Le grandi aziende tecnologiche aumentano la spesa per l'intelligenza artificiale mentre i modelli di ragionamento prendono il sopravvento

Entro l'inizio del prossimo decennio, le maggiori aziende tecnologiche aumenteranno le proprie spese annuali per l'intelligenza artificiale a oltre 500 miliardi di dollari, in parte grazie a DeepSeek e alla più recente metodologia di intelligenza artificiale di OpenAI 

Microsoft Corp., Amazon.com Inc. e Meta Platforms Inc., note collettivamente come hyperscaler, dovrebbero investire 371 miliardi di dollari in data center e risorse di elaborazione basate sull'intelligenza artificiale nel 2025, con un aumento del 44% rispetto all'anno precedente. Entro il 2032, si prevede che questa cifra salirà a 525 miliardi di dollari.

Storicamente, gran parte degli investimenti nell'intelligenza artificiale è stata destinata a data center e chip per addestrare o creare nuovi modelli di intelligenza artificiale significativamente complessi. Ora, le aziende vogliono adottare un approccio diverso. Di conseguenza, ci si aspetta che le aziende tecnologiche spostino maggiori investimenti nell'inferenza o nel processo di esecuzione di tali sistemi dopo che sono stati addestrati.

Come DeepSeek e OpenAI stanno plasmando le tendenze di spesa per l'intelligenza artificiale

Le aziende cinesi DeepSeek, OpenAI e molte altre hanno introdotto nuovi modelli di ragionamento, intensificando la concorrenza tra le aziende che non hanno ancora adottato un approccio simile.

Questi sistemi imitano la risoluzione dei problemi da parte degli esseri umani, impiegando più tempo per elaborare e calcolare le risposte alle domande degli utenti.

L'ascesa di DeepSeek, che sosteneva di poter creare un modello competitivo a un costo inferiore rispetto ad alcuni dei suoi principali concorrenti statunitensi, ha sollevato preoccupazioni circa gli ingenti investimenti nello sviluppo dell'intelligenza artificiale nel settore tecnologico statunitense. Di conseguenza, alcune aziende tecnologiche leader preferiscono sistemi di intelligenza artificiale più efficienti, in grado di funzionare su un numero inferiore di chip.

Tuttavia, i modelli di ragionamento offrono anche nuove opportunità per trarre profitto dal software e, potenzialmente, spostare maggiori costi di sviluppo dopo l'implementazione del modello. Ciò probabilmente incoraggerà maggiori investimenti in questa strategia e aumenterà la spesa per l'intelligenza artificiale in generale.

Un analista di Bloomberg Intelligence, Mandeep Singh, ha scritto: "La crescita della spesa in conto capitale per la formazione sull'intelligenza artificiale potrebbe essere molto più lenta rispetto alle nostre precedenti aspettative"

Tuttavia, ha osservato che l'enorme attenzione rivolta a DeepSeek probabilmente incoraggerà le aziende tecnologiche ad "aumentare gli investimenti" nell'inferenza, rendendolo il segmento di mercato con il tasso di crescita più rapido nell'intelligenza artificiale generativa.

Secondo alcuni report, quest'anno si prevede che oltre il 40% dei budget destinati all'IA dagli hyperscaler sarà destinato alla formazione; tuttavia, nel 2032, tale percentuale scenderà ad appena il 14%. Al contrario, quasi la metà di tutta la spesa annuale per l'IA potrebbe essere destinata a investimenti basati sull'inferenza.

D'altro canto, Singh ha scritto che Google, di Alphabet Inc., sembra essere nella posizione migliore per compiere rapidamente questa svolta, grazie ai suoi chip interni che gestiscono l'addestramento e l'inferenza. Altre aziende tecnologiche, come Microsoft e Meta, potrebbero non avere la stessa flessibilità perché hanno fatto affidamento in modo così massiccio sui chip di Nvidia Corp.

Come i modelli di ragionamento stanno rimodellando l'intelligenza artificiale con un pensiero logico e strutturato

I modelli di ragionamento sono modelli linguistici specializzati progettati per risolvere problemi attraverso un ragionamento logico esplicito, che si sono affermati come un nuovo paradigma nell'IA, superando i modelli linguistici convenzionali in compiti complessi, scomponendo i problemi, "pensando" prima di rispondere e migliorando iterativamente le soluzioni.

Storicamente, gli LLM di uso generale potevano generare risposte semplici. Con l'introduzione di modelli di ragionamento, le risposte seguono un processo di pensiero più strutturato e il processo per giungere a tale risposta viene indicato. Tuttavia, mentre alcuni modelli mostrano chiaramente la loro fase di ragionamento logico, altri no.

La fase di ragionamento mostra come il modello può scomporre il problema enunciato in problemi più piccoli (scomposizione), provare approcci diversi (ideazione), scegliere gli approcci migliori (validazione), rifiutare gli approcci non validi (eventualmente tornare sui propritrac) e infine scegliere la risposta migliore (esecuzione/risoluzione).