Investire nei risultati del Premio Nobel – Reti Neurali Artificiali, la Base dell’IA

Storia del Premio Nobel

Il Premio Nobel è il riconoscimento più prestigioso nel mondo scientifico. È stato creato secondo Il testamento del signor Alfred Nobel per assegnare un premio “a coloro che, durante l’anno precedente, hanno conferito il più grande beneficio all’umanità” in fisica, chimica, fisiologia o medicina, letteratura e pace.

Un sesto premio sarebbe stato creato in seguito per le scienze economiche dalla banca centrale svedese, ufficialmente chiamato Premio per le Scienze Economiche, spesso più noto come Premio Nobel per l’Economia.

La decisione su chi attribuire il premio spetta a diverse istituzioni accademiche svedesi.

Preoccupazioni sull’eredità

La decisione di creare il Premio Nobel arrivò ad Alfred Nobel dopo aver letto la propria necrologia, a seguito di un errore di un giornale francese che fraintese la notizia della morte di suo fratello. Intitolato “Il Mercante della Morte è Morto”, l’articolo francese colpì Nobel per la sua invenzione di esplosivi senza fumo, di cui la dinamite era la più famosa.

Le sue invenzioni furono molto influenti nella formazione della guerra moderna, e Nobel acquistò una massiccia acciaieria per trasformarla in un importante produttore di armamenti. Essendo prima chimico, ingegnere e inventore, Nobel si rese conto di non volere che la sua eredità fosse quella di un uomo ricordato per aver fatto una fortuna grazie alla guerra e alla morte di altri.

Premio Nobel

Al giorno d’oggi, la fortuna di Nobel è conservata in un fondo investito per generare reddito a finanziare la Fondazione Nobel e la medaglia verde placcata in oro, il diploma e il premio monetario di 11 milioni di SEK (circa 1 milione di $) attribuiti ai vincitori.

Fonte: Britannica

Spesso, il denaro del Premio Nobel è diviso tra diversi vincitori, specialmente nei campi scientifici dove è comune che 2 o 3 figure di spicco contribuiscano insieme o in parallelo a una scoperta rivoluzionaria.

Premio Nobel nell’Informatica?

Di solito, i Premi Nobel in Fisica sono attribuiti a scoperte sulla natura fondamentale dell’Universo, come buchi neri (2020) o esopianeti (2019). Può anche essere vinto per importanti progressi nelle scienze dei materiali, come punti quantici (2023), laser (2018), o LED (2014).

Ma i vincitori di quest’anno sono un po’ più non convenzionali, con un focus sull’analisi dei dati. Più precisamente, è stato attribuito a Geoffrey Hinton e John Hopfield per il loro contributo alla creazione di reti neurali artificiali.

Fonte: Nobel Prize

Questo è un Premio Nobel molto attuale, con le reti neurali come tecnologia centrale responsabile della maggior parte dei progressi recenti nell’IA, inclusi i LLM, ma anche la visione artificiale (inclusa per i veicoli a guida autonoma) e le IA tecniche usate in nuove scoperte di farmaci, scienze dei materiali, ecc.

Cosa Sono le Reti Neurali?

Chip contro Neuroni

Quando i computer furono inventati, la speranza crebbe rapidamente che potessero aumentare di capacità fino a sviluppare capacità intellettuali simili a quelle umane. Ma nella pratica, mentre i computer divennero sempre più impressionanti nei calcoli e poi nella generazione di immagini, rimasero “stupidi” quando si trattava di ragionamento reale.

In gran parte, ciò è dovuto al fatto che un chip di silicio è molto diverso dai neuroni che formano il cervello. Mentre un chip di silicio può eseguire molto rapidamente milioni di calcoli binari (0 o 1), i neuroni sono più un segnale analogico, con molta complessità e “rumore” nel segnale.

Quindi i computer hanno bisogno di una programmazione precisa per eseguire un calcolo, non possono davvero “imparare” nulla e seguono semplicemente le istruzioni codificate alla lettera.

Le reti neurali sono diverse. Possono affrontare problemi troppo vaghi e complicati per essere gestiti da istruzioni passo‑passo. Un esempio è interpretare un’immagine per identificare gli oggetti in essa, qualcosa in cui i computer sono notoriamente scarsi, da qui il test “Sei umano?” su alcune pagine web.

Fonte: Google

Come Funzionano i Neuroni

I neuroni non seguono una programmazione pre‑stabilita rigida per la maggior parte. Invece, funzionano attraverso un ciclo di retroazione di rafforzamento dei pattern di connessione.

Il funzionamento è che i neuroni rafforzano la connessione con altri neuroni quando lavorano insieme. Questo ha creato l’idea di simulare in un computer come funzionano i neuroni, con più nodi interconnessi.

Le connessioni tra questi nodi possono essere rese più forti o più deboli, formando un processo chiamato “addestramento”, ancora oggi al centro della creazione delle IA più recenti.

Fonte: Nobel Prize

L’idea sembrava promettente, ma per un po’ la potenza di calcolo richiesta sembrava proibitiva, specialmente per i computer relativamente primitivi degli anni ’60 e ’70.

Come Funziona la Memoria Umana

Quando ricordiamo o riconosciamo qualcosa, non eseguiamo un calcolo matematicamente perfetto del colore di ogni pixel di un’immagine. Invece, iteriamo a partire da dati parziali, cerchiamo di associare a qualcosa già noto e identifichiamo un pattern riconoscibile.

Il fisico John Hopfield inventò nel 1982 la rete Hopfield, un metodo per memorizzare e ricreare pattern.

Iniziare con la Fisica

Iniziò notando che le proprietà collettive in molti sistemi fisici sono robuste ai cambiamenti nei dettagli del modello. In particolare, i materiali magnetici derivano le loro caratteristiche speciali grazie allo spin atomico – una proprietà che rende ogni atomo un piccolo magnete.

La proprietà del materiale più grande derivava dallo spin di ciascun atomo che modificava quelli intorno, portando tutti gli spin a finire nella stessa direzione. Il suo modello descrive il fenomeno usando nodi diversi che influenzano l’un l’altro.

Allo stesso modo, un’immagine può essere registrata come una griglia di nodi, ciascuno con valore 0 o 1 (nero o bianco).

Se confronti un’immagine distorta con questa griglia originale, puoi calcolare quanto ogni nodo dell’immagine distorta differisce. Ma “spingendo” il nodo distorto più vicino a dove ha senso, come una pendenza in un paesaggio pre‑stabilito, spesso è possibile ricreare l’immagine originale nonostante le distorsioni.

Quindi Hopfield aveva creato un modello primitivo, ma funzionale per la correzione di errori o il completamento di pattern, qualcosa che i computer normalmente non possono fare, poiché sono vincolati alla loro programmazione rigida.

Fonte: Nobel Prize

Con sufficiente potenza di calcolo, ogni nodo può memorizzare qualsiasi valore, non solo nero e bianco. Per esempio, può essere un numero che riflette un colore esatto, come avviene nelle immagini digitali.

Può anche riflettere tutti i tipi di dati, non solo immagini, creando un modello funzionale per una memoria associativa artificiale.

Usare l’Associazione per la Comprensione

Anche animali semplici o bambini piccoli possono esibirsi straordinariamente meglio di computer avanzati nel riconoscimento di pattern, come identificare quale immagine contiene un cane, un gatto o uno scoiattolo. Questo avviene anche senza alcuna comprensione di concetti più alti come animali, mammiferi o specie.

E forse più importante, può essere realizzato con dati e esperienze iniziali molto limitati, invece di un catalogo di miliardi di immagini di questi animali che coprano ogni possibile postura, colore, forma o aspetto.

Analogico invece di Binario

Poiché i nodi possono contenere qualsiasi dato, possono essere usati per dati continui, come fenomeni nel tempo.

Permette anche calcoli efficienti delle interazioni tra sistemi complessi, dove la risposta a uno stimolo è più statistica che un sì/no binario. Questo risparmia sia consumo energetico sia potenza di calcolo rispetto al calcolo tradizionale per questo tipo di problema.

E aggiungendo più nodi, si può aggiungere progressivamente più complessità ai modelli.

La macchina di Boltzmann

Geoffrey Hinton, insieme a Terrence Sejnowski e altri collaboratori, lavorò per migliorare ed estendere il concetto del modello Hopfield.

Hinton usò idee dalla fisica statistica, un campo che descrive cose con molti elementi come gas o liquidi. Poiché le componenti individuali sono troppe, l’unico modo per modellarne il comportamento è usare aspettative statistiche del loro comportamento, invece di un calcolo “fisico rigido” da temperatura, posizione, velocità, ecc. di ogni molecola.

Per aggiungere tale capacità al modello Hopfield, aggiunse uno strato “nascosto” di nodi tra quello visibile che precedentemente eseguiva il calcolo da solo. Pur essendo invisibili, i nodi nascosti contribuiscono ai livelli energetici degli altri nodi e del sistema nel suo complesso.

Fonte: Nobel Prize

Chiamarono questo concetto macchina di Boltzmann, in onore di Ludwig Boltzmann, un fisico del XIX secolo che sviluppò la meccanica statistica, la base della fisica statistica.

Fonte: Wikipedia

Macchina di Boltzmann Ristretta

Nel suo design originale, la macchina di Boltzmann era troppo complessa per essere di grande utilità pratica. Fu sviluppata una versione semplificata, in cui non ci sono connessioni tra nodi dello stesso strato.

Fonte: Nobel Prize

Questo rese la macchina molto più efficiente, pur rimanendo capace di eseguire riconoscimento di pattern complessi.

Un miglioramento aggiuntivo fu il processo di “pre‑addestramento” della rete neurale, con una serie di macchine di Boltzmann in strati, una sopra l’altra.

Questo migliorò il punto di partenza della rete neurale, potenziandone le capacità di riconoscimento di pattern.

Impatto sulle Reti Neurali Moderne

Sia Hopfield che Hinton hanno costruito le idee fondamentali alla base delle reti neurali, così come la matematica e gli strumenti per utilizzarle.

Tuttavia, ci sarebbe voluto fino agli anni 2010 perché la potenza di calcolo fosse cresciuta a sufficienza per far decollare le reti neurali nella coscienza mainstream.

Poiché la versione moderna della macchina di Boltzmann utilizza così tanti strati interconnessi, vengono chiamate “reti neurali profonde”. Per dare una prospettiva sull’evoluzione del campo, Hopfield usò un modello a 30 nodi nella sua pubblicazione del 1982, creando 435 possibili connessioni. Questo portò a circa 500 parametri da tenere sotto controllo.

All’epoca, i computer non potevano gestire un modello provvisorio a 100 nodi. Gli attuali LLM (Large Language Models), alla base di strumenti come ChatGPT, usano un trilione di parametri e stanno costantemente aumentando le loro esigenze di calcolo.

Applicazioni

Fisica Fondamentale

Come molti altri Premi Nobel in Fisica, le reti neurali sono una scoperta che sta accelerando altre nuove scoperte.

Ad esempio, sono state usate per setacciare e processare le enormi quantità di dati necessarie a scoprire la particella di Higgs. Sono state anche impiegate da altri ricercatori premiati con il Nobel, come le misurazioni delle onde gravitazionali da buchi neri in collisione o la ricerca di esopianeti.

Fisica Applicata

I materiali e i fenomeni reali sono spesso troppo complessi per essere modellizzati esclusivamente con un modello causa‑>effetto a livello di particella individuale.

In confronto, le basi delle reti neurali nella fisica statistica le rendono molto più flessibili, e possono fornire direttamente la risposta corretta o “indicare” agli scienziati la direzione giusta.

Questo è ora impiegato regolarmente dai principali istituti di ricerca per, ad esempio, calcolare la struttura e la funzione delle molecole proteiche, o determinare quali nuove versioni di materiali possano avere le migliori proprietà per celle solari più efficienti o batterie.

LLMs

Ovviamente, nessuna discussione sulle applicazioni delle reti neurali sarebbe completa senza parlare dei LLM, il fulcro della frenesia IA degli ultimi anni sin dal rilascio di ChatGPT nel 2022.

In gran parte, ciò è dovuto al fatto che la generazione di linguaggio simile a quello umano, “sentirsi” come una persona reale, è stata a lungo considerata il test con cui valutare se un’IA fosse davvero intelligente (il Test di Turing).

L’intelligenza reale dei LLM è oggetto di accesi dibattiti, dall’opinione degli entusiasti IA (o apocalittici) che si aspettano una vera intelligenza e una singolarità tecnologica imminente, a chi la vede come un semplice trucco incapace di fornire risultati utili.

Tuttavia, hanno una vasta gamma di applicazioni, specialmente dove possono svolgere compiti a basso costo che ora sono riservati a umani molto più costosi. Questo è particolarmente vero per compiti prevalentemente verbali, come:

• Chatbot e assistenza clienti.
• Sviluppo e verifica di codice.
• Traduzione e localizzazione.
• Ricerche di mercato.
• Ricerca e risposta a domande.
• Analisi di grandi documenti e set di dati.
• Istruzione

Accanto ai LLM, la generazione di immagini potrebbe anche creare una nuova ondata di immagini nella nostra era digitale, sia per scopi utili sia potenzialmente nefasti (disinformazione, ricatto, ecc.).

Macchina e Visione Computerizzata

Come l’applicazione originale delle reti neurali da Hopfield, ha senso che il riconoscimento delle immagini sia ora un’applicazione chiave delle reti neurali.

A volte, la visione artificiale è usata per descrivere un’identificazione limitata in un contesto industriale più controllato, mentre la visione computerizzata mira a una visione più simile a quella umana.

Fonte: Solomon

Guida Autonoma

Un importante sotto‑segmento di questo campo sono i veicoli a guida autonoma, poiché, in definitiva, i conducenti umani usano il loro riconoscimento di pattern visivo per guidare in sicurezza i loro veicoli multimiliari.

Al momento, la maggior parte dei sistemi di guida autonoma si basa su una combinazione di telecamere e altri sensori per rimanere sicuri (come radar e LIDAR), con l’eccezione di Tesla (TSLA ) che si concentra esclusivamente sulla visione artificiale simile a quella umana (grazie a un dataset molto più ampio, fornito dalla flotta di auto Tesla).

Dati di addestramento sufficienti, annotazione manuale di milioni di situazioni complesse della vita reale e anche hardware personalizzato che riduce il consumo e velocizza i tempi di reazione saranno probabilmente la combinazione vincente per la prima azienda a conquistare il premio da un trilione di dollari per lo sviluppo della prima automazione di guida di livello 5 completa.

Medicina

Molti diagnostici in medicina non dipendono da test di laboratorio ma dall’interpretazione manuale da parte di uno specialista addestrato di immagini prodotte da macchine a raggi X, risonanze magnetiche, scanner, ecc.

Questo può richiedere anni di esperienza per diventare veramente competente in questo compito, che è tanto arte quanto scienza. Invece, l’IA può analizzare a basso costo e in modo coerente milioni di immagini mediche con risultati prevedibili.

Potrebbe anche essere usata per diagnosticare condizioni precedentemente ritenute impossibili da rilevare con scansioni, come l’ADHD.

E forse meno ovvio, l’IA basata su reti neurali può anche assistere i chirurghi, come la francese Pixee Medical, consentendo il tracciamento 3D con uno smartphone o occhiali intelligenti per la chirurgia ortopedica.

L’IA può anche automatizzare la procedura cruciale di registrazione dell’intervento chirurgico, soprattutto per compiti ripetitivi e soggetti a errori. Poiché i chirurghi dimenticano strumenti all’interno del paziente in circa 1500 interventi all’anno negli Stati Uniti, la visione computerizzata potrebbe aiutare a eliminare completamente questo problema tenendo automaticamente traccia di tutto ciò che viene usato durante l’intervento.

BiRicerca

Dalla scoperta di farmaci alla previsione del ripiegamento delle proteine, le reti neurali sono strumenti potenti per i ricercatori in medicina e biologia.

Già, questo sta rivoluzionando il modo in cui vengono sviluppate nuove terapie, come discusso in “Top 5 AI & Digital Biotech Companies”. Potrebbe anche contribuire a dati più coerenti, che è spesso un problema nelle scienze biologiche, dove molti dati sono ancora creati manualmente, come il conteggio delle cellule del sangue.

Questo può essere risolto con la visione artificiale IA, con prodotti come Shonit di Sigtuple ora in grado di fornire conteggi affidabili e standardizzati di tutti i tipi di cellule del sangue.

Fonte: Sigtuple

Industria e Produzione

Dal controllo di qualità e ispezioni dei componenti, all’assemblaggio completamente automatizzato, la visione macchina/computer può rendere la linea di produzione più flessibile e reattiva a qualsiasi cambiamento nel processo produttivo.

Questo può sia ridurre i costi eliminando la necessità di input umano, sia migliorare la qualità e la velocità di produzione.

Robotica

Man mano che la robotica è uscita dal pavimento delle fabbriche per interagire con ambienti quotidiani più complessi, deve potenziare rapidamente le proprie capacità di riconoscimento di pattern.

Da robodog a robot di consegna, e forse presto assistenti personali umanoidi, i robot stanno sempre più fondendo l’IA con le reti neurali per aiutarci nelle attività quotidiane.

Agricoltura

I robot agricoli stanno sempre più usando la visione artificiale per identificare erbacce o frutti maturi e sostituire il lavoro manuale noioso o gli strumenti meccanici distruttivi su larga scala.

Questo potrebbe non influenzare solo l’agricoltura e i nostri sistemi alimentari ma anche il ripristino ecologico, con forti effetti sulla salute del suolo, l’emergere di nuove pratiche agricole e forse migliori strumenti per il riforestamento e la gestione di specie invasive.

Militare

Nonostante ciò sollevi complesse questioni etiche, è una regola della storia che ogni nuova tecnologia venga studiata per il suo potenziale di dare alle forze armate un vantaggio sul proprio avversario.

E poiché avrai sempre una nazione che lo fa, le altre devono tenere il passo.

L’IA è già usata per identificare obiettivi e analizzare dati sul campo di battaglia, inclusa la guerra reale in corso come Ucraina e Gaza, qualcosa di cui abbiamo parlato in “Top 10 Drones And Drone Warfare Stocks”.

Tra gli sviluppi recenti più allarmanti, possiamo citare lo sviluppo dell’ultima versione del Lancet russo, un drone suicida/missile che usa la visione artificiale IA per identificare e colpire veicoli nemici nell’ultimo tratto del suo percorso.

Affidare la decisione di uccisione a un sistema automatizzato è un passo ovviamente molto pericoloso, che sembra davvero materiale da film di fantascienza poco prima di una ribellione IA contro l’umanità.

Possiamo solo sperare che le forze militari di tutto il mondo arrivino a un’intesa su quali tecnologie possano essere impiegate o meno, similmente a come vengono gestite le armi nucleari.

Rischi delle Reti Neurali

Vale la pena menzionare che Geoffrey Hinton, che ha vinto il Premio Nobel di quest’anno è anche molto preoccupato per i progressi nella tecnologia IA.

Dopo il Premio Turing nel 2018 e il Premio Nobel nel 2024, è probabile che il suo avvertimento venga ascoltato più di prima.

“Ho improvvisamente cambiato opinione su se queste cose saranno più intelligenti di noi.

Penso che ora siano molto vicine e saranno molto più intelligenti di noi in futuro. Come sopravviveremo a questo?”

Geoffrey Hinton

Il nostro entusiasmo per l’IA ci condannerà a un futuro come nei film Matrix o Terminator? Forse no, ma poiché le reti neurali ultra‑complesse sono essenzialmente una scatola nera, i loro stessi creatori non comprendono appieno che probabilmente siano necessarie regole etiche e di sicurezza prima che un’IA malfunzionante causi danni irreparabili.

Investire nelle Reti Neurali

Le reti neurali stanno ora diventando quasi sinonimo della tecnologia IA in generale, poiché c’è una crescente fusione di discipline nel settore.

Poiché le reti neurali richiedono grandi set di dati per il pre‑addestramento e l’addestramento, tendono attualmente a rimanere dominio di enormi aziende tecnologiche o startup molto ben finanziate.

Puoi investire in aziende legate all’IA attraverso molti broker, e qui trovi, su securities.io, le nostre raccomandazioni per i migliori broker negli Stati Uniti, Canada, Australia, e Regno Unito, e molti altri paesi.

Se non sei interessato a scegliere specifiche aziende legate all’IA, puoi anche considerare ETF come l’ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), il Global X Robotics & Artificial Intelligence ETF (BOTZ), o il WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT )  che fornirà un’esposizione più diversificata per capitalizzare sull’IA.

Aziende di Reti Neurali

1. Microsoft

Microsoft (MSFT ) è stata al centro dell’industria tecnologica quasi fin dalla sua nascita con il suo ancora dominante sistema operativo Windows.

MSFT Grafico dei prezzi

Ora è anche leader nel software enterprise (Office365, Teams, LinkedIn, Skype, GitHub), nel gaming (Xbox e multiple acquisizioni di studi videogame), e nel cloud (Azure).

Più recentemente, ha fatto buoni progressi nell’IA. Questo include alcune IA di consumo come il Bing Image Creator e iniziative più orientate al business, come Copilot per Microsoft 365 e Microsoft Research. Copilot è ora stato distribuito a rivenditori e piccole aziende anche.

Fonte: Constellation Research

Microsoft ha acquisito una reputazione di gigante tecnologico orientato all’impresa, rispetto a società più focalizzate sul consumatore come ad esempio Apple (AAPL ) o Facebook. Con l’IA che diventa sempre più importante nei modelli di business, la presenza preesistente di Microsoft nel cloud e nei servizi enterprise dovrebbe darle un vantaggio nell’implementare l’IA su larga scala e nell’acquisizione di clienti.

La collaborazione/quasi‑proprietà con leader dello sviluppo IA come OpenAI (fama di ChatGPT) cementerà anche la posizione di Microsoft come potenza IA.

2. NVIDIA

NVidia inizialmente aveva una posizione dominante nel mercato delle schede grafiche (GPU), usate principalmente per il gaming di alto livello e la modellazione 3D. Le GPU possono eseguire calcoli in parallelo e differiscono in questo rispetto ai processori (CPU).

Il design del suo hardware si è dimostrato molto adatto al mining di criptovalute (specialmente Bitcoin), creando una forte ondata di crescita per l’azienda.

Ora, sembra che sia altrettanto potente per l’addestramento delle IA, rendendo l’hardware di Nvidia (NVDA ) la spina dorsale della rivoluzione IA.

NVidia sta ora sviluppando sistemi informatici personalizzati per diverse applicazioni IA, da auto a guida autonoma a speech e IA conversazionali, IA generative, o cybersecurity.

È probabile che Nvidia non abbia ancora trovato nuovi casi d’uso per il suo hardware IA, come dimostra la ricerca di Microsoft con PNNL. Per esempio, NVidia sta ora sviluppando un’intera gamma di soluzioni per la scoperta di farmaci, così come dispositivi medici potenziati dall’IA e imaging medico assistito dall’IA.

Fonte: NVidia

È probabile che a lungo termine, i concorrenti di NVidia possano iniziare a sfidare seriamente il vantaggio iniziale dell’azienda.

Ma per il futuro prevedibile, considerando l’esplosione della domanda di potenza di calcolo dedicata all’IA, NVidia rimarrà il fornitore principale di tutti i nuovi data center di addestramento IA in costruzione.

E se l’IA è una nuova corsa all’oro tecnologica, la saggezza di investimento è preferire i venditori di picconi e pale piuttosto che scommettere sul trovare oro.

Nella corsa all’IA, gli strumenti di scelta sono per ora i chip IA di NVidia.