Investire nei risultati del premio Nobel – Reti neurali artificiali, la base dell’intelligenza artificiale

Storia del Premio Nobel

Il Premio Nobel è il premio più prestigioso del mondo scientifico. È stato creato secondo Il testamento del signor Alfred Nobel dare un premio”a coloro che, durante l'anno precedente, hanno conferito il maggior beneficio al genere umano” in fisica, chimica, fisiologia o medicina, letteratura e pace.

Un sesto premio sarà poi creato dalla banca centrale svedese per le scienze economiche, ufficialmente chiamato Premio per le scienze economiche, spesso meglio conosciuto come Premio Nobel per l'economia.

La decisione su chi attribuire il premio spetta a più istituzioni accademiche svedesi.

Preoccupazioni sull'eredità

La decisione di istituire il Premio Nobel arrivò ad Alfred Nobel dopo aver letto il proprio necrologio, in seguito ad un errore di un giornale francese che fraintese la notizia della morte di suo fratello. Intitolato “Il mercante di morte è morto”, l'articolo francese colpì Nobel per la sua invenzione degli esplosivi senza fumo, di cui la dinamite era la più famosa.

Le sue invenzioni furono molto influenti nel plasmare la guerra moderna e Nobel acquistò un'enorme acciaieria per trasformarla in un importante produttore di armamenti. Poiché era prima un chimico, un ingegnere e un inventore, Nobel si rese conto che non voleva che la sua eredità fosse quella di un uomo ricordato per aver fatto fortuna con la guerra e la morte di altri.

Premio Nobel

In questi giorni, la fortuna del Nobel è immagazzinata in un fondo investito per generare entrate per finanziare la Fondazione Nobel e la medaglia d'oro verde placcata in oro, il diploma e il premio in denaro di 11 milioni di corone svedesi (circa 1 milione di dollari) attribuiti ai vincitori.

Fonte: Britannica

Spesso, il denaro del Premio Nobel viene diviso tra più vincitori, soprattutto in campi scientifici dove è comune che 2 o 3 figure di spicco contribuiscano insieme o in parallelo a una scoperta rivoluzionaria.

Premio Nobel per l'informatica?

Di solito, i premi Nobel per la fisica vengono attribuiti a scoperte sulla natura fondamentale dell'Universo, come buchi neri (2020) o esopianeti (2019). Può essere vinto anche da importanti progressi nelle scienze dei materiali, come punti quantici (2023), di Luxinar (2018), o LED (2014).

Ma vincitori di quest'anno sono un po' più anticonvenzionali, con un focus sull'analisi dei dati. Più precisamente, è stato attribuito a Geoffrey Hinton e John Hopfield per il loro contributo alla creazione di reti neurali artificiali.

Fonte: Premio Nobel

Si tratta di un premio Nobel molto attuale, in cui le reti neurali sono la tecnologia fondamentale responsabile della maggior parte dei progressi degli ultimi anni nell'ambito dell'intelligenza artificiale, compresi i LLM, ma anche la visione artificiale (anche per i veicoli a guida autonoma) e l'intelligenza artificiale tecnica utilizzata nelle nuove scoperte di farmaci, nelle scienze dei materiali, ecc.

Cosa sono le reti neurali?

Chip contro neuroni

Quando furono inventati i computer, la speranza crebbe rapidamente che potessero crescere in capacità fino a sviluppare capacità intellettuali simili a quelle umane. Ma in pratica, mentre i computer diventavano sempre più impressionanti nel calcolo e poi nella generazione di immagini, restavano "stupidi" quando si trattava di ragionamento vero e proprio.

In gran parte, questo è dovuto al fatto che un chip di computer è molto diverso dai neuroni che formano il cervello. Mentre un chip di silicio può eseguire molto rapidamente milioni di calcoli binari (0 o 1), i neuroni sono più un segnale analogico, con molta complessità e "rumore" nel segnale.

Quindi i computer hanno bisogno di una programmazione precisa per eseguire un calcolo, non possono realmente "imparare" nulla e si limitano a seguire alla lettera le istruzioni codificate.

Le reti neurali sono diverse. Possono affrontare problemi che sono troppo vaghi e complicati per essere gestiti da istruzioni passo-passo. Un esempio è l'interpretazione di un'immagine per identificare gli oggetti in essa contenuti, qualcosa in cui i computer sono notoriamente scarsi, da qui il test "Sei un essere umano" su alcune pagine web.

Fonte: Google

Come funzionano i neuroni

I neuroni non seguono per la maggior parte una rigida programmazione prestabilita. Invece, funzionano attraverso un ciclo di feedback di schemi di connessione di rinforzo.

Il suo funzionamento è che i neuroni rafforzano la connessione con altri neuroni quando lavorano insieme. Questo crea l'idea di simulare in un computer il funzionamento dei neuroni, con più nodi interconnessi.

Le connessioni tra questi nodi possono essere rafforzate o indebolite, formando un processo chiamato “addestramento”, ancora oggi alla base della creazione delle più recenti IA.

Fonte: Premio Nobel

L'idea sembrava promettente, ma per un po' la potenza di calcolo richiesta sembrò proibitiva, soprattutto per i computer relativamente primitivi degli anni '1960 e '1970.

Come funziona la memoria umana

Quando ricordiamo o riconosciamo qualcosa, non stiamo eseguendo un calcolo matematicamente perfetto del colore di ogni pixel di un'immagine. Invece, iteriamo da dati parziali, cerchiamo di tracciare un'associazione a qualcosa di già noto e identifichiamo uno schema riconoscibile.

Il fisico John Hopfield inventò nel 1982 il Rete di Hopfield, un metodo per memorizzare e ricreare modelli.

Iniziando dalla fisica

Iniziò notando che le proprietà collettive in molti sistemi fisici sono robuste ai cambiamenti nei dettagli del modello. In particolare, i materiali magnetici derivano le loro caratteristiche speciali grazie al loro spin atomico, una proprietà che rende ogni atomo un piccolo magnete.

La proprietà del materiale più grande derivava dal fatto che lo spin di ogni atomo modificava quelli attorno a sé, portando tutti gli spin a finire nella stessa direzione. Il suo modello descrive il fenomeno usando nodi diversi che si influenzano a vicenda.

Allo stesso modo, un'immagine può essere registrata come una griglia di nodi, ciascuno con un valore 0 o 1 (nero o bianco).

Se si confronta un'immagine distorta con questa griglia originale, è possibile calcolare quanto differisce ogni nodo dell'immagine distorta. Ma "spingendo" il nodo distorto più vicino a dove ha senso, come la pendenza in un paesaggio prestabilito, è spesso possibile ricreare l'immagine originale nonostante le distorsioni.

Hopfield aveva quindi creato un sistema primitivo ma funzionale per la correzione degli errori o il completamento di schemi, qualcosa di cui i computer normalmente non sono capaci, poiché sono vincolati alla loro rigida programmazione.

Fonte: Premio Nobel

Con sufficiente potenza di calcolo, ogni nodo può memorizzare qualsiasi valore, non solo bianco e nero. Ad esempio, può essere un numero che riflette un colore esatto, allo stesso modo in cui le immagini vengono create digitalmente.

Può anche riflettere tutti i tipi di dati, non solo immagini, creando un modello funzionale per una memoria associativa artificiale.

Utilizzo dell'associazione per la comprensione

Anche animali semplici o bambini piccoli possono ottenere risultati straordinariamente migliori dei computer avanzati nel riconoscimento di pattern, come identificare quale immagine contiene un cane, un gatto o uno scoiattolo. Questo viene fatto anche senza alcuna comprensione di ordine superiore di concetti come animali, mammiferi o specie.

E forse ancora più importante, questo risultato può essere ottenuto con dati iniziali ed esperienza molto limitati, invece di un catalogo di miliardi di immagini di questi animali che coprono ogni possibile postura, colore, forma o aspetto che possa essere visualizzato.

Analogico invece di binario

Poiché i nodi possono contenere in qualsiasi dati, possono essere utilizzati per dati continui, come fenomeni nel tempo.

Permette inoltre un calcolo efficiente delle interazioni tra sistemi complessi, dove la risposta a uno stimolo è più statistica del binario sì/no. Ciò consente di risparmiare sia il consumo di energia che la potenza di calcolo rispetto al calcolo tradizionale per questo tipo di problema.

Aggiungendo più nodi, è possibile aggiungere progressivamente maggiore complessità ai modelli.

La macchina di Boltzmann

Geoffrey Hinton, insieme a Terrence Sejnowski e altri colleghi, ha lavorato per migliorare e ampliare il concetto del modello Hopfield.

Hinton ha utilizzato idee tratte dalla fisica statistica, un campo che descrive cose con molti elementi come gas o liquidi. Poiché i singoli componenti sono troppo numerosi, l'unico modo per modellare il loro comportamento è usare aspettative statistiche del loro comportamento, invece di un calcolo di "fisica dura" da temperatura, posizione, velocità, ecc. di ogni molecola.

Per aggiungere tale capacità al modello di Hopfield, ha aggiunto un ulteriore strato "nascosto" di nodi tra quello visibile che in precedenza eseguiva il calcolo da solo. Sebbene invisibili, i nodi nascosti contribuiscono ai livelli di energia degli altri nodi e del sistema nel suo complesso.

Fonte: Premio Nobel

Chiamarono questo concetto macchina di Boltzmann, in onore di Ludwig Boltzmann, un 19^thFisico del XIX secolo che sviluppò la meccanica statistica, il fondamento della fisica statistica.

Fonte: wikipedia

Macchina di Boltzmann limitata

Nella sua progettazione originale, la macchina di Boltzmann era troppo complessa per essere di grande utilità pratica. È stata sviluppata una versione semplificata, in cui non ci sono connessioni tra nodi allo stesso livello.

Fonte: Premio Nobel

Ciò ha reso la macchina molto più efficiente, pur mantenendo la capacità di riconoscere schemi complessi.

Un ulteriore miglioramento è stato il processo di “pre-addestramento” della rete neurale, con una serie di macchine di Boltzmann disposte a strati, una sopra l’altra.

Ciò ha migliorato il punto di partenza della rete neurale, potenziandone la capacità di riconoscimento di schemi.

Impatto sulla rete neurale moderna

Sia Hopfield che Hinton hanno elaborato le idee fondamentali delle reti neurali, nonché la matematica e gli strumenti per utilizzarle.

Tuttavia, bisognerà arrivare fino al 2010 perché la potenza di calcolo cresca a sufficienza da consentire alle reti neurali di affermarsi nella coscienza collettiva.

Poiché la versione moderna della macchina di Boltzmann utilizza così tanti strati interconnessi, vengono chiamate reti neurali "profonde". Per dare una prospettiva sull'evoluzione del campo, Hopfield ha utilizzato un modello a 30 nodi nella sua pubblicazione del 1982, rendendolo 435 possibili connessioni. Ciò ha portato a circa 500 parametri di cui tenere traccia.

All'epoca, i computer non erano in grado di gestire un modello provvisorio da 100 nodi. Gli LLM (Large Language Models) odierni, la base di strumenti come ChatGPT, ne utilizzano uno trilioni parametri e aumentano costantemente le loro esigenze informatiche.

Applicazioni

Fisica Fondamentale

Come molti altri premi Nobel per la fisica, le reti neurali sono una scoperta che sta dando impulso ad altre nuove scoperte.

Ad esempio, sono stati utilizzati per setacciare ed elaborare le enormi quantità di dati necessari per scoprire la particella di Higgs (Peter Higgs ha ricevuto il premio Nobel per la fisica nel 2013). Sono stati utilizzati anche da altri ricercatori vincitori del premio Nobel, come le misurazioni delle onde gravitazionali provenienti dalla collisione di buchi neri o la ricerca di esopianeti.

Fisiche applicate

I materiali e i fenomeni reali sono spesso troppo complessi per essere modellati utilizzando esclusivamente un modello causa-effetto a livello di singola particella.

Al contrario, le basi delle reti neurali nella fisica statistica consentono loro di essere molto più flessibili e di fornire direttamente la risposta giusta o di “indicare” agli scienziati la giusta direzione.

Questo viene ormai utilizzato di routine dai principali istituti di ricerca, ad esempio, calcolare la struttura e la funzione delle molecole proteiche, o scopri quale le nuove versioni del materiale potrebbero avere le migliori proprietà per l'uso in celle solari o batterie più efficienti.

LLM

Naturalmente, nessuna conversazione sulle applicazioni delle reti neurali sarebbe completa senza parlare degli LLM, il fulcro della frenesia per l'intelligenza artificiale degli ultimi anni, a partire dal rilascio di ChatGPT nel 2022.

In gran parte, ciò è dovuto al fatto che la generazione di un linguaggio simile a quello umano, ovvero il “sentirsi” come una persona reale, è stata a lungo considerata il test in base al quale potevamo considerare un’IA veramente intelligente (il test di Turing).

La reale intelligenza degli LLM è oggetto di accesi dibattiti: da parte degli entusiasti dell'intelligenza artificiale (o dei catastrofisti) che si aspettano una vera intelligenza e una singolarità tecnologica a breve termine, a chi la vede come un semplice trucco incapace di fornire risultati utili.

Tuttavia, hanno una vasta gamma di applicazioni, specialmente dove possono svolgere compiti economici che ora sono riservati a esseri umani molto più costosi. Ciò è particolarmente vero per compiti prevalentemente verbali, come:

• Chatbot e servizio clienti.
• Sviluppo e verifica del codice.
• Traduzione e localizzazione.
• Ricerca di mercato.
• Cerca e rispondi alle domande.
• Analisi di documenti e set di dati di grandi dimensioni.
• Istruzione

Parallelamente agli LLM, la generazione di immagini potrebbe anche dare vita a un'intera nuova ondata di immagini nella nostra era digitale, sia per scopi utili che potenzialmente nefasti (disinformazione, ricatti, ecc.).

Visione artificiale e computerizzata

Poiché l'applicazione originaria delle reti neurali risale a Hopfield, è logico che il riconoscimento delle immagini sia ora una delle principali potenziali applicazioni delle reti neurali.

Talvolta la visione artificiale viene utilizzata per descrivere un'identificazione limitata in un contesto industriale più controllato, mentre la visione computerizzata mira a una visione più simile a quella umana.

Fonte: Salomone

Guida autonoma

Un importante sottosegmento di questo campo è quello dei veicoli a guida autonoma, poiché in ultima analisi sono i conducenti umani a usare il riconoscimento visivo per guidare in sicurezza i loro veicoli di grandi dimensioni.

Per ora, la maggior parte dei sistemi di guida autonoma si basa su un mix di telecamere e altri sensori per garantire la sicurezza (come radar e LIDAR), con l'eccezione di Tesla che si concentra esclusivamente sulla visione artificiale simile a quella umana (grazie a un set di dati molto più ampio, fornito dalla flotta di auto Tesla).

Dati di formazione sufficienti, annotazione manuale di milioni di situazioni complesse della vita reale e anche hardware personalizzato che riduce i consumi e velocizza i tempi di reazione saranno probabilmente la combinazione vincente per la prima azienda ad aggiudicarsi il premio da mille miliardi di dollari per lo sviluppo della prima vera automazione completa della guida di livello 5.

Medicale

Molte diagnosi in medicina non si basano su esami di laboratorio, bensì sull'interpretazione manuale da parte di uno specialista qualificato di immagini prodotte da apparecchi a raggi X, risonanza magnetica, scanner, ecc.

Questo può richiedere anni a un esperto per diventare veramente competente in questo compito, che è tanto arte quanto scienza. Invece, L'intelligenza artificiale può analizzare in modo economico e coerente milioni di immagini mediche con risultati prevedibili.

Potrebbe anche essere usato per diagnosticare condizioni che in precedenza non si riteneva possibile rilevare con le scansioni, come l'ADHD.

E forse meno ovvio, l'intelligenza artificiale che utilizza le reti neurali può anche aiutare i chirurghi, come quelli francesi Pixee medico, consentendo il tracciamento 3D con uno smartphone o occhiali intelligenti per la chirurgia ortopedica.

L’intelligenza artificiale può anche automatizzare la procedura cruciale di registrazione dell’intervento chirurgico, soprattutto per attività ripetitive e soggette a errori. Come chirurghi dimenticare gli strumenti all'interno del paziente in circa 1500 interventi chirurgici all'anno negli Stati Uniti, la visione artificiale potrebbe ugualmente aiutare a eliminare completamente questo problema tenendo traccia automaticamente di tutto ciò che viene utilizzato durante l’intervento.

Bioricerca

Dalla scoperta di farmaci alla previsione del ripiegamento delle proteine, le reti neurali sono strumenti potenti per i ricercatori in medicina e biologia.

Questo sta già rivoluzionando il modo in cui vengono sviluppate le nuove terapie, come abbiamo discusso in “Le 5 migliori aziende di intelligenza artificiale e biotecnologie digitali”. Potrebbe anche contribuire a dati più coerenti, il che è spesso un problema nelle scienze biologiche, dove molti dati vengono ancora creati con input manuali, come il conteggio delle cellule del sangue.

Questo può essere risolto con la visione artificiale AI, con prodotti come Shonit da Sigtuple ora in grado di fornire conteggi affidabili e standardizzati di tutti i tipi di cellule del sangue.

Fonte: Sigtupla

Industria e produzione

Dal controllo qualità e dalle ispezioni dei componenti all'assemblaggio completamente automatizzato, la visione artificiale/computerizzata può rendere la linea di produzione più flessibile e reattiva a qualsiasi cambiamento nel processo produttivo.

Ciò può ridurre i costi riducendo la necessità di intervento umano e migliorare la qualità e la velocità di produzione.

Robotica

Ora che la robotica è uscita dai reparti di fabbrica per interagire con ambienti quotidiani più complessi, è necessario potenziare rapidamente le proprie capacità di riconoscimento di modelli.

Dai robocani ai robot per le consegne, e forse presto assistenti personali umanoidi, I robot si stanno sempre più integrando con l'intelligenza artificiale, utilizzando reti neurali per aiutarci nelle attività quotidiane.

Agricoltura

I robot agricoli utilizzano sempre più la visione artificiale per identificare le erbacce o i frutti maturi e sostituire il noioso lavoro manuale o le distruttive macchine utensili su larga scala.

Ciò potrebbe non avere ripercussioni solo sull'agricoltura e sui nostri sistemi alimentari, ma anche sul ripristino ecologico, con forti effetti sulla salute del suolo, l'emergere di nuove pratiche agricole e forse strumenti migliori per la riforestazione e la gestione delle specie invasive.

Militare

Nonostante ciò sollevi complesse questioni etiche, è una regola della storia che ogni nuova tecnologia venga studiata anche per il suo potenziale di dare all'esercito un vantaggio rispetto al suo avversario.

E poiché ci sarà sempre una nazione che lo farà, anche le altre dovranno stare al passo.

L’intelligenza artificiale è già utilizzata per identificare obiettivi e analizzare dati sul campo di battaglia, anche in guerre reali in corso come quelle in Ucraina e Gaza, di cui abbiamo discusso in “I 10 migliori titoli azionari di droni e guerra con droni".

Tra gli sviluppi recenti più allarmanti, possiamo menzionare lo sviluppo dell'ultima versione del Russian Lancet, un drone/missile suicida che utilizza la visione artificiale per identificare e colpire i veicoli nemici nell'ultimo segmento del suo percorso.

Affidare la decisione di uccidere un sistema automatizzato è ovviamente un passo molto pericoloso, che sembra davvero il materiale di un film di fantascienza, poco prima della ribellione dell'intelligenza artificiale contro l'umanità.

Non possiamo quindi far altro che sperare che le forze militari di tutto il mondo arrivino a comprendere quale tecnologia può essere impiegata e quale no, in modo analogo a come vengono gestite le armi nucleari.

Rischi della rete neurale

Vale la pena ricordare che Geoffrey Hinton ha vinto il premio Nobel di quest'anno è anche molto preoccupato per i progressi compiuti nella tecnologia dell'intelligenza artificiale.

Dopo il premio Turing nel 2018 e il premio Nobel nel 2024, è probabile che il suo monito venga ascoltato ancora più di prima.

"Ho improvvisamente cambiato idea sul fatto che queste cose siano più intelligenti di noi.

Penso che ora ci siano molto vicini e saranno molto più intelligenti di noi in futuro. Come sopravvivremo a questo?"

Geoffrey Hinton

Il nostro entusiasmo per l'intelligenza artificiale ci condannerà a un futuro come nei film Matrix o Terminator? Forse no, ma poiché le reti neurali ultra-complesse sono essenzialmente una scatola nera, i suoi stessi creatori non comprendono appieno che probabilmente sono necessarie norme etiche e di sicurezza prima che un'intelligenza artificiale malfunzionante causi danni irreparabili.

Investire nelle reti neurali

Le reti neurali stanno ormai diventando quasi sinonimo della tecnologia dell'intelligenza artificiale in generale, poiché nel settore si sta verificando una crescente fusione di discipline.

Poiché le reti neurali necessitano di grandi set di dati per la pre-formazione e l'addestramento, tendono attualmente a essere dominio di grandissime aziende tecnologiche o di startup molto ben finanziate.

Puoi investire in aziende legate all'intelligenza artificiale tramite molti broker e puoi trovarli qui, su titoli.io, i nostri consigli per i migliori broker in Gli stati uniti, Canada, Australia, Regno Unito, così come molti altri paesi.

Se non sei interessato a scegliere aziende specifiche legate all'intelligenza artificiale, puoi anche prendere in considerazione ETF come ARK Intelligenza Artificiale e Robotica UCITS ETF (ARKI), l' Global X Robotics & Artificial Intelligence ETF (BOTZ)o Fondo per l'intelligenza artificiale e l'innovazione di WisdomTree (WTAI) che garantirà un'esposizione più diversificata per trarre vantaggio dall'intelligenza artificiale.

Aziende di reti neurali

1. Microsoft

Microsoft è stata al centro del settore tecnologico praticamente fin dalla sua nascita, con il suo sistema operativo Windows, ancora oggi dominante.

Microsoft Corporation (MSFT -0.44%)

Ora è anche leader nel software aziendale (Office365, Teams, LinkedIn, Skype, GitHub), giochi (Xbox   acquisizioni di più studi di videogiochi) e nel cloud (azzurro).

Più recentemente, ha fatto buoni progressi nel campo dell’intelligenza artificiale. Ciò include alcune IA di livello consumer come Creatore di immagini Bing e iniziative più incentrate sul business, come Copilota per Microsoft 365   Microsoft Research. Il copilota è ora in corso distribuito anche al commercio al dettaglio e alle aziende più piccole.

Fonte: Ricerca sulla costellazione

Microsoft ha acquisito la reputazione di essere il gigante tecnologico incentrato sull’impresa, rispetto ad aziende più focalizzate sul consumatore come ad esempio Apple o Facebook. Con l’intelligenza artificiale che diventa sempre più importante nei modelli di business, la presenza preesistente di Microsoft nel cloud e nei servizi aziendali dovrebbe darle un vantaggio nell’implementazione dell’intelligenza artificiale su larga scala e nell’acquisizione di clienti.

La collaborazione/quasi-proprietà con leader dello sviluppo dell'intelligenza artificiale come OpenAI (famoso per ChatGPT) consoliderà inoltre la posizione di Microsoft come potenza dell'intelligenza artificiale.

2. NVIDIA

NVidia inizialmente aveva una posizione dominante nel mercato delle schede grafiche (GPU), utilizzate principalmente per i giochi di fascia alta e la modellazione 3D. Le GPU sono in grado di eseguire calcoli in parallelo e differiscono in questo rispetto dai processori (CPU).

Il design del suo hardware si è rivelato molto adatto per il mining di criptovalute (in particolare Bitcoin), creando una forte ondata di crescita per l'azienda.

Ora sembra che sia altrettanto potente per l’addestramento delle IA, rendendo l’hardware di Nvidia la spina dorsale della rivoluzione dell’IA.

NVidia sta ora sviluppando sistemi informatici personalizzati per diverse applicazioni AI, da automobili auto-guida a discorso  IA conversazionali, IA generative, o sicurezza informatica.

È probabile che Nvidia non abbia trovato nuovi casi d'uso per il suo hardware AI, come dimostrato dalla ricerca di Microsoft con PNNL. Ad esempio, NVidia sta ora sviluppando un’intera gamma di soluzioni per la scoperta di farmaci, così come Dispositivi medici basati sull'intelligenza artificiale   Imaging medico assistito dall’intelligenza artificiale.

Fonte: NVidia

È probabile che, a lungo termine, i concorrenti di NVidia potrebbero iniziare a mettere seriamente a dura prova il vantaggio iniziale dell'azienda.

Ma nel prossimo futuro, considerando l'esplosione della domanda di potenza di calcolo dedicata all'intelligenza artificiale, NVidia rimarrà il fornitore principale di tutti i nuovi data center di formazione per l'intelligenza artificiale in costruzione.

E se l'intelligenza artificiale è la nuova corsa all'oro della tecnologia, la saggezza degli investitori è quella di preferire i venditori di piccone e pala piuttosto che scommettere sulla ricerca dell'oro.

Nella corsa all'intelligenza artificiale, per ora gli strumenti preferiti sono i chip AI di NVidia.