Il costo della fede nell’AI: il pensiero di Karen Hao sull’era dell’AGI.
Sebbene Hao affermi che questa strada non fosse inevitabile e che esistano altre strade per ottenere progressi nell’IA, le aziende hanno scelto soluzioni più rapide. “È possibile sviluppare nuove tecniche negli algoritmi e migliorare quelli esistenti per ridurre il fabbisogno di dati e calcolo”, ha spiegato. Queste alternative richiederebbero un sacrificio in termini di velocità.
“Quando definisci la ricerca per costruire AGI benefica come una competizione in cui il vincitore prende tutto, come ha fatto OpenAI, allora la cosa più importante diventa la velocità”, ha continuato Hao. “La velocità prevale sull’efficienza, sulla sicurezza e sulla ricerca esplorativa.”
Per OpenAI, il modo migliore per garantire velocità era quello di utilizzare tecniche già esistenti e investire in un numero sempre maggiore di supercomputer e dati. Di conseguenza, l’industria dell’IA ha attratto la maggior parte dei migliori ricercatori a livello mondiale, portando usi e interpretazioni distorte nell’ambito della ricerca scientifica.
Le Conseguenze Economiche e Sociali
Gli investimenti nel settore sono stati e saranno astronomici. OpenAI prevede di bruciare oltre 115 miliardi di dollari di cassa entro il 2029, mentre Meta ha annunciato spese fino a 72 miliardi di dollari per sviluppare infrastrutture di IA. Google, dal canto suo, prevede di raggiungere spese per oltre 85 miliardi di dollari nel 2025, gran parte delle quali destinate ad espandere l’IA e l’infrastruttura cloud.
Il panorama si complica ulteriormente poiché i benefici sperati non si sono ancora materializzati, mentre i danni continuano a crescere. Questi includono perdita di posti di lavoro, concentrazione della ricchezza e chatbot di IA che alimentano deliri e psicosi. Hao ha documentato anche il lavoro di persone nei paesi in via di sviluppo, come Kenya e Venezuela, che hanno affrontato contenuti disturbanti a fronte di salari molto bassi, attorno a 1-2 dollari all’ora, in ruoli come moderazione dei contenuti e etichettatura dei dati.
Hao osserva che è un errore mettere in contrapposizione i progressi dell’IA rispetto ai danni attuali, specialmente quando si considerano alternative più benefiche. Ha citato AlphaFold di Google DeepMind, che è in grado di prevedere la struttura 3D delle proteine, con enormi vantaggi per la scoperta di farmaci e la comprensione delle malattie.
About The Author
