Joëlle Barral es directora de investigación fundamental en inteligencia artificial (IA) de Google DeepMind, que, de Londres a París pasando por Silicon Valley, reúne a los equipos de investigación del gigante digital y de la start-up inglesa de IA adquirida en 2014. Polytechnique y la Universidad estadounidense de Stanford, este ingeniero trabaja en Google desde 2004, especialmente en sus proyectos relacionados con la salud, entre ellos Verily. Responde sobre los límites y el futuro de los grandes modelos lingüísticos en los que se basan los asistentes de IA como Gemini, que Google integrará en su motor de búsqueda y en su entorno Android. Y expresa su fe en el potencial de esta tecnología para la investigación, mientras el director general de DeepMind, Demis Hassabis, y el investigador John Jumper acaban de recibir el Premio Nobel de Física.
¿Dónde está el desarrollo de la IA? Algunos hablan de una burbuja financiera o creen que la investigación sobre grandes modelos lingüísticos está llegando a un punto muerto…
La IA no es nueva. Las redes neuronales que subyacen a la IA generativa actual existen desde hace más de cincuenta años. La reciente aceleración se ha debido a la cantidad de datos y potencia de cálculo que ha permitido a estos algoritmos alcanzar capacidades que para nada se esperaban.
Leer también | Artículo reservado para nuestros suscriptores. “La inteligencia artificial es una burbuja: hay una brecha entre los costes muy importantes y los ingresos potenciales”
Añadir a tus selecciones
Es bastante raro en el mundo de la investigación ver tal entusiasmo en la sociedad por los resultados de la investigación. Somos verdaderamente afortunados de estar al comienzo de una nueva era industrial, de una revolución. No diría en absoluto que estemos llegando a una meseta. Al contrario, estamos empezando a dominar esta tecnología que tendrá implicaciones en un gran número de actividades humanas.
A pesar de este progreso, los asistentes de IA siguen cometiendo errores fácticos. ¿No es esto un obstáculo para su uso en los motores de búsqueda? ¿Tiene solución este problema?
De hecho, inicialmente teníamos una IA “estrecha” que entrenábamos con un cierto número de ejemplos, como por ejemplo para clasificar imágenes de perros y gatos, etc. Con la IA generativa actual, ya no mostramos ejemplos: los modelos aprenden en grandes cuerpos de datos y luego decirle, en una secuencia de palabras, cuál es la siguiente palabra, según su frecuencia de aparición en sus datos de entrenamiento.
Para evitar errores, primero podemos “aumentar” este software enseñándoles a utilizar herramientas: si les damos a los modelos de IA una calculadora, ya no cometerán errores cuando hagan una multiplicación…
Te queda el 78,64% de este artículo por leer. El resto está reservado para suscriptores.
