Il caso economico dell’intelligenza artificiale generativa e dei modelli di base

Jul 05, 2023

L’intelligenza artificiale è stata un punto fermo nell’informatica fin dagli anni ’50. Nel corso degli anni, ha anche fruttato molti soldi alle aziende in grado di implementarlo in modo efficace. Tuttavia, come abbiamo spiegato in un recente editoriale per il Wall Street Journal – che è un buon punto di partenza per l’argomentazione più dettagliata che svilupperemo qui – la maggior parte di questi guadagni sono andati ai grandi fornitori storici (come Google o Meta) piuttosto che ai grandi fornitori storici (come Google o Meta). che alle startup. Fino a poco tempo fa – con l’avvento dell’intelligenza artificiale generativa e tutto ciò che essa comprende – non abbiamo visto aziende basate sull’intelligenza artificiale che minacciassero seriamente i profitti dei loro concorrenti più grandi e affermati attraverso la concorrenza diretta o comportamenti completamente nuovi che rendessero obsoleti quelli vecchi.

Con le applicazioni di intelligenza artificiale generativa e i modelli di base (o modelli di frontiera), tuttavia, le cose sembrano molto diverse. Performance e adozione incredibili, combinate con un ritmo vertiginoso di innovazione, suggeriscono che potremmo essere agli inizi di un ciclo che trasformerà le nostre vite e la nostra economia a livelli mai visti dai tempi del microchip e di Internet.

Questo post esplora gli aspetti economici dell'intelligenza artificiale tradizionale e il motivo per cui in genere è difficile raggiungere la velocità di fuga per le startup che utilizzano l'intelligenza artificiale come elemento di differenziazione fondamentale (qualcosa di cui abbiamo scritto in passato). Successivamente spiega perché le applicazioni di intelligenza artificiale generativa e le grandi aziende modello base sembrano molto diverse e cosa ciò può significare per il nostro settore.

Storicamente il problema con l’intelligenza artificiale non è che non funzioni – ha prodotto a lungo risultati sconvolgenti – ma piuttosto che è stata resistente alla costruzione di modelli di business attraenti nei mercati privati. Osservando i fondamentali, non è difficile capire perché ottenere ottimi risultati economici dall’intelligenza artificiale sia stato difficile per le startup.

Molti prodotti di intelligenza artificiale devono garantire un’elevata precisione anche in situazioni rare, spesso definite “la coda”. E spesso, anche se una determinata situazione può essere rara di per sé, tendono ad esserci molte situazioni rare nel loro insieme. Ciò è importante perché man mano che i casi diventano più rari, il livello di investimento necessario per gestirli può salire alle stelle. Queste possono essere economie di scala perverse da razionalizzare per le startup.

Ad esempio, potrebbe essere necessario un investimento di 20 milioni di dollari per costruire un robot in grado di raccogliere ciliegie con una precisione dell’80%, ma l’investimento richiesto potrebbe aumentare fino a 200 milioni di dollari se è necessaria una precisione del 90%. Raggiungere una precisione del 95% potrebbe richiedere 1 miliardo di dollari. Non solo si tratta di un sacco di investimenti iniziali per ottenere livelli adeguati di precisione senza fare troppo affidamento sugli esseri umani (altrimenti, qual è il punto?), ma si traduce anche in una diminuzione dei rendimenti marginali sul capitale investito. Oltre all’enorme quantità di dollari che potrebbe essere necessaria per raggiungere e mantenere il livello di precisione desiderato, il costo crescente del progresso può fungere da anti-fossato per i leader: bruciano denaro in ricerca e sviluppo mentre i follower veloci fanno tesoro delle loro conoscenze. e colmare il divario per una frazione del costo.

Molti dei tradizionali ambiti problematici dell’intelligenza artificiale non sono particolarmente tolleranti nei confronti delle risposte sbagliate. Ad esempio, i bot per il successo dei clienti non dovrebbero mai offrire una cattiva guida, il riconoscimento ottico dei caratteri (OCR) per i depositi di assegni non dovrebbe mai interpretare erroneamente i conti bancari e (ovviamente) i veicoli autonomi non dovrebbero fare molte cose illegali o pericolose. Sebbene l’intelligenza artificiale abbia dimostrato di essere più precisa degli esseri umani per alcuni compiti ben definiti, gli esseri umani spesso ottengono risultati migliori per i problemi a coda lunga in cui il contesto conta. Pertanto, le soluzioni basate sull’intelligenza artificiale spesso utilizzano ancora gli esseri umani nel ciclo per garantire la precisione, una situazione che può essere difficile da scalare e spesso diventa un costo oneroso che grava sui margini lordi.

Il corpo e il cervello umani costituiscono una macchina analogica che si è evoluta nel corso di centinaia di milioni di anni per navigare nel mondo fisico. Consuma circa 150 watt di energia, funziona con una ciotola di porridge, è abbastanza bravo ad affrontare i problemi della coda e il salario medio globale è di circa 5 dollari l'ora. Per alcuni compiti in alcune parti del mondo, il salario medio è inferiore a un dollaro al giorno.