L’articolo esplora come l’industria dei videogiochi abbia influenzato lo sviluppo dell’intelligenza artificiale moderna, grazie all’innovazione tecnologica e all’uso di dati.
La universalità dei dati
La fonte principale di apprendimento delle reti neurali sono i dati . Per sviluppare modelli capaci di eseguire compiti complessi in modo simile a un essere umano, è necessario avere modelli con un numero elevato di parametri . Tuttavia, affinché questi modelli, noti come ” profondi “, possano apprendere, è necessaria una enorme quantità di dati . Questo non era possibile fino all’emergere delle reti sociali e di altre piattaforme digitali .
- Facebook, Twitter, Instagram, YouTube e TikTok generano quotidianamente volumi immensi di informazioni sotto forma di testo, immagini, video e metadati.
- Questo ha reso possibile la raccolta e lo stoccaggio di dati in modo massivo, come mai prima d’ora.
- Secondo Statista, nel 2024, la quantità totale di dati creati, catturati, copiati e consumati a livello globale ha raggiunto i 149 zettabyte (ZB), e si prevede che aumenterà fino a 394 ZB nei prossimi cinque anni.
Il sviluppo dell’industria del videogioco
Dal termine del secolo scorso, l’ industria dei videogiochi ha visto un costante aumento dei profitti . In un arco di tempo di soli dieci anni, la crescita del fatturato è stata esponenziale, superando quella del cinema e della musica messe insieme. Questo ha alimentato una crescente competitività tra le aziende sviluppatrici, che si sono impegnate in una corsa per creare giochi con grafica sempre più realistica. Di conseguenza, le esigenze di potenza di calcolo sono aumentate drasticamente. Da questa necessità è emerso lo sviluppo di un nuovo modulo di processo chiamato “unità di elaborazione grafica” (GPU).
Le GPU sono state progettate specificamente per ottimizzare le operazioni matriciali , che sono fondamentali negli ambienti grafici, poiché le immagini sono memorizzate in enormi matrici di pixel . Inoltre, sono state concepite per essere gestite in modo parallelo , utilizzando più GPU contemporaneamente. Questo ha permesso ai giochi di presentare immagini di sempre maggiore risoluzione , senza compromettere la velocità di movimento. Le immagini appaiono nel gioco in modo naturale, senza salti, creando un aspetto simile a quello di un video . È interessante notare che anche i modelli di reti neurali hanno una rappresentazione matriciale dei loro parametri. Le operazioni da eseguire sono matriciali e le matrici utilizzate, come negli ambienti grafici, sono molto grandi.
Pertanto, grazie all’ espansione dell’industria dei videogiochi , la comunità scientifica ha avuto accesso a un nuovo dispositivo in grado di operare con la potenza necessaria per progettare reti neurali con centinaia di milioni di parametri .
La complessità dei modelli
I fattori erano tutti presenti. Da un lato, c’era la necessità di modelli più complessi per gestire l’enorme quantità di dati disponibili, al fine di estrarre informazioni significative da dati non strutturati. Dall’altro, si era sviluppato un dispositivo in grado di addestrare modelli complessi utilizzando un numero elevato di esempi.
Il modello AlexNet
Grazie a queste condizioni, Hinton e il suo team furono in grado di progettare un modello complesso, la rete neurale AlexNet , composta da undici strati di cellule di diversa complessità e contenente oltre 60 milioni di parametri . Utilizzarono inoltre la nuova tecnologia delle GPU per addestrare il modello con milioni di immagini disponibili, raggiungendo risultati senza precedenti.
Evoluzione dei modelli
Ciò che seguì fu inimmaginabile. Emerse una nuova generazione di modelli di reti profonde con prestazioni sempre più elevate, come ResNet e VGG . Nacquero modelli generativi, capaci di imitare voci e produrre immagini e video indistinguibili dalle creazioni umane, oltre a reti generative antagonistiche e autocodificatori variabili .
Processamento del linguaggio naturale
Contemporaneamente, si svilupparono modelli in grado di elaborare il linguaggio naturale come mai prima d’ora. Infine, nacquero i modelli noti come transformer e di attenzione , che sono stati fondamentali nello sviluppo di modelli di linguaggio come ChatGPT e Gemini , che stanno avendo un impatto significativo nell’implementazione dell’IA in tutto il mondo.
Fonte: TheConversationES