El futuro de la IA: tendencias que darán forma a los próximos 10 años

Desde sus inicios, la IA generativa ha ido evolucionando. Ya hemos visto a desarrolladores, como OpenAI y Meta, alejarse de modelos grandes para incluir modelos más pequeños y menos costosos, mejorando los modelos de IA para hacer lo mismo o más con menos. La ingeniería rápida está cambiando a medida que modelos, como ChatGPT, se vuelven más inteligentes y más capaces de entender los matices del lenguaje humano. A medida que los LLM se entrenan en información más específica, pueden proporcionar una amplia experiencia para industrias especializadas, convirtiéndose en agentes siempre activos, listos para ayudar a completar las tareas.

La IA no es una tecnología pasajera. No es una fase. Más de 60 países han desarrollado estrategias nacionales de IA para aprovechar los beneficios de la IA mientras se mitigan los riesgos. Esto significa realizar inversiones sustanciales en investigación y desarrollo, revisar y adaptar las normas de política y marcos regulatorios pertinentes y garantizar que la tecnología no diezme el mercado laboral justo y la cooperación internacional.

Cada vez es más fácil comunicarse entre humanos y máquinas, lo que permite a los usuarios de IA lograr más con mayor competencia. Se proyecta que la IA agregue 4.4 billones de dólares a la economía global a través de la exploración y optimización continuas.

Entre ahora y 2034, la IA se convertirá en un elemento fijo en muchos aspectos de nuestra vida personal y empresarial. Los modelos de IA como GPT-4 han mostrado una inmensa promesa en el poco tiempo que han estado disponibles para el consumo público, pero sus limitaciones también se han hecho bien conocidas. Como resultado, el futuro de la IA se está definiendo por un cambio hacia modelos de código abierto a gran escala para la experimentación y el desarrollo de modelos más pequeños y eficientes para estimular la facilidad de uso y facilitar un menor costo.

Iniciativas como Llama 3.1, un modelo de IA de código abierto con 400 000 millones de parámetros y Mistral Large 2, lanzado con fines de investigación, ilustran la tendencia de fomentar la colaboración comunitaria en proyectos de IA manteniendo los derechos comerciales. El creciente interés en modelos más pequeños llevó a la creación de modelos como el mini GPT 4o-mini de 11 mil millones de parámetros, que es rápido y rentable. No pasará mucho tiempo antes de que haya un modelo adecuado para incrustar en dispositivos como teléfonos inteligentes, especialmente a medida que el costo continúa disminuyendo.

Este movimiento refleja una transición de modelos exclusivamente grandes y cerrados a soluciones de IA más accesibles y versátiles. Si bien los modelos más pequeños ofrecen asequibilidad y eficiencia, sigue habiendo una demanda pública de sistemas de IA más poderosos, lo que indica que probablemente habrá un enfoque equilibrado en el desarrollo de la IA para intentar priorizar tanto la escalabilidad como la accesibilidad. Estos nuevos modelos ofrecen una mayor precisión con menos recursos, lo que los hace ideales para las empresas que necesitan la creación de contenido a medida o capacidades de resolución de problemas complejos.

La IA influyó en el desarrollo de varias tecnologías básicas. La IA desempeña un papel fundamental en el avance de la visión artificial al permitir un análisis de imágenes y videos más preciso, que es esencial para tecnologías, como los vehículos autónomos y los diagnósticos médicos. En el procesamiento de lenguaje natural (PLN), la IA mejora la capacidad de las máquinas para comprender y generar lenguaje humano, mejorando las interfaces de comunicación y permitiendo herramientas de traducción y análisis de sentimientos más sofisticadas.

La IA potencia los analytics predictivos y de big data procesando e interpretando grandes cantidades de datos para predecir tendencias y fundamentar decisiones. En la robótica, el desarrollo de máquinas más autónomas y adaptables simplifica tareas, como el ensamblaje, la exploración y la capacidad de servicios. Además, las innovaciones impulsadas por la IA en el Internet de las cosas (IoT) mejoran la conectividad y la inteligencia de los dispositivos, lo que conduce a hogares, ciudades y sistemas industriales más inteligentes.

Estos son algunos de los avances en IA que deberíamos ver en diez años:

El incipiente campo de la IA multimodal se probará y perfeccionará a fondo para 2034. La IA unimodal se centra en un único tipo de datos, como el PLN o la visión artificial. Por el contrario, la IA multimodal se asemeja más a la forma en que los humanos se comunican al comprender los datos a través de imágenes, voz, expresiones faciales e inflexiones vocales. Esta tecnología integrará texto, voz, imágenes, videos y otros datos para crear interacciones más intuitivas entre los humanos y los sistemas informáticos. Tiene el potencial de impulsar asistentes virtuales avanzados y chatbots que entienden consultas complejas y pueden proporcionar texto personalizado, ayudas visuales o tutoriales en video en respuesta.

La IA se integrará aún más en las esferas personal y profesional, impulsada por plataformas fáciles de usar que permiten a los no expertos utilizar la IA empresarial, tareas individuales, investigación y proyectos creativos. Estas plataformas, similares a los creadores de sitios web actuales, permitirán a emprendedores, educadores y pequeñas empresas desarrollar soluciones de IA personalizadas sin requerir una profunda experiencia técnica.

La IA y los microservicios basados en API permitirán a las empresas integrar funciones de IA avanzadas en sus sistemas existentes de forma modular. Este enfoque acelerará el desarrollo de aplicaciones personalizadas sin necesidad de una amplia experiencia en IA.

Para las empresas, una creación de modelos más sencilla significa ciclos de innovación más rápidos, con herramientas de IA personalizadas para cada función empresarial. Las plataformas sin código y de código bajo permitirán a los usuarios no técnicos crear modelos de IA utilizando componentes de arrastrar y soltar, módulos plug-and-play o flujos de trabajo guiados. Como muchas de estas plataformas se basarán en LLM, los usuarios también podrán consultar un modelo de IA mediante instrucciones.

Las plataformas de ML automatizado están mejorando rápidamente y automatizando tareas, como el preprocesamiento de datos, la selección de características y el ajuste de hiperparámetros. Durante la próxima década, el ML automatizado será aún más fácil de usar y accesible, lo que permitirá a las personas crear modelos de IA de alto rendimiento rápidamente sin necesidad de conocimientos especializados. Los servicios de IA basados en la nube también proporcionarán a las empresas modelos de IA prediseñados que se pueden personalizar, integrar y escalar según sea necesario.

Para los aficionados, las herramientas de IA accesibles fomentarán una nueva ola de innovación individual, permitiéndoles desarrollar aplicaciones de IA para proyectos personales o negocios paralelos.

El desarrollo de código abierto puede fomentar la transparencia, mientras que la gobernanza cuidadosa y directrices éticas pueden ayudar a mantener estándares de seguridad elevados y generar confianza en los procesos impulsados por la IA. La culminación de esta facilidad de acceso podría ser un asistente virtual multimodal totalmente controlado por voz, capaz de crear activos visuales, de texto, de audio o visuales a pedido.

Aunque es muy especulativo, si surge un sistema de inteligencia artificial general (IAG) para 2034, podríamos ver el comienzo de los sistemas de IA que pueden generar, curar y refinar de forma autónoma sus propios conjuntos de datos, permitiendo la mejora automática y la adaptación sin intervención humana.

A medida que la IA generativa se vuelve más centralizada dentro de las organizaciones, las empresas podrían comenzar a ofrecer un "seguro de alucinaciones de IA". A pesar de un amplio entrenamiento, los modelos de IA pueden ofrecer resultados incorrectos o engañosos. Estos errores a menudo se derivan de datos de entrenamiento insuficientes, suposiciones incorrectas o sesgos en los datos de entrenamiento.

Dicho seguro protegería a las instituciones financieras, las industrias médica y legal, y otras contra resultados inesperados, inexactos o dañinos de la IA. Las aseguradoras pueden cubrir los riesgos financieros y de reputación asociados con estos errores, de manera similar a cómo manejan el fraude financiero y las filtraciones de datos.

La toma de decisiones de IA y el modelado de predicción avanzarán hasta el punto en que los sistemas de IA funcionen como asociados de negocios estratégicos, ayudando a los ejecutivos a tomar decisiones informadas y automatizar tareas complejas. Estos sistemas de IA integrarán análisis de datos en tiempo real, concientización contextual e insights personalizados para ofrecer recomendaciones personalizadas, como planeación financiera y comunicación con el cliente, que se alineen con los objetivos comerciales.

El PLN mejorado permite que la IA participe en conversaciones con el liderazgo, ofreciendo consejos basados en modelos predictivos y planeación de escenarios. Las empresas confiarán en la IA para simular resultados potenciales, gestionar la colaboración entre departamentos y refinar las estrategias basadas en el aprendizaje continuo. Estos asociados de IA permitirán a las pequeñas empresas escalar más rápido y operar con eficiencias similares a las de las grandes empresas.

La IA cuántica, mediante las propiedades únicas de los cúbits, podría derribar las limitaciones de la IA tradicional al resolver problemas que antes eran irresolubles debido a limitaciones computacionales. Las simulaciones de materiales complejos, la gran optimización de la cadena de suministro y los conjuntos de datos exponencialmente más grandes podrían ser factibles en tiempo real. Esto podría transformar los campos de la investigación científica, donde la IA ampliará los límites del descubrimiento en física, biología y ciencia climática mediante el modelado de escenarios que las computadoras tradicionales tardarían milenios en procesar.

Un obstáculo importante en el avance de la IA fue el enorme tiempo, energía y costo involucrado en el entrenamiento de modelos masivos, como modelos de lenguaje grandes (LLM) y redes neuronales. Los requisitos actuales de hardware están llegando a los límites de la infraestructura informática convencional, por lo que la innovación se centrará en mejorar el hardware o crear arquitecturas completamente nuevas. La computación cuántica ofrece una vía prometedora para la innovación de la IA, ya que podría reducir significativamente el tiempo y los recursos necesarios para entrenar y ejecutar grandes modelos de IA.

Los modelos de bitnet emplean parámetros ternarios, un sistema de base 3 con 3 dígitos para representar la información. Este enfoque aborda el problema energético al permitir que la IA procese la información de manera más eficiente, con base en múltiples estados en lugar de datos binarios (0 y 1). Esto podría dar como resultado cálculos más rápidos con menos consumo de energía.

Las startups respaldadas por Y Combinator y otras empresas están invirtiendo en hardware de silicio especializado adaptado a modelos de bitnet, lo que podría acelerar significativamente los tiempos de entrenamiento de la IA y reducir los costos operativos. Esta tendencia sugiere que los futuros sistemas de IA combinarán computación cuántica, modelos de bitnet y hardware especializado para superar los límites computacionales.

Las regulaciones y los estándares éticos de la IA tendrán que avanzar significativamente para que la ubicuidad de la IA se convierta en una realidad. Impulsado por infraestructuras como la Ley de IA de la EU, un desarrollo clave será la creación de sistemas rigurosos de gestión de riesgos, clasificando la IA en niveles de riesgo e imponiendo requisitos más estrictos a la IA de alto riesgo. Es posible que los modelos de IA, especialmente los generativos y a gran escala, deban cumplir con los estándares de transparencia, solidez y ciberseguridad. Es probable que estos marcos se amplíen a nivel mundial, siguiendo la Ley de AI de la UE, que establece estándares para los sectores de atención médica, finanzas e infraestructura crítica.

Las consideraciones éticas darán forma a las regulaciones, incluidas las prohibiciones de sistemas que plantean riesgos inaceptables, como el puntaje social y la identificación biométrica remota en espacios públicos. Se requerirá que los sistemas de IA incluyan supervisión humana, protejan los derechos fundamentales, aborden cuestiones, como el sesgo y la imparcialidad, y garanticen un despliegue responsable.

La IA que anticipa de manera proactiva las necesidades y toma decisiones de forma autónoma probablemente se convertirá en una parte central de la vida personal y empresarial. la IA agéntica se refiere a sistemas compuestos por agentes especializados que operan de manera independiente, cada uno de los cuales maneja tareas específicas. Estos agentes interactúan con datos, sistemas y personas para completar flujos de trabajo de varios pasos, lo que permite a las empresas automatizar procesos complejos, como atención al cliente o diagnósticos de red. A diferencia de los modelos monolíticos de lenguaje grande (LLM), la IA agéntica se adapta a entornos en tiempo real, utilizando algoritmos de toma de decisiones más simples y bucles de feedback para aprender y mejorar.

Un beneficio clave de la IA agéntica es su división del trabajo entre el LLM, que se encarga de las tareas generales, y los agentes específicos del dominio, que aportan conocimientos profundos. Esta división ayuda a mitigar las limitaciones de los LLM. Por ejemplo, en una empresa de telecomunicaciones, un LLM puede categorizar una consulta de un cliente, mientras que los agentes especializados recuperan información de la cuenta, diagnostican problemas y formulan una solución en tiempo real.

Para 2034, estos sistemas de IA agéntica podrían convertirse en el centro de la gestión de todo, desde los flujos de trabajo empresariales hasta los hogares inteligentes. Su capacidad para anticipar necesidades de forma autónoma, tomar decisiones y aprender de su entorno podría hacerlos más eficientes y rentables, complementando las capacidades generales de los LLM y aumentando la accesibilidad de la IA en todas las industrias.

A medida que escasean los datos generados por seres humanos, las empresas ya están recurriendo a datos sintéticos, es decir, conjuntos de datos artificiales que imitan patrones del mundo real sin las mismas limitaciones de recursos ni preocupaciones éticas. Este enfoque se convertirá en la norma para el entrenamiento de la IA, mejorando la precisión de los modelos y promoviendo, al mismo tiempo, la diversidad de datos. Los datos de entrenamiento de la IA incluirán imágenes de satellite, datos biométricos, registros de audio y datos de sensores IoT.

El auge de los modelos personalizados será una tendencia clave de la IA, ya que las organizaciones emplearán conjuntos de datos propios para entrenar la IA adaptada a sus necesidades específicas. Estos modelos, diseñados para la generación de contenido, la interacción con el cliente y la optimización de procesos, pueden superar a los LLM de uso general al alinear estrechamente con los datos y el contexto únicos de una organización. Las empresas invertirán en el aseguramiento de la calidad de los datos para que tanto los datos reales como los sintéticos cumplan con altos estándares de confiabilidad, precisión y diversidad, manteniendo el rendimiento de la IA y la solidez ética.

El desafío de la“ IA en la sombra” (herramientas de IA no autorizadas que usan los empleados) impulsará a las organizaciones a implementar una gobernanza de datos más estricta, garantizando que solo los sistemas de IA aprobados accedan a datos confidenciales y de propiedad exclusiva.

A medida que la IA continúa evolucionando, están surgiendo varias ideas ambiciosas "moonshot" para abordar las limitaciones actuales y desafiar los límites de lo que la inteligencia artificial puede lograr. Uno de esos objetivos es la computación posterior a Moore¹, que tiene como objetivo moverse más allá de la arquitectura tradicional de von Neumann, ya que las GPU y las TPU se acercan a sus límites físicos y prácticos.

Con los modelos de IA cada vez más complejos y con un uso intensivo en datos, se necesitan nuevos paradigmas informáticos. Las innovaciones en computación neuromórfica², que imita la estructura neuronal del cerebro humano, están a la vanguardia de esta transición. Además, la computación óptica³, que emplea luz en lugar de señales eléctricas para procesar la información, ofrece vías prometedoras para mejorar la eficiencia y la escalabilidad computacionales.

Otro logro significativo es el desarrollo de una Internet distribuida de IA⁴, o IA federada, que prevé una infraestructura de IA distribuida y descentralizada. A diferencia de los modelos tradicionales de IA que dependen de grandes centros de datos, la IA federada opera en múltiples dispositivos y ubicaciones, procesando datos localmente para mejorar la privacidad y reducir la latencia.

Al permitir que los smartphones, los dispositivos IoT y los nodos de computación periférica colaboren y compartan insights sin transmitir datos sin procesar, la IA federada fomenta un ecosistema de IA más seguro y escalable. La investigación actual se centra en el desarrollo de algoritmos y protocolos eficientes para la colaboración sin inconvenientes entre modelos distribuidos, lo que facilita el aprendizaje en tiempo real, mientras que mantiene altos estándares de integridad de datos y privacidad.

Otra área fundamental de experimentación es la de las limitaciones inherentes al mecanismo de atención de la arquitectura transformadora⁵. Las transformadoras se basan en un mecanismo de atención con una ventana de contexto para procesar partes relevantes de los datos de entrada, como el token anterior en una conversación. Sin embargo, a medida que la ventana de contexto se expande para incorporar más datos históricos, la complejidad computacional aumenta cuadráticamente, lo que la hace ineficiente y costosa.

Para superar este desafío, los investigadores están explorando enfoques, como la linealización del mecanismo de atención o la introducción de técnicas de ventanas más eficientes, lo que permite a los transformadores manejar ventanas de contexto más grandes sin el aumento exponencial de los recursos computacionales. Este avance permitiría a los modelos de IA comprender e incorporar mejor interacciones pasadas, lo que conduciría a respuestas más coherentes y contextualmente relevantes.

Imagina que empieza el día en 2034. Un asistente inteligente controlado por voz, conectado a todos los aspectos de su vida, le da la bienvenida con su plan de comidas familiar para la semana, adaptado a las preferencias de cada uno. Le informará del estado de su despensa y le pedirá la compra cuando sea necesario. Su ida al trabajo se convierte en automático cuando su chófer virtual navega por la ruta más eficiente para ir al trabajo, ya que puede ajustarse al tráfico y al clima en tiempo real.

En el trabajo, un socio de IA examina las tareas diarias y le proporciona insights aplicables en la práctica, ayuda con las tareas rutinarias y actúa como una base de datos de conocimientos dinámica y proactiva. A nivel personal, la tecnología integrada en la IA puede crear entretenimiento a medida, generando historias, música o arte visual personalizados para sus gustos. Si quiere aprender algo, la IA puede proporcionar tutoriales en video adaptados a su estilo de aprendizaje, integrando texto, imágenes y voz.

A medida que la adopción de la IA se extienda y la tecnología evolucione, su impacto en las operaciones globales será inmenso. Estas son algunas de las principales implicaciones de la tecnología avanzada de IA:

La IA desempeñará un doble papel en la acción climática al contribuir simultáneamente al aumento de la demanda de energía y servir como herramienta para la mitigación. Los recursos computacionales necesarios para entrenar y desplegar grandes modelos de IA aumentan significativamente el consumo de energía, lo que exacerba las emisiones de carbono si las fuentes de energía no son sustentables. Alternativamente, la IA puede mejorar las iniciativas climáticas optimizando el uso de energía en varios sectores, mejorando el modelado y las predicciones climáticas y habilitando soluciones innovadoras para energía renovable, captura de carbono y monitoreo ambiental.

En la fabricación, los robots impulsados por IA pueden realizar tareas de ensamblaje complejas con precisión, lo que aumenta las tasas de producción y reduce los defectos. En la atención médica, las herramientas de diagnóstico automatizadas ayudan a los médicos a identificar enfermedades con mayor precisión y rapidez. La automatización de procesos impulsada por IA y el machine learning en finanzas, logística y experiencia del cliente pueden optimizar las operaciones, reducir costos y mejorar la calidad del servicio. Al manejar tareas repetitivas, la IA permite a los trabajadores humanos enfocarse en esfuerzos estratégicos y creativos, fomentando la innovación y la productividad.

El aumento de la automatización impulsada por IA llevará inevitablemente al desplazamiento de puestos de trabajo, especialmente en las industrias que dependen en gran medida de tareas repetitivas y manuales. Funciones como la entrada de datos, el trabajo en la línea de montaje y la atención rutinaria al cliente pueden experimentar reducciones significativas a medida que las máquinas y los algoritmos se hacen cargo de estas funciones. Sin embargo, también creará oportunidades en el desarrollo de la IA, el análisis de datos y la ciberseguridad. La demanda de habilidades de mantenimiento, supervisión y gobernanza ética de la IA crecerá, proporcionando vías para el reentrenamiento de la fuerza laboral.

La IA generativa facilitó la creación de deepfakes (audio, video e imágenes realistas, pero falsos) utilizados para difundir información falsa y manipular la opinión pública. Esto plantea desafíos para la integridad de la información y la confianza de los medios. Abordar esto requiere herramientas de detección avanzadas, educación pública y posiblemente medidas legales para responsabilizar a los creadores de deepfakes maliciosos.

Las personas antropomorfizan la IA, formando vínculos emocionales y dinámicas sociales complejas, como se ve con ELIZA Effect⁶ y otros colegas de IA. Durante la próxima década, estas relaciones podrían volverse más profundas, planteando preguntas psicológicas y éticas. La sociedad debe promover interacciones saludables con máquinas cada vez más parecidas a las humanas y ayudar a las personas a distinguir las interacciones humanas genuinas de las impulsadas por IA.

A medida que el contenido generado por IA domina Internet, que se estima que comprende alrededor del 50 % del material en línea, la disponibilidad de datos generados por humanos disminuye. Los investigadores predicen que, para 2026, los datos públicos para entrenar grandes modelos de IA podrían agotarse. Para abordar esto, la comunidad de IA está explorando la generación de datos sintéticos y nuevas fuentes de datos, como dispositivos IoT y simulaciones, para diversificar las entradas de entrenamiento de IA. Estas estrategias son esenciales para mantener los avances de la IA y garantizar que los modelos de IA sigan siendo capaces en un escenario digital cada vez más saturado de datos.

A medida que la IA sigue avanzando y la atención se desplaza hacia modelos más rentables que permitan soluciones a medida para particulares y empresas, la confianza y la seguridad deben seguir siendo primordiales.

Watsonx.ai de IBM es una cartera de productos de IA para desarrollar, desplegar y administrar soluciones de IA que se alinean con las tendencias actuales hacia herramientas de IA más seguras, accesibles y versátiles.

watsonx.ai integra avanzadas capacidades de IA con la flexibilidad necesaria para apoyar a las empresas de todas las industrias, lo que ayuda a garantizar que aprovechen el poder de la IA para lograr un impacto real y no solo para estar a la moda. Al priorizar la facilidad de uso y la eficiencia, Watsonx.ai está preparado para convertirse en un indispensable activo para aquellos que buscan emplear la IA en la próxima década.