Il modello R1 di DeepSeek: un utile promemoria

COME educatore universitario e veterano dell’industria IT, trovo che l’iperiallarmismo intorno al modello R1 di DeepSeek della Cina sia un utile promemoria di tre cose.

La prima è che l’intelligenza artificiale generativa non è più solo questione di elaborare grandi quantità di contenuti per generare risposte pertinenti a prompt; si tratta anche di ragionamento cognitivo (il “R” in R1).

La promessa dei modelli linguistici di grandi dimensioni (LLM) è che la capacità di recupero delle conoscenze e l’elaborazione cognitiva – un tempo appannaggio esclusivo di cervelli eccezionali con supercomputer – sono ora a disposizione di quasi tutti. Grazie a una nuova generazione di tecniche di efficienza, esistono modelli abbastanza piccoli da poter essere eseguiti su un laptop convenzionale che possono supportare più agenti intelligenti in grado di eseguire autonomamente compiti interattivi complessi.

In secondo luogo, la rivoluzione dell’intelligenza artificiale generativa è innanzitutto questione di innovazione e creatività; non si tratta solo di una corsa agli armamenti per il hardware più potente, le dimensioni dei set di dati di addestramento o il numero di parametri del modello. L’adozione di successo di queste tecnologie non sarà determinata dalle grandi aziende tecnologiche con supercomputer che consumano molta energia e addestrano modelli da miliardi di dollari, ma dai paesi e dalle organizzazioni che investono nel capitale umano per prepararli a questa nuova ondata.

Terzo, e in base a questo ultimo punto, l’America non sembra essere ben posizionata per i drammatici cambiamenti che stanno per arrivare nella nostra economia e società. Citerò due esempi: l’istruzione superiore e l’America aziendale.

Istruzione superiore

Nella maggior parte delle istituzioni di istruzione superiore, la prima grande decisione di un undergraduate è decidere se perseguire un Bachelor of Arts (BA) diploma, che è associato a un’istruzione più ampia e interdisciplinare, o un Bachelor of Science (BS) diploma, che è più focalizzato sullo sviluppo di competenze e sull’esperienza pratica in campi specifici.

Nell’era dell’AI, questa è una dicotomia ormai superata, poiché entrambi i tipi di discipline stanno diventando essenziali nel luogo di lavoro.

I fatti sono che la maggior parte degli studenti del primo anno non ha nemmeno lontanamente la conoscenza o l’idea di cosa significhi lavorare in diversi tipi di lavoro, o anche le relative forze e debolezze delle loro capacità, talenti, competenze e attitudini. Eppure, la maggior parte degli studenti del primo anno è tenuta a dichiarare una specializzazione, che sarà una decisione facile solo per quel piccolo percentuale che (per meglio o per peggio) sa (o almeno pensa di sapere) quale campo vuole perseguire: ingegneria, scienza, medicina, legge, ecc.

Abbiamo bisogno di un approccio molto diverso, pronto per la carriera, più ampio e interdisciplinare all’istruzione superiore che riconosca che il primo lavoro a tempo pieno di un laureato potrebbe non avere nulla a che fare con il diploma che ha conseguito o con la sua specializzazione; che la sua esperienza universitaria rappresenterà solo la prima tappa in un percorso di apprendimento continuo – miglioramento delle competenze, certificazione, reinvenzione, cambio di carriera – per ruoli che non possiamo nemmeno immaginare ora.

Inoltre, come educatori, dobbiamo sviluppare nuove strategie per gestire il plagio dell’AI e navigare i pericoli dei bot di chat che diventano scorciatoie cognitive, o “scarico cognitivo” – la tendenza a fare affidamento su strumenti esterni piuttosto che sviluppare capacità interne.

Nell’era in cui la conoscenza è separata dalla comprensione, c’è solo troppa tentazione di semplicemente richiedere all’AI una risposta o soluzione immediata invece di lottare per capire un concetto o risolvere un problema.

Azienda IT

La maggior parte delle aziende non sembra rendersi conto delle implicazioni organizzative di queste nuove tecnologie.

I ruoli e le strutture IT attuali riflettono le esigenze organizzative della precedente rivoluzione digitale. Queste funzioni sono sorte dalle competenze specializzate richieste agli esseri umani per utilizzare e interagire con i computer – programmazione, ingegneria dei dati, architettura dei computer, amministrazione della rete, sicurezza delle informazioni, ecc.

Al contrario, l’intelligenza artificiale generativa (e l’intero campo dell’elaborazione del linguaggio naturale che l’ha preceduta) riguarda la progettazione e l’addestramento di computer per interagire con esseri umani.

Di conseguenza, i dipendenti di livello inferiore stanno inventando modi geniali (e a volte pericolosi) per utilizzare queste tecnologie. Le organizzazioni stanno lottando per creare politiche, procedure e controlli funzionali per massimizzare i benefici di produttività potenziali e minimizzare i rischi.

Un problema chiave è che nella maggior parte delle aziende, l’esperienza nel campo della scienza dei dati tende a essere concentrata nei dipartimenti IT, la maggior parte dei quali opera ancora come gilde segrete con un linguaggio e pratiche misteriose che sono organizzativamente e funzionalmente isolate dalle unità aziendali core. Credo che la rivoluzione della produttività in arrivo richieda nuovi tipi di ruoli e strutture organizzative, in cui l’esperienza nel campo dei dati non è sequestrata in una funzione specializzata ma interconnessa con quasi ogni aspetto dell’operazione.

E c’è anche la sfida dei dati. Nella maggior parte delle organizzazioni, l’adozione dell’AI consiste nell’adattare i modelli LLM per eseguire casi d’uso specializzati utilizzando dati proprietari. Mentre gli utenti dei dati nelle linee di business desiderano dati completamente accurati, puliti e ben gestiti, i singoli proprietari dei dati nel reparto IT non hanno il budget, gli incentivi finanziari o l’autorità organizzativa per garantire questo livello di qualità e trasparenza.

Di conseguenza, i set di dati interni non sono gestiti o scoperti bene in tutta l’azienda. Di solito, tipi diversi di dati sono archiviati in luoghi diversi. In risposta alle richieste degli utenti aziendali, il reparto IT fornisce diverse visualizzazioni dei dati, crea diverse copie (e copie di copie) dei dati e crea esposizioni e astrazioni dei dati per vari motivi… A questo punto, nessuno sa quali versioni sono obsolete, incomplete, duplicate, inaccurate o nel loro contesto.

Conclusione

L’intelligenza artificiale generativa ha il potenziale per trasformare tutte le forme di lavoro della conoscenza. Al suo nucleo, questa tecnologia riguarda la democratizzazione dell’esperienza (per il bene e per il male) – disintermediando specialisti come codici, videographer, illustratori, scrittori, editor e quasi ogni tipo di lavoratore della conoscenza o “esperto”. Mai prima d’ora gli esseri umani hanno avuto a che fare con una tecnologia che rivaleggia con le loro stesse capacità di elaborazione e ragionamento cognitivo – solo la loro forza fisica, resistenza, precisione di destrezza e capacità di elaborare grandi volumi di dati.

Questa emozionante nuova rivoluzione della produttività richiede nuove competenze, capacità e strutture organizzative, in cui l’esperienza nel campo dei dati è integrata in quasi ogni tipo di processo aziendale.

L’ironia è che mentre le macchine raggiungono maggiori poteri analitici, lo stato e il valore di un dipendente in una gerarchia organizzativa potrebbero diventare meno una funzione di esperienza specializzata, esperienza e credenziali, e più delle loro capacità creative, multidisciplinari e interpersonali.

Il momento di sviluppare e investire in queste capacità è ora.