Al centrarnos demasiado en la IAG se corre el riesgo de perder muchas mejoras progresivas del espacio a lo largo del camino, lo cual es algo muy similar al riesgo que se corre cuando nos centramos únicamente en la capacidad de los automóviles de conducir literalmente por sí mismos perdiendo de vista todas las funciones de conducción asistida que van surgiendo en los mismos permanentemente.

DeepMind a la vanguardia

La cobertura de AlphaGo, el sistema de DeepMind que pudo superar el rendimiento del jugador profesional de Go Lee Sedol, cambió las reglas de juego. Ahora existen también AlphaZero, AlphaFold y más. DeepMind ha hecho un progreso increíble al mostrar cómo la IA se puede aplicar a problemas reales. AlphaFold, por ejemplo, predice cómo se plegarán determinadas proteínas y, al conocer con precisión la forma que adoptan, abre un potencial enorme en la forma en que pensamos respecto a ciertos tratamientos médicos.

La vacuna Covid-19 que usa ARNm se basó en gran medida en apuntar a la forma de la “proteína spike” específica. El problema general del plegamiento de proteínas es algo que los humanos llevamos estudiando durante más de cincuenta años.

Sin embargo, DeepMind presentó recientemente un nuevo modelo de IA “generalista” llamado Gato. Piénselo de esta manera: AlphaGo se enfoca específicamente en el juego de Go, mientras que AlphaFold se enfoca específicamente en el plegamiento de proteínas; estas no son aplicaciones de IA generalistas, ya que se enfocan específicamente en una sola tarea. Gato puede:

• Jugar videojuegos de Atari.
• Generar imágenes de subtítulos.
• Charlar.
• Apilar bloques con un brazo robótico real.

En total, Gato puede hacer 604 tareas. Esto es muy diferente a las aplicaciones de IA más específicas que están entrenadas en datos específicos para optimizar una sola cosa.

Entonces: ¿está ahora la IAG en el horizonte?

Para ser claros, la IAG completa es un salto significativo por encima de todo lo logrado hasta la fecha. Es posible que, con un aumento en la escala, el camino trazado por Gato pueda conducir a algo más cercano que cualquier cosa hecha por la IAG, así como también es posible que el aumento de la escala no lleve a ninguna parte. La IAG puede requerir avances que aún no están determinados.

A la gente le encanta “emocionarse” con la IA y su potencial. En los últimos años, el desarrollo de GPT-3 de OpenAI fue grande, al igual que el generador de imágenes DALL-E. Ambos fueron grandes logros, pero ninguno ha llevado a que la tecnología muestre una comprensión a nivel humano. También se desconoce si los enfoques utilizados en cualquiera de ellos podrían conducir a la IAG en el futuro.

Si no podemos decir cuándo llegará la IAG: ¿qué podemos decir?

Si bien los mega avances como la IAG pueden ser difíciles, si no imposibles, de predecir con certeza, el enfoque en la IA en general ha experimentado un crecimiento increíble. El informe Stanford AI Index publicado recientemente es muy valioso, ya que se puede ver:

1) La magnitud de la inversión dedicada al espacio. La inversión, en cierto modo, mide en parte la “confianza”, en el sentido de que tiene que haber una creencia razonable de la actividad productiva que podría resultar de estos esfuerzos.
2) El alcance de las actividades de IA y cómo están mostrando universalmente métricas de mejora.

El crecimiento de la inversión en IA

Mirando el Gráfico 1 a continuación, la progresión del crecimiento de la inversión ha sido asombrosa. Ciertamente reconocemos que esto se debe en parte a la emoción y el potencial de la propia IA, pero también al entorno general. El hecho de que las cantidades invertidas en 2020 y 2021 hayan sido tan grandes podría estar influenciado por el hecho de que el coste de capital fue mínimo y el dinero perseguía historias emocionantes con plusvalías potenciales. Por lo que sabemos hoy, es difícil predecir si la cifra de 2022 superará a la de 2021.

También es interesante considerar la evolución de los componentes de la inversión:

• 2014 se definió por la “oferta pública”, que en otros años estuvo en general en la escala más pequeña del espectro en relación con los totales.
• El crecimiento constante de la inversión estuvo impulsado principalmente por la esfera privada, lo que hace que el Gráfico 1 muestre claramente el aumento cíclico de la inversión privada, de la cual reconocemos que no necesariamente puede continuar con una tendencia al alza recta durante la década de 2020.

¿Qué actividades está financiando el dinero?

Aunque las cifras de inversión agregados sea una cosa, es más concreto considerar áreas específicas de actividad. El Gráfico 2 a continuación es útil en este sentido, ya que permite notar un cambio en 2021 con relación a 2020.

• En 2021, categorías como “Gestión de datos, procesamiento, cloud”, “Fintech” y “Medicina y Salud” lideraron el camino, superando los $10 mil millones cada una.
• Cabe destacar que en los datos de 2020 (violeta), “Medicina y Salud” lideró con alrededor de $8 mil millones. En un relieve más marcado se pone el aumento relativo año tras año de “gestión de datos, procesamiento, cloud” y “Fintech” en un relieve más marcado.

¿Está la IA está mejorando técnicamente?

Esta es una pregunta fascinante, cuya respuesta puede tener una profundidad casi infinita, y se tratará en una vasta serie de artículos académicos por venir. Lo que podemos notar aquí es el hecho de que implica dos esfuerzos distintos, tales como:

1) Diseñar, programar o crear de otro modo la implementación específica de IA.
2) Descubrir las mejores formas de probar si realmente se está haciendo lo que se supone que debe hacer o si mejora con el tiempo.

La “segmentación semántica” me parece particularmente interesante. Si bien suena como algo que solo diría un académico, se refiere al concepto de ver a una persona en una imagen montando una bicicleta.

Usted desea que la IA pueda saber qué píxeles son la persona y qué píxeles son la bicicleta.

Si usted está pensando: a quién le importa si la IA sofisticada puede distinguir a la persona frente a la bicicleta en una imagen de esta clase, le garantizo que puede que no sea la aplicación de mayor valor. Sin embargo, imagínese la imagen de un órgano interno en una imagen médica; ahora piense en el valor de segmentar el tejido sano frente a un tumor o una lesión. ¿Puede ver el valor que podría aportar?

El informe Stanford AI Index desglosa pruebas específicas diseñadas para medir el progreso de los modelos de IA en áreas como:

• Visión computacional.
• Idiomas.
• Discursos.
• Recomendaciones.
• Aprendizaje reforzado.
• Tiempos de entrenamiento de hardware.
• Robótica.

Si bien muchas de estas áreas se acercan a lo que podría definirse como el “estándar humano”, también es importante tener en cuenta que la mayoría de ellas solo se especializan en la tarea específica para la que fueron diseñadas.

Conclusión: todavía es pronto para la IA

Con ciertas megatendencias, es importante tener la humildad de reconocer que no sabemos con certeza qué sucederá a continuación. Con la IA, si bien podemos predecir ciertas innovaciones, ya sea en visión, vehículos autónomos o drones, también debemos reconocer que las mayores plusvalías pueden provenir de actividades que aún no estamos siguiendo.
En la “Parte 2” de este artículo analizaremos los resultados recientes de ciertas compañías que operan en el espacio de la IA.