Negli ultimi anni, l’intelligenza artificiale (AI) ha impressionato per la sua capacità di generare autonomamente testo, immagini e persino codice. Tuttavia, questo progresso deve affrontare una sfida fondamentale: la crescente scarsità di dati reali per addestrare questi modelli.
Abbiamo approfondito il ruolo di questo problema nel collasso del modello, ma all’inizio del 2025, figure come Elon Musk, proprietario di xAI, e altri esperti hanno riconosciuto l’esaurimento dei dati del mondo reale necessari per l’apprendimento e il miglioramento dell’IA.
Cosa significa questo per il futuro dell’intelligenza artificiale? Siamo di fronte alla fine di un’era o all’inizio di una nuova fase?
La vera crisi dei dati
Durante una conversazione trasmessa su
Questa affermazione è in linea con le conclusioni di uno studio del MIT Data Provenance Initiative, che mette in guardia dal rapido declino dei dati disponibili sul web per questo scopo. **
Lo studio rivela che, negli ultimi anni, l’accesso al 5% dei dati dei set di dati più utilizzati nell’intelligenza artificiale è stato limitato e alcuni siti web hanno bloccato l’accesso ai loro contenuti utilizzando il protocollo robots.txt.
Inoltre, molti editori hanno iniziato a monetizzare i propri contenuti o a bloccare i web tracker utilizzati dalle società di intelligenza artificiale.
I dati stanno diventando sempre più preziosi
La Data Provenance Initiative evidenzia una “crisi emergente nel consenso” poiché i proprietari dei dati si oppongono al loro utilizzo senza compenso.
Piattaforme come Reddit e StackOverflow hanno iniziato a far pagare l’accesso ai propri dati e sono state intraprese anche azioni legali, come il New York Times che ha citato in giudizio OpenAI e Microsoft per l’uso non autorizzato dei loro contenuti.
Questa crisi ha un impatto profondo sul settore. Per giganti come OpenAI, Google e Meta, la carenza di dati di alta qualità potrebbe rallentare lo sviluppo dei loro modelli.
La limitazione dei dati web priva le IA delle informazioni necessarie per il loro apprendimento continuo. Il problema è ancora più acuto per le piccole aziende di intelligenza artificiale e i ricercatori accademici, che fanno affidamento su set di dati pubblici e gratuiti.
Senza queste risorse, molti progetti si fermerebbero, concentrando l’accesso alla tecnologia nelle grandi aziende con la capacità di acquisire dati attraverso accordi o pagamenti esclusivi.
I dati sintetici come soluzione
Di fronte a questa carenza, Elon Musk e altri esperti propongono una soluzione: i dati sintetici. Questi dati sono generati da modelli di intelligenza artificiale, offrendo un’alternativa alla raccolta di dati del mondo reale.
Musk suggerisce che “l’unico modo per integrare [i dati reali] è con dati sintetici, dove l’intelligenza artificiale crea [i dati di addestramento]”, consentendo l’”auto-addestramento” dei modelli.
L’uso di dati sintetici, sebbene non nuovo, è diventato molto rilevante. Aziende come Microsoft, Meta, OpenAI e Anthropic li utilizzano già.
Gartner stima che attualmente il 60% dei dati utilizzati nei progetti di intelligenza artificiale e analisi sia generato sinteticamente. Esempi di questo sono il modello Phi-4 di Microsoft, i modelli Gemma di Google e i modelli Llama di Meta.
Non è tutto oro quello che luccica
I dati sintetici offrono vantaggi come la riduzione dei costi di raccolta e archiviazione.
Writer, startup AI, che ha sviluppato il suo Palmyra
Tuttavia, i dati sintetici presentano anche delle sfide. Gli studi suggeriscono che un uso eccessivo può portare al “collasso del modello”, in cui i sistemi diventano meno creativi e più distorti, replicando i limiti dei dati originali.
Rischi e sfide future
Il futuro dell’intelligenza artificiale dipenderà dall’equilibrio tra dati reali e sintetici. Fare eccessivo affidamento su questi ultimi potrebbe far ristagnare i modelli, limitando la creatività e aumentando la suscettibilità ai pregiudizi.
Inoltre, potrebbe esacerbare il divario tra le grandi aziende e gli operatori più piccoli, concentrando il potere in coloro che hanno le risorse per generare grandi volumi di dati sintetici di alta qualità.
Un’altra sfida cruciale è la mancanza di un quadro normativo chiaro sull’uso dei dati per la formazione sull’IA. La mancanza di consenso sull’uso legittimo dei dati web ha portato a controversie legali e malcontento tra i creatori di contenuti.
Stiamo ancora aspettando un sistema che permetta ai proprietari di controllare l’utilizzo dei propri contenuti, distinguendo tra scopi accademici/no-profit e scopi commerciali.
This post is also available in: