“Il mercato sta rivedendo la tempistica e l’entità dei ritorni dell’AI,” ha osservato un analista senior di una grande società di investimenti questa settimana, mentre il rapporto prezzo-utili di Nvidia è crollato al suo punto più basso in sette anni. Essendo qualcuno che ha passato l’ultimo decennio a costruire e analizzare architetture di agenti, trovo questo momento meno sorprendente di quanto sembri alla maggior parte degli osservatori.
Il brusco scetticismo del mercato nei confronti di Nvidia—l’azienda che è diventata sinonimo di infrastruttura AI—rivela qualcosa di fondamentale su come abbiamo pensato all’intelligenza artificiale. O meglio, su come abbiamo evitato di pensare ad essa.
Il Controllo della Realtà dell’Architettura
Ecco cosa la stampa finanziaria non ti sta dicendo: l’attuale generazione di sistemi AI, nonostante le loro impressionanti capacità, sta incontrando barriere architettoniche che non possono essere risolte semplicemente aumentando la potenza di calcolo. Lo vedo nel mio laboratorio ogni giorno. Stiamo addestrando modelli più grandi, sì, ma i ritorni stanno diminuendo in modi che dovrebbero preoccupare chi presta attenzione alla matematica sottostante.
L’architettura transformer che alimenta i grandi modelli linguistici di oggi scala magnificamente—fino a quando non lo fa. I requisiti di memoria crescono quadraticamente con la lunghezza della sequenza. I costi di inferenza rimangono ostinatamente elevati. E, cosa ancora più critica per la valutazione di Nvidia, i prossimi progressi nell’intelligenza degli agenti potrebbero non richiedere gli stessi aumenti esponenziali nella capacità GPU che abbiamo visto negli ultimi cinque anni.
Quando Starcloud ha recentemente raggiunto una valutazione di 1,1 miliardi di dollari, il mercato ha festeggiato un altro unicorno dell’AI. Ma guardando più da vicino a ciò che stanno realmente costruendo: motori di inferenza più efficienti, migliori compressioni di modelli, innovazioni architettoniche che fanno di più con meno. Questo è il futuro che il rapporto PE di Nvidia sta iniziando a prezzare.
Il Punto di Inflessione dell’Intelligenza degli Agenti
La vera storia qui non riguarda le tensioni geopolitiche o le ansie del mercato—anche se sicuramente contribuiscono. Riguarda un cambiamento fondamentale nel modo in cui ci stiamo avvicinando all’intelligenza degli agenti. L’era brutale dello sviluppo dell’AI sta cedendo il passo a qualcosa di più sfumato.
Nella mia ricerca sui sistemi multi-agente, ho osservato che i comportamenti più interessanti emergono non da singoli agenti con enormi conteggi di parametri, ma da reti di agenti più piccoli e specializzati che comunicano in modo efficiente. Questo schema architettonico richiede un’ottimizzazione hardware diversa rispetto ai modelli monolitici che hanno guidato la crescita meteoritica di Nvidia.
Considera cosa significa questo per l’infrastruttura di calcolo: invece di addestrare modelli sempre più grandi su enormi cluster GPU, ci stiamo muovendo verso sistemi distribuiti in cui il colli di bottiglia passa da un calcolo grezzo a banda passante e latenza della comunicazione. L’economia cambia drammaticamente.
Cosa ci Dicono i Numeri
Un minimo di sette anni nel rapporto PE non significa che Nvidia stia fallendo—significa che il mercato sta ricalibrando le aspettative. L’azienda rimarrà centrale per l’infrastruttura AI, ma forse non nel modo in cui gli investitori immaginavano quando hanno portato il titolo a altezze stratosferiche.
La realtà tecnica è che stiamo entrando in una fase in cui l’efficienza algoritmica conta tanto quanto la capacità hardware. I miei colleghi e io stiamo ottenendo risultati migliori con modelli più piccoli attraverso tecniche come architetture a miscela di esperti, generazione aumentata da recupero e regimi di addestramento più sofisticati. Ognuna di queste innovazioni riduce l’intensità di calcolo per unità di intelligenza prodotta.
Il Cammino da Seguire
Questa correzione di mercato potrebbe essere in realtà salutare per il campo. L’assunto che i progressi dell’AI richiedono risorse di calcolo illimitate ha portato a alcune priorità di ricerca discutibili. Quando il tuo martello costa miliardi di dollari, tutto inizia a sembrare un chiodo che ha bisogno di più ore GPU.
La prossima generazione di sistemi di agenti sarà definita dalla loro efficienza, non dalla loro dimensione. Stiamo già vedendo questo nelle distribuzioni in produzione dove i costi di inferenza determinano la fattibilità. Le aziende che riusciranno a costruire agenti capaci che funzionano su hardware modesto cattureranno un enorme valore—ma non guideranno necessariamente le stesse vendite di GPU che hanno alimentato la precedente traiettoria di crescita di Nvidia.
Per coloro di noi che lavorano sulle architetture degli agenti, questo momento rappresenta un’opportunità. I vincoli imposti dalla realtà economica spesso guidano le innovazioni tecniche più interessanti. Quando non puoi semplicemente scalare, devi pensare più a fondo ai problemi fondamentali.
Il mercato potrebbe perdere fiducia nella semplice storia della scalabilità esponenziale dell’AI, ma ciò non significa che la rivoluzione AI sia finita. Significa che stiamo passando dalla parte facile—lanciare potenza di calcolo ai problemi—alla parte difficile: costruire sistemi che siano realmente intelligenti in modi che contano. E qui inizia il vero lavoro.
🕒 Published: