Le previsioni sull'intelligenza artificiale (IA) sono ovunque: cosa sarà in grado di fare, quanto potrebbe crescere il mercato, quanto si sta investendo per svilupparla. Sono tutte domande che riguardano i possibili risultati.
La nostra domanda è più fondamentale: Perché l'IA dovrebbe continuare a migliorare?

La risposta parte dalla potenza di calcolo. Per oltre 60 anni, la capacità di elaborazione è migliorata a un ritmo quasi senza precedenti. Il motore di questo progresso è stata la Legge di Moore (formulata nel 1965, è un'osservazione relativa alla densità dei transistor, secondo cui il numero di transistor presenti su un chip raddoppia all'incirca ogni due anni; è proprio questo aumento della densità ad aver determinato, nel tempo, il conseguente incremento della potenza di elaborazione), secondo cui, per decenni, la potenza di calcolo è approssimativamente raddoppiata ogni due anni. Ora che questo motore sta rallentando, un nuovo paradigma ne sta prendendo il posto.

Le cinque domande che seguono ripercorrono il ruolo della potenza di calcolo nel portarci fin qui, spiegano perché potrebbe continuare a migliorare e illustrano quali potrebbero essere le implicazioni per gli investitori.

1 | Perché l'IA sta decollando proprio ora?
Dopo quasi 39 raddoppi nell'ambito della Legge di Moore, i chip più avanzati contengono oggi oltre 200 miliardi di transistor.
Nelle fasi iniziali, gli effetti della crescita esponenziale appaiono, e in effetti sono, poco significativi. Ma, man mano che gli effetti si accumulano, le dimensioni della crescita diventano enormi, arrivando a trasformare la nostra vita e l'economia che ci circonda. È difficile pensare a un'altra innovazione che abbia continuato a migliorare con una simile costanza. Sebbene la Legge di Moore stia rallentando, continua comunque a produrre miglioramenti enormi e su vastissima scala.
Una parabola molto diffusa nella Silicon Valley paragona la crescita esponenziale al raddoppio dei chicchi di riso sulle caselle di una scacchiera: nella prima metà della scacchiera i guadagni si accumulano progressivamente, ma nella seconda metà la loro scala aumenta in modo vertiginoso. I semiconduttori hanno seguito un percorso analogo, contribuendo a creare la potenza di calcolo che ha reso possibile l'IA di oggi.

2 | Se la Legge di Moore sta rallentando, come può continuare a migliorare la potenza di calcolo?
Stiamo passando dal miglioramento del singolo chip al miglioramento dell'intero sistema che lo circonda. La capacità di calcolo non sta rallentando seguendo il percorso della Legge di Moore, ma sta accelerando.
Per gran parte dell'era dei semiconduttori, la formula è stata semplice: ridurre le dimensioni dei transistor, inserirne un numero maggiore in un chip e ottenere così una maggiore potenza di calcolo. Ma i limiti della fisica e i fattori economici stanno rendendo questo approccio sempre più difficile.
Oggi i transistor all'interno di un chip semiconduttore hanno dimensioni pari a pochi atomi e ridurli ulteriormente è diventato considerevolmente più costoso, rallentando di fatto la Legge di Moore. Tuttavia, invece di dipendere da un singolo processore, la potenza di calcolo può essere sempre più incrementata attraverso sistemi che combinano processori, memoria, packaging, reti, alimentazione, raffreddamento e software.
Su scala più ampia, questi sistemi possono coordinare migliaia di processori all'interno di quelle che, a tutti gli effetti, sono vere e proprie "fabbriche di IA".

3 | Perché la potenza di calcolo è così importante?
La risposta è racchiusa in quello che il ricercatore di intelligenza artificiale Rich Sutton ha definito la "Bitter Lesson": nel lungo periodo, gli approcci di maggior successo hanno generalmente dimostrato di essere quelli capaci di utilizzare quantità crescenti di potenza di calcolo e di dati.
Gli scacchi ne rappresentano uno dei primi esempi. I computer hanno superato gli esperti umani non perché fosse stata insegnata loro la particolare struttura del gioco, ma perché hanno sfruttato la potenza di elaborazione per valutare milioni di posizioni al secondo.
L'IA moderna riflette lo stesso principio. I fondamenti matematici alla base di queste tecnologie esistono da decenni. Ciò che è cambiato è la scala alla quale queste idee hanno potuto essere applicate.
Con l'aumento della potenza di calcolo, i ricercatori hanno potuto addestrare modelli più grandi su dataset più ampi e analizzare relazioni che in precedenza superavano i limiti pratici della capacità computazionale. Una maggiore capacità di calcolo ha quindi reso possibili nuove funzionalità.

4 | Perché riteniamo che la potenza di calcolo possa continuare ad accelerare?
La capacità computazionale dell'IA non dipende più da un'unica fonte di miglioramento.
La maggior parte delle tecnologie segue una curva a “S”: una fase di rapido miglioramento alla quale fanno seguito, con il tempo, progressi più lenti e incrementali. I semiconduttori hanno rappresentato una notevole eccezione e il passaggio verso una crescita a livello di sistema potrebbe segnare un ulteriore punto di svolta.
Invece di dipendere da una sola curva a S, l'era dello scaling dell'IA potrebbe fondarsi su diverse curve a S che avanzano contemporaneamente in ambiti quali memoria, packaging, networking, alimentazione e capacità di calcolo tensoriale.
Consideriamo queste cinque frontiere come potenziali motori della prossima ondata di miglioramento della capacità computazionale, ciascuna sostenuta da una roadmap ingegneristica chiaramente delineata: memoria, packaging, networking, alimentazione, calcolo tensoriale.
Memoria
•          Funzione: archivia i dati e li trasferisce alle GPU affinché possano analizzarli.
•          Perché è importante: la velocità di trasferimento dei dati limita il grado di utilizzo delle GPU.
•          Tasso storico di miglioramento: 7/10% all'anno. Dopo l'introduzione dell'HBM: incremento di 10 volte in 10 anni.
•          Aree di miglioramento futuro: stack più alti, hybrid bonding e bus più ampi.

Packaging
•          Funzione: avvicina fisicamente i chip tra loro.
•          Perché è importante: una distanza minore consente un trasferimento dei dati più rapido.
•          Tasso storico di miglioramento: limitato fino alla svolta tecnologica del 2012.
•          Aree di miglioramento futuro: CoWoS, integrazione 3D, substrati in vetro e package di maggiori dimensioni.

Networking
•          Funzione: collega tra loro i rack di GPU.
•          Perché è importante: consente a migliaia di GPU di operare come se fossero un unico sistema.
•          Tasso storico di miglioramento: prima dell'IA: raddoppio circa ogni 3-4 anni; oggi: raddoppio ogni 2 anni.
•          Aree di miglioramento futuro: ottiche copackaged, connessioni più veloci, maggiore efficienza algoritmica e fotonica.

Alimentazione
•          Funzione: fornisce energia elettrica ai chip.
•          Perché è importante: senza energia sufficiente non è possibile effettuare alcuna elaborazione.
•          Tasso storico di miglioramento: 4/5% all'anno tra il 2007 e il 2017; nessun ulteriore miglioramento dal 2018.
•          Aree di miglioramento futuro: architetture a 800 V in corrente continua (800VDC), raffreddamento a liquido, piccoli reattori modulari (SMR) e generazione di energia in loco.

Calcolo tensoriale
•          Funzione: esegue calcoli matriciali.
•          Perché è importante: rappresenta il motore di calcolo dell'IA.
•          Tasso storico di miglioramento: introdotto nel 2017. In precedenza, il miglioramento seguiva la Legge di Moore, con un raddoppio ogni due anni. Dal 2017: circa il 50% all'anno.
•          Aree di miglioramento futuro: formati numerici a precisione ridotta, design dei transistor a maggiore densità e frequenze di clock più elevate.

5 | Cosa potrebbe significare per gli investitori?
Un miglioramento duraturo di questa portata potrebbe comportare cambiamenti ancora più dirompenti.
Le rivoluzioni industriali si fondano sulle cosiddette tecnologie di uso generale, ovvero tecnologie fondamentali che migliorano nel tempo, si diffondono tra diversi settori e diventano piattaforme sulle quali sviluppare ulteriori innovazioni.
I semiconduttori hanno contribuito all'evoluzione dell'informatica, dai mainframe ai personal computer fino agli smartphone, diventando uno dei principali pilastri tecnologici della Terza Rivoluzione Industriale.
Riteniamo che l'IA stia emergendo come una tecnologia di uso generale in grado di contribuire ad alimentare la Quarta Rivoluzione Industriale.
Per gli investitori, ciò potrebbe tradursi in ulteriori cambiamenti nell'economia globale e nella leadership dei mercati, con l'innovazione destinata ad estendersi alla robotica, alla genomica, all'energia pulita e alla blockchain, parallelamente ai continui progressi nell'intelligenza artificiale.
(Analisi a cura di Matt Moberg, Portfolio Manager di Franklin Equity)