Prepararse para la inteligencia artificial general con ejemplos

Imagine un mundo en el que las máquinas no se limiten a tareas preprogramadas, sino que funcionen con autonomía y competencia similares a las humanas. Un mundo en el que las mentes informáticas pilotan coches autónomos, profundizan en complejas investigaciones científicas, prestan un servicio de atención al cliente personalizado e incluso exploran lo desconocido.

Este es el potencial de la inteligencia artificial general (IAG), una tecnología hipotética que podría estar a punto de revolucionar casi todos los aspectos de la vida y el trabajo humanos. Aunque la IAG sigue siendo teórica, las organizaciones pueden tomar medidas proactivas para prepararse para su llegada mediante la creación de una infraestructura de datos sólida y el fomento de un entorno colaborativo en el que los humanos y la IA trabajen de manera fluida.

La IAG, a veces denominada IA sólida, es la versión de ciencia ficción de la inteligencia artificial (IA), en la que la inteligencia artificial artificial logra un aprendizaje, una percepción y una flexibilidad cognitiva a nivel humano. Pero, a diferencia de los humanos, la IAG no se cansa ni tiene necesidades biológicas y puede aprender constantemente y procesar información a velocidades inimaginables. La perspectiva de desarrollar mentes sintéticas capaces de aprender y resolver problemas complejos promete revolucionar y perturbar muchos sectores a medida que la inteligencia de las máquinas siga asumiendo tareas que antes se consideraban competencia exclusiva de la inteligencia y las capacidades cognitivas humanas.

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

Los sistemas de IA como LaMDA y GPT-3 sobresalen 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. Aunque estas tecnologías de modelos de lenguaje de gran tamaño (LLM) pueden parecerlo a veces, es importante comprender que no son las máquinas pensantes prometidas por la ciencia ficción. 

Lograr estas hazañas se logra mediante una combinación de algoritmos sofisticados, procesamiento del lenguaje natural (PLN) y principios informáticos. Los LLM 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 PLN les ayudan a analizar los matices del lenguaje humano, incluida la gramática, la sintaxis y el contexto. Mediante el uso de complejos algoritmos de IA y métodos informáticos, estos sistemas de IA pueden generar texto similar al humano, traducir idiomas con una precisión impresionante y producir contenido creativo que imite diferentes estilos.

La IA actual, incluida la IA generativa (IA gen), se denomina a menudo IA estrecha y destaca en la criba de conjuntos de datos masivos para identificar patrones, aplicar la automatización a los flujos de trabajo y generar textos de calidad humana. Sin embargo, estos sistemas carecen de una verdadera comprensión y no pueden adaptarse a situaciones ajenas a su formación. Esta brecha pone de manifiesto la gran diferencia entre la IA actual y el potencial de la IAG.

Aunque el progreso es emocionante, el salto de una IA débil a una verdadera IAG es un desafío importante. Los investigadores están explorando activamente la conciencia artificial, la resolución general de problemas y el razonamiento de sentido común dentro de las máquinas. Si bien el cronograma para desarrollar una verdadera IAG sigue siendo incierto, una organización puede preparar su infraestructura tecnológica para manejar el avance futuro construyendo hoy una infraestructura sólida que priorice los datos. 

La naturaleza teórica de la IAG dificulta determinar exactamente la pila tecnológica que necesitan las organizaciones. Sin embargo, si el desarrollo de la IAG utiliza componentes similares a los de la IA limitada, es probable que algunas de las 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 están sorprendentemente cerca del rendimiento a nivel humano. La mayoría de los expertos lo clasifican como un modelo de IA potente pero limitado.

Los avances actuales en IA demuestran capacidades impresionantes en áreas específicas. Los coches autónomos son excelentes para circular por carreteras y superordenadores como IBM watsonx pueden analizar grandes cantidades de datos. De todos modos, estos son ejemplos de IA limitada. Estos sistemas se destacan en sus dominios específicos pero carecen de las habilidades generales de resolución de problemas previstas para la IAG.

En cualquier caso, dada la amplia gama de predicciones para la llegada de la IAG, desde 2030 hasta 2050 y más allá, es crucial gestionar las expectativas y empezar por utilizar el valor de las aplicaciones actuales de la IA. Aunque los líderes tienen algunas reservas sobre los beneficios de la IA actual, las organizaciones están invirtiendo activamente en la implementación de la 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 medio en interfaces de programación de aplicaciones (API) de modelos fundacionales, modelos de autoalojamiento y ajuste fino en las empresas encuestadas alcanzó los siete millones de USD. Casi todos los encuestados informaron de resultados iniciales prometedores de los experimentos de IA generativa y planeaban aumentar su gasto en 2024 para respaldar las cargas de trabajo de producción. Curiosamente, en 2024 se está produciendo un cambio en la financiación 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 los presupuestos de la IA generativa hacia el ahorro de personal, especialmente en el servicio de atención al cliente. Una organización informó haber ahorrado aproximadamente 6 USD por llamada atendida por su sistema de servicio de atención al cliente impulsado por LLM, lo que se traduce en una reducción de costos del 90 %, una justificación significativa para una mayor inversión en IA generativa.

Más allá del ahorro de costes, las organizaciones buscan formas tangibles de medir el retorno de la inversión (ROI) de la IA generativa, centrándose en factores como la generación de ingresos, el ahorro de costes, el aumento de la eficiencia y las mejoras de precisión, según el caso de uso. Una tendencia clave es la adopción de múltiples modelos en la producción. Este enfoque multimodelo utiliza varios modelos de IA juntos para combinar sus puntos fuertes y mejorar el resultado. Este planteamiento también sirve para adaptar las soluciones a casos de uso específicos, evitar la dependencia de un proveedor y aprovechar los rápidos avances en este campo.

El 46 % de los encuestados en 2024 mostraron preferencia por los modelos de código abierto. Aunque el coste no fue el controlador principal, refleja la creciente creencia de que el valor generado por la IA generativa supera el precio. 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 API para acceder a los modelos utilizan modelos alojados en sus proveedores de servicio en la nube. Asimismo, las aplicaciones que no solo se basan en un LLM para la generación de textos, sino que lo integran con otras tecnologías para crear una solución completa y replantear de forma significativa los flujos de trabajo de la empresa y el uso de datos propios, están registrando un fuerte rendimiento en el mercado.

Deloitte exploró el valor de los resultados creados por la IA generativa entre más de 2800 líderes empresariales. Estas son algunas áreas en las que las organizaciones están obteniendo un 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 forma más eficaz y con menos errores.
• Audio (56 %): los call centers de IA generativa con audio realista ayudan a clientes y empleados.
• Imagen (55 %): la IA generativa puede simular el aspecto de un producto en la casa de un cliente o reconstruir la escena de un accidente para evaluar las reclamaciones del seguro y la responsabilidad.
• 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 startups que ofrecen herramientas que simplifican el desarrollo interno de la IA generativa probablemente verán una adopción más rápida debido a la dificultad de adquirir el talento adecuado dentro de las empresas.

Aunque la IAG promete una autonomía de las máquinas mucho más allá de la IA generativa, incluso los sistemas más avanzados siguen necesitando la experiencia humana para funcionar de forma eficaz. Crear un equipo interno con habilidades de IA, deep learning, machine learning (ML) y ciencia de datos es un movimiento estratégico. Lo que es más importante, sea cual sea el punto fuerte de la IA (débil o sólida), los científicos de datos, los ingenieros de IA, los informáticos y los especialistas en ML son esenciales para desarrollar e implementar estos sistemas.

Estas áreas de uso 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.

Aunque la IA ha logrado avances importantes en los últimos años, para lograr una verdadera IAG, las máquinas con inteligencia a nivel humano todavía necesitan superar importantes obstáculos. Estas son siete habilidades críticas con las que la IA actual tiene problemas y que la IAG tendría que dominar:

1. Percepción visual: aunque la visión artificial ha superado importantes obstáculos en el reconocimiento facial y la detección de objetos, está muy por debajo de 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 IA ha avanzado en el reconocimiento de voz, pero no puede comprender de forma fiable 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 robótico. En ese caso, la IAG requeriría la capacidad de manejar objetos frágiles, manipular herramientas en entornos del mundo real y ser capaz de adaptarse rápidamente a nuevas tareas físicas. 

• Resolución de problemas: la IA débil se destaca por resolver problemas específicos y bien definidos, pero la IAG necesitaría resolver problemas como lo haría un humano, con razonamiento y pensamiento crítico. La IAG necesitaría manejar la incertidumbre y tomar decisiones con información incompleta. 

• Navegación: los coches autónomos showcase capacidades impresionantes, pero la navegación similar a la humana requiere una adaptación inmediata a entornos complejos. Los humanos pueden moverse fácilmente por calles abarrotadas, terrenos irregulares y entornos cambiantes. 

• Creatividad: aunque la IA puede generar formatos de texto creativos hasta cierto punto, 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 habilidades sociales y emocionales. La IAG necesitaría reconocer y comprender las emociones, incluida 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 convertirse en una IAG real, sus aplicaciones potenciales son enormes. Estos son algunos ejemplos de cómo la tecnología de IAG podría revolucionar varios sectores:

Servicio al cliente

Imagine un sistema de servicio de atención al cliente con tecnología de IAG. Accedería a vastos datos de clientes y los combinaría con análisis en tiempo real para ofrecer un servicio eficaz y personalizado. Mediante la creación de un perfil completo del cliente (datos demográficos, experiencias pasadas, necesidades y hábitos de compra), la IAG podría anticiparse a los problemas, adaptar las respuestas, sugerir soluciones e incluso predecir las preguntas de seguimiento.

Ejemplo: imagine la mejor experiencia de servicio de atención al cliente que haya tenido en la vida. La IAG puede ofrecer esto a través de un sistema de percepción que anticipa los posibles problemas, utiliza el análisis de tonos para entender mejor el estado de ánimo del cliente y posee una memoria aguda que puede recordar las minucias más específicas de la resolución de casos. Al entender las sutilezas del lenguaje humano, la IAG puede mantener 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.

Inteligencia de codificación

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: Al crear una característica de comercio electrónico, un programador le dice a la IAG: "Necesito una función para calcular los gastos de envío según la ubicación, el peso y el método". La IAG analiza el código correspondiente, 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 coches autónomos y los sistemas autónomos actuales dependen en gran medida de mapas y sensores preprogramados. La IAG no solo percibiría su entorno; los entendería. Podría analizar datos en tiempo real de cámaras, LiDAR y otros sensores para identificar objetos, evaluar riesgos y anticipar 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.

Puede tener en cuenta múltiples factores como el flujo de tráfico, las condiciones meteorológicas e incluso los peligros potenciales más allá del alcance inmediato del sensor. Los sistemas con IAG no se limitarían a rutas preprogramadas. Pueden aprender de la experiencia, adaptarse a nuevas situaciones e incluso explorar territorios inexplorados. Imagínese vehículos de exploración autónomos navegando por complejos sistemas de cuevas o drones que ayudan en misiones de búsqueda y rescate en entornos en constante cambio.

Ejemplo: un coche autónomo con motor 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 enorme cantidad de datos médicos que se generan hoy en día sigue en gran medida sin aprovecharse. La IAG podría analizar imágenes médicas, historiales de pacientes y datos genéticos para identificar patrones sutiles que podrían escapar a la atención humana. Mediante el análisis de datos históricos y tendencias médicas, la IAG podría predecir el riesgo potencial específico de un paciente de desarrollar determinadas 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 eficaces con menos efectos secundarios.

Ejemplo: un paciente visita al 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 con 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 podría mejorar los resultados de los pacientes.

Formación

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

Ejemplo: un estudiante tiene dificultades 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 lagunas de conocimiento específicas y la IAG proporciona comentarios 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 obtener la máxima eficiencia. El análisis de los datos históricos y las lecturas de los sensores podría ayudar a la IAG a predecir los fallos de los equipos antes de que se produzcan. Este enfoque proactivo evitaría costosos tiempos de inactividad y ayudaría a asegurar un funcionamiento sin problemas en las operaciones. 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 costes de almacenamiento.

Ejemplo: Imagine que un sistema de IAG supervisa una línea de montaje de una fábrica. Detecta una ligera vibración en una máquina crítica, indicando un posible desgaste y rotura. La IAG analiza datos históricos y predice una posible falla dentro de las próximas 24 horas. Alerta al personal de mantenimiento, que puede abordar proactivamente el problema antes de que interrumpa la producción. Esto permite un funcionamiento eficiente y fluido, evitando costosos tiempos de inactividad.

Servicios financieros

La IAG podría revolucionar el análisis financiero yendo más allá de los métodos tradicionales. La inteligencia artificial general podría analizar grandes conjuntos de datos que abarcan noticias financieras, opiniones en las redes sociales y satellite para identificar tendencias complejas del mercado y posibles perturbaciones que podrían pasar desapercibidas para los analistas humanos. Hay empresas emergentes e instituciones financieras que ya están trabajando en versiones limitadas de dichas tecnologías y utilizándolas.

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 complejos algoritmos de negociación 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 un sector específico e identifica una posible recesión. Analiza datos históricos y artículos de noticias, confirmando una posible corrección del mercado. Con esta información, el gestor del fondo puede tomar decisiones informadas para ajustar su portfolio 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, lo que aceleraría los avances científicos en diversos campos. Imagine un socio científico que pueda examinar datos y generar ideas innovadoras analizando vastos conjuntos de datos científicos y bibliografía 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 totalmente 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 antes 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 investiga la formación de las galaxias en el universo primitivo. La IAG analiza vastos conjuntos de datos procedentes de telescopios y simulaciones. Identifica una correlación previamente pasada por alto entre la distribución de la materia oscura y la formación de cúmulos estelares. Basándose en ello, la IAG propone una nueva hipótesis sobre la formación de galaxias y sugiere una serie de simulaciones innovadoras para comprobar su validez. Estos nuevos conocimientos allanan el camino hacia una comprensión más profunda de los orígenes del universo.

La IAG sería una tecnología impactante que transformaría para siempre la forma en la que sectores como la sanidad 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 de las principales áreas 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 forma similar a como los humanos usan la lógica.

• IA conexionista (redes neuronales artificiales): este enfoque se inspira en la estructura y función del cerebro humano. Implica construir redes neuronales con nodos interconectados para aprender y procesar información basada en grandes cantidades de datos.

• Conciencia artificial: este campo se centra en dotar a las máquinas de experiencia subjetiva y conciencia de sí mismas. Es un concepto muy teórico, pero podría ser un componente clave de la verdadera inteligencia.

• Emulación de cerebro completo: este ambicioso enfoque tiene como objetivo crear una simulación informática 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 configuración 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 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 IAG.

Puede que la IAG sea ciencia ficción por ahora, pero las organizaciones pueden prepararse para el futuro creando una estrategia de IA para el negocio con IBM watsonx, un portfolio de productos de IA que acelera el impacto de la IA generativa en los flujos de trabajo principales para impulsar la productividad. Entrene, valide, ajuste e implemente modelos de IA para ayudarle a escalar y acelerar el impacto de la misma con datos de confianza en toda su empresa.