Algunas de las grandes empresas de inteligencia artificial han planteado la necesidad de ralentizar el desarrollo de los llamados modelos de frontera, apelando a los riesgos asociados a sistemas cada vez más potentes. Sin embargo, la cuestión no debería ser simplemente frenar la IA, sino preguntarnos hacia dónde queremos que avance.
Los avances en esta tecnología pueden reorientarse y ajustarse para responder a necesidades concretas de la población, en lugar de aspirar a ser modelos que lo hagan todo
Algunas de las grandes empresas de inteligencia artificial han planteado la necesidad de ralentizar el desarrollo de los llamados modelos de frontera, apelando a los riesgos asociados a sistemas cada vez más potentes. Sin embargo, la cuestión no debería ser simplemente frenar la IA, sino preguntarnos hacia dónde queremos que avance.
En lugar de ralentizar esta carrera tecnológica, sería más útil reorientar los esfuerzos hacia sistemas de inteligencia artificial especializados, heterogéneos y diseñados para resolver problemas concretos. No se trata de abandonar el progreso en IA, sino de superar la idea de que el camino hacia sistemas más útiles y eficientes pasa necesariamente por construir modelos cada vez más grandes.
Los grandes modelos de lenguaje son sistemas autorregresivos que generan secuencias de palabras mediante procedimientos esencialmente estocásticos. Su extraordinario éxito en el procesamiento y la generación de lenguaje llevó a pensar que, si aumentábamos suficientemente su tamaño, la cantidad de datos de entrenamiento y la capacidad de cálculo, acabarían adquiriendo capacidades cada vez más generales, hasta aproximarse a las capacidades cognitivas humanas.
La lógica parece sencilla: más escala, más capacidades; más capacidades, más «inteligencia». Sin embargo, una mejora extraordinaria en la capacidad de producir y manipular lenguaje no equivale necesariamente a un aumento de capacidades cognitivas. El escalado ha convertido a los LLM en sistemas extraordinariamente competentes para identificar y reproducir patrones condicionados por el contexto. Pero generar texto lingüísticamente plausible y desenvolverse de forma fiable en un mundo incierto son problemas muy diferentes. Actuar de manera fiable plantea exigencias adicionales. Un sistema que deba desenvolverse en el mundo real tiene, entre otras cosas, que enfrentarse a situaciones nuevas, anticipar y evaluar las consecuencias de sus acciones y adaptarse a entornos cambiantes.
Frente a la aspiración de construir modelos generativos que intenten hacerlo todo, la inteligencia artificial del futuro podría beneficiarse de una combinación de herramientas heterogéneas, especializadas y coordinadas entre sí tales como modelos estadísticos, sistemas de decisión, aprendizaje por refuerzo, modelos gráficos probabilísticos, mecanismos de planificación, métodos simbólicos y modelos neuronales, cada uno utilizado allí donde resulte más adecuado.
Para muchas tareas, un sistema especializado puede ser mucho más sostenible energéticamente, más eficiente, predecible, controlable y fácil de integrar en procesos informáticos que un modelo gigantesco diseñado fundamentalmente para generar lenguaje. Esta reorientación permitiría además superar una falsa dicotomía: no es necesario elegir entre acelerar o frenar. Podemos seguir desarrollando inteligencia artificial, pero hacerlo mediante arquitecturas y estrategias diferentes, adecuadas a la naturaleza de los problemas que queremos resolver. La próxima etapa de la inteligencia artificial no dependería de encontrar un único modelo de propósito general sino más bien de aprender a combinar inteligentemente modelos y mecanismos diferentes, aprovechando las fortalezas de cada uno.
Esta reorientación tendría además una consecuencia económica y política de gran importancia: contribuiría a romper la concentración de poder que está produciendo la carrera por los modelos de frontera. La construcción y entrenamiento de modelos cada vez más grandes exige cantidades crecientes de capital, capacidad de computación, datos e infraestructura, recursos que están fundamentalmente al alcance de unas pocas grandes empresas tecnológicas.
Pero si el progreso en IA deja de depender fundamentalmente del número de parámetros del modelo y la capacidad de cómputo empleada, las empresas ya no tendrían los mismos incentivos para superar a sus competidoras mediante sistemas cada vez más costosos y consumidores de recursos. La competencia se desplazaría desde quién dispone del modelo más grande hacia quién desarrolla las soluciones más eficientes, sostenibles, robustas, controlables y adecuadas para cada problema.
En definitiva, la transición hacia una IA más especializada no solo podría hacerla más eficiente, sostenible, controlable y robusta, sino que también podría reducir la concentración de poder, democratizar el desarrollo de la inteligencia artificial y poner fin a una dinámica competitiva basada en una carrera tecnológica cuyo principal criterio de éxito es construir máquinas cada vez mayores. Todos saldríamos ganando, excepto, claro está, las grandes tecnológicas.
Feed MRSS-S Noticias
Más noticias
OpenAI anuncia ahora que su IA ha resuelto más de 100 problemas históricos de las matemáticas, ¿qué futuro le queda a la disciplina?
Sánchez reclama “un nuevo contrato social” para abordar la IA: “La autorregulación no funciona”
Estados Unidos propone a China un sistema de alertas mutuo por incidentes de IA