Explorando las últimas tendencias en IA/DL Desde el Metaverso hasta la Computación Cuántica

Explorando tendencias en IA/DL del Metaverso a la Computación Cuántica

 

El campo de la inteligencia artificial (IA) está en constante evolución y varias tendencias emergentes están dando forma al panorama, con el potencial de tener un gran impacto en diversas industrias y la vida cotidiana. Una de las fuerzas impulsoras detrás de los avances recientes en IA es el aprendizaje profundo (DL), también conocido como redes neuronales artificiales (ANNs). DL ha mostrado avances notables en áreas como el procesamiento del lenguaje natural (NLP), la visión por computadora, el aprendizaje por refuerzo y las redes generativas adversarias (GANs).

Lo que hace que el DL sea aún más fascinante es su estrecha conexión con la neurociencia. Los investigadores a menudo obtienen información de la complejidad y funcionalidad del cerebro humano para desarrollar técnicas y arquitecturas de DL. Por ejemplo, las redes neuronales convolucionales (CNNs), las funciones de activación y las neuronas artificiales en ANNs están inspiradas en la estructura y el comportamiento de las neuronas biológicas en el cerebro humano.

Aunque la IA/DL y la neurociencia ya están causando un gran impacto, hay otra área que ofrece aún mayores promesas para transformar nuestras vidas: la computación cuántica. La computación cuántica tiene el potencial de revolucionar la potencia informática y desbloquear avances sin precedentes en varios campos, incluida la IA. Su capacidad para realizar cálculos complejos y procesar grandes cantidades de datos simultáneamente abre nuevas fronteras de posibilidades.

• Mejores plataformas para encontrar trabajos remotos en 2023
• 10 formas de utilizar el complemento del intérprete de código ChatGPT
• Experimenta la Realidad Aumentada (AR) directamente con tus propios ojos utilizando la IA

 

Aprendizaje Profundo

 

Las redes neuronales artificiales modernas (ANNs) han recibido el nombre de “aprendizaje profundo” debido a su arquitectura compleja. Estas redes son un tipo de modelo de aprendizaje automático que se inspira en la estructura y funcionalidad del cerebro humano. Compuestas por múltiples capas interconectadas de neuronas, las ANNs procesan y transforman los datos a medida que fluyen a través de la red. El término “profundo” se refiere a la profundidad de la red, determinada por el número de capas ocultas en su arquitectura. Las ANNs tradicionales suelen tener solo unas pocas capas ocultas, lo que las hace relativamente superficiales. En cambio, los modelos de aprendizaje profundo pueden tener docenas o incluso cientos de capas ocultas, lo que los hace significativamente más profundos. Esta mayor profundidad permite a los modelos de aprendizaje profundo capturar patrones intrincados y características jerárquicas dentro de los datos, lo que conduce a un alto rendimiento en tareas de aprendizaje automático de vanguardia.

Una aplicación notable del aprendizaje profundo es la generación de texto a imagen e imagen a texto. Estas tareas se basan en técnicas de DL como las Redes Generativas Adversarias (GANs) o los Autoencoders Variacionales (VAEs) para aprender las relaciones complejas entre texto e imágenes a partir de conjuntos de datos vastos. Dichos modelos se utilizan en diversos campos, incluyendo gráficos por computadora, arte, publicidad, moda, entretenimiento, realidad virtual, experiencias de juego, visualización de datos y narración de historias.

   

A pesar del progreso significativo, el aprendizaje profundo enfrenta su parte de desafíos y limitaciones. Los obstáculos principales se encuentran en los recursos computacionales y la eficiencia energética. Los modelos de DL suelen requerir recursos computacionales sustanciales, como potentes GPUs (Unidades de Procesamiento Gráfico) o hardware especializado, para realizar predicciones de manera eficiente. Esta dependencia de una infraestructura informática extensa puede limitar el acceso al aprendizaje profundo para investigadores u organizaciones que carecen de recursos suficientes. Además, el entrenamiento y la ejecución de modelos de DL pueden ser intensivos en términos de recursos computacionales, consumiendo una cantidad considerable de energía. A medida que los modelos continúan creciendo en tamaño cada año, las preocupaciones sobre la eficiencia energética se vuelven cada vez más relevantes.

 

Modelos Grandes

 

Además de las consideraciones técnicas en torno a los modelos de lenguaje y visuales grandes, hay un desafío inesperado que surge de los gobiernos de todo el mundo. Estos organismos de gobierno están impulsando regulaciones sobre los modelos de IA y solicitan transparencia por parte de los propietarios de los modelos, incluidas plataformas como ChatGPT, para explicar el funcionamiento interno de sus modelos. Sin embargo, ni las grandes entidades como OpenAI, Microsoft o Google, ni la comunidad científica de IA tienen respuestas concretas a estas preguntas. Reconocen tener una comprensión general pero no pueden determinar por qué los modelos proporcionan una respuesta en lugar de otra. Incidentes recientes, como la prohibición de ChatGPT en Italia y las acusaciones de Elon Musk contra Microsoft por el uso no autorizado de datos de Twitter por parte de ChatGPT, son solo el comienzo de un problema mayor. Parece que se está gestando una nueva batalla entre destacadas empresas de TI para determinar quién puede reclamar la propiedad del “modelo más grande” y qué datos se pueden utilizar para dichos modelos.

En una publicación reciente en el blog titulada “Ha comenzado la era de la IA”, el cofundador de Microsoft, Bill Gates, elogió a ChatGPT y los avances relacionados de IA como “revolucionarios”. Gates enfatizó la necesidad de soluciones “revolucionarias” para abordar los desafíos actuales. En consecuencia, esto plantea una reevaluación de conceptos como “derechos de autor”, “exámenes universitarios” e incluso investigaciones filosóficas sobre la propia naturaleza del “aprendizaje”.

 

Neurociencia

 

En su reciente libro “La teoría de los mil cerebros”, J. Hawkins presenta una perspectiva novedosa y en evolución sobre cómo el cerebro humano procesa información y genera comportamiento inteligente. La teoría de los mil cerebros propone que el cerebro funciona como una red de miles de mini cerebros individuales, cada uno responsable de procesar la entrada sensorial y producir la salida motora simultáneamente. Según esta teoría, el neocórtex, la capa externa del cerebro asociada con funciones cognitivas de alto nivel, consta de numerosas columnas funcionalmente independientes que se pueden asemejar a mini cerebros.

La teoría sugiere que cada columna dentro del neocórtex aprende y modela la entrada sensorial que recibe del entorno circundante, haciendo predicciones sobre futuras entradas sensoriales. Estas predicciones se comparan luego con la entrada sensorial real, y cualquier disparidad se utiliza para actualizar los modelos internos dentro de las columnas. Este proceso continuo de predicción y comparación forma la base de cómo el neocórtex procesa información y genera comportamiento inteligente.

Según la teoría de los mil cerebros, la entrada sensorial de varias modalidades, como la visión, la audición y el tacto, se procesa de manera independiente en columnas separadas. Las salidas de estas columnas se combinan posteriormente para crear una percepción unificada del mundo. Esta notable capacidad permite al cerebro integrar información de diferentes modalidades sensoriales y formar una representación coherente del entorno circundante.

Un concepto clave en la teoría de los mil cerebros es la “Representación Escasa”. Esta noción destaca la idea de que solo un subconjunto de neuronas en el cerebro humano está activo o disparando en un momento dado, mientras que las neuronas restantes permanecen relativamente inactivas o en silencio. La codificación escasa permite un procesamiento eficiente y una codificación de la información en el cerebro al reducir la actividad neural redundante o innecesaria. Un beneficio importante de la representación escasa es su capacidad para permitir actualizaciones selectivas en el cerebro. En este proceso, solo las neuronas activas o las vías neurales se actualizan o modifican en respuesta a nueva información o experiencias.

Este mecanismo de actualización selectiva permite que el cerebro se adapte y aprenda de manera eficiente al enfocar sus recursos en la información o tareas más relevantes, en lugar de actualizar todas las neuronas simultáneamente. La actualización selectiva de las neuronas desempeña un papel vital en la plasticidad neural, que se refiere a la capacidad del cerebro para cambiar y adaptarse a través del aprendizaje y la experiencia. Permite que el cerebro refine sus representaciones y conexiones basándose en las demandas cognitivas y conductuales en curso, al tiempo que conserva energía y recursos computacionales.

Las aplicaciones prácticas de la teoría de Numenta ya son evidentes. Por ejemplo, la reciente colaboración con Intel ha facilitado mejoras significativas en el rendimiento en diversos casos de uso, como el procesamiento del lenguaje natural y la visión por computadora. Gracias a esta asociación, los clientes pueden lograr mejoras de rendimiento que van desde 10 hasta más de 100 veces.

 

Metaverso

 

Mientras muchos centran su atención en los Modelos de Lenguaje Grandes, Meta adopta un enfoque distintivo. En una publicación de blog titulada “Robots que aprenden de videos de actividades humanas e interacciones simuladas”, el equipo de IA de Meta destaca un concepto intrigante conocido como “La paradoja de Moravec”. Según esta tesis, los problemas más desafiantes en IA giran en torno a habilidades sensoriomotoras en lugar de pensamiento abstracto o razonamiento. En apoyo de esta afirmación, el equipo ha anunciado dos avances significativos en el campo de los agentes de IA incorporados de propósito general.

1. En primer lugar, introdujeron la corteza visual artificial, conocida como VC-1. Este modelo revolucionario de percepción es el primero en proporcionar soporte para una amplia gama de habilidades sensoriomotoras, entornos y encarnaciones.
2. Además, el equipo de Meta desarrolló un enfoque innovador llamado coordinación de habilidades (sensoriomotoras) adaptativas (ASC). Este enfoque logra un rendimiento casi perfecto, con una tasa de éxito del 98%, en la exigente tarea de manipulación móvil robótica. Involucra navegar hacia un objeto, recogerlo, moverse a otra ubicación, colocar el objeto y repetir estas acciones, todo dentro de entornos físicos.

Estos avances de Meta significan un alejamiento del enfoque predominante en los modelos de lenguaje grandes. Al priorizar las habilidades sensoriomotoras y la IA incorporada, contribuyen al desarrollo de agentes que pueden interactuar con el mundo de manera más completa y matizada.

Los modelos ChatGPT han generado una gran expectación y han recibido una atención pública desproporcionada, a pesar de basarse principalmente en enfoques estadísticos. En contraste, los avances recientes de Meta representan avances científicos sustanciales. Estos logros están sentando las bases para una expansión revolucionaria en los ámbitos de la realidad virtual (RV) y la robótica. Recomendamos encarecidamente leer el artículo completo para obtener ideas y estar bien preparado para la próxima ola de innovación en IA, ya que promete dar forma al futuro de estos campos de manera notable.

 

Robótica

 

Actualmente, dos robots prominentes en el campo son Atlas y Spot (roboperro), ambos disponibles para su compra en línea. Estos robots representan logros destacados de la ingeniería, pero sus capacidades aún están limitadas por la ausencia de “cerebros” avanzados. Aquí es precisamente donde la corteza visual artificial de Meta juega un papel clave como un posible cambio de juego. Al integrar la robótica con la IA, tiene el poder de revolucionar numerosas industrias y sectores, incluyendo la fabricación, la atención médica, el transporte, la agricultura y el entretenimiento, entre otros. La corteza visual artificial de Meta promete mejorar las capacidades de estos robots y allanar el camino para avances sin precedentes en el campo de la robótica.

 

 

Nuevas Interfaces para Humanos: Interfaces Cerebro-Computadora/Cerebro-Cerebro

 

Aunque puede surgir preocupación por ser superados por la IA, el cerebro humano posee una ventaja crucial que la IA moderna carece: la plasticidad neuronal. La plasticidad neuronal, también conocida como plasticidad cerebral, se refiere a la capacidad notable del cerebro de cambiar y adaptarse tanto en estructura como en función en respuesta a experiencias, aprendizaje y cambios ambientales. Sin embargo, a pesar de esta ventaja, los cerebros humanos aún carecen de métodos avanzados de comunicación con otros cerebros humanos o sistemas de IA. Para superar estas limitaciones, el desarrollo de nuevas interfaces para el cerebro es imperativo.

Los modos tradicionales de comunicación como la visión, la audición o la escritura no pueden competir con los modelos de IA modernos debido a su velocidad de comunicación limitada. Para abordar esto, se están buscando nuevas interfaces basadas en actividades eléctricas directas de las redes neuronales del cerebro. Ingresamos al ámbito de las Interfaces Cerebro-Computadora (BCIs por sus siglas en inglés), tecnologías de vanguardia que permiten la comunicación y la interacción directa entre el cerebro y dispositivos o sistemas externos, evitando la necesidad de vías tradicionales del sistema nervioso periférico. Las BCIs encuentran aplicaciones en áreas como las neuroprótesis, la neurorrehabilitación, la comunicación, el control para personas con discapacidades, la mejora cognitiva y la investigación neurocientífica. Además, las BCIs se han aventurado recientemente en el ámbito del entretenimiento de realidad virtual, con dispositivos como ‘Galea’ en el horizonte, que potencialmente podrían formar parte de nuestra realidad cotidiana.

Otro ejemplo intrigante es Kernel Flow, un dispositivo capaz de capturar tanto EEG como datos de cobertura completa similares a fMRI desde la corteza. Con tales capacidades, es concebible que eventualmente podamos crear mundos virtuales directamente a partir de nuestros sueños.

En contraste con las BCIs no invasivas como ‘Galea’ y ‘Kernel’, Neuralink, fundada por Elon Musk, adopta un enfoque diferente, promoviendo un implante cerebral invasivo. Algunos lo han llamado un “enchufe hacia el mundo exterior”, ofreciendo canales de comunicación mucho más amplios que cualquier BCI no invasiva moderna. Una ventaja significativa adicional de las BCIs invasivas es el potencial de comunicación bidireccional. Imagina un futuro donde la información ya no requiera nuestros ojos o nuestros oídos, sino que pueda ser entregada directamente a nuestro neocortex.

 

 

Computación Cuántica

 

Si la neurociencia y el cerebro humano no fueran lo suficientemente intrigantes, hay otro tema asombroso para explorar: los ordenadores cuánticos. Estas extraordinarias máquinas tienen el potencial de superar a los ordenadores clásicos en ciertas tareas computacionales. Aprovechando las superposiciones y los entrelazamientos cuánticos, que están en la vanguardia de la física moderna, los ordenadores cuánticos pueden realizar cálculos paralelos y resolver problemas específicos de manera más eficiente. Ejemplos de esto incluyen factorizar números grandes, resolver problemas de optimización complejos, simular sistemas cuánticos y el concepto futurista de teleportación cuántica. Estos avances están listos para revolucionar áreas como la criptografía, el descubrimiento de medicamentos, la ciencia de materiales y la modelización financiera. Para experimentar de primera mano la programación cuántica, puedes visitar www.quantumplayground.net y escribir tu primer script cuántico en solo unos minutos.

Aunque el futuro es inherentemente incierto, una cosa sigue siendo clara: la trayectoria del futuro de la humanidad será moldeada por las elecciones y acciones de individuos, comunidades, instituciones y gobiernos. Es crucial que nos esforcemos colectivamente por un cambio positivo, abordar problemas globales urgentes, promover la inclusión y la sostenibilidad, y trabajar juntos para crear un futuro mejor para toda la humanidad.     Ihar Rubanau es Científico de Datos Senior en Sigma Software Group.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!