L'avvento di ChatGPT ha catalizzato l'attenzione globale sull'intelligenza artificiale (IA), spingendo il Senato francese a pubblicare un rapporto dettagliato per fare il punto sulla situazione e delineare le prospettive future di questa tecnologia trasformativa. Il documento si propone di comprendere le tecnologie di IA, analizzare le sue implicazioni politiche, economiche, sociali, culturali e scientifiche, e discutere la governance e la regolamentazione necessarie.

Comprendere le tecnologie di intelligenza artificiale

I. Storia della nozione di intelligenza artificiale

La storia dell'IA affonda le radici nella mitologia antica e nelle macchine calcolatrici, trovando un terreno fertile anche nella fantascienza. Dal punto di vista scientifico, il momento fondatore si situa nell'estate di Dartmouth del 1956, dove fu definita per la prima volta l'IA. Da allora, si sono alternati "primavere" e "inverni" dell'IA, periodi di euforia e delusioni. Il decennio del 2010, tuttavia, ha segnato un periodo di innovazioni e progressi spettacolari. Rimane aperta la questione della "frontiera" dell'IA, con alcuni che sostengono che "l'intelligenza artificiale non esiste" nel senso umano del termine.

II. La summa divisio dell'IA: intelligenza artificiale simbolica e intelligenza artificiale connessionista

L'IA si divide fondamentalmente in due grandi approcci:

  • L'intelligenza artificiale simbolica:
    • Principi generali: Si basa sulla manipolazione di simboli e regole logiche predefinite per rappresentare la conoscenza e risolvere problemi.
    • Illustrazioni: Esempi includono sistemi esperti e motori di ricerca che utilizzano grammatiche formali.
    • Limiti: Presenta limiti semiotici che la allontanano da una vera intelligenza, essendo vincolata a domini di conoscenza esplicitamente codificati.
  • L'intelligenza artificiale connessionista:
    • Quadro e definizione: Spesso definita come "superstatistiche", si basa sull'apprendimento da grandi quantità di dati.
    • Origine dei sistemi: Alla base vi sono i classificatori lineari.
    • Pietra angolare teorica: Il teorema di approssimazione universale è il fondamento teorico che permette a queste reti di modellare qualsiasi funzione.
    • I reti di neuroni artificiali e il Deep Learning:
      • Le prime teorie emersero negli anni '40.
      • I primi percettroni, suddivisi in percettroni monocampo e percettroni multistrato (MLP) con reti neurali a propagazione diretta (FNN).
      • La retropropagazione del gradiente (Back-propagation) ha rivoluzionato l'allenamento delle reti.
      • Successivamente, si sono sviluppati i reti neurali convoluzionali (CNN), i reti neurali ricorrenti (RNN) e i reti neurali a memoria a breve e lungo termine (LSTM).
    • Altri sistemi di apprendimento:
      • Le macchine a vettori di supporto (SVM).
      • I modelli markoviani o "catene di Markov".
      • Il contributo dei reti bayesiani all'IA.
      • L'apporto della "regolarizzazione statistica" di Vapnik.

III. Le IA generativa: principale innovazione tecnologica dal 2017

Le IA generative rappresentano la maggiore innovazione dal 2017. Le principali avanzate nella generazione di contenuto includono:

  • La tecnologia Transformer (2017, "Attention is all you need"):
    • Tokenizzazione: Suddividere le parole in unità più piccole.
    • Immergimento lessicale: Vectorizzare i token per rappresentare il loro significato.
    • Meccanismo di attenzione: Integrare il contesto per migliorare la comprensione.
    • Apprendimento auto-supervisionato: Utilizzo di dati sintetici per l'addestramento.
  • Distinguer i "modelli di fondazione" dai sistemi di IA:
    • Nozione di "modello di fondazione": Grandi modelli pre-addestrati su vasti dataset, con ambiguità nella loro definizione.
    • "Fine-tuning": L'adattamento di un modello di fondazione a specifiche applicazioni.
    • Perché le IA diventano "woke": Riferimento ai bias etici e politici presenti nei dati di addestramento.
  • Altre innovazioni recenti:
    • Generazione per diffusione: Innovazione all'avanguardia per la creazione di contenuti visivi.
    • Autoencoder variazionali (VAE): Generano contenuto con reti neurali convoluzionali.
    • Reti generative antagoniste (GAN).
    • L'ultima innovazione del 2024: L'architettura Mamba e la sua associazione con un Transformer nel modello Jamba.

IV. Le grandi questioni tecnologiche e le possibili evoluzioni future

L'IA presenta ancora significative problematiche tecnologiche:

  • L'IA "scatola nera": La doppia sfida dell'esplicabilità, rendendo difficile comprendere come le decisioni vengano prese.
  • Biais a più livelli: Dati reali o sintetici, e scelte di programmazione, possono introdurre distorsioni.
  • Errori gravi o "allucinazioni": La tendenza dell'IA a generare informazioni false ma plausibili.

Le tendenze della ricerca e le principali prospettive tecnologiche mirano a superare queste sfide:

  • Meno allucinazioni: Tramite la "Retrieval Augmented Generation" (RAG) con i "Retrieval Augmented Transformers" (RAT).
  • IA generative multimodali: Manipolare dati di varia natura (testo, immagine, audio) in entrata e uscita.
  • IA come interfacce: Trasformare i sistemi di IA nelle principali piattaforme di accesso ai servizi digitali.
  • Maggiore autonomia: La sfida dell'agentività, ovvero la capacità di agire in modo indipendente.
  • IA frugale ed efficiente: Fare di più con meno risorse.
  • Metodo "Mixture of Experts" (MoE): Un esempio di IA più efficiente.

In sintesi, le tecnologie di IA sono spesso incastrate e coniugate. I "Trees of Thought" (ToT) rappresentano un'IA "simbolico-connessionista", evidenziando la fertilità delle ibridazioni tra IA simbolica e connessionista, essenziale per dotare questi sistemi di una rappresentazione del mondo reale. La varietà dei domini dell'IA è in continua espansione.

V. Il grande mercato dell'IA: una catena del valore estesa

La catena del valore dell'IA è complessa e si estende dal silicio alle applicazioni, spesso semplificata in quattro fasi, ma in realtà composta da una decina di passaggi:

  • A monte: Dal silicio ai microprocessori.
  • Infrastrutture: Lo strato multiforme delle infrastrutture computazionali.
  • Definizione dei modelli: Dall'architettura alla regolazione fine.
  • A valle: Le applicazioni finali per gli utenti.

Il mercato vede una chiara dominazione dell'IA generativa da parte delle Big Tech americane, con un mercato dei grandi modelli di linguaggio (LLM) in rapida evoluzione. Esistono anche altri modelli di IA generativa e si pone la questione dei modelli più o meno aperti, inclusi quelli open source.

Gli effetti dell'intelligenza artificiale

I. Problematiche politiche preoccupanti nell'era dell'IA generativa

L'IA generativa solleva questioni politiche di rilievo:

  • Sovranità minacciata: Gli scenari geopolitici della catena del valore dell'IA mostrano come l'IA sia primariamente americana, sollevando il timore che Francia ed Europa siano "colonie digitali" e abbiano già perso la corsa globale all'IA. Tuttavia, la sovranità francese può ancora essere difesa come potenza intermedia.
  • Rischi di manipolazione politica e destabilizzazione:
    • Disinformazione "al quadrato".
    • Deepfake realistici.
    • Cybersicurezza e rischio di attacchi su larga scala.
    Per contrastare questi nuovi rischi, è fondamentale identificare la tipologia degli usi malevoli dell'IA generativa e sviluppare strategie di risposta adeguate.
  • Singolarità e rischio esistenziale:
    • L'intelligenza artificiale generale (IAG) e la Singolarità: la prospettiva di un'IAG rende la singolarità e il rischio esistenziale meno probabili, ma l'ipotesi delle "scaling laws" e le crescenti capacità indicano evoluzioni costanti.
    • Le posizioni sul rischio esistenziale vanno dai "tecno-pessimisti" (IA come rischio esistenziale, chiedendo moratorie o il transumanesimo), ai "pessimisti moderati" (IA come minaccia, con soluzioni preventive), fino ai "tecno-ottimisti" (assenza di minaccia, sviluppo tranquillo con un inquadramento pragmatico).

II. Effetti globalmente positivi per la società, nonostante gli impatti economici

Nonostante le preoccupazioni, l'IA è generalmente considerata portatrice di effetti positivi per la società. Tuttavia, il testo originale si interrompe qui, suggerendo che un'analisi più approfondita degli impatti economici positivi e negativi, e forse di altri effetti sociali, culturali e scientifici, farebbe parte di una sezione più estesa del rapporto.