Nella puntata di oggi Giovanni Acampora, professore di informatica presso l'Università Federico II di Napoli, farà chiarezza su cos'è l'intelligenza artificiale quantistica. Avremo con noi anche Federico Accetta da IBM che parlerà della roadmap che prevede un computer quantistico di oltre 4000 qubit entro il 2025. IBM ha recentemente introdotto QisKit che punta a democratizzare lo sviluppo di software quantistici. Tuttavia, dobbiamo anche considerare attentamente i possibili limiti e le sfide etiche che accompagnano l'implementazione di queste tecnologie all'avanguardia rendendoci consapevoli dei rischi, quindi lavorare insieme per garantire che l'IA quantistica sia sviluppata ed utilizzata in modo responsabile e equo.
TRANSCRIPT
Cristiano Matricardi [00:00:01] I dati sono il petrolio del nuovo millennio, la valuta di scambio per il baratto digitale, dove diventano la moneta che crea una nuova economia. Almeno una volta negli ultimi anni abbiamo sentito dire uno o più di queste affermazioni. Ma la gestione dei dati sta vivendo un vero e profondo cambiamento che sì, potrebbe ridisegnare il nostro rapporto con questa merce preziosa. Ad ogni modo, i dati grezzi, come il petrolio appena estratto, sono inutili. Sono un ammasso di numeri simili ad un barile di questo liquido denso e nero con un fortissimo valore potenziale, ma che allo stato attuale non sono altro che un ingombro di memoria in un server sperduto in qualche regione fredda. Ma così come per il petrolio, i dati vengono presi, vengono suddivisi, trattati, analizzati per far fiorire quell'informazione che vale oro. Nel petrolio si parte con la raffinazione per estrarre il vero valore. Si dividono frazioni utili ognuna per un determinato utilizzo. Il catrame per le strade, il kerosene per gli aerei, la benzina per le auto e così via. Con i dati succede lo stesso man a mano che ci si rende conto del potenziale commerciale dei dati. Le raffinerie tra virgolette diventano sempre più grandi, sempre più potenti ed in grado di esercitare un potere tale da regolare equilibri sociali mondiali. Ecco come in tutte le storie di crescita esponenziale c'è sempre un “Ma”. In questo caso si nasconde dietro il sistema che sta diventando sempre più complesso. Le nostre case sono imbottite di sensori, i nostri cellulari e wearable devices raccolgono informazioni a tutte le ore. Le nostre città, ma anche la nostra natura incontaminata viene costantemente monitorata per scopi di ordine pubblico, ma anche per scopi ambientali e sociali. La mole di dati che in tempo reale viene prodotta sta diventando un fardello pesante, anzi pesantissimo, quasi ingestibile. Come abbiamo visto nella puntata precedente, Super computer e reti europee di supercalcolo si stanno sviluppando per far fronte a tale richiesta di capacità di analisi. Ma riusciranno a stare al passo con questo pressante aumento di velocità? Ecco qui entra in gioco lei, l'intelligenza artificiale quantistica che sì, potrebbe fornire quello di cui abbiamo bisogno. Non è difficile pensare che se si riuscisse a gestire milioni di terabyte di dati in parallelo con una velocità di esecuzione altissima, l'intelligenza artificiale potrebbe raggiungere livelli mai visti prima. Si pensi ad esempio ai modelli generativi alla base di applicazioni come chat GPT, che ovviamente potranno essere aggiornati in modo continuo ed efficiente grazie agli algoritmi quantistici. Oppure si pensi alle città intelligenti del futuro, dove migliaia di sensori e attuatori interagiranno per fornire servizi in tempo reale e personalizzati, a milioni di persone. In un mondo in cui la mole di dati diventa sempre più opprimente, l'intelligenza artificiale quantistica potrebbe rappresentare la chiave per un'analisi più efficiente e gestibile, aprendo quindi la strada a soluzioni pratiche e innovative e per affrontare le sfide del nostro tempo, ma soprattutto quelle del nostro futuro.
Per seguire al meglio la puntata di oggi occorre fare una premessa e capire bene la differenza tra algoritmi classici e algoritmi quantistici. Un paragone molto tirato, però estremamente illustrativo, è quello dell'ascensore e le scale. Immaginiamo di dover salire al 6º piano di una casa, di fronte a noi abbiamo appunto le scale ed un ascensore. Lo scopo finale è sempre quello di arrivare in cima ad una palazzina, però il metodo di funzionamento è completamente diverso. In uno devo fare uno sforzo muscolare, in un altro si utilizza un sistema di cavi e carrucole che mi permettono in pochissimo tempo di arrivare in cima. Le scale sono il nostro computer classico, mentre l'ascensore è il nostro computer quantistico. Detto questo, capiamo cosa è un algoritmo, essenzialmente una sequenza di azioni, ed è ben facile capire che per salire le scale devo utilizzare un algoritmo del genere: passo destro sulla prima scala, passo sinistro sulla seconda, destro sulla terza e così via. Ora spostiamoci sul nostro computer quantistico: l'ascensore. Per arrivare al 6º piano l'algoritmo sarà completamente diverso: chiama l'ascensore, entra nell'ascensore scegli il piano, esci da l'ascensore. È ben facile capire che se si utilizza la serie di azioni per far funzionare l'ascensore davanti a delle scale, beh, non andremo molto lontano. Ed ecco qui, la fondamentale differenza è che computer classico e quantistico sono completamente diversi e per farli funzionare ho bisogno di algoritmi completamente diversi tra di loro. Quindi utilizzando un PC quantistico, ovvero il mio ascensore, posso rendere più veloci ed efficienti una gran quantità di operazioni. Ad esempio ho dieci scatoloni, utilizzando le scale devo portarne 1 a 1 e fare più viaggi. Al contrario, con l'ascensore posso in un solo momento portare parallelamente tutti e dieci gli scatoloni al 6º piano. Questa proprietà si chiama parallelizzazione, ovvero ottenere una serie di risultati in parallelo e in un solo colpo. Possiamo chiamarlo quasi il superpotere dei computer quantistici, come ci diceva nella prima puntata Sabrina Maniscalco. Questo vuol dire che il mio ascensore mi aiuterà sempre ad essere più efficiente e veloce. Beh, direi di no. Immagina di dover portare al 6º piano un divano. Per le scale é possibile lentamente far girare e salire, mentre se volessi utilizzare l'ascensore dovrei inevitabilmente prima smontarlo, magari rompendo dei pezzi, portarlo in cima e rimontarlo, con il risultato di avere un processo meno efficiente. Lo stesso succede con i computer quantistici. Essi non sono la soluzione a tutti i nostri problemi, ma funzionano benissimo per alcuni casi d'uso. Uno dei casi d'uso che si sta rivelando estremamente attrattivo è l'applicazione in intelligenza artificiale. Ecco, il tema è molto giovane e nonostante il grande rumore che si sta facendo intorno a questo tema, gli esperti del settore stanno ancora cercando una chiara definizione a quella che oggi chiamiamo intelligenza artificiale quantistica.
Giovanni Acampora [00:07:23] Questo legame diciamo che si sta creando tra l'intelligenza artificiale e il calcolo quantistico in realtà è un legame di tipo bidirezionale perché entrambe le discipline possono essere a supporto l'una dell'altra. In particolare da un lato, l'intelligenza artificiale può supportare la progettazione di sistemi di calcolo quantistico più efficienti. Dall'altro lato, il calcolo quantistico può abilitare l'implementazione di algoritmi di intelligenza artificiale ancora più potenti di quelli che conosciamo, di quelli che conosciamo oggi.
Cristiano Matricardi [00:07:59] Lui è Giovanni Acampora, professore ordinario di Informatica presso l'Università Federico II di Napoli e ricercatore attivo nel campo dell'Intelligenza artificiale quantistica. Uno degli ambiti di sviluppo dell'intelligenza artificiale è senza dubbio quello delle reti neuronali, che mimano appunto il ragionamento umano. Questi modelli, però hanno bisogno di un numero elevatissimo di parametri per poter essere allenati. Uno dei vantaggi del calcolo quantistico è proprio quello di poter utilizzare meno spazio e meno tempo per poter rispettivamente memorizzare e trattare i dati attraverso quella proprietà che consente id effettuare effettuare calcoli paralleli, aumentando così la velocità e l'efficienza dei calcoli stessi.
Goivanni Acampora [00:08:52] Se consideriamo un computer quantistico disponibile oggi su internet, che è quello ad esempio, messo a disposizione da IBM con 127 qubit. ci consente, di andare a memorizzare un numero di parametri pari a due alla 127, che è un numero elevatissimo. Chat GPT non ha un numero così alto di parametri da gestire e quindi diciamo con poco spazio quantistico, riesco a memorizzare una grande quantità di dati classici mentre con le operazioni quantistiche riesco a utilizzare questi dati in maniera più efficiente rispetto alle operazioni classiche. Questo da un dal punto di vista quantum per AI.
Cristiano Matricardi [00:09:59] In generale, quando parliamo di intelligenza artificiale, soprattutto quella che permette un ragionamento logico molto simile al ragionamento umano, parliamo di logica fuzzy, i fuzzy systems, questi sistemi si sono rivelati essere imprescindibili ed estremamente interpretabili da un punto di vista classico, ma allo stesso tempo onerosi da un punto di vista computazionale. Ed è qui che il calcolo quantistico può fare la differenza. Ecco che l'Università Federico II di Napoli sta acquistando, attraverso i fondi del PNRR, un calcolatore quantistico di 25 qubit che potrà appunto supportare ulteriormente lo sviluppo di attività e di progettazione di futuri algoritmi quantistici.
Giovanni Acampora [00:10:51] Cosa abbiamo fatto a Napoli é implementare una versione quantistica di questi modelli (ndr. fuzzy systems). Abbiamo ottenuto una crescita della complessità computazionale che è lineare nei dati e che quindi ci consente di analizzare in tempi molto più rapidi i dati, ad esempio provenienti dalle smart cities. Oppure un'altra che cosa abbiamo fatto é andare a implementare degli algoritmi di ottimizzazione. Gli algoritmi di ottimizzazione come quelli che classicamente chiamiamo algoritmi genetici ma implementati in maniera quantistica per cercare di accelerare il training dei modelli di machine learning classico. Quindi, diciamo, ci sono diverse modalità con cui gli algoritmi classici e gli algoritmi quantistici possono interagire tra di loro al fine di definire, diciamo, servizi informatici, applicazioni informatiche avanzate.
Cristiano Matricardi [00:11:38] Quindi Giovanni, come vedi l'integrazione di calcolo classico e calcolo quantistico nel futuro?
Giovanni Acampora [00:11:47] Io vedo un futuro dove le macchine ad alte prestazioni classiche, i cosiddetti sistemi di high performance computing, verranno ibridizate con macchine quantistiche e le macchine quantistiche avranno ruoli particolari in queste architetture come quelle andare a risolvere problemi complessi come ad esempio appunto dicevamo prima, il training di modelli di machine learning di grosse dimensioni. E non si può pensare che il computer quantistico possa sostituire il computer classico perché le viviamo in un mondo che è classico, quindi interagire con qualcosa di quantistico in maniera diretta non è così semplice.
Cristiano Matricardi [00:12:29] Tornando quindi al paragone delle scale e dell'ascensore, non possiamo fare a meno di una delle due cose. Il futuro sarà quindi un ibridizzazione di entrambi per poter sfruttare al meglio le capacità di ogni tipo di calcolo. Una cosa sembra essere sicura che con il calcolo quantistico l'intelligenza artificiale può subire un'accelerazione mai vista prima.Ora ci sono tantissimi fattori da considerare, perché poi tutto questo può portare allo sviluppo di una intelligenza artificiale generale e che comunque deve tener conto di tanti fattori, sia da un punto di vista hardware che da un punto di vista software di sviluppo, ma anche da un punto di vista etico, perché poi si vanno a toccare temi molto più profondi che quelli del semplice mero calcolo quantistico.
Giovanni Acampora [00:13:20] È ovvio che si aprirebbe uno scenario completamente nuovo in cui informatici, ingegneri ed esperti di etica dovranno collaborare fortemente per gestire quella che potrebbe essere la General AI messa a disposizione dall'integrazione di sistemi di calcolo quantistico e metodologie di intelligenza artificiale.
Cristiano Matricardi [00:13:46] Le nuove tendenze dell'intelligenza artificiale devono essere valutate attentamente in termini di vantaggi e sfide per le aziende. L'intelligenza artificiale quantistica non fa eccezione in questo campo. Oggi, infatti, abbiamo solamente i piccoli prototipi di computer quantistici, ma nessuno che conosciamo è abbastanza grande da fare qualcosa di veramente impressionante, come per esempio decifrare la crittografia. Le persone che comunque costruiscono questi computer dicono di essere sulla buona strada per creare qualcosa che possa essere veramente utile. Quindi probabilmente è solo una questione di tempo prima di vedere hardware capaci di risolvere dei problemi. La mia impressione, comunque che la sfida sia molto più grande di quella di una semplice narrativa di quanti qubit abbiamo dentro un processore. Per rispondere a questa domanda ho chiamato Federico Accetta. Lui è un cloud engineer ed esperto di intelligenza artificiale, nonché anche Quantum Ambassador presso IBM. Ci aiuterà a capire la complessità di questa sfida ed andare oltre la classica narrativa del numero di qubit che abbiamo in un computer quantistico.
Federico Accetta [00:14:53] Si fa molto parlare di numeri di qubit: ma quanto quel particolare sistema è in grado di offrire della potenza computazionale? Di solito lo associamo al numero di oggetti presenti all'interno del processore. La realtà è che il qubit, se volete, è una parte del tutta la complessità del sistema, perché le macchine di cui stiamo parlando sono estremamente complesse. Anche solamente considerare la temperatura di esercizio per poter effettivamente lavorare. Bisogna raffreddare l'ambiente utilizzando elio liquido e sistemi di pompaggio idraulici per raggiungere delle temperature che sono vicinissime allo zero assoluto.
Cristiano Matricardi [00:15:46] IBM è una delle aziende leader nel settore e proprio quest'anno ha rilasciato la sua roadmap, ovvero una previsione razionale sui futuri sviluppi della tecnologia e prevede di arrivare a sviluppare un computer quantistico di più di 4000 qubit per la fine del 2025. Ma cosa altro c'è dietro questo sviluppo?
Federico Accetta [00:16:05] La parte fondamentale è il discorso che questa roba non è solamente una roadmap di hardware. Bisogna evitare di focalizzare il tema solamente sul discorso di dispositivi fisici con cui abbiamo a disposizione.
Cristiano Matricardi [00:16:22] Gran parte dei vantaggi che si potranno trarre dal calcolo quantistico sono raggiungibili lavorando sullo strato software. È come dire che è inutile avere una macchina di Formula uno se poi non ho il suo volante. Poi anche avendo il volante, se non lo sa utilizzare, rimaniamo fermi al punto di partenza, letteralmente al punto di partenza. Ad IBM questo problema lo hanno capito bene e gli ingegneri hanno sviluppato da poco un pacchetto open source dal nome QisKit, che fa parte anch'esso della roadmap, ma non da un punto di vista hardware, bensì da un punto di vista software.
Federico Accetta [00:17:09] Io sviluppatore non ho magari la competenza o la conoscenza di quale tipologia di impulsi, con quale energia devo mandare effettivamente il segnale in maniera tale da creare il mio algoritmo. Quindi ho bisogno di avere uno strato di traduzione intermedio e un insieme di moduli che sono scritti in un linguaggio di programmazione che permettono di interfacciarsi, di lanciare delle istruzioni al processore, ai processori quantistici disponibili in cloud con un linguaggio di più alto livello.
Cristiano Matricardi [00:17:58] Banalmente, questo è quello che succede tutti i giorni quando utilizziamo i nostri pc o i nostri smartphone. Solamente pochissime persone sanno come si traduce un istruzione, per esempio presa dalla nostra tastiera sui singoli bit del processore che abbiamo dentro il nostro dispositivo. E il vantaggio di questo sviluppo sarà veramente un vantaggio tangibile.
Federico Accetta [00:18:21] Sicuramente porta un beneficio perché ci permette di concentrarci maggiormente sugli algoritmi, su ciò che dobbiamo scrivere rispetto che all'implementazione fisica effettivamente sul sul sul sul dispositivo.
Cristiano Matricardi [00:18:36] Un argomento fondamentale da tenere in considerazione quando si parla di intelligenza artificiale sono i temi legati a cosa è etico fare e cosa no. Questo aspetto si potenzia quando determinati algoritmi, specialmente algoritmi quantistici, sono capaci di elaborare una quantità enorme di dati, avvicinandosi a quella che gli esperti poi chiamano intelligenza artificiale generale. Il problema è che finora l'intelligenza artificiale ha mostrato più volte i suoi limiti e abbiamo visto, per esempio, come i bias nel training hanno portato alla violazione del principio di uguaglianza. Il caso più palese è quello di qualche anno fa, che si chiama il caso gender shades, dove la profilazione basata sul riconoscimento facciale ha avuto problemi di discriminazione di genere e di razza. Per quel l'algoritmo le persone non erano tutte uguali, anzi, non erano tutte persone. Ed è qui che le cose iniziano a complicarsi. Benedetta Giovanola, professoressa di Etica presso l'Università di Macerata, titolare della cattedra Jean Monnet e studiosa di etica dell'intelligenza artificiale, ci spiega l'importanza di questo tema.
Benedetta Giovanola [00:19:49] L'intelligenza artificiale nella sua declinazione quantistica puó presentare dei rischi nel momento in cui le persone che progettano questi sistemi, ma anche coloro che le sviluppano e che le utilizzano, non sono capaci di sviluppare uno spirito critico. Importante è comprendere che ogni tecnologia, e tanto più tecnologie potenti come l'intelligenza artificiale non sono mai neutrali. Incorporano sempre determinati valori e determinati principi. Quindi l'etica dell'intelligenza artificiale ci consente di sviluppare, ma ancor prima di progettare e poi di utilizzare sistemi di intelligenza artificiale che siano davvero centrati sulla persona e che possono contribuire a quella che potremmo definire la fioritura sia del singolo individuo sia della collettività.
Cristiano Matricardi [00:20:46] Ecco che diventa importantissimo e necessario avere diversità ed inclusione all'interno dei gruppi di sviluppo degli algoritmi quantistici, dalle primissime fasi di design fino allo sviluppo e alla messa in opera per la società.
Benedetta Giovanola [00:21:03] Quello che si sta facendo è soprattutto cercare di andare a scoprire quelli che sono i bias più diffusi, quindi non solo racial bias e gender bias, ma anche tutti i bias che possono creare perdite di opportunità, perdite economiche e stigma sociale, cioè i temi a cui facevo appunto riferimento. Ma si sta anche cercando di andare oltre la semplice mitigazione o eliminazioni dei bias, cercando sostanzialmente di mettere in atto quindi già nella fase del design e poi di sviluppo, dei sistemi di intelligenza artificiale che non solo non discriminano e dunque non vadano a rafforzare o a creare disuguaglianze ingiuste, ma sistemi di intelligenza artificiale che includano e che quindi creino davvero delle reali opportunità per tutti e per ciascuno.
Cristiano Matricardi [00:21:59] Chiudendo questa puntata possiamo riassumere dei punti salienti come la diversità intrinseca degli algoritmi classici dagli algoritmi quantistici e la necessità di implementare entrambi e cercare un ibridizzazione tra essi per creare intelligenza artificiale che sia realmente utile alla nostra società. Abbiamo anche capito che lo sviluppo di computer quantistici non è legato solamente al numero di qubit che possiamo riuscire a mettere dentro un processore, ma anche allo sviluppo di quello strato software che permetterà una democratizzazione dello sviluppo dell'intelligenza artificiale e dei vari algoritmi quantistici a livello capillare, come sta facendo IBM con QisKit e infine dover considerare la necessità di formazione ed integrazione dell'etica dalle primissime fasi di sviluppo, soprattutto in questo campo che è molto delicato, dove bisogna prevedere quei problemi che vanno a violare il principio di uguaglianza prima che essi questi problemi appaiano. Quindi considerazioni etiche che i ricercatori devono fare durante la fase di design e di sviluppo e dove bisognerebbe tenere conto di tutto quanto quello che si sta sviluppando sia dagli algoritmi quantistici che dall'hardware che dal software e creare uno sviluppo dell'intelligenza artificiale quantistica il più umano possibile. Per concludere con una frase possiamo dire che se vogliamo che la macchina sia di supporto all'uomo, allora gli algoritmi devono includere valori etici e non solo valori numerici.
Qub.it è un podcast originale di Nature Italy, Scrittura e cura editoriale Cristiano Matricardi e Nicola Nosengo; Postproduzione e montaggio Cristiano Matricardi.
