Che cosa prevede l'accordo
Il laboratorio di ricerca congiunto tra Nvidia e il Korea Advanced Institute of Science and Technology (KAIST) intende rilasciare almeno un milione di campioni di addestramento in lingua coreana destinati ai modelli di intelligenza artificiale nel corso del 2027. Lo ha dichiarato Kim Hyun-woo, responsabile del laboratorio, incontrando i giornalisti a Seul martedì. Non è stata fissata una data precisa di pubblicazione.
Si tratta del primo traguardo di ricerca concreto annunciato dopo l'intesa di luglio tra l'azienda statunitense e l'ateneo sudcoreano per aprire il primo laboratorio congiunto di AI in Asia tra Nvidia e una università. La struttura ha sede alla Kim Jaechul Graduate School of AI del KAIST a Seul ed è sostenuta da una collaborazione quinquennale da 300 milioni di dollari, dedicata all'AI in lingua coreana e alle applicazioni industriali.
Qualità prima della quantità
Secondo Kim, la Corea ha investito molto nello sviluppo di modelli e infrastrutture di calcolo, ma ha dedicato un'attenzione comparativamente minore ai dati di addestramento di alta qualità necessari per rendere quei modelli competitivi. Per questo il laboratorio non lavorerà a un ulteriore modello di base: si concentrerà sulla produzione di dataset coreani migliori e su come i modelli esistenti li utilizzano.
Il divario riguarda soprattutto i materiali di addestramento: i dataset per valutare i modelli in coreano esistono, ha spiegato Kim, ma quelli di qualità restano limitati rispetto all'inglese e al cinese. I dataset disponibili si basano spesso su testi tradotti, mentre il coreano generato dall'AI può contenere espressioni innaturali; produrre grandi volumi di dati sintetici senza un filtro adeguato rischia inoltre di peggiorare le prestazioni. "Generare i dati non è il problema", ha detto Kim: sono il filtraggio per la qualità e la curatela dei contenuti a richiedere molto più lavoro.
Il laboratorio svilupperà tecniche per generare documenti realistici a partire da informazioni limitate, poi li rifinirà per accuratezza, diversità e duplicazione. Lo stesso Kim ha precisato che il primo milione di campioni non basterà a colmare il ritardo linguistico.
Da Nemotron ai possibili benefici per altre lingue
I modelli aperti Nemotron di Nvidia supporteranno la ricerca, ma i dataset e i metodi di addestramento risultanti sono pensati per un uso più ampio da parte degli sviluppatori coreani: "Nemotron è solo uno degli alberi della foresta", ha detto Kim, aggiungendo che una foresta sana ha bisogno di specie diverse che crescano insieme.
Un'iniziativa precedente di Nvidia, Nemotron-Personas-Korea, aveva generato 7 milioni di persone sintetiche basate su statistiche del governo coreano; secondo Kim il dataset è stato usato nello sviluppo di K-Exaone 2.5 di LG AI Research e ha registrato circa 140mila download. Alla domanda se rendere pubblici i dataset coreani possa avvantaggiare anche concorrenti stranieri, Kim ha risposto che rafforzare le capacità di ricerca interne conta più di limitare l'accesso.
Sui tempi e le risorse, Nvidia ha avviato il reclutamento di ricercatori a tempo pieno in Corea per la propria organizzazione di ricerca globale, con le prime assunzioni attese entro fine anno. Dei 300 milioni della collaborazione, 250 arriveranno sotto forma di risorse di calcolo fornite tramite i partner cloud coreani di Nvidia nell'arco di cinque anni; il programma sosterrà inoltre almeno 10 ricercatori del KAIST all'anno, inclusi tirocini in Nvidia. Una volta creata la base di dati coreani, il laboratorio prevede di estendersi a dataset specifici per settore e all'AI agentica, capace di svolgere compiti complessi con un intervento umano limitato. Restano in discussione le partnership industriali e gli accordi di proprietà intellettuale. Kim ha infine indicato che la ricerca potrebbe giovare in futuro ad altre lingue con pochi dati di addestramento, come il giapponese e le lingue indiane, e che considererebbe un successo l'uso diffuso dei metodi sviluppati da parte di altri modelli AI coreani.
