il valore delle criptovalute può aumentare o diminuire e voi potreste perdere tutto o una parte consistente del vostro prezzo di acquisto. Quando valutate un asset crittografico, è essenziale che facciate le vostre ricerche e la vostra due diligence per esprimere il miglior giudizio possibile, poiché ogni acquisto sarà di vostra esclusiva responsabilità.