La Boom dell’Intelligenza Artificiale Non è Fallita, ma l’Elaborazione dell’IA Sta Cambiando

Non avere paura degli orsi dell’IA. Stanno chiedendosi ad alta voce se il grande boom negli investimenti in IA sia già arrivato e se la spesa per enormi sistemi di formazione dell’IA alimentati da molteplici GPU ad alte prestazioni si sia esaurita, e se le aspettative per l’era dell’IA dovrebbero essere drasticamente ridotte.

Ma se si guarda più da vicino ai piani dei principali hyperscaler, gli investimenti in IA sono vivi e vegeti. Meta, Amazon (AMZN ), Microsoft (MSFT ) e Google hanno tutti recentemente raddoppiato gli investimenti nella tecnologia dell’IA. Il loro impegno collettivo per il 2025 ammonta a oltre 300 miliardi di dollari, secondo un recente articolo del Financial Times. Il CEO di Microsoft, Satya Nadella, ha detto che Microsoft potrebbe spendere 80 miliardi di dollari solo in IA quest’anno. Il fondatore e CEO di Meta, Mark Zuckerberg, ha detto su Facebook: “Stiamo pianificando di investire 60-65 miliardi di dollari in capex quest’anno, mentre anche aumentiamo notevolmente i nostri team di IA, e abbiamo il capitale per continuare a investire negli anni a venire”.

Questo non è il suono di un boom dell’IA che fallisce, ma c’è stata una crescente inquietudine su quanto denaro viene speso per abilitare le applicazioni dell’IA. Dopo almeno due anni di giganti della tecnologia che dicevano di vedere una chiara domanda di più potenza di calcolo per aiutare a formare grandi modelli di IA, il 2025 è iniziato con le stesse aziende che vengono chiamate a rispondere quotidianamente dai media aziendali per aver costruito così tanta iperbole sull’IA.

Perché c’è stato un tale improvviso passaggio dalla speranza alla preoccupazione? La risposta può essere trovata in parte nella rapida ascesa di una nuova applicazione dell’IA dalla Cina. Ma per capire completamente cosa sta realmente accadendo e cosa significhi per gli investimenti e i programmi tecnologici dell’IA nei prossimi anni, dobbiamo riconoscere che l’era dell’IA sta entrando in una nuova fase della sua evoluzione.

Ricerca della Verità

Ormai, il mondo conosce tutto su DeepSeek, l’azienda cinese di IA che sostiene di aver utilizzato motori di inferenza e ragionamento statistico per formare grandi modelli linguistici in modo molto più efficiente e a minor costo rispetto ad altre aziende.

In particolare, DeepSeek ha affermato che le sue tecniche hanno richiesto molti meno GPU (solo 2.048 GPU) e GPU meno potenti (Nvidia (NVDA ) H800) rispetto ai centinaia di migliaia di GPU ad alte prestazioni (come le Nvidia H100) che alcune aziende hyperscale hanno richiesto per formare i loro modelli. In termini di risparmio di costo, mentre OpenAI ha speso miliardi di dollari per formare ChatGPT, DeepSeek avrebbe speso solo 6,5 milioni di dollari per formare il suo modello R1.

È stato notato che molti esperti hanno messo in dubbio le affermazioni di spesa di DeepSeek, ma il danno era già stato fatto, poiché la notizia dei suoi metodi diversi ha causato un forte calo del valore azionario degli hyperscaler e delle aziende le cui GPU hanno speso miliardi per formare i loro modelli di IA.

Tuttavia, alcuni punti importanti sono stati persi nel caos. Uno era la comprensione che DeepSeek non ha “inventato” un nuovo modo di lavorare con l’IA. Il secondo è che gran parte dell’ecosistema dell’IA era già consapevole di un imminente cambiamento in come i dollari di investimento in IA devono essere spesi e come l’IA stessa verrà utilizzata nei prossimi anni.

Riguardo ai metodi di DeepSeek, l’idea di utilizzare motori di inferenza dell’IA e ragionamento statistico non è nuova. L’uso del ragionamento statistico è un aspetto del concetto più ampio di ragionamento del modello di inferenza, che coinvolge l’IA in grado di trarre inferenze basate sul riconoscimento di pattern. Ciò è essenzialmente simile alla capacità umana di imparare diversi modi di affrontare un problema e confrontarli per trovare la soluzione migliore. Il ragionamento del modello di inferenza può essere utilizzato oggi e non è esclusivo di una startup cinese.

Nel frattempo, l’ecosistema dell’IA da tempo già stava anticipando un cambiamento fondamentale in come lavoriamo con l’IA e le risorse di calcolo richieste. I primi anni dell’era dell’IA sono stati tutti sulla grande impresa di formare grandi modelli di IA su grandi set di dati, tutti i quali richiedevano molta elaborazione, calcoli complessi, regolazioni dei pesi e affidamento sulla memoria. Dopo che i modelli di IA sono stati formati, le cose cambiano. L’IA può utilizzare l’inferenza per applicare tutto ciò che ha imparato a nuovi set di dati, compiti e problemi. L’inferenza, come un processo meno intensivo dal punto di vista computazionale rispetto alla formazione, non richiede così tante GPU o altre risorse di calcolo.

La verità ultima su DeepSeek è che, se i suoi metodi non hanno sorpreso molti di noi nell’ecosistema dell’IA quanto hanno sorpreso gli investitori del mercato azionario occasionalmente interessati, ha comunque evidenziato uno dei modi in cui l’inferenza sarà fondamentale per la prossima fase dell’evoluzione dell’IA.

IA: La Prossima Generazione

La promessa e il potenziale dell’IA non sono cambiati. Gli investimenti massicci e continui in IA da parte dei principali hyperscaler mostrano la fiducia che hanno nel valore che possono sbloccare dall’IA, nonché nei modi in cui l’IA può cambiare come lavorano quasi tutte le industrie e come la maggior parte delle persone svolge la propria vita quotidiana.

Ciò che è cambiato per quegli hyperscaler è come quei dollari saranno probabilmente spesi. Nei primi anni dell’era dell’IA, la maggior parte degli investimenti è stata necessariamente sulla formazione. Se pensiamo all’IA come a un bambino, con una mente ancora in sviluppo, abbiamo speso molto denaro per mandarlo alle migliori scuole e università. Ora, quel bambino è un adulto istruito – e deve trovare un lavoro per sostentarsi. In termini reali, abbiamo investito molto nella formazione dell’IA e ora dobbiamo vedere il ritorno su quell’investimento utilizzando l’IA per generare nuovi ricavi.

Per ottenere questo ritorno sull’investimento, l’IA deve diventare più efficiente e meno costosa per aiutare le aziende a massimizzare il suo appeal di mercato e la sua utilità per quante più applicazioni possibile. I servizi più lucrativi saranno quelli autonomi che non richiedono monitoraggio e gestione umana.

Per molte aziende, ciò significa sfruttare tecniche di calcolo dell’IA efficienti in termini di risorse, come il ragionamento del modello di inferenza, per abilitare in modo rapido e conveniente le comunicazioni autonomous tra macchine. Ad esempio, nell’industria wireless, l’IA può essere utilizzata per analizzare in modo autonomo i dati in tempo reale sull’utilizzo dello spettro su una rete mobile per ottimizzare l’utilizzo del canale e mitigare l’interferenza tra gli utenti, il che consente a un operatore mobile di supportare una condivisione dello spettro più dinamica in tutta la sua rete. Questo tipo di comunicazione più efficiente e autonoma dell’IA sarà la caratteristica dell’IA della prossima generazione.

Come è stato il caso di ogni altra grande era del calcolo, l’elaborazione dell’IA continua a evolversi. Se la storia del calcolo ci ha insegnato qualcosa, è che la nuova tecnologia richiede sempre molti investimenti iniziali, ma i costi scenderanno e l’efficienza aumenterà man mano che inizieremo a sfruttare tecniche migliorate e migliori prassi per creare prodotti e servizi più benefici e accessibili per i mercati più grandi possibili. L’innovazione trova sempre una via.

Il settore dell’IA potrebbe essere sembrato recentemente subire un passo indietro se ascoltiamo gli orsi dell’IA, ma i dollari che gli hyperscaler pianificano di spendere quest’anno e l’utilizzo crescente di tecniche basate sull’inferenza raccontano una storia diversa: l’elaborazione dell’IA sta cambiando, ma la promessa dell’IA è ancora intatta.

L’ovazione trova sempre una via. Il settore dell’IA potrebbe essere sembrato recentemente subire un passo indietro se ascoltiamo gli orsi dell’IA, ma i dollari che gli hyperscaler pianificano di spendere quest’anno e l’utilizzo crescente di tecniche basate sull’inferenza raccontano una storia diversa: l’elaborazione dell’IA sta cambiando, ma la promessa dell’IA è ancora intatta.