- 1 minuto fa
Categoria
📺
TVTrascrizione
00:05Musica
00:30Adesso entriamo davvero nel laboratorio della scienza, della ricerca per capire quanto c'è di concreto e quanto ancora di
00:38problematico davanti.
00:40Quali sono le sfide della ricerca insieme al professor Riccardo Zecchina, docente di Machine Learning e alla cattedra di Data
00:47Science Machine Learning all'Università Bocconi.
00:49Grazie di essere con noi, professor Zecchina, professore di fisica teorica. Io vorrei partire proprio da qui, professore, perché ci
00:57ha aiutato anche in questi anni, anche qui agli Stati Generali, a volte a demistificare un po' di senso comune
01:05sbagliato rispetto a quello che davvero si muove nel laboratorio oggi dell'intelligenza artificiale e a capire quali sono sì
01:13le opportunità, i progressi che si stanno facendo, ma anche i problemi aperti che voi vedete in particolare.
01:20I problemi sono tantissimi, ma partirei da un'osservazione di Lecun che dice la cosa seguente, il fatto di osservare
01:28che l'AI fa cose difficili
01:30Ian Lecun che era l'ex capo dell'AI di Meta adesso ha aperto una startup in Europa
01:35Per sviluppare modelli che sono alternativi ai language models, poi possiamo parlare del perché c'è bisogno di questi modelli.
01:41In ogni caso il fatto di vedere l'AI che fa cose particolarmente sofisticate non è un proxy per pensare
01:48che si è in grado di fare cose più semplici.
01:51Allora perché dico questo? Perché se dovessi dare un'immagine così visiva dell'AI immaginate che sia una grande nuvola
01:58di potenzialità e poi ci sono dei fulmini
02:01Questi fulmini sono le applicazioni verticali in cui sta facendo grossissimi progressi. Perché?
02:07Per un fatto tecnico, si chiama per esempio reinforcement learning by verifiable rewards. Cosa vuol dire?
02:14Ci sono dei settori in cui è possibile formulare ipotesi, avere la verifica della validità di qualche azione diciamo e
02:24quindi mettere in piedi una sorta di gioco tra l'AI e se stesso o qualche altra AI e progredire
02:32attraverso questi algoritmi di rinforzo.
02:34Ci sono settori in cui questo è spettacolare. Per esempio il coding, usare gli agenti cloud code per esempio è
02:42spettacolare.
02:43Nella matematica c'è un linguaggio opposto che si chiama Lean che serve per verificare teoremi.
02:49Unire AI e questo tipo di linguaggio permette di fare grossi progressi e così via.
02:56Però questo non è il trend generale perché questi stessi algoritmi di fronte a dei feedback che non sono certi
03:02non convergono così rapidamente.
03:04Quindi come dire ci sono molti molti problemi aperti a partire per esempio uno che potete vedere tutti è quello
03:10della robotica.
03:11Voi robot qui in giro non ne vedete perché è molto difficile avere una rappresentazione del mondo esterno in cui
03:18prendere azioni.
03:19Questo pomeriggio in realtà abbiamo aperto con un quadrupede con le ruote che però è uno di quei robot che
03:24vanno a fare ispezioni dentro i luoghi di lavoro per fare indagini.
03:28Che sono comunque strumenti di lavoro direttamente. Non sono i robot che fanno le capriole per capirsi.
03:33Sì ma non fanno neanche il caffè.
03:34Ecco esatto.
03:35Non sanno fare proprio niente.
03:36Quando tu vedi i robot cinesi che al capodanno cinese fanno quegli show spettacolari e mirabolanti.
03:42Significa che i robot poi possono starci accanto e fare di tutto?
03:46No, no, no, assolutamente no. Ripeto, avere un'intelligenza artificiale in grado di fare planning in un mondo reale è
03:54una cosa fuori dalla portata dell'AI attuale.
03:57Mi dispiace, lo so che vengono presentati i robot, adesso io non c'ero quindi non voglio dire cose, però
04:03di fatto il 99,9% dei robot che vedete nei video eccetera sono capaci di fare una cosa e
04:09neanche tanto bene.
04:10Quindi diciamo quello è un problema aperto che riflette un limite dell'AI attuale che è quella diciamo del tipo
04:18di apprendimento che si fa con il language model ovvero leggendo terabyte di testo che noi non siamo in grado
04:24di leggere assolutamente e cercando di indovinare la parola successiva in una frase.
04:29Ecco, leggere in questo modo il testo permette di sostanzialmente estrarre informazioni a partire dalla semantica del prompt che è
04:39una cosa straordinaria.
04:41Cioè una volta noi avevamo l'elenco telefonico che in base all'ordine alfabetico ci permetteva di estrarre il numero
04:45di rifiuti da persona.
04:46Ora, partendo dal contenuto di una frase siamo in grado di andare a scavare e estrarre informazioni molto rilevante, informazioni
04:53anche relative al mondo e così via.
04:54Però da lì a essere in grado di fare planning, di fare reasoning eccetera ci passa ancora tantissimo.
05:00Ma questo vale anche per gli agenti, l'intelligenza artificiale agentica?
05:04Allora, gli agenti diciamo in prima approssimazione sono un loop in cui c'è un programma che decide di prendere
05:11delle azioni in terra con un LLM e si comporta di conseguenza.
05:14C'è la possibilità di intervenire sul vostro computer, sul web, fare azioni.
05:19Ma non c'è una forma di intelligenza diversa da quella degli LLM.
05:23Il punto è chiedersi ma in prospettiva l'informazione accumulata dagli agenti può servire per fare un training migliore?
05:30Ripeto, sì in quei settori dove è facile sostanzialmente simulare l'ambiente e avere delle risposte certe.
05:39Ma diciamo nel mondo reale, nel mondo complesso, sociale e così via è molto lento il progresso e non è
05:46neanche detto che ci si riesca attraverso questi modelli.
05:49Mi ricollego a quello che abbiamo detto all'inizio, ovvero a Lecun.
05:53Lecun ha aperto una start-up per sviluppare modelli che si chiamano World Model, di cui si parla da molti
05:59anni,
06:00che servono proprio, che sono alternativi agli LLM, ai diffusion model e così via, all'AI generativa attuale,
06:05proprio perché partono dall'idea di fare un planning, immaginare scenari e risolvere problemi nella rappresentazione interna del mondo esterno.
06:15Cosa che attualmente non si fa.
06:17Non si fa e peraltro il mondo degli esperti è molto diviso su questa prospettiva dei World Model.
06:21Alcuni dicono non saremo mai in grado di realizzarli, per altri invece è la strada giusta alternativa agli LLM.
06:26Ma allora, il punto è questo.
06:28Gli LLM sono molto potenti, abbiamo grandissime potenze di calcolo.
06:32Vorrei dire hanno grandissime potenze di calcolo.
06:34In Europa abbiamo poca roba, in Italia quasi zero.
06:37E' evidente che gli LLM possono evolvere in maniera molto impredicibile, sono molto potenti,
06:46quindi la capacità di aggiungere informazioni in maniera massiva è un processo complicato.
06:53Quindi è difficile dire che gli LLM non potranno evolvere e a un certo punto diventare utili per fare dei
07:02robot.
07:03E questo nessuno lo può dire in questo momento.
07:05E' certo che attualmente non sono in grado di farlo.
07:07Non sono in grado di farlo e il motivo è abbastanza evidente.
07:11Quando un LLM ragiona, immagina scenario, quando un diffusion model, che è quello per creare immagini,
07:17cerca di ragionare sulle immagini, crea per ogni snapshot del futuro tutti i dettagli dell'informazione.
07:25Non è in grado di fare una strazione che permette di fare il reasoning.
07:29E' proprio legato a tutti i dettagli, a tutti i pixel.
07:33E questo non scala, quindi è molto difficile fare del reasoning in questo modo.
07:37I world model partono da un'ipotesi diversa.
07:39Sul fatto che i world model non possano funzionare, non si può dire, perché noi siamo dei world model,
07:44noi come macchine biologiche.
07:46C'è un'altra cosa in conclusione che riguarda il modo in cui si fa ricerca oggi,
07:51perché si parla sempre di più di AI Research and Development Automation.
07:56E i salti qualitativi tra modelli, pensate a Codex 5.3 di OpenAI, pensate all'ultimo Opus,
08:03rispetto alle performance precedenti è molto significativo, anche e soprattutto perché questi sono i primi modelli
08:10che l'intelligenza artificiale ha aiutato a sviluppare direttamente.
08:14Come cambia anche il vostro modo di fare ricerca?
08:17Noi siamo scioccati ogni giorno, ma non perché l'AI diventi particolarmente intelligente,
08:23ma perché diventa particolarmente efficiente.
08:25Quindi adesso con gli agenti per fare coding uno si mette lì e sostanzialmente non deve quasi più scrivere
08:31una linea di codice e può fare grandi simulazioni e così via.
08:35Quindi allo stesso modo uno può utilizzare l'AI per progettare esperimenti, non so per esempio in biologia,
08:41per studiare farmaci o cose di questo genere, naturalmente si può usare per studiare esperimenti complessi,
08:47non particolarmente innovativi, però complessi che per degli umani possono essere complicati,
08:51si può fare della nuova matematica, si possono fare un sacco di cose.
08:56In tutto questo ambito bisogna anche capire le persone cosa fanno e come le formiamo,
09:01perché noi siamo di fronte a un dramma che è quello degli studenti e anche dei docenti.
09:06I docenti perché non riescono a correre dietro a quello che succede e gli studenti perché lo usano in maniera
09:11indiscriminata
09:12e le università, secondo me, stanno un pochettino avvallando l'uso di questi strumenti con troppa facilità,
09:20perché la situazione attuale è quella in cui gli studenti imparano usando un bignami in versione moderna,
09:26cioè chiedono all'AI di farti il riassuntino, imparano, se lo dimenticano e vanno avanti così.
09:30Questo è un disastro cognitivo che vale anche per i giovani che lavorano in aziende,
09:35che devono fare formazione.
09:37Ecco, su questo bisogna ragionare e riflettere ed è questo il motivo, dal mio punto di vista,
09:43per cui bisogna che in Europa ci sia più AI nel senso costruita da noi,
09:49regolamentata e costruita da noi, perché se noi regolamentiamo senza costruire
09:53siamo comunque soggetti ai trend statunitensi.
09:57L'alternativa al fatto di dirgli no, il bignami non lo usi, qual è?
10:02Per gli studenti e per la formazione, che è anche il vostro mestiere?
10:06Credo che nessuno abbia una risposta certa.
10:10Dobbiamo spiegare ai ragazzi che devono fare in una fase della loro vita uno sforzo di ragionamento fino in fondo.
10:16Il problema qual è? Che noi non sappiamo come funziona il nostro cervello.
10:19Paradossalmente capiamo meglio l'intelligenza artificiale del nostro cervello.
10:22Quindi capire come il nostro cervello possa reagire di fronte all'arrivo di questi alieni non è ovvio.
10:29Quindi sarà anche molto importante nel futuro sviluppare e investire sulle neuroscienze,
10:32perché a un certo punto bisogna la fare.
10:33Che stanno lavorando proprio sulla delega cognitiva e le conseguenze di questa delega cognitiva.
10:37Ai ragazzi bisogna spiegare che il metodo conta, ma i ragazzi lo capiscono.
10:41Però bisogna essere precisi, bisogna progettarlo, bisogna essere seri.
10:47Non si può essere, come dire, poco chiari.
10:52Questa è un'ottima indicazione un po' per tutti.
10:54Grazie ancora, professor Riccardo Zecchina dell'Università Bocconi, Machine Learning e Data Science.
11:00Grazie a tutti.
11:31Grazie a tutti.
Commenti