Il passaggio da ChatGPT ai robot umanoidi dipende da uno dei fattori decisivi, ma meno discussi, dell’intelligenza artificiale: la qualità dei dati con cui alimentiamo questi sistemi affinché imparino. Finora, l’industria dell’AI ha funzionato sull’idea che più dati significhino modelli più intelligenti. Questo approccio ha funzionato molto bene quando i ricercatori potevano semplicemente “aspirare” internet per addestrare i modelli linguistici. Ma ora siamo alle porte della prossima frontiera dell’AI, l’AI fisica e i cosiddetti world models, sistemi destinati a imparare e operare nel mondo reale. Pensiamo alle capacità necessarie per guidare nel traffico, piegare il bucato o assistere in interventi chirurgici complessi. Tutte attività che richiedono qualcosa che non si può semplicemente scaricare: servono dati ricchi e multidimensionali da cui questi modelli possano apprendere.
Sta emergendo una potenziale crisi che potrebbe avere conseguenze rilevanti per l’intero sviluppo dell’intelligenza artificiale. Se non riusciremo a limitare l’eccesso di “junk data”, dati inutili che non contribuiscono al miglioramento dei modelli, la promessa dell’AI fisica e dei world models potrebbe non realizzarsi mai pienamente.
Una parte importante del problema è la crescente fame di dati per alimentare modelli sempre più avanzati. Le aziende di AI sono affamate di dati, e questo ha dato vita a una nuova ondata di start-up da miliardi di dollari specializzate nella fornitura di dati, come Scale AI, Surge AI e Mercor. Tuttavia, per soddisfare questa domanda insaziabile, è stata prodotta una grande quantità di dati inutili che non fanno progredire realmente i modelli.
I dati inutili sono più facili da generare, ma quelli necessari per l’AI fisica e i world models richiedono molto più tempo e impegno. Il mondo reale è estremamente complesso e addestrare modelli capaci di comprenderlo richiede enormi quantità di dati difficili da ottenere. Gli ingegneri ricorrono spesso a simulazioni, che implicano ore e ore di ricostruzioni virtuali di scenari reali per generare i dati necessari ad addestrare robot e auto a guida autonoma. Quando i modelli utilizzano dati inutili, le prestazioni peggiorano, i tempi di sviluppo si allungano e aumentano i rischi di risultati imprevedibili.
Ad esempio, per essere considerata sicura, un’auto completamente autonoma deve essere in grado di gestire tutte le variabili impreviste della guida reale, come un veicolo contromano o un forte riflesso di luce che impedisce di vedere un bambino che attraversa la strada. I dati inutili rendono ancora più difficile per questi sistemi distinguere ciò che è normale da ciò che è possibile.
Il problema dei dati inutili sta già emergendo. OpenAI ha dismesso la sua app video basata su AI, Sora, riassegnando il team ad altri progetti. Alla base c’era proprio un problema di qualità dei dati: il modello non aveva una comprensione sufficiente della fisica per produrre risultati realistici.
Per sfruttare appieno il potenziale dell’intelligenza artificiale, le squadre di machine learning devono dotarsi di strumenti e processi per eliminare i dati inutili. Devono investire in tecnologie capaci di analizzare, pulire, normalizzare e correggere i dati di addestramento. Separare le informazioni utili da quelle inutili è fondamentale per allenare modelli davvero efficaci.
L’idea che fornire sempre più dati ai sistemi di AI li renda automaticamente più intelligenti si è rivelata corretta fino a un certo punto. Oggi il vero limite è la qualità dei dati. Le aziende e i centri di ricerca che lo capiranno per primi, saranno quelli che riusciranno a costruire sistemi di intelligenza artificiale davvero funzionanti nel mondo reale.
Le opinioni espresse negli articoli di commento su Fortune.com sono esclusivamente quelle degli autori e non riflettono necessariamente le opinioni e le posizioni di Fortune.
Questo articolo è stato pubblicato su Fortune.com.
