OpenAI ha annunciato il rilascio di nuovi modelli di intelligenza artificiale della serie o1, progettati per affrontare problemi complessi di ragionamento e calcoli matematici avanzati. Questi modelli, noti come modelli di “ragionamento”, includono l’o1, disponibile in anteprima per gli utenti di ChatGPT Plus e Team, e l’o1-mini, un’alternativa più economica. I modelli sono stati allenati per prendere il tempo necessario a “pensare” prima di rispondere, in modo simile agli esseri umani, consentendo un approccio sistematico alla risoluzione dei problemi.

Modelli avanzati di ragionamento

Una delle principali innovazioni del modello o1 è la capacità di affrontare problemi in più fasi, un metodo diverso rispetto ai modelli AI generativi tradizionali. Per esempio, domande che richiedono più livelli di riflessione, come sequenze numeriche complesse o quesiti logici, possono essere risolte con maggiore accuratezza. Questa caratteristica lo distingue dal modello GPT-4o, poiché l’o1 è più lento nel rispondere, ma molto più preciso grazie alla sua capacità di rivalutare e correggere eventuali errori durante il processo di risoluzione.

Secondo OpenAI, l’o1 si comporta a un livello simile a quello degli studenti di dottorato in discipline come fisica, chimica e biologia. Durante un test matematico qualificante per le Olimpiadi Internazionali di Matematica, il modello ha ottenuto una precisione dell’83%, rispetto al 13% del modello GPT-4o.

Disponibilità e utilizzo

Il modello o1 è disponibile in anteprima per gli utenti di ChatGPT Plus e Team, con un limite di 30 messaggi settimanali per l’o1 e 50 messaggi per l’o1-mini. La disponibilità per gli sviluppatori è stata limitata a 20 richieste al minuto, ma con alcune restrizioni, come l’impossibilità di utilizzare il modello per chiamate di funzione o streaming. OpenAI ha anche annunciato che il modello o1-mini sarà reso disponibile per gli utenti della versione gratuita di ChatGPT, anche se con un limite di utilizzo inferiore rispetto a GPT-4o.

I modelli della serie o1 rappresentano un importante passo avanti nelle capacità di ragionamento e calcolo delle AI, con prestazioni che si avvicinano a quelle di esperti umani in campi complessi. Tuttavia, OpenAI continua a migliorare i modelli con aggiornamenti futuri per aumentarne l’efficienza e ridurre i costi operativi.

OpenAI e Apple stanno facendo mosse strategiche significative nel campo dell’intelligenza artificiale, collaborando con Taiwan Semiconductor Manufacturing Company (TSMC) per sviluppare nuovi chip avanzati. Questi sviluppi potrebbero avere un impatto profondo sul futuro dell’AI e dei dispositivi che ne fanno uso, come gli iPhone.

OpenAI, noto per i suoi progressi nell’AI generativa, ha deciso di sviluppare un chip interno utilizzando il nodo A16 Angstrom di TSMC. Questo chip promette di migliorare le capacità della funzione di generazione video di OpenAI, chiamata Sora. La tecnologia potrebbe diventare parte integrante della suite di AI generativa di Apple, contribuendo a potenziare le vendite di iPhone grazie alle sue capacità avanzate di video-generazione. La collaborazione con TSMC è vista come un passo cruciale per OpenAI, poiché l’azienda cerca di ridurre la sua dipendenza da altri produttori di chip come Nvidia, mirando a una maggiore efficienza e convenienza.

OpenAI e TSMC: innovazione nel settore dei Chip AI

TSMC costruirà il chip di OpenAI utilizzando il suo nodo A16 Angstrom, un avanzamento significativo rispetto ai chip da 2nm. Questo nodo è progettato per essere fino al 10% più veloce e consumare il 20% in meno di energia, offrendo prestazioni superiori per applicazioni AI. Secondo l’analista di Bernstein, Stacy Rasgon, ogni query inviata a ChatGPT costa attualmente a OpenAI circa 4 centesimi di dollaro. Con l’aumento dell’uso di ChatGPT, la domanda di chip potrebbe raggiungere un valore di 16 miliardi di dollari all’anno, rendendo questa collaborazione con TSMC altamente redditizia.

Anche ByteDance, la società madre di TikTok, ha fatto mosse simili, sviluppando un chip AI interno con il partner Broadcom, utilizzando il processo di produzione a 5nm di TSMC. Questo evidenzia una tendenza crescente tra le grandi aziende tecnologiche a sviluppare chip personalizzati per migliorare le loro capacità AI.

Apple Punta su ChatGPT e l’Intelligenza Artificiale

Apple sta cercando di assicurarsi una posizione di rilievo nel futuro dell’intelligenza artificiale, puntando su ChatGPT di OpenAI. In collaborazione con OpenAI, Apple mira a migliorare Siri, rendendola più interattiva e amichevole. Questo aggiornamento, già presente nei modelli di iPhone 15 Pro e superiori, potrebbe trasformare l’assistente virtuale di Apple in un interlocutore più naturale per gli utenti.

Apple e Nvidia stanno preparando un nuovo round di finanziamenti per OpenAI, con una valutazione che potrebbe raggiungere i 100 miliardi di dollari, segnando la più grande valutazione di sempre per una società dedicata esclusivamente all’intelligenza artificiale. Questa mossa dimostra l’intenzione di Apple di integrare profondamente le sue iniziative AI con quelle di OpenAI, espandendo le funzionalità di Siri e altre applicazioni basate sull’intelligenza artificiale.

Apple potrebbe annunciare ulteriori dettagli sui suoi piani per l’AI durante la presentazione dell’iPhone 16, prevista per il 9 settembre. Questo evento potrebbe fornire una chiara indicazione del livello di attenzione che Apple intende dare alle funzionalità AI nei suoi dispositivi futuri, con particolare riferimento alle capacità assistite da ChatGPT.

L’emergent computing è un campo che trae ispirazione dai processi computazionali naturali, caratterizzati da complessi meccanismi che emergono dalla cooperazione di processi semplici. Questo approccio si focalizza su sistemi dove il comportamento complessivo non dipende dalle singole parti ma dalle relazioni tra di esse. Un esempio di emergent computing è rappresentato dalle reti neurali artificiali (ANNs), sviluppate basandosi sul comportamento computazionale emergente dei cervelli biologici. Entrambi questi sistemi complessi sono composti da elementi semplici le cui interazioni combinano per generare calcoli complessi o processi cognitivi.

Il ruolo del reservoir computing nell’Emergent computing

Il concetto di computing emergente è stato ulteriormente sviluppato con il reservoir computing, un’applicazione che utilizza sistemi fisici non lineari, detti serbatoi, come parte del processo computazionale. Utilizzando serbatoi presenti in natura, come onde d’acqua per l’analisi delle immagini, muffe miceliali come risolutori di labirinti e reattori chimici come porte logiche, il reservoir computing permette di sfruttare la computazione emergente naturale per applicazioni pratiche. Tuttavia, questi sistemi non mostrano funzioni di memoria emergente e comportamento di apprendimento associativo, caratteristiche osservate nelle reti neurali biologiche (BNNs). La limitata capacità di memoria limita le potenzialità dei sistemi di serbatoi di migliorare, rendendo complessi i compiti continui basati sulla storia delle attività.

Memoria emergente nelle Reti Neurali Biologiche e Artificiale

Per sfruttare la potenza computazionale delle reti neurali biologiche nei problemi di calcolo, sono state sviluppate le ANNs, create applicando elementi strutturali dei cervelli biologici con l’obiettivo di raggiungere capacità di apprendimento simili.

Sebbene le ANNs abbiano fatto grandi progressi nella risoluzione di problemi attraverso il machine learning, rimangono limitate dalla loro implementazione hardware e non sono in grado di emulare completamente le capacità di apprendimento delle loro ispirazioni biologiche.

Il Potenziale dei Polimeri Idrogel EAP nella Computazione Emergente

Recenti studi hanno esplorato il potenziale dei polimeri idrogel elettroattivi (EAP) nella computazione. Questi materiali mostrano un comportamento di memoria simile alle BNNs quando stimolati elettricamente, grazie alla migrazione degli ioni sotto l’influenza di campi elettrici per ridurre l’energia libera del sistema. Questo processo causa una ristrutturazione della distribuzione degli ioni e delle catene polimeriche cariche, rendendo il comportamento degli idrogel EAP comparabile alla dinamica degli ioni nei neuroni delle BNNs.

Studio sull’Applicazione degli Idrogel EAP al Gioco Pong

Questo studio mira a dimostrare come gli idrogel EAP possano esibire funzioni di memoria emergente quando integrati in un ambiente di gioco simulato. L’esperimento utilizza un’array multi-elettrodo (MEA) per stimolare gli idrogel EAP nel contesto del gioco Pong, un compito già stabilito per il calcolo biologico. I risultati mostrano come la concentrazione degli ioni negli idrogel, misurata attraverso la conducibilità, influenzi le performance del gioco, indicando la presenza di meccanismi di memoria emergente.