La Próxima “Exolución” de la IA

Hoy, al encontrarnos al borde de una falla tecnológica, observamos el viaje desde los LLM hasta los agentes y, finalmente, hasta la IA agente y la IA general, y no se trata solo de modelos más grandes o respuestas más rápidas. También se trata de que las máquinas pasen de ser asistentes pasivos a colaboradores activos y, quizás, un día, pensadores independientes.

Sigamos este camino y exploremos qué significa para el trabajo, la experiencia y el papel de los humanos en la configuración de la inteligencia del mañana.

La diferencia entre LLM, sistemas basados en agentes y IA agente

Para entender mejor la diferencia, aquí hay un ejemplo. Si le pregunto a un LLM algo como: “Quiero viajar desde Chicago hasta Austin, conducir no más de cuatro horas al día y detenerme en lugares pintorescos”, un LLM regular devolverá una respuesta estática en formato de texto basado en la generación de lenguaje. Probablemente solo responderá a la solicitud sin realizar un análisis exhaustivo.

Un agente clasificaría primero la solicitud como relacionada con viajes. Luego, determinaría qué datos son necesarios: rutas utilizando servicios de mapas, información meteorológica, costos de combustible, hoteles, restaurantes, etc. Después de eso, el agente dividiría la solicitud en subtareas y las enrutaría a módulos especializados o LLM entrenados en fuentes relevantes. Esto es orquestación y coordinación de múltiples modelos y herramientas bajo una lógica unificada.

Hoy en día, la mayoría de los sistemas importantes, como ChatGPT o Claude de Anthropic, son esencialmente agentes. Aunque puede parecer que el usuario interactúa con un solo modelo, detrás de escena hay una arquitectura compleja que involucra a muchos modelos y sistemas. Ya pueden manejar consultas complejas, pero sus capacidades están principalmente limitadas a proporcionar información; no toman acciones todavía.

Un agente autónomo completamente autónomo es un sistema que recopila información y puede, por ejemplo, reservar un hotel, comprar un boleto o iniciar un pago de forma independiente, siempre y cuando tenga acceso a las API relevantes o a los datos del usuario. Dichos agentes están actualmente en etapas de desarrollo temprano. En este punto, son más como semiagentes, capaces de procesar información pero no de realizar acciones autónomas.

Un área interesante de discusión en la comunidad de investigación es la IA agente. A diferencia de un agente regular, cuyo comportamiento es programado por los desarrolladores, la IA agente es un sistema que decide de forma independiente qué tareas realizar, qué datos necesita y incluso cómo continuar su propio entrenamiento. Esto va más allá de la ejecución de instrucciones; implica tomar decisiones autónomas. Sin embargo, la IA agente sigue siendo teórica en esta etapa; no existen tales sistemas en la práctica todavía.

IA general – el nuevo horizonte. Pero ¿es alcanzable?

Meta ha invertido en Scale AI hace tres meses. El objetivo era unirse para construir IA general, capaz de realizar cualquier tarea a nivel humano o incluso superarlo. Si la IA de hoy es una revolución tecnológica, la IA general será una verdadera mega revolución; a veces la llamo “exolución”, lo que significa la “exodus” de la IA de las sombras. Quien la logre primero obtendrá una ventaja estratégica global.

En cuanto a lo cerca que estamos de la IA general real, depende mucho de cómo la definamos. Estoy de acuerdo con la visión de Ilya Sutskever: la IA general es un sistema capaz de realizar cualquier tarea intelectual que un humano pueda. No solo responder preguntas, sino razonar, tomar decisiones, generalizar e interpretar a través de dominios. La verdadera IA general es universal y no está confinada a límites de tareas estrechos.

Ninguno de los modelos actuales ha alcanzado ese nivel. Estamos avanzando en esa dirección, pero la verdadera IA general, en el sentido teórico, todavía no existe. Y quizás eso sea lo mejor. Estamos en una fase de aproximación, y es probable que permanezcamos allí durante bastante tiempo.

La base de la IA general probablemente será un sistema basado en agentes. No dependerá necesariamente de un solo LLM, porque al igual que ningún humano, por brillante que sea, puede dominar todos los dominios del conocimiento y las habilidades, ningún LLM puede manejar el espectro completo de tareas de la IA general por sí solo. Lo que necesitaremos es una especie de “inteligencia colectiva”: una arquitectura capaz de coordinar múltiples modelos y componentes.

La IA general probablemente no surgirá de un solo avance específico. No de modelos LLM más grandes, agentes más inteligentes o arquitecturas completamente nuevas, sino de una síntesis de los tres. Probablemente algo fundamentalmente nuevo que trasciende las categorías que utilizamos actualmente.

“El Último Examen de la Humanidad” y otros benchmarks de IA general

“El Último Examen de la Humanidad” (HLE) es uno de los benchmarks más ambiciosos que se discuten actualmente en el contexto de los LLM, agentes y IA general. Esencialmente, es una prueba que consiste en alrededor de 2.500 preguntas que abarcan una amplia gama de disciplinas académicas – matemáticas, física, biología, química, ingeniería, ciencias de la computación y incluso ajedrez. La idea es evaluar si un sistema de IA puede resolver problemas a un nivel que refleje una comprensión humana genuina.

Los modelos de lenguaje actuales obtienen resultados muy pobres en HLE, a menudo con una precisión inferior al 5%. Esto contrasta con otros benchmarks como MMLU o GPQA, donde los modelos logran puntajes significativamente más altos. La dificultad que tienen los modelos con HLE destaca cuán lejos están todavía de la verdadera inteligencia general.

Es importante tener en cuenta que un rendimiento alto en benchmarks con conjuntos de datos conocidos o estrechos no necesariamente indica la presencia de inteligencia general real. Un modelo puede ser ajustado o “entrenado para la prueba”, lo que puede inflar sus habilidades aparentes. Así que incluso un puntaje perfecto en HLE no significaría que hemos alcanzado la IA general; solo significaría que hemos aprobado una prueba particular.

Qué impulsa la IA general

Estoy completamente de acuerdo en que los pilares básicos de la IA general son los datos, la computación y el talento. La situación con la computación es clara. Los principales actores, como Meta, intentaron producir sus propios chips, invirtiendo miles de millones en su propio proceso de desarrollo de chips. Pero las empresas aún dependen en gran medida de otros chips y de la potencia de cómputo de otros actores como Nvidia, que no solo suministran el hardware necesario sino que también entienden la importancia de escalar la producción.

Más preguntas se refieren a los datos y los talentos. Internet se ha agotado —no hay ningún texto creado por humanos de fuentes abiertas que no se haya utilizado para el entrenamiento en este momento. El volumen total de información que la humanidad ha producido hasta ahora resulta ser sorprendentemente pequeño. Es por eso que las empresas están empezando a asociarse activamente con aquellos que pueden generar datos de alta calidad.

Automatización completa o humano en el bucle

Otro punto – la disminución en la demanda de anotación de datos manual. Hace unos años, la industria estaba escalando a toda velocidad. Miles de anotadores se incorporaron para satisfacer el hambre de las tuberías de IA. Hoy en día, mucha de ese impulso se ha desplazado hacia la automatización. Los modelos han madurado, y también lo ha hecho la herramienta que los rodea.

Tomemos el reconocimiento facial. Solía ser uno de los principales impulsores del volumen de anotación de imágenes. Pero la categoría está en gran medida resuelta ahora. Modelos como YOLO, SAM y Samurai están absorbiendo rápidamente el trabajo rutinario. Estos sistemas comprimen semanas de esfuerzo manual en minutos, a menudo con una precisión asombrosa. También implementamos muchas herramientas asistidas por ML en nuestra plataforma propietaria Keylabs. Realmente ayuda a reducir el flujo de trabajo rutinario.

Pero todos estos modelos están limitados por su generalización y son adecuados para automatizar operaciones estándar y uniformes. Los casos complejos o únicos aún requieren atención humana.

Nos estamos alejando del antiguo paradigma en el que un anotador era simplemente una persona con atención al detalle que podía reconocer un objeto o una emoción. En la nueva realidad, se necesitan profesionales: médicos para anotar imágenes médicas, programadores para codificar, arquitectos para crear planos, marketeros para obtener información del cliente y expertos militares para escenarios de defensa.

Ya estamos viendo casos del mundo real, como pilotos de combate que anotan datos para la IA y ganan $1,000 por hora por su experiencia. Porque tales especialistas son raros, y su conocimiento es crítico para entrenar IA de alto rendimiento.

El mundo está cambiando: más y más personas se están convirtiendo en operadores y “entrenadores” de inteligencia artificial. Justo el otro día, recibí un mensaje de LinkedIn pidiéndome que verificara un conjunto de datos para una aplicación de IA diseñada para CEOs. En el futuro, cualquiera de nosotros podría recibir una oferta para trabajar como anotador, no solo alguien que hace clic en botones, sino un experto cuyo conocimiento da forma a la inteligencia del mañana.

Ya vivimos en esta nueva realidad, un mundo de etiquetado de datos y entrenamiento de IA. Aquellos que la reconocen y se adaptan obtendrán una ventaja significativa.