Il progresso dell'IA rallenta a causa di un eccesso di dati inutili—ce ne sono troppi.

Il risultato principale: per passare da ChatGPT a robot “reali”, servono non solo grandi set di dati ma informazioni di qualità e pertinenti.

Fortune sottolinea che l’industria dell’IA è sull’orlo di una nuova era – dell’intelligenza fisica e dei modelli del mondo circostante. Tali sistemi devono saper orientarsi nello spazio reale: comportarsi in strada, stirare il bucato o assistere in interventi chirurgici complessi. Per questo servono non solo dati “scaricabili”, ma set ricchi e sfaccettati di informazioni.

Perché la qualità dei dati è cruciale
1. Ridondanza e inutilità

In mezzo all’enthusiasmo per l’IA, sono nati numerosi startup (Scale AI, Surge AI, Mercor) che cercano di raccogliere quante più informazioni possibili. Ciò porta a un accumulo enorme di file “vuoti” che non contribuiscono all’addestramento dei modelli. Se i ricercatori non riescono a filtrare questi dati, il potenziale dell’IA fisica rimarrà sottoutilizzato.

2. Complessità delle sfide multidimensionali

Comprendere un mondo complesso richiede ancora più dati, ma sono estremamente difficili da ottenere. Perciò gli ingegneri ricorrono alla modellazione: creano ricostruzioni virtuali di scenari reali per generare esempi di addestramento per robot e veicoli autonomi.

3. Rischi dei set di bassa qualità

Dati di scarsa qualità possono portare a risultati imprevedibili. Un esempio è la sospensione del supporto di OpenAI all’applicazione video Sora: il modello non gestiva correttamente la fisica, ostacolando previsioni realistiche.

Come affrontare il problema
- Strumenti di pulizia

Gli esperti di machine learning hanno bisogno di tecnologie che rimuovano automaticamente i dati superflui, analizzino, normalizzino e correggano i set. Questo permetterà di estrarre informazioni preziose dal “rumore”.

- Focus sulla qualità

Attualmente il fattore limitante è la carenza di dati di qualità. Le aziende che capiranno questo prima e inizieranno a investire nella loro raccolta e elaborazione saranno leader nella creazione di sistemi IA realmente funzionanti.

In sintesi, passare da modelli testuali ai robot capaci di agire nel mondo reale è impossibile senza un approccio sistemico alla qualità dei dati di addestramento. Fortune evidenzia che proprio questo fattore sarà decisivo per il futuro dell’intelligenza fisica.