top of page

LE IMPRESE ITALIANE DAVANTI ALLA “CORSA AGLI ARMAMENTI” AI

SMACT

Piccola guida per orientarsi tra guerre stellari e guerriglia AI

Matteo Faggin, Direttore Generale SMACT



In queste settimane siamo testimoni di una cacofonia di notizie collegate all’Intelligenza Artificiale (AI) con un evidente ritorno della corsa agli armamenti, questa volta in chiave tecnologica. Occupandoci di tecnologia per le imprese, e senza pretesa di comprendere tutti i dettagli di una scacchiera articolata, ci domandiamo quali impatti e strategie questo scenario che pare estremamente complesso suggerisca alle imprese italiane alle prese con la sfida della digitalizzazione e dell’integrazione dell’AI nei propri processi e prodotti.


La nuova amministrazione americana, in sostanziale continuità con la precedente ma con cifra stilistica decisamente diversa, ha infatti chiaramente individuato nell’infrastruttura di calcolo avanzata un fattore competitivo centrale della geopolitica globale. Oltre al permanere dei precedenti divieti di esportazione di hardware avanzato verso i competitor strategici, in questi giorni ha destato molto scalpore l’annuncio del programma Stargate (il parallelismo con le “Star Wars” di Reagan sembra voluto).

Con budget previsto di 500 miliardi di dollari, questa iniziativa congiunta di OpenAI, SoftBank, Oracle e MGX, fortemente sostenuta dal governo, intende sviluppare entro il 2029 una rete di data center avanzati che si vanno ad aggiungere agli oltre 3.000 già esistenti per supportare lo sviluppo dell'AI su larga scala garantendo la leadership americana nel settore.


Se i data center sono effettivamente la base della futura competitività delle imprese, è del tutto evidente che con le 150 strutture presenti in Italia e nonostante i pure encomiabili progetti europei come il supercalcolatore Leonardo, rischiamo l’irrilevanza non solo geopolitica ma a medio termine anche economica. Come potranno le nostre imprese competere contro un arsenale di quel calibro?

Fortunatamente il quasi simultaneo emergere di DeepSeek come alternativa AI a basso costo pare volerci ridare speranza, dimostrando che è possibile immaginarsi un quadro diverso.

DeepSeek ha infatti sviluppato modelli AI che offrono prestazioni avanzate facendo uso, a detta della stessa società, di infrastrutture e con costi di sviluppo radicalmente inferiori rispetto a quelli dei leader statunitensi. Quello che ha riferito la società cinese è che questi modelli, a partire da modelli open-source sviluppati al MIT di Boston, sono stati progettati per essere altamente efficienti, utilizzando tecniche di ottimizzazione che riducono la necessità di hardware costoso.

Inevitabilmente il successo istantaneo di DeepSeek getta una lunga ombra sulla strategia infrastrutturale oltre che sulla (sopra?) valutazione delle imprese tecnologiche americane.

Quello che è più interessante per noi però è come il “caso DeepSeek”, comunque si sviluppi nelle cronache tecnologiche e giudiziarie dei prossimi mesi - ed è facile prevedere che gli strascichi saranno lunghi e che non resterà un episodio isolato - è un primo caso eclatante che offre una referenza importante alle nostre imprese, tecnologiche e non, e richiama la nostra attenzione su uno scenario alternativo a quello finora immaginato di dominanza dell’infrastruttura sul servizio: anche nell’AI, se mancano le risorse infrastrutturali, si può compensare con un’applicazione “furba” delle tecnologie.

Scenario che riteniamo sia particolarmente favorevole per le imprese italiane che hanno risorse limitate per investire in infrastrutture di calcolo costose, ma non mancano di competenze verticali e “furbizia” negli sviluppi.


È bene notare che non c’è solo DeepSeek: ormai sono molte le tecnologie e le società emergenti che realizzano prestazioni elevate nell'AI senza investire massicciamente in infrastrutture costose. Alcuni esempi, non esaustivi:

  • H2O.ai è una piattaforma open-source che offre strumenti di machine learning e Intelligenza Artificiale altamente efficienti. La sua tecnologia AutoML permette di automatizzare il processo di costruzione dei modelli di machine learning, riducendo significativamente il tempo e le risorse necessarie. H2O.ai è utilizzata da molte aziende per implementare soluzioni AI senza la necessità di infrastrutture di calcolo costose.

  • L'Edge AI rappresenta un approccio innovativo che porta l'elaborazione dei dati vicino alla fonte dell’informazione, riducendo la dipendenza dai data center centrali. Tecnologie come i microcontrollori avanzati e i chip AI dedicati permettono di eseguire algoritmi complessi direttamente sui dispositivi edge, come sensori e telecamere. Questo approccio non solo riduce i costi di infrastruttura, ma migliora anche la velocità e l'efficienza delle applicazioni AI. In SMACT stiamo lavorando proprio su questi temi con i fornitori di connettività in una logica di infrastruttura ibrida.

  • TinyML è una tecnologia che consente l'esecuzione di modelli di machine learning su dispositivi a bassa potenza, come microcontrollori e sensori. Questa tecnologia è particolarmente utile per applicazioni IoT (Internet of Things), dove l'efficienza energetica e i costi ridotti sono cruciali. TinyML permette di implementare soluzioni AI in ambienti con risorse limitate, senza la necessità di infrastrutture di calcolo costose. Prova del buon funzionamento di questa tecnologia l’abbiamo avuta in SMACT da un partner tecnologico che sviluppa sensori smart proprio su queste basi.

  • Il Federated Learning è un approccio che consente di addestrare modelli di machine learning utilizzando dati distribuiti su più dispositivi, senza dover centralizzare i dati stessi. Questo metodo riduce la necessità di infrastrutture di calcolo centralizzate e migliora la privacy dei dati. Persino Google sta già utilizzando il Federated Learning per migliorare i propri servizi senza dover investire in costose infrastrutture di calcolo.


Tutte queste sono tecnologie per cui le competenze necessarie (a saperle cercare) si trovano “sotto casa”, che non richiedono massicci investimenti infrastrutturali e promettono una AI “a portata di impresa” italiana. Evitare il sovra-investimento in tecnologia per l'AI richiede però un approccio strategico e ben ponderato. Ecco alcune strategie chiave:

  1. Valutare le esigenze reali

Prima di investire in infrastrutture di calcolo costose, è fondamentale valutare le esigenze reali dell'azienda. Non tutte le applicazioni di AI richiedono hardware avanzato. Ad esempio, molte soluzioni possono essere implementate utilizzando le tecnologie più economiche di cui sopra.


  1. Adottare soluzioni scalabili

Investire in soluzioni in cui è possibile aggiungere infrastruttura quando serve permette di iniziare con un investimento minimo e aumentare gradualmente in base alle necessità. Questo approccio riduce il rischio di sovra-investimento e permette di adattarsi rapidamente ai cambiamenti del mercato.


  1. Iniziare con progetti pilota

Prima di impegnarsi in investimenti significativi, è consigliabile avviare progetti pilota per testare l'efficacia delle soluzioni AI, oltre che l’adeguatezza delle competenze organizzative. Questo approccio permette di valutare i benefici e i costi reali, evitando investimenti su larga scala in tecnologie che non portano a ritorni significativi.


  1. Formare e sviluppare le competenze interne

Investire nella formazione del personale interno può ridurre la dipendenza da consulenti esterni e fornitori di tecnologia. Avere competenze interne permette di sviluppare soluzioni AI più efficienti e personalizzate, riducendo i costi complessivi.


  1. Inserirsi in un Ecosistema di competenze (proprio come SMACT Competence Center!)

“L’unione fa la forza” anche in questo campo: costruire rapporti con altri innovatori, nelle imprese e nella ricerca, è indispensabile sia per trarre spunto e costruire sull’esperienza già maturata da altri, sia per completare le proprie competenze organizzative con le altre necessarie a portare a buon fine progetti di innovazione tecnologica.


  1. Focalizzarsi su progetti strategici

Concentrarsi su un numero selezionato di progetti strategici permette di allocare le risorse in modo più efficiente e ottenere risultati significativi. Questo approccio riduce il rischio di dispersione delle risorse e aumenta le probabilità di successo.


Adottando queste strategie, le aziende possono aggirare almeno in parte lo scoglio della disponibilità di infrastrutture AI avanzate e massimizzare il valore ottenuto dalle loro iniziative.


Per chiudere, riprendendo l’analogia bellicista, è piuttosto evidente che gli Stati Uniti stanno vincendo la corsa agli armamenti AI, ma non è affatto chiaro che per le imprese italiane si prospetti effettivamente una battaglia “in campo aperto” in cui tale infrastruttura determinerebbe una sconfitta sicura, quanto piuttosto una “guerriglia AI” in cui sia possibile difendere le proprie posizioni competitive attraverso l’uso di tecnologie che chiedono meno infrastruttura, appropriata organizzazione e facendo leva su una rete di sostegno adeguata.



Comments

Rated 0 out of 5 stars.
No ratings yet

Add a rating
bottom of page