Il Problema da un Trilione di Dollari dell’Intelligenza Artificiale

Mentre entriamo nel 2025, il settore dell’intelligenza artificiale si trova a un punto di svolta cruciale. Sebbene l’industria continui ad attirare livelli di investimento e attenzione senza precedenti, soprattutto all’interno del paesaggio dell’intelligenza artificiale generativa, diverse dinamiche di mercato sottostanti suggeriscono che ci stiamo dirigendo verso un grande cambiamento nel paesaggio dell’intelligenza artificiale nel prossimo anno.

Traendo dalla mia esperienza come leader di una startup di intelligenza artificiale e osservando l’evoluzione rapida dell’industria, credo che quest’anno porterà molti cambiamenti fondamentali: dai modelli di concetto grandi (LCM) che emergeranno come seri concorrenti dei modelli di linguaggio grandi (LLM), alla crescita di hardware di intelligenza artificiale specializzato, alle grandi aziende tecnologiche che inizieranno importanti costruzioni di infrastrutture di intelligenza artificiale che le metteranno finalmente in grado di superare le startup come OpenAI e Anthropic – e, chissà, forse persino assicurarsi il loro monopolio sull’intelligenza artificiale dopo tutto.

La Sfida Unica delle Aziende di Intelligenza Artificiale: Né Software né Hardware

Il problema fondamentale risiede nel modo in cui le aziende di intelligenza artificiale operano in un terreno intermedio mai visto prima tra aziende di software tradizionali e aziende di hardware. A differenza delle aziende di software puri che investono principalmente in capitale umano con spese operative relativamente basse, o aziende di hardware che effettuano investimenti di capitale a lungo termine con percorsi chiari verso ritorni, le aziende di intelligenza artificiale affrontano una combinazione unica di sfide che rendono i loro attuali modelli di finanziamento precari.

Queste aziende richiedono enormi spese iniziali per cluster di GPU e infrastrutture, spendendo 100-200 milioni di dollari all’anno solo per risorse di calcolo. Eppure, a differenza delle aziende di hardware, non possono ammortizzare questi investimenti su periodi prolungati. Invece, operano su cicli compressi di due anni tra round di finanziamento, ogni volta avendo bisogno di dimostrare una crescita esponenziale e prestazioni all’avanguardia per giustificare il loro prossimo aumento di valutazione.

Il Problema di Differenziazione dei LLM

Aggiungendo a questa sfida strutturale c’è una tendenza preoccupante: la rapida convergenza delle capacità dei modelli di linguaggio grandi (LLM). Le startup, come l’unicorn francese Mistral AI e altre, hanno dimostrato che i modelli open-source possono raggiungere prestazioni paragonabili a quelle dei loro omologhi closed-source, ma la differenziazione tecnica che in precedenza giustificava valutazioni altissime sta diventando sempre più difficile da mantenere.

In altre parole, mentre ogni nuovo LLM vanta prestazioni impressionanti in base a benchmark standard, un vero e proprio cambiamento significativo nell’architettura del modello sottostante non sta avvenendo.

Le limitazioni attuali in questo dominio derivano da tre aree critiche: disponibilità dei dati, poiché stiamo esaurendo il materiale di formazione di alta qualità (come confermato recentemente da Elon Musk); metodi di cura, poiché adottano tutti approcci di feedback umano simili a quelli pionieristici di OpenAI; e architettura computazionale, poiché si affidano tutti alla stessa limitata gamma di hardware GPU specializzato.

Ciò che emerge è un modello in cui i guadagni provengono sempre più dall’efficienza piuttosto che dalla scala. Le aziende si concentrano sul compressione di più conoscenze in meno token e sviluppano migliori artefatti di ingegneria, come sistemi di recupero come i RAG (retrieval-augmented generation). Fondamentalmente, ci stiamo avvicinando a un plateau naturale in cui gettare più risorse sul problema produce ritorni decrescenti.

A causa del ritmo senza precedenti dell’innovazione negli ultimi due anni, questa convergenza delle capacità dei LLM sta avvenendo più velocemente di quanto chiunque avesse anticipato, creando una corsa contro il tempo per le aziende che hanno raccolto fondi.

Sulla base delle ultime tendenze di ricerca, il prossimo frontiera per affrontare questo problema è l’emergere dei modelli di concetto grandi (LCM) come una nuova, rivoluzionaria architettura in competizione con i LLM nel loro dominio principale, che è la comprensione del linguaggio naturale (NLP).

Tecnicamente parlando, gli LCM avranno diversi vantaggi, tra cui la potenziale migliore prestazione con meno iterazioni e la capacità di raggiungere risultati simili con team più piccoli. Credo che questi LCM di prossima generazione saranno sviluppati e commercializzati da team spin-off, i famosi ‘ex-big tech’ che fondano nuove startup per guidare questa rivoluzione.

La Discordanza della Linea Temporale di Monetizzazione

La compressione dei cicli di innovazione ha creato un altro problema critico: la discordanza tra il tempo di mercato e la monetizzazione sostenibile. Mentre stiamo vedendo una velocità senza precedenti nella verticalizzazione delle applicazioni di intelligenza artificiale – con agenti di intelligenza artificiale vocali, ad esempio, che passano dal concetto a prodotti generatori di entrate in pochi mesi – questa rapida commercializzazione maschera un problema più profondo.

Considerate questo: una startup di intelligenza artificiale valutata 20 miliardi di dollari oggi probabilmente avrà bisogno di generare circa 1 miliardo di dollari di entrate annuali entro 4-5 anni per giustificare di andare pubblica a una ragionevole moltiplicazione. Ciò richiede non solo l’eccellenza tecnologica, ma anche una trasformazione drammatica dell’intero modello di business, da focalizzato sulla R&S a guidato dalle vendite, mentre si mantiene il ritmo dell’innovazione e si gestiscono enormi costi di infrastruttura.

In questo senso, le nuove startup focalizzate su LCM che emergeranno nel 2025 saranno in una posizione migliore per raccogliere fondi, con valutazioni iniziali più basse che le rendono obiettivi di finanziamento più attraenti per gli investitori.

La Scarsità di Hardware e le Alternative Emergenti

Vediamo più da vicino l’infrastruttura. Oggi, ogni nuovo cluster di GPU viene acquistato anche prima di essere costruito dai grandi giocatori, costringendo i giocatori più piccoli a impegnarsi in contratti a lungo termine con i fornitori di servizi cloud o a rischiare di essere esclusi dal mercato completamente.

Ma ecco cosa è veramente interessante: mentre tutti lottano per le GPU, c’è stata una fascinosa trasformazione nel paesaggio dell’hardware che è ancora ampiamente trascurata. L’attuale architettura GPU, chiamata GPGPU (General Purpose GPU), è incredibilmente inefficiente per ciò che la maggior parte delle aziende effettivamente necessita in produzione. È come utilizzare un supercomputer per eseguire un’applicazione di calcolo.

Questo è il motivo per cui credo che l’hardware di intelligenza artificiale specializzato sarà il prossimo grande cambiamento nel nostro settore. Aziende come Groq e Cerebras (CBRS ) stanno costruendo hardware di inferenza specifico che è 4-5 volte più economico da operare rispetto alle tradizionali GPU. Sì, c’è un costo di ingegneria più alto inizialmente per ottimizzare i modelli per queste piattaforme, ma per le aziende che eseguono carichi di lavoro di inferenza su larga scala, i guadagni di efficienza sono chiari.

Densità dei Dati e l’Ascesa di Modelli più Piccoli e più Intelligenti

Spostarsi verso il prossimo frontiera dell’innovazione nell’intelligenza artificiale richiederà probabilmente non solo una maggiore potenza computazionale – soprattutto per modelli grandi come gli LCM – ma anche set di dati più ricchi e più completi.

Interessantemente, modelli più piccoli e più efficienti stanno iniziando a sfidare quelli più grandi sfruttando come sono densamente addestrati sui dati disponibili. Ad esempio, modelli come Microsoft’s (MSFT ) FeeFree o Google’s Gema2B, operano con molti meno parametri – spesso intorno a 2 o 3 miliardi – eppure raggiungono livelli di prestazione paragonabili a modelli molto più grandi con 8 miliardi di parametri.

Questi modelli più piccoli sono sempre più competitivi a causa della loro alta densità di dati, rendendoli robusti nonostante le loro dimensioni. Questo spostamento verso modelli compatibili ma potenti si allinea con i vantaggi strategici che aziende come Microsoft e Google detengono: l’accesso a enormi e diversificati set di dati attraverso piattaforme come Bing e Google Search.

Questa dinamica rivela due “guerre” critiche in corso nello sviluppo dell’intelligenza artificiale: una sulla potenza di calcolo e l’altra sulla densità dei dati. Mentre le risorse computazionali sono essenziali per spingere i confini, la densità dei dati sta diventando altrettanto – se non più – critica. Le aziende con accesso a vasti set di dati sono uniche nel loro potenziale per addestrare modelli più piccoli con un’efficienza e una robustezza senza pari, consolidando il loro dominio nel paesaggio dell’intelligenza artificiale in evoluzione.

Chi Vincerà la Guerra dell’Intelligenza Artificiale?

In questo contesto, tutti si chiedono chi nel paesaggio attuale dell’intelligenza artificiale sia meglio posizionato per uscire vincitore. Ecco qualcosa su cui riflettere.

Le grandi aziende tecnologiche hanno pre-acquistato interi cluster di GPU prima ancora della loro costruzione, creando un ambiente di scarsità per i giocatori più piccoli. L’ordine di Oracle per oltre 100.000 GPU e mosse simili da Meta e Microsoft esemplificano questa tendenza.

Avendo investito centinaia di miliardi in iniziative di intelligenza artificiale, queste aziende richiedono migliaia di ingegneri e ricercatori di intelligenza artificiale specializzati. Ciò crea una domanda senza precedenti di talenti che può essere soddisfatta solo attraverso acquisizioni strategiche – probabilmente portando a molte startup che verranno assorbite nei prossimi mesi.

Mentre il 2025 sarà speso in ricerca e sviluppo su larga scala e costruzione di infrastrutture per tali attori, entro il 2026 saranno in una posizione per colpire come mai prima d’ora grazie a risorse senza pari.

Ciò non significa che le aziende di intelligenza artificiale più piccole siano condannate – lungi da ciò. Il settore continuerà a innovare e a creare valore. Alcune innovazioni chiave nel settore, come gli LCM, saranno probabilmente guidate da attori emergenti più piccoli nel prossimo anno, insieme a Meta, Google/Alphabet (GOOG ) e OpenAI con Anthropic, che stanno tutti lavorando a progetti emozionanti al momento.

Tuttavia, è probabile che vedremo una ristrutturazione fondamentale di come le aziende di intelligenza artificiale sono finanziate e valutate. Mentre il capitale di rischio diventa più selettivo, le aziende dovranno dimostrare percorsi chiari verso un’economia sostenibile – una sfida particolare per le aziende open-source che competono con alternative proprietarie ben risorse.

Per le aziende di intelligenza artificiale open-source in particolare, il percorso in avanti potrebbe richiedere di concentrarsi su applicazioni verticali specifiche in cui la loro trasparenza e le loro capacità di personalizzazione offrono vantaggi chiari rispetto alle soluzioni proprietarie.