Se adottata su larga scala, l’intelligenza artificiale generativa potrebbe incrementare il Prodotto Interno Lordo (PIL) dell’Italia di 150-170 miliardi di euro all’anno per i prossimi dieci anni, pari a una crescita dell’8%. Un ritardo di cinque anni nell’adozione ridurrebbe questa crescita a un modesto 2%. Questo incremento è principalmente dovuto a un aumento della produttività lavorativa, come evidenziato dallo studio condotto da Implement Consulting Group per Google.
“Sono dati importanti, che ci dicono che il momento è adesso”, ha dichiarato Melissa Ferretti Peretti, Country manager e VP di Google Italy in occasione dell’evento AI Connect.
Indice degli argomenti:
L’integrazione dell’AI nei settori produttivi
Lo studio sottolinea il ruolo complementare dell’AI generativa in vari settori, con un impatto significativo nelle industrie ad alta intensità di conoscenza come l’ICT e le attività professionali e scientifiche. Si prevede che l’AI generativa andrà a integrare quasi l’80% dei lavori in questi ambiti, migliorando le capacità umane e aumentando la produttività. Tuttavia, il 35% dei lavori in Italia rimarrà in gran parte non influenzato, mentre il 7% potrebbe vedere una significativa automazione delle proprie mansioni.
Iniziative di Google per il Made in Italy e la formazione
Per sostenere le PMI italiane, Google ha lanciato il progetto ‘IA per il Made in Italy’, offrendo risorse, consulenze e corsi di formazione gratuiti in quattro settori chiave: metalmeccanico, abbigliamento, arredamento e agroalimentare.
L’iniziativa mira a fornire agli imprenditori gli strumenti necessari per comprendere il potenziale dell’AI e integrare efficacemente la tecnologia nelle loro attività.
Google.org, il braccio filantropico di Google, ha stanziato 1,5 milioni di euro per il Fondo per la Repubblica Digitale, avviando un bando per formare persone in difficoltà nell’ambito dell’AI. Inoltre, il Center for Public Impact offrirà formazione a cinque organizzazioni italiane attraverso l’AI Opportunity Fund: Europe, con l’obiettivo di rafforzare la resilienza della forza lavoro in diverse regioni d’Italia.
Queste iniziative si concentrano su categorie vulnerabili, fornendo competenze essenziali per affrontare le sfide del mercato del lavoro moderno.
Anna Koivuniemi, Google DeepMind: AlphaFold e GraphCast esempi d’eccellenze
All’AI Connect di Google, il 16 ottobre 2024, è intervenuta Anna Koivuniemi, responsabile dell’acceleratore d’impatto Google DeepMind. Riportiamo i passi più significativi del suo intervento.
“Salve a tutti – è un onore essere qui oggi.
Dirigo l’acceleratore d’impatto di Google DeepMind, un’organizzazione che mira ad accelerare l’impatto sociale delle tecnologie e delle competenze di Google DeepMind a beneficio dell’umanità.
I prodotti di Google raggiungono miliardi di persone e hanno un impatto sulla loro vita – come molti di voi, pensate a come le mappe ci semplificano la vita. Il mio team sta studiando il modo in cui possiamo prendere le tecnologie e le competenze di Google DeepMInd e massimizzare i benefici per l’umanità anche al di là dei nostri prodotti esistenti, creando accesso e adozione dei nostri modelli.
(…)
L’innovazione da sola non è una risposta per risolvere tutto, ma le scoperte radicali aiuterebbero sicuramente ad affrontare minacce come la resistenza antimicrobica, a innovare le fonti di materiali sostenibili, a garantire che le nostre reti possano adattarsi all’aumento delle energie rinnovabili e a creare pari opportunità nell’istruzione.
Ed è qui che l’intelligenza artificiale può aiutare. Può accelerare la scienza e migliorare la capacità umana di risolvere queste sfide.
Oggi voglio condividere alcuni dei modi in cui l’intelligenza artificiale sta aiutando Google – e altri – ad aprire nuove strade nella scienza.
Ma prima, un po’ di contesto.
Quando si pensa all’IA, si potrebbe pensare all’IA generativa: quella che si può vedere in un chatbot o che può creare immagini, testi o video a partire da una richiesta, che tutti noi abbiamo sperimentato, si spera, come grande supporto e fattore di divertimento per la nostra vita quotidiana. Ma l’IA può fare molto di più.
(…)
La missione di Google DeepMind è quella di costruire l’IA in modo responsabile a beneficio dell’umanità. Si concentra su tre concetti chiave.
Il primo è quello che facciamo: costruiamo IA.
Il secondo è come lo facciamo: in modo responsabile. Già da decenni abbiamo adottato un approccio molto deliberato allo sviluppo e alla diffusione, mettendo in discussione le nostre ipotesi, invitando alla discussione in ogni fase e cercando prospettive diverse per migliorare il nostro approccio allo sviluppo e alla diffusione di questa tecnologia.
E il terzo è il motivo per cui facciamo quello che facciamo: beneficiare l’umanità.
Ma non possiamo farlo da soli. In Google siamo orgogliosi di collaborare con centinaia di ricercatori e ingegneri che lavorano per risolvere alcune delle sfide più complesse dell’umanità. E spesso lo sviluppo di una soluzione parte dagli sforzi compiuti dagli esseri umani.
Vi fornisco alcuni esempi.
Stiamo usando l’intelligenza artificiale per accelerare le scoperte scientifiche in biologia, chimica, fisica e scienze della terra. Chi in sala ha sentito parlare di AlphaFold? Spero che dopo il Nobel della scorsa settimana questo numero sia aumentato. Premiare le macchine per le scelte giuste è un tipo di IA. Un altro è: trovare schemi in grandi quantità di dati. È questo che ci ha aiutato a risolvere il problema del ripiegamento delle proteine.
Prima di entrare nel dettaglio, però, cosa c’è di strano nel ripiegamento delle proteine? Mio figlio adolescente pensa che le proteine siano qualcosa da consumare per costruire i muscoli, ma fanno molto di più.
Le proteine sono i mattoni fondamentali della vita. Le proteine ci aiutano ad alimentare il nostro cuore pulsante e a trasportare l’ossigeno alle nostre cellule. Un mio collega una volta ha detto che senza proteine saremmo un sacco d’acqua. Le proteine aiutano le piante a catturare la CO2 e a dare segnali per far crescere le foglie e difendersi da parassiti e stress come la siccità. Capire come funzionano queste proteine significa poter migliorare la nostra vita.
Dagli anni ’70 sappiamo che le strutture delle proteine sono modellate dalle sequenze di aminoacidi. Ma c’è un problema: il funzionamento delle proteine dipende dalla loro forma. Sono costituite da catene di aminoacidi che si ripiegano in forme 3D specifiche, molto difficili da scoprire. Fino all’arrivo di AlphaFold, gli scienziati impiegavano dai 3 ai 5 anni per ripiegare una proteina, utilizzando macchinari costosi non disponibili per tutti i ricercatori. Ci sono oltre 200 milioni di proteine conosciute al mondo, ci sarebbero voluti milioni di anni per ripiegarle tutte.
Come i robot che giocano a calcio – Non abbiamo detto ad AlphaFold come risolvere il problema del ripiegamento delle proteine. Gli abbiamo fornito tutte le 170.000 strutture proteiche conosciute e disponibili pubblicamente e le sequenze di amminoacidi.
Poi gli abbiamo dato un obiettivo: trovare gli schemi nei dati. E l’obiettivo è stato raggiunto.
Individuare l’esatta struttura di una proteina era un processo costoso e spesso dispendioso in termini di tempo. Per mappare una singola proteina uno studente di dottorato impiegava dai 3 ai 5 anni e aveva accesso a macchinari costosi che consumavano molta energia.
Siamo stati in grado di farlo solo perché avevamo i dati di base della ricerca esistente. Nel corso di decenni, l’EMBL-EBI e i suoi colleghi hanno incoraggiato la comunità scientifica a depositare ogni struttura proteica scoperta – allora 170mila – nella Protein Data Bank. Senza questo lavoro, non ci sarebbe stato AlphaFold.
Oggi AlphaFold fornisce oltre 200 milioni di strutture proteiche ai milioni di ricercatori che lo utilizzano, in tutto il mondo. La cosa migliore è che lo fanno liberamente e non hanno bisogno di conoscenze di intelligenza artificiale per farlo: per accelerare lo sviluppo di farmaci contro la malaria, la scoperta di farmaci contro il cancro o i meccanismi di difesa del grano contro i funghi.
(…)
Questi ricercatori hanno utilizzato AlphaFold per esaminare migliaia di proteine in pochi mesi e sono riusciti a identificare 23 proteine di difesa, verificandone 4 nuove. – Ricordiamo che l’ultima vera scoperta risale a quasi due decenni fa.
(…)
E cosa aiuta a prevedere meglio il tempo? Abbiamo addestrato un modello su decenni di dati meteorologici storici, per imparare come, perché e quando si evolve il tempo. Il risultato, rilasciato l’anno scorso, è GraphCast, il nostro modello di intelligenza artificiale in grado di fare previsioni del tempo fino a 10 giorni con una precisione e una velocità senza precedenti. Ciò significa un allarme più tempestivo per gli eventi meteorologici estremi, dando alle persone più tempo per pianificare.
AlphaFold e le previsioni meteorologiche sono ottimi esempi di AI a beneficio dell’umanità. Prende ciò che gli esseri umani hanno sviluppato e appreso e, partendo da queste basi, i computer sono in grado di utilizzare i dati per compiere progressi incredibili nel giro di pochi anni, a livello di centinaia di milioni di anni.
Ci sono molti altri esempi che potrei condividere con voi: come abbiamo usato l’intelligenza artificiale per trovare 2,2 milioni di nuovi cristalli che aiutano a sviluppare nuove proprietà e funzionalità dei materiali, facendo così progredire le tecnologie esistenti. Ad esempio, abbiamo trovato 528 potenziali conduttori di ioni di litio, 25 volte di più rispetto a uno studio precedente. Immaginate se riuscissimo a trovarne uno per migliorare le prestazioni delle batterie ricaricabili.
O come abbiamo contribuito a sviluppare modelli per controllare il plasma nei tokamak di fusione, o a prevedere la domanda e l’offerta delle reti elettriche con una velocità da 100 a 1000 volte superiore ai modelli esistenti.
Ma forse starete pensando: ottimo, ma cosa serve per sfruttare maggiormente l’IA e passare all’azione. Ci sono molti aspetti, ad esempio i dati, le capacità e la collaborazione responsabile. È importante che tutto ciò sia corretto.
La collaborazione responsabile sarà diversa per ogni organizzazione, ma in Google DeepMind adottiamo un approccio intenzionale, utilizzando esperti interni ed esterni di IA e di dominio per massimizzare lo sviluppo e l’impiego responsabile dell’IA.
Questo processo si articola su più livelli.
- Abbiamo esperti interni di responsabilità che valutano modelli e sviluppano pratiche per valutare la responsabilità e la sicurezza – coinvolti fin dall’inizio.
- Crediamo nel red teaming inter-funzionale per valutare i rischi potenziali, quindi non solo gli esperti di responsabilità, ma anche le persone che si occupano di dati, ricerca e altre funzioni si uniscono al processo di valutazione e mettono in discussione le ipotesi.
- Ci affidiamo a esperti esterni con competenze nel settore di riferimento. Prima di rilasciare AlphaFold 3, ad esempio, abbiamo consultato oltre 50 esperti del settore.
- Investiamo nella ricerca sulla sicurezza, abbiamo ricercatori che si occupano, ad esempio, della sicurezza dei corsi di laurea magistrale, dei diversi modi di persuasione e li condividiamo per incoraggiare le pratiche in tutto il settore.
- E lavoriamo per promuovere le migliori pratiche in tutto l’ecosistema, come abbiamo fatto con il Frontier Model Forum e con il PAI.
- Coinvolgiamo anche la società in generale. Incoraggiamo attivamente le interazioni con i governi e i responsabili delle politiche, compresi gli istituti per la sicurezza dell’intelligenza artificiale del Regno Unito e degli Stati Uniti, per riflettere sulle esigenze normative. Senza dimenticare il pubblico, attraverso tavole rotonde e conferenze.
Facciamo tutto questo e molto altro ancora perché sappiamo che l’IA è solo una parte di una soluzione più ampia alle sfide che dobbiamo affrontare e che abbiamo bisogno di collaborazione per ottenere il giusto risultato.
