Preparación para la inteligencia artificial general con ejemplos

Imagine un mundo donde las máquinas no se limiten a realizar tareas preprogramadas, sino que operen con autonomía y competencia similares a las humanas. Un mundo donde las mentes informáticas pilotean autos autónomos, profundizan en investigaciones científicas complejas, brindan atención al cliente personalizada e incluso exploran lo desconocido.

Este es el potencial de la inteligencia artificial general (IAG), una tecnología hipotética que puede estar preparada para revolucionar casi todos los aspectos de la vida y el trabajo humanos. Si bien la IAG sigue siendo teórica, las organizaciones pueden tomar medidas proactivas para prepararse para su llegada mediante la construcción de una infraestructura de datos estable y el fomento de un entorno colaborativo en el que los humanos y la IA trabajen juntos perfectamente.

La IAG, a veces denominada IA fuerte, es la versión de ciencia ficción de la inteligencia artificial (IA), en la que la inteligencia artificial con máquinas logra un aprendizaje, una percepción y una flexibilidad cognitiva a nivel humano. Pero, a diferencia de los humanos, las IAGs no tienen experiencia de fatiga ni tienen necesidades biológicas y pueden aprender y procesar información constantemente a velocidades inimaginables. El prospecto de desarrollar mentes sintéticas que puedan aprender y resolver problemas complejos promete revolucionar e interrumpir muchas industrias a medida que la inteligencia artificial continúe asumiendo tareas que antes se consideraban competencia exclusiva de la inteligencia humana y las habilidades cognitivas.

Imagine un auto autónomo pilotado por una IAG. No solo puede recoger a un pasajero en el aeropuerto y navegar por carreteras desconocidas, sino también adaptar su conversación en tiempo real. Puede responder preguntas sobre la cultura y la geografía locales, incluso personalizarlas en función de los intereses del pasajero. Podría sugerir un restaurante en función de las preferencias y la popularidad actual. Si un pasajero viajó con él antes, la IAG puede usar conversaciones anteriores para personalizar aún más la experiencia, incluso recomendando cosas que disfrutó en un viaje anterior.

Los sistemas de IA como LaMDA y GPT-3 se destacan en la generación de texto de calidad humana, la realización de tareas específicas, la traducción de idiomas según sea necesario y la creación de diferentes tipos de contenido creativo. Si bien estas tecnologías de modelos de lenguaje extensos (LLM) pueden parecerlo a veces, es importante comprender que no son las máquinas pensantes prometidas por la ciencia ficción. 

Para lograr estas hazañas se emplea una combinación de algoritmos sofisticados, procesamiento de lenguaje natural (NLP) y principios de la informática. Los LLMs como ChatGPT se entrenan con cantidades masivas de datos de texto, lo que les permite reconocer patrones y relaciones estadísticas dentro del lenguaje. Las técnicas de NLP los ayudan a analizar los matices del lenguaje humano, incluyendo la gramática, la sintaxis y el contexto. Al emplear algoritmos de IA complejos y métodos informáticos, estos sistemas de IA pueden generar texto similar al humano, traducir idiomas con una precisión impresionante y producir contenido creativo que imita diferentes estilos.

La IA actual, incluyendo la IA generativa (gen IA), a menudo se denomina IA estrecha y sobresale en el tamizado a través de conjuntos de datos masivos para identificar patrones, aplicar automatización a los flujos de trabajo y generar texto de calidad humana. No obstante, estos sistemas carecen de una comprensión genuina y no pueden adaptarse a situaciones fuera de su entrenamiento. Esta brecha resalta la vasta diferencia entre la IA actual y el potencial de IAG.

Aunque el progreso es apasionante, el salto de la IA débil a la verdadera IAG es un reto importante. Los investigadores exploran activamente la conciencia artificial, la resolución de problemas generales y el razonamiento de sentido común dentro de las máquinas. Aunque el plazo para el desarrollo de una verdadera IAG sigue siendo incierto, una organización puede preparar su infraestructura tecnológica para hacer frente a futuros avances creando hoy una infraestructura estable que dé prioridad a los datos. 

La naturaleza teórica de IAG hace que sea difícil identificar la pila tecnológica exacta que necesitan las organizaciones. Sin embargo, si el desarrollo de IAG utiliza componentes básicos similares a los de la IA estrecha, es probable que algunas herramientas y tecnologías existentes sean cruciales para su adopción.

La naturaleza exacta de la inteligencia general en la IAG sigue siendo un tema de debate entre los investigadores de IA. Algunos, como Goertzel y Pennachin , sugieren que la IAG poseería autocomprensión y autocontrol. Microsoft y OpenAI han afirmado que las capacidades de GPT-4 son sorprendentemente cercanas al rendimiento a nivel humano. La mayoría de los expertos lo catalogan como un modelo de IA poderoso, pero limitado.

Los avances actuales de la IA demuestran capacidades impresionantes en áreas específicas. Los autos autónomos se destacan en la navegación por carreteras y las supercomputadoras como IBM Watson® pueden analizar grandes cantidades de datos. En cualquier caso, estos son ejemplos de IA estrecha. Estos sistemas sobresalen dentro de sus dominios específicos, pero carecen de las habilidades generales de resolución de problemas previstas para IAG.

Independientemente, dada la amplia gama de predicciones para la llegada de la IAG, entre 2030 y 2050 y más allá, es crucial gestionar las expectativas y comenzar por utilizar el valor de las aplicaciones de IA actuales. Si bien los líderes tienen algunas reservas sobre los beneficios de la IA actual, las organizaciones están invirtiendo activamente en el despliegue de IA generativa, aumentando significativamente los presupuestos, ampliando los casos de uso y haciendo la transición de los proyectos de la experimentación a la producción.

Según Andreessen Horowitz, en 2023, el gasto promedio en interfaces de programación de aplicaciones (APIs) de modelos fundacionales, autoalojamiento y modelos de ajuste en las empresas encuestadas alcanzó los 7 millones de dólares. Casi todos los encuestados informaron resultados iniciales prometedores de los experimentos de IA generativa y planearon aumentar su gasto en 2024 para respaldar las cargas de trabajo de producción. Curiosamente, 2024 está viendo un cambio en el financiamiento a través de líneas de pedido de software, con menos líderes asignando presupuestos de fondos de innovación, lo que sugiere que la IA generativa se está convirtiendo rápidamente en una tecnología esencial. 

A menor escala, algunas organizaciones están reasignando presupuestos de IA generativa hacia el ahorro de personal, particularmente en atención al cliente. Una organización informó que ahorró aproximadamente 6 dólares por llamada atendida por su sistema de atención al cliente impulsado por LLM, lo que se tradujo en una reducción de costos del 90%, una justificación significativa para una mayor inversión en IA generativa.

Más allá del ahorro de costos, las organizaciones buscan formas tangibles de medir el retorno de la inversión (ROI) de la generación de IA, enfocándose en factores como la generación de ingresos, el ahorro de costos, las ganancias de eficiencia y las mejoras de precisión, dependiendo del caso de uso. Una tendencia clave es la adopción de múltiples modelos en la producción. Este enfoque multimodelo utiliza múltiples modelos de IA juntos para combinar sus fortalezas y mejorar los resultados generales. Este enfoque también sirve para adaptar las soluciones a casos de uso, evitar la dependencia de proveedores y aprovechar los rápidos avances en el campo.

El 46% de los encuestados en 2024 mostraron preferencia por los modelos de código abierto. Si bien el costo no fue el controlador principal, refleja la creciente creencia de que el valor generado por la IA generativa supera el alto costo. Ilustra que la mentalidad ejecutiva reconoce cada vez más que obtener una respuesta precisa vale la pena. 

Las empresas siguen interesadas en personalizar los modelos, pero con el auge de los modelos de código abierto de alta calidad, la mayoría opta por no entrenar a los LLM desde cero. En su lugar, utilizan la generación aumentada por recuperación o ajustan los modelos de código abierto para sus necesidades específicas.

La mayoría (72%) de las empresas que utilizan APIs para el acceso a modelos utilizan modelos alojados en sus proveedores de servicios en la nube. Además, las aplicaciones que no solo dependen de un LLM para la generación de texto, sino que lo integran con otras tecnologías para crear una solución completa y replantear significativamente los flujos de trabajo empresariales y el uso de datos patentados están obteniendo un sólido rendimiento en el mercado.

 Deloitte exploró el valor de los resultados creados por la IA generativa entre más de 2,800 líderes empresariales. Estas son algunas áreas en las que las organizaciones están viendo un retorno de la inversión (ROI):

• Texto (83%): La IA generativa ayuda a automatizar tareas como la redacción de informes, el resumen de documentos y la generación de textos de marketing.
• Código (62%): La IA generativa ayuda a los desarrolladores a escribir código de manera más eficiente y con menos errores.
• Audio (56%): Los centros de atención telefónica con IA generativa con audio realista ayudan a clientes y empleados.
• Imagen (55%): La IA generativa puede simular cómo quedaría un producto en casa de un cliente o reconstruir la escena de un accidente para evaluar las reclamaciones de seguros y la responsabilidad civil.
• Otras áreas potenciales: La generación de video (36%) y la generación de modelos 3D (26%) pueden crear materiales de marketing, representaciones virtuales y maquetas de productos.

La brecha de habilidades en el desarrollo de la IA generativa es un obstáculo importante. Las empresas emergentes que ofrecen herramientas que simplifican el desarrollo de la IA generativa interna probablemente verán una adopción más rápida debido a la dificultad de adquirir el talento adecuado dentro de las empresas.

Si bien la IAG promete una autonomía de las máquinas mucho más allá de la IA generativa, incluso los sistemas más avanzados aún requieren experiencia humana para funcionar de manera efectiva. Crear un equipo interno con habilidades de IA, aprendizaje profundo, machine learning (ML) y ciencia de datos es un movimiento estratégico. Lo más importante es que, independientemente de la fuerza de la IA (débil o fuerte), los científicos de datos, los ingenieros de IA, los informáticos y los especialistas en machine learning (ML) son esenciales para desarrollar y desplegar estos sistemas.

Estas áreas de uso seguramente evolucionarán a medida que avance la tecnología de IA. Sin embargo, al centrarse en estas áreas centrales, las organizaciones pueden posicionarse para utilizar el poder de los avances de la IA a medida que llegan.

Si bien la IA ha logrado avances significativos en los últimos años, logrando una verdadera IAG, las máquinas con inteligencia a nivel humano aún requieren superar obstáculos significativos. Aquí hay 7 habilidades críticas con las que la IA actual lucha y que la IAG necesitaría dominar:

1. Percepción visual: Si bien la visión por computadora superó obstáculos importantes en el reconocimiento facial y la detección de objetos, está muy lejos de alcanzar las capacidades humanas. Los sistemas de IA actuales tienen dificultades con el contexto, el color y la comprensión de cómo reaccionar ante objetos parcialmente ocultos. 

• Percepción de audio: la La IA ha avanzado en el reconocimiento de voz, pero no puede comprender de manera confiable los acentos, el sarcasmo y otros tonos emocionales del habla. También tiene dificultades para filtrar el ruido de fondo sin importancia y tiene dificultades para comprender expresiones no verbales, como suspiros, risas o cambios de volumen. 

• Habilidades motoras finas: Es concebible que el software de IAG se empareje con el hardware de robótica. En ese caso, la IAG requeriría la capacidad de manejar objetos frágiles, manipular herramientas en entornos del mundo real y poder adaptarse rápidamente a nuevas tareas físicas. 

• Resolución de problemas: La IA débil sobresale en la resolución de problemas específicos y bien definidos, pero la IAG necesitaría resolver problemas de la manera en que lo haría un humano, con razonamiento y pensamiento crítico. La IAG tendría que gestionar la incertidumbre y tomar decisiones con información incompleta. 

• Navegación: Los autos autoconducidos exhiben capacidades impresionantes, pero una navegación similar a la humana requiere una adaptación inmediata a entornos complejos. Los humanos pueden desplazar fácilmente por calles abarrotadas, terrenos irregulares y entornos cambiantes. 

• Creatividad: Si bien la IA puede generar formatos de texto creativos hasta cierto grado, la verdadera creatividad implica originalidad y novedad. Crear nuevas ideas, conceptos o soluciones es un sello distintivo de la creatividad humana.

• Compromiso social y emocional: La inteligencia humana está profundamente entrelazada con nuestras capacidades sociales y emocionales. La IAG necesitaría reconocer y comprender las emociones, incluyendo la interpretación de las expresiones faciales, el lenguaje corporal y el tono de voz. Para responder adecuadamente a las emociones, la IAG necesita ajustar su comunicación y comportamiento en función del estado emocional de los demás.

Sin embargo, una vez que la IAG teórica logra lo anterior para convertir una IAG real, sus aplicaciones potenciales son enormes. Estos son algunos ejemplos de cómo la tecnología de la AGI podría revolucionar varias industrias:

Atención al cliente

Imagine un sistema de atención al cliente impulsado por IAG. Accedería a una gran cantidad de datos de clientes y los combinaría con análisis en tiempo real para un servicio eficiente y personalizado. Al crear un perfil completo del cliente (datos demográficos, experiencias pasadas, necesidades y hábitos de compra), la IAG podría anticipar problemas, adaptar respuestas, sugerir soluciones e incluso predecir preguntas de seguimiento.

Ejemplo: Imagine la mejor atención al cliente que jamás haya tenido. La IAG puede ofrecer esto a través de un sistema de percepción que anticipa posibles problemas, utiliza análisis de tono para comprender mejor el estado de ánimo del cliente y posee una memoria aguda que puede recordar las minucias de resolución de casos más específicas. Al comprender las sutilezas del lenguaje humano, la IAG puede tener conversaciones significativas, abordar problemas complejos y navegar por los pasos de solución de problemas. Además, su inteligencia emocional le permite adaptar la comunicación para que sea empática y solidaria, creando una interacción más positiva para el cliente.

Programación de inteligencia

Más allá del análisis de código, la IAG capta la lógica y el propósito de las bases de código existentes, sugiriendo mejoras y generando nuevo código basado en especificaciones humanas. La IAG puede aumentar la productividad al proporcionar una comprensión codificada de la arquitectura, las dependencias y el historial de cambios.

Ejemplo: Mientras crea una característica de comercio electrónico, un programador le dice a la IAG: "Necesito una función para calcular los costos de envío en función de la ubicación, el peso y el método". La IAG analiza el código relevante, genera un borrador de función con comentarios que explican su lógica y permite al programador revisarlo, optimizarlo e integrarlo.

Navegación, exploración y sistemas autónomos

Los autos autoconducidos y los sistemas autónomos actuales se basan en gran medida en mapas y sensores preprogramados. La IAG no sólo percibiría su entorno, sino que lo comprendería. Podría analizar datos en tiempo real de cámaras, LiDAR y otros sensores para identificar objetos, evaluar riesgos y anticipar a cambios ambientales como fenómenos meteorológicos repentinos u obstáculos inesperados. A diferencia de los sistemas actuales, con opciones de respuesta limitadas, la IAG podría tomar decisiones complejas en tiempo real.

Podría considerar múltiples factores, como el flujo de tráfico, las condiciones climáticas e incluso peligros potenciales más allá del rango inmediato del sensor. Los sistemas impulsados por IAG no se limitarían a rutas preprogramadas. Pueden aprender de la experiencia, adaptarse a nuevas situaciones e incluso explorar territorios inexplorados. Imagine vehículos de exploración autónomos que naveguen por complejos sistemas de cuevas o drones que ayuden en misiones de búsqueda y rescate en entornos en constante cambio.

Ejemplo: Un automóvil autónomo impulsado por IAG se encuentra con un atasco inesperado en su ruta habitual. En lugar de seguir rígidamente instrucciones preprogramadas, la IAG analiza los datos de tráfico en tiempo real de otros vehículos conectados. A continuación, identifica rutas alternativas, teniendo en cuenta factores como la distancia, el tiempo estimado de viaje y los peligros potenciales, como las zonas de construcción. Por último, elige la ruta más eficiente y segura en tiempo real, manteniendo a los pasajeros informados y cómodos durante todo el viaje.

Atención médica

La gran cantidad de datos médicos generados hoy en día sigue sin explotarse en gran medida. La IAG podría analizar imágenes médicas, registros de pacientes y datos genéticos para identificar patrones sutiles que podrían escapar a la atención humana. Al analizar datos históricos y tendencias médicas, la IAG podría predecir el riesgo potencial específico de un paciente de desarrollar ciertas enfermedades. La IAG también podría analizar la composición genética y el historial médico de un paciente para adaptar los planes de tratamiento. Este enfoque personalizado podría conducir a terapias más efectivas con menos efectos secundarios.

Ejemplo: Un paciente visita a un médico con síntomas preocupantes. El médico carga el historial médico del paciente y los resultados de las pruebas recientes en un sistema de análisis médico impulsado por IAG. La IAG analiza los datos e identifica una mutación genética rara vinculada a una enfermedad específica. Esta información es crucial para el médico, ya que permite un diagnóstico más específico y un plan de tratamiento personalizado, lo que puede mejorar los resultados de los pacientes.

Educación

Imagine un tutor de IAG que no presenta información sino que personaliza la experiencia de aprendizaje. La IAG puede analizar el rendimiento, el estilo de aprendizaje y las brechas de conocimiento de un estudiante para crear una ruta de aprendizaje personalizada. No trataría a todos los estudiantes de la misma manera. La IAG puede ajustar el ritmo y la dificultad del material en tiempo real en función de la comprensión del estudiante. ¿Te cuesta encontrar un concepto? La IAG proporciona otras explicaciones y ejemplos. ¿Dominar un tema? Puede introducir material más desafiante. La IAG podría ir más allá de las conferencias y los libros de texto. Puede crear simulaciones interactivas, ejercicios personalizados e incluso experiencias de aprendizaje gamificadas para mantener a los estudiantes comprometidos y motivados.

Ejemplo: Un estudiante está luchando con un concepto matemático complejo. El tutor de IAG identifica la dificultad y adapta su enfoque. En lugar de una conferencia seca, presenta el concepto visualmente con simulaciones interactivas y lo divide en pasos más pequeños y manejables. El estudiante practica con ejercicios personalizados que se adaptan a sus brechas de conocimiento específicas y la IAG proporciona retroalimentación y aliento durante todo el proceso.

Fabricación y gestión de la cadena de suministro

La IAG podría revolucionar la fabricación optimizando cada paso del proceso. Al analizar grandes cantidades de datos de sensores en toda la línea de producción para identificar cuellos de botella, la IAG podría recomendar ajustes en la configuración de la máquina y optimizar los programas de producción en tiempo real para lograr la máxima eficiencia. El análisis de datos históricos y lecturas de sensores podría ayudar a la IAG a predecir fallas en el equipamiento antes de que sucedan. Este enfoque proactivo evitaría costosos tiempos de inactividad y ayudaría a garantizar una operación sin problemas. Con la IAG gestionando redes logísticas complejas en tiempo real, puede optimizar las rutas de entrega, predecir posibles retrasos y ajustar los niveles de inventario para ayudar a garantizar la entrega justo a tiempo, minimizando los residuos y los costos de almacenamiento.

Ejemplo: Imagine que un sistema de IAG monitorea una línea de ensamblaje de fábrica. Detecta una ligera vibración en una máquina crítica, lo que indica un posible desgaste. La IAG analiza los datos históricos y predice una posible falla dentro de las próximas 24 horas. Alerta al personal de mantenimiento, que puede abordar la dirección antes de que interrumpa la producción. Esto permite una operación fluida y eficiente, evitando costosos tiempos de inactividad.

Servicios financieros

La IAG podría revolucionar el análisis financiero yendo más allá de los métodos tradicionales. La IAG podría analizar vastos conjuntos de datos que abarcan noticias financieras, sentimiento de redes sociales e incluso imágenes de satélite para identificar tendencias complejas del mercado y posibles interrupciones que podrían pasar desapercibidas para los analistas humanos. Hay empresas emergentes e instituciones financieras que ya trabajan y utilizan versiones limitadas de dichas tecnologías.

Al poder procesar grandes cantidades de datos históricos, la IAG podría crear modelos financieros aún más precisos para evaluar el riesgo y tomar decisiones de inversión más informadas. La IAG podría desarrollar y ejecutar algoritmos comerciales complejos que tengan en cuenta los datos del mercado, las noticias en tiempo real y el sentimiento de las redes sociales. Sin embargo, la supervisión humana seguiría siendo crucial para la toma de decisiones finales y las consideraciones éticas.

Ejemplo: Un fondo de cobertura utiliza un sistema de IAG para analizar los mercados financieros. La IAG detecta un cambio sutil en el sentimiento de las redes sociales hacia una industria específica e identifica una posible recesión. Analiza datos históricos y artículos de noticias, confirmando una posible corrección del mercado. Con esta información, el administrador del fondo puede tomar decisiones informadas para ajustar su cartera y mitigar el riesgo.

Investigación y desarrollo

La IAG podría analizar vastos conjuntos de datos y literatura científica, formular nuevas hipótesis y diseñar experimentos a una escala sin precedentes, acelerando los avances científicos en varios campos. Imagine un socio científico que pueda examinar datos y generar ideas innovadoras mediante el análisis de vastos conjuntos de datos científicos y literatura para identificar patrones y conexiones sutiles que podrían escapar a los investigadores humanos. Esto podría conducir a la formulación de hipótesis y vías de investigación completamente nuevas.

Al simular sistemas complejos y analizar grandes cantidades de datos, la IAG podría diseñar experimentos sofisticados a una escala sin precedentes. Esto permitiría a los científicos probar hipótesis de manera más eficiente y explorar fronteras de investigación previamente inimaginables. La IAG podría trabajar incansablemente, ayudando a los investigadores a examinar datos, gestionar simulaciones complejas y sugerir nuevas direcciones de investigación. Esta colaboración aceleraría significativamente el ritmo de los avances científicos.

Ejemplo: Un equipo de astrofísicos está investigando la formación de galaxias en el universo temprano. La IAG analiza vastos conjuntos de datos de telescopios y simulaciones. Identifica una correlación previamente pasada por alto entre la distribución de la materia oscura y la formación de cúmulos estelares. A partir de esto, la IAG propone una nueva hipótesis sobre la formación de galaxias y sugiere una serie de simulaciones innovadoras para probar su validez. Este nuevo conocimiento allana el camino para una comprensión más profunda de los orígenes del universo.

La IAG sería una tecnología impactante que transformaría para siempre la forma en que industrias como la atención médica o la fabricación hacen negocios. Las grandes empresas tecnológicas y los laboratorios de investigación están invirtiendo recursos en su desarrollo, con varias escuelas de pensamiento que abordan el desafío de lograr una verdadera inteligencia a nivel humano en las máquinas. Estas son algunas áreas principales de exploración:

1. IA simbólica: Este enfoque se centra en la construcción de sistemas que manipulan símbolos y lógica para representar el conocimiento y el razonamiento. Su objetivo es crear un sistema que pueda comprender y resolver problemas siguiendo reglas, de manera similar a cómo los humanos usan la lógica.

• IA conexionista (neural networks artificiales): Este enfoque está inspirado en la estructura y función del cerebro humano. Implica construir neural networks artificiales con nodos interconectados para aprender y procesar información basada en vastos datos.

• Conciencia artificial: Este campo profundiza en dotar a las máquinas de experiencia subjetiva y concientización. Es un concepto muy teórico, pero podría ser un componente clave de la verdadera inteligencia.

• Emulación de todo el cerebro: Este ambicioso enfoque tiene como objetivo crear una simulación por computadora detallada de un cerebro biológico. La teoría es que la conciencia y la inteligencia podrían surgir dentro de la simulación copiando la estructura y función del cerebro humano.

• IA incorporada y cognición incorporada: Este enfoque se centra en el papel del cuerpo físico de un agente y su interacción con el entorno en la formación de la inteligencia. La idea es que la verdadera inteligencia requiere que un agente tenga experiencia y aprenda del mundo a través de un cuerpo físico.

El campo de investigación de la IAG está en constante evolución. Estos son solo algunos de los enfoques que se han explorado. Probablemente, una combinación de estas técnicas o enfoques completamente nuevos conducirá en última instancia a la realización de la IAG.

La IAG puede ser ciencia ficción por ahora, pero las organizaciones pueden prepararse para el futuro creando una estrategia de IA para el negocio con IBM watsonx™, una cartera de productos de IA que acelera el impacto de la IA generativa en los flujos de trabajo centrales para impulsar la productividad. Entrene, valide, ajuste y despliegue modelos de IA que le ayuden a escalar y acelerar el impacto de la IA con datos confiables en todo su negocio.