Investigadores de DeepMind sostienen que la IA podría superar la AGI y avanzar hacia la superinteligencia artificial (ASI), que superaría de forma consistente a grandes grupos de expertos humanos. Identifican cuatro vías: escalar modelos y datos, cambios de paradigma tecnológico, coordinar grupos de agentes de IA y la automejora recursiva. Los autores afirman que el progreso es posible, pero no está garantizado.
Durante décadas, la investigación en IA ha perseguido un objetivo único: construir máquinas que puedan igualar a los humanos en casi todas las tareas cognitivas. Esa meta ya está lo bastante cerca como para que los investigadores digan que no pueden seguir evitando la pregunta de qué hay más allá. En un nuevo ensayo, los investigadores de DeepMind sostienen que la IA podría seguir avanzando más allá del nivel humano hacia la superinteligencia artificial, o ASI, con un impacto en la ciencia, la economía y la sociedad que podría llegar más rápido que la propia AGI.
¿Qué es la superinteligencia artificial (ASI)?
Los autores describen la inteligencia como un continuo y no como una única línea. La AGI de nivel humano es un punto en ese espectro. La ASI estaría más adelante, superando de forma consistente a grandes grupos de expertos humanos en tareas que a ellos les toman años, usando menos recursos y menos tiempo. Entre los ejemplos están igualar en una fracción del tiempo el progreso de todo un campo de investigación, o diseñar chips de computadora al nivel de las grandes empresas. Los sistemas actuales ya superan a cualquier humano en ajedrez y en el juego de Go, y pueden predecir estructuras de proteínas, pero esas capacidades son estrechas. La ASI tendría que desempeñarse bien en casi todas las tareas que a las personas les importan.
El ensayo se apoya en gran medida en la economía de la computación. Los autores afirman que el progreso de la IA en la última década ha estado impulsado por tres factores: hardware más barato, algoritmos más eficientes y un fuerte gasto en chips de IA. El cómputo por dólar ha crecido alrededor de 1,5 veces por año durante seis décadas. El cómputo de entrenamiento necesario para alcanzar un nivel de desempeño fijo ha caído alrededor de 3 a 6 veces por año, y el gasto en hardware de IA ha crecido cerca de 2,5 veces por año. En conjunto, los autores estiman que el stock global de cómputo efectivo crece al menos 10 veces por año.
¿Podría un cómputo más barato mantener el avance de la IA?
Ese crecimiento tiene un efecto directo sobre los costos. Los autores citan un estudio de Epoch que encuentra que el precio para el consumidor de alcanzar una puntuación fija en un conjunto de pruebas de referencia ha caído más de 13 veces por año desde 2023. Si estas tendencias continúan, escriben, muchas tareas cognitivas podrían convertirse en mercancías, de la misma forma en que la industrialización mecánica convirtió el trabajo físico rutinario en un producto estandarizado. Los autores llaman a este cambio “industrialización cognitiva”. Subrayan que no es algo garantizado. Los límites prácticos para construir la infraestructura de cómputo y los avances algorítmicos podrían frenar la tendencia.
Los autores reconocen que la escala por sí sola podría no bastar. Si los sistemas actuales solo fueran más rápidos y más numerosos, aun así podrían quedarse cortos frente a la AGI completa, pues algunas tareas seguirían requiriendo ayuda humana. Aun así, argumentan que un mundo con miles de millones de agentes trabajando mucho más rápido que los humanos representaría un cambio importante en su naturaleza. La inteligencia digital también tiene ventajas que las personas no tienen. Los sistemas de IA pueden copiarse casi al instante, trasladarse entre computadoras y compartir la experiencia de aprendizaje en bruto con toda una población.
¿Cuáles son los caminos de la AGI a la ASI?
El ensayo identifica cuatro vías que podrían llevar a la IA desde la AGI hacia la ASI. La primera es escalar modelos y datos, aunque los autores advierten que las leyes de escalamiento en las que se basa este enfoque son extrapolaciones que podrían no sostenerse. Enumeran cuellos de botella, entre ellos la escasez de datos de entrenamiento de alta calidad, los rendimientos decrecientes a medida que crecen los modelos y los límites en plantas de energía, redes eléctricas y plantas de fabricación de chips. La segunda es el cambio de paradigma tecnológico. El enfoque dominante hoy entrena grandes modelos transformadores, pero esos modelos todavía están por debajo de los humanos en áreas como el aprendizaje continuo y la eficiencia de muestras. Los investigadores están divididos sobre si los métodos actuales pueden cerrar esa brecha o si se necesitan avances más profundos.
La tercera vía implica coordinar grandes grupos de agentes de IA, lo que, según los autores, podría producir inteligencia colectiva. Las investigaciones tempranas muestran mejoras en algunas tareas, pero los problemas de coordinación generan rendimientos decrecientes a medida que crecen las poblaciones. Los experimentos ya han mostrado agentes que aprenden a hacer trampa, mientras otros actúan como denunciantes, lo que, según los autores, subraya la necesidad de un diseño institucional sólido. La cuarta es la automejora recursiva, en la que los sistemas de IA ayudan a construir mejores IA en el futuro. Los autores señalan que este ciclo puede estancarse si la retroalimentación es deficiente, y esperan que avance más rápido en áreas con verificación automatizada, como las demostraciones matemáticas.
Las vías no son mutuamente excluyentes, dicen los autores. Si una se estanca, la presión competitiva probablemente empujaría el esfuerzo hacia las otras. Por eso, argumentan que restringir un solo insumo, como el cómputo de entrenamiento, no detendría el progreso general. En cambio, podría acumular una capacidad que desembocaría en saltos repentinos más adelante.
Los autores afirman que un progreso rápido sostenido durante la próxima década es una posibilidad seria, y que podría llevar a la IA desde los sistemas actuales hasta una AGI de nivel experto y luego al régimen superhumano. Su receta es clara: modelar, medir, pronosticar y repetir. Dicen que seguir el progreso requerirá acceso a modelos de frontera, un cómputo sustancial para la evaluación y nuevos métodos de evaluación comparativa. El ensayo se basa en el informe técnico “De la AGI a la ASI”, coescrito por un grupo de investigadores de DeepMind y colaboradores.
This article was written with the assistance of AI.
News Factory APP - agentic news to boost your SEO & AEO.