Inteligencia Artificial General o no IAG, esa es la cuestión (tomo I): Demis Hassabis
La Inteligencia Artificial General o AGI ha sido el centro del debate durante el 2023, año que será recordado por el alcance masivo que han tenido algunos modelos de redes neuronales como ChatGPT o DALL·E 2.
La mayor parte de los expertos y usuarios están de acuerdo con que estos modelos aún no han alcanzado la AGI y el debate se centra en dos puntos fundamentales:
- ¿Es posible la AGI con las técnicas actuales?
- ¿Es necesario regular la investigación e implementación de los modelos de AI?
Este debate tiene numerosas aristas tanto políticas, como filosóficas y por supuesto comerciales, fijar nuestra posición personal, profesional y estratégica sobre estas cuestiones podría muy pronto ser indispensable.
Por lo anterior y desde mi punto de vista, es necesario que exista un compendio sobre los puntos más relevantes en esta discusión. Por lo anterior en el Colegio de Matemáticas Bourbaki vamos a presentar algunos de los argumentos sobre estas dos preguntas, esgrimidos por las voces más sonoras. Cada vez nos acercamos más al 30 de Noviembre del 2023, fecha cuando se cumplirá exactamente un año del lanzamiento de ChatGPT y les estamos preparando una gran sorpresa.
En esta primera edición vamos a presentar un resumen no-exhaustivo sobre los planteamientos públicos sobre la Inteligencia Artificial y su regulación de Demis Hassabis quien es CEO y fundador de Google DeepMind el cual es actualmente el motor científico de Google sobre AI.
Demis Hassabis y DeepMind
Cuando co-fundó DeepMind, muy pronto notó que el desarrollo de las redes neuronales pronto podría cambiar el futuro de la Inteligencia Artificial y con el fin de acelerar rápidamente la investigación en esta área, buscó modelos matemáticos que lograran vencer a los humanos en distintos tipos de juegos.
La razón principal es bastante interesante: era el espacio inmediato en el que una compañía sin demasiado poder económico ni prestigio podría recolectar muchos datos. Posiblemente también influyó su pasión por el ajedrez, deporte en el que a los 12 años era el segundo jugador mejor rankeado en todo el mundo. El primer gran logro en la carrera de Hassabis fue sin lugar a dudas cuando AlphaGo venció al mejor jugador de la historia utilizando Deep Reinforcement Learning.
Large Language Models v.s. Elegancia
Sobre el estado del arte de la Inteligencia Artificial, Demis Hassabis es sorprendentemente negativo respecto a ChatGPT, algunos podrían argumentar que está relacionado con el enorme impacto que tuvo su competencia con la publicación de este modelo sin embargo él tiene otros argumentos.
Al igual que otras grandes empresas como Meta, en Google argumentan que ya tenían modelos del lenguaje natural tan sofisticados como ChatGPT en una menor escala y que no pensaban que aumentando el conjunto de entrenamiento y el poder de cómputo los resultados serían lo suficientemente buenos como para impactar como lo ha hecho ChatGPT en todo el mundo.
Desde su punto de vista esta solución es poco elegante especialmente si se compara con el trabajo que ellos hicieron con AlphaFold el cual genuinamente introduce ideas nuevas respecto a modelos similares.
Actualmente está en desarrollo el modelo multi-modal Gemini el cual se comenta ha sido entrenado con la inmensa base de datos de Google construida con décadas de búsquedas donde no solo se buscan textos sino imágenes, vídeos y audio. Esta podría ser una feroz competencia para modelos como GPT-4 el cual ha sido uno de los últimos desarrollos de OpenAI.
¿Energía Nuclear & AI?
Sobre el segundo tema en el debate Hassabis ha sido muy claro, él considera que el desarrollo de la Inteligencia Artificial se debe de regular pues considera que los rápidos avances en esta área pronto podrían representar un riesgo para la humanidad.
Él compara el esfuerzo que se debe de hacer en este respecto con el que se hizo en el CERN y encuentra espacios para la colaboración gubernamental, científica y empresarial sobre el desarrollo de los modelos de AI.
Hace solo algunas semanas estuvo en Bletchley Park donde hizo énfasis en el enorme riesgo que puede representar la no detección de noticias o medios falsos por medio de inteligencia artificial generativa.
¿Dónde aprender más sobre Inteligencia Artificial?
- Track de Ciencia de Datos. (49 semanas).
- Machine Learning & AI for the Working Analyst ( 12 semanas).
- Matemáticas para Ciencia de Datos ( 24 semanas).
- Especialización en Deep Learning. (12 semanas).
- Track de Finanzas Cuantitativas (49 semanas)
- Aplicaciones Financieras De Machine Learning E IA ( 12 semanas).
- Las matemáticas de los mercados financieros (24 semanas).
- Deep Learning for Finance (12 semanas).
