La prossima “exoluzione” dell’IA

Oggi, trovandoci sull’orlo di una linea di faglia tecnologica, osserviamo il viaggio dalle LLM (Large Language Model) agli agenti e, infine, all’IA agente e all’AGI (Artificial General Intelligence), e non si tratta solo di modelli più grandi o risposte più veloci. Si tratta anche di macchine che passano da assistenti passivi a collaboratori attivi e, forse, un giorno, pensatori indipendenti.

Tracciamo questo percorso e scopriamo cosa significa per il lavoro, l’esperienza e il ruolo degli esseri umani nel plasmare l’intelligenza del domani.

La differenza tra LLM, sistemi basati su agenti e IA agente

Per comprendere meglio la differenza, ecco un esempio. Se chiedo a un LLM qualcosa come: “Voglio viaggiare da Chicago ad Austin, guidare non più di quattro ore al giorno e fermarmi in luoghi panoramici”, un LLM regolare restituirà una risposta statica in formato testo basata sulla generazione del linguaggio. Probabilmente risponderà solo alla richiesta senza eseguire un’analisi approfondita.

Un agente classificherebbe invece la richiesta come relativa ai viaggi. Quindi, determinerebbe quali dati sono necessari: percorsi utilizzando servizi di mappatura, informazioni meteorologiche, costi del carburante, alberghi, ristoranti, ecc. Dopo di che, l’agente suddividerebbe la richiesta in sottocompiti e li instraderebbe a moduli o LLM specializzati addestrati su fonti rilevanti. Questo è l’orchestrazione e la coordinazione di più modelli e strumenti sotto una logica unificata.

Oggi, la maggior parte dei sistemi importanti come ChatGPT o Claude di Anthropic sono essenzialmente già agenti. Sebbene possa sembrare all’utente che stiano interagendo con un singolo modello, dietro le quinte c’è un’architettura complessa che coinvolge molti modelli e sistemi. Possono già gestire query complesse, ma le loro capacità sono per lo più limitate a fornire informazioni; non eseguono ancora azioni.

Un agente completamente autonomo è un sistema che raccoglie informazioni e può, ad esempio, prenotare indipendentemente un albergo, acquistare un biglietto o avviare un pagamento, a condizione di avere accesso ai relativi API o dati utente. Tali agenti sono attualmente in fase di sviluppo iniziale. A questo punto, sono più come semi-agenti, in grado di elaborare informazioni ma non ancora di eseguire azioni autonome.

Un’area di discussione interessante nella comunità di ricerca è l’IA agente. A differenza di un agente regolare, il cui comportamento è stato programmato dagli sviluppatori, l’IA agente è un sistema che decide autonomamente quali compiti eseguire, quali dati sono necessari e persino come continuare la propria formazione. Ciò va oltre l’esecuzione di istruzioni; implica prendere decisioni autonome. Tuttavia, l’IA agente rimane teorica a questo stadio; non esistono ancora sistemi del genere nella pratica.

AGI – il nuovo orizzonte. Ma è raggiungibile?

Meta ha investito in Scale AI tre mesi fa. L’obiettivo era unire le forze sul percorso verso la costruzione dell’AGI, l’Intelligenza Artificiale Generale, in grado di eseguire qualsiasi compito a livello umano o addirittura superarlo. Se l’AI di oggi è una rivoluzione tecnologica, l’AGI sarà una vera e propria mega rivoluzione; a volte la chiamo “exoluzione”, intendendo l'”esodo” dell’AI dalle ombre. Chi la raggiungerà per primo guadagnerà un vantaggio strategico globale.

Per quanto riguarda la vicinanza all’AGI reale, dipende molto da come la definiamo. Sono d’accordo con la visione di Ilya Sutskever: l’AGI è un sistema in grado di eseguire qualsiasi compito intellettuale che un essere umano possa eseguire. Non solo rispondere a domande, ma ragionare, prendere decisioni, generalizzare e interpretare attraverso domini. Il vero AGI è universale e non confinato a limiti di compito stretti.

Nessuno dei modelli attuali ha raggiunto quel livello. Ci stiamo muovendo in quella direzione, ma il vero AGI, nel senso teorico, non esiste ancora. E forse è meglio così. Siamo ancora in una fase di approssimazione e probabilmente rimarremo lì per un po’ di tempo.

La base dell’AGI sarà probabilmente un sistema basato su agenti. Non si baserà necessariamente su un singolo LLM, perché proprio come nessun essere umano, per quanto brillante, può padroneggiare tutti i domini della conoscenza e delle abilità, nessun LLM può gestire l’intero spettro dei compiti AGI da solo. Ciò di cui avremo bisogno è una sorta di “intelligenza collettiva”: un’architettura in grado di coordinare più modelli e componenti.

L’AGI probabilmente emergerà non semplicemente come un agente progettato dagli esseri umani, ma come un meta-agente. Sarà un sistema che è parzialmente sviluppato ed evolve con l’aiuto dell’AI stessa. Ciò è importante perché i sistemi progettati interamente dagli esseri umani possono portare limitazioni innate. Coinvolgere l’AI nel processo di progettazione potrebbe aiutare a superare queste limitazioni e rendere il sistema più adattivo.

L’AGI probabilmente non verrà da una specifica scoperta. Non particolarmente da LLM più grandi, agenti più intelligenti o architetture completamente nuove, ma piuttosto da una sintesi di tutti e tre. Probabilmente, qualcosa di fondamentalmente nuovo che trascende le categorie che utilizziamo attualmente.

“L’ultimo esame dell’umanità” e altri benchmark AGI

“L’ultimo esame dell’umanità” (HLE) è uno degli obiettivi più ambiziosi attualmente discussi nel contesto delle LLM, degli agenti e dell’AGI. In sostanza, è un test costituito da circa 2.500 domande che coprono un’ampia gamma di discipline accademiche – matematica, fisica, biologia, chimica, ingegneria, informatica e persino scacchi. L’idea è valutare se un sistema AI possa risolvere problemi a un livello che rifletta una vera comprensione umana.

I modelli linguistici attuali si eseguono molto male nell’HLE, spesso con un punteggio di accuratezza inferiore al 5%. Ciò è in netto contrasto con altri benchmark come MMLU o GPQA, dove i modelli raggiungono punteggi significativamente più alti. La difficoltà che i modelli hanno con l’HLE sottolinea quanto siano ancora lontani da una vera intelligenza generale.

È importante notare che una prestazione elevata su benchmark con dataset noti o ristretti non indica necessariamente la presenza di una vera intelligenza generale. Un modello può essere ottimizzato o “addestrato al test”, il che può gonfiare le sue apparenti capacità. Quindi, anche un punteggio perfetto nell’HLE non significherebbe che abbiamo raggiunto l’AGI; significherebbe solo che abbiamo superato un particolare test.

Cosa muove l’AGI

Sono completamente d’accordo che i pilastri fondamentali dell’AGI sono i dati, il calcolo e il talento. La situazione con il calcolo è chiara. I principali attori come Meta hanno cercato di produrre i propri chip, investendo miliardi nel processo di sviluppo dei chip. Ma le aziende si affidano ancora pesantemente ad altri chip e alla potenza di calcolo di altri giocatori come Nvidia, che non solo forniscono il necessario hardware, ma comprendono anche l’importanza di aumentare la produzione.

Ci sono più domande sui dati e sui talenti. Internet è esaurito – non c’è pezzo di testo creato dall’uomo da fonti aperte che non sia stato utilizzato per l’addestramento al momento. Il volume totale di informazioni che l’umanità ha prodotto finora si rivela sorprendentemente piccolo. È per questo che le aziende iniziano a collaborare attivamente con coloro che possono generare dati di alta qualità umana.

Automazione completa o uomo nel ciclo?

Un altro punto – il declino della domanda di annotazione manuale dei dati. Alcuni anni fa, l’industria stava scalando a pieno ritmo. Migliaia di annotatori sono stati assunti per soddisfare la fame delle pipeline AI. Oggi, gran parte di quel momentum si è spostato verso l’automazione. I modelli sono maturati e anche gli strumenti intorno a loro.

Prendiamo il riconoscimento facciale. Era uno dei principali driver del volume di annotazione delle immagini. Ma la categoria è in gran parte risolta ora. Modelli come YOLO, SAM e Samurai stanno rapidamente assorbendo il lavoro di routine. Questi sistemi comprimono settimane di sforzo manuale in minuti, spesso con una precisione sorprendente. Abbiamo anche implementato molti strumenti assistiti da ML nella nostra piattaforma proprietaria Keylabs. Ci aiuta davvero a ridurre il flusso di lavoro di routine.

Ma tutti questi modelli sono limitati dalla loro generalizzazione e sono adatti per automatizzare operazioni standard e uniformi. Casi complessi o unici richiedono ancora l’attenzione umana.

Stiamo passando dal vecchio paradigma in cui un annotatore era semplicemente una persona attenta ai dettagli che poteva riconoscere un oggetto o un’emozione. Nella nuova realtà, sono necessari professionisti: medici per annotare immagini mediche, programmatori per codificare, architetti per creare progetti, marketer per insight dei clienti e esperti militari per scenari di difesa.

Stiamo già vedendo casi reali, come piloti di caccia che annotano dati per l’AI e guadagnano 1.000 dollari all’ora per la loro esperienza. Perché tali specialisti sono rari e la loro conoscenza è critica per l’addestramento di AI ad alte prestazioni.

Il mondo sta cambiando: sempre più persone stanno diventando operatori e “addestratori” di intelligenza artificiale. L’altro giorno, ho ricevuto un messaggio su LinkedIn che mi chiedeva di controllare un set di dati per un’app AI progettata per i CEO. Nel futuro, uno di noi potrebbe ricevere un’offerta per lavorare come annotatore, non solo qualcuno che clicca sui pulsanti, ma un esperto la cui conoscenza plasma l’intelligenza del domani.

Già viviamo in questa nuova realtà, un mondo di etichettatura dei dati e addestramento dell’AI. Coloro che lo riconoscono e si adattano guadagneranno un vantaggio significativo.