Quando il software ha iniziato a scrivere software
Se rilasci codice, il tuo lavoro sta cambiando.
Sei passato dal scrivere ogni singola riga all'uso dell'autocompletamento. Ora, scrivi specifiche e guardi gli agenti scrivere, testare e rilasciare codice per te.
Non è successo da un giorno all'altro. È una storia settantennale di ridefinizione dell'intelligenza.
Ecco come siamo arrivati fin qui:
L'era simbolica (anni '50-'80) L'intelligenza significava logica. Gli esseri umani scrivevano ogni regola a mano utilizzando istruzioni IF-THEN. Questi sistemi erano brillanti in un ambito ristretto, ma fallivano nel mondo reale. Non potevano imparare dai dati.
L'era statistica (anni '90-2000) Abbiamo smesso di dettare le regole alle macchine. Al loro posto, abbiamo mostrato loro degli esempi. Le macchine hanno usato la matematica per trovare pattern nei dati. Questo ci ha dato filtri antispam e motori di raccomandazione. L'intelligenza dipendeva ancora dagli esseri umani per scegliere le giuste caratteristiche dei dati.
L'era del Deep Learning (2012-2017) Le regole del gioco sono cambiate con AlexNet. Abbiamo scoperto che se si impilano abbastanza strati e si utilizzano abbastanza dati, il modello trova le proprie caratteristiche. Niente più feature engineering manuale. I computer hanno iniziato a vedere e sentire come gli esseri umani.
L'era dei Transformer (2017-2022) L'architettura Transformer ha permesso ai modelli di elaborare enormi quantità di testo contemporaneamente. Questo ha portato a GPT. L'intelligenza è diventata compositiva. Un singolo modello poteva scrivere una poesia, fare il debug di Python e spiegare la matematica. Il linguaggio è diventato l'interfaccia per tutti i compiti.
L'era degli agenti (2023-Oggi) Stiamo dando delle mani ai modelli. Un agente non si limita a rispondere a una domanda. Utilizza strumenti, naviga sul web, esegue codice e corregge i propri errori. Passa da una risposta passiva a un ciclo attivo.
Il pattern è chiaro. Ogni era ha spostato il lavoro dagli esseri umani alle macchine.
- AI Simbolica: Gli esseri umani scrivevano le regole.
- ML Statistico: Gli esseri umani sceglievano le caratteristiche.
- Deep Learning: I modelli imparavano le rappresentazioni.
- LLM: I modelli imparavano da internet.
- Agenti: I modelli pianificano e agiscono.
Ogni salto è stato anche una questione economica. Costruiamo ciò che possiamo permetterci di far girare. Man mano che la potenza di calcolo diventa più economica, gli agenti diventano più intelligenti.
Non stiamo solo costruendo strumenti. Stiamo costruendo collaboratori.
Community di apprendimento opzionale: https://t.me/GyaanSetuAi