Todo problema es un problema de información

IA generativa

Imagen de https://beta.dreamstudio.ai/sueño

“Pero el patrón general es claro: caso tras caso, cuando se puede crear y probar un modelo, tiende a funcionar tan bien o mejor que los expertos humanos que toman decisiones similares. Con demasiada frecuencia, seguimos confiando en el juicio humano cuando las máquinas pueden hacerlo mejor”. —Andrew McAfee, Erik Brynjolfsson [1]

El escritor David Foster Wallace cuenta la historia, “Esto es agua”, de dos peces jóvenes que no saben qué es el agua. Él señala que las realidades más importantes a menudo son completamente invisibles para nosotros (y seguirán siendo así si se lo permitimos). [2] El famoso matemático y filósofo Bertrand Russell dio una respuesta, «lo que la ciencia no puede descubrir, la humanidad no puede saber», pero estaba equivocado. Fritjof Capra y Pier Luigi Luisi brindan un ejemplo de cómo Russell se equivocó:

“La aparición da como resultado la creación de novedad, y esta novedad es a menudo cualitativamente diferente de los fenómenos de los que surgió”. [3]

Si este contenido educativo detallado es útil para usted, suscríbase a nuestra lista de correo de AI para recibir alertas cuando publiquemos material nuevo.

Otra prueba de que Russell estaba equivocado es el campo en rápida evolución de la IA generativa. El resto de este artículo analiza esta forma de inteligencia artificial (IA) y lo que significa para el futuro… de la humanidad.

En las últimas dos semanas, tres artículos asombrosos aparecieron en mi lectura. El primero fue un artículo de la reconocida firma de capital de riesgo, Sequoia Capital, en el que avisaban que el modelo de negocio estaba siendo redefinido nuevamente por la IA. Para citar a Sequoia:

“Las mejores empresas de IA generativa pueden generar una ventaja competitiva sostenible mediante la ejecución incesante en el volante entre la participación/los datos del usuario y el rendimiento del modelo”. [4] — Secuoya Capital

Los cuatro modelos de BCG, que se muestran a continuación, ya no eran la forma de pensar sobre los modelos comerciales actuales. [5] ¡La IA generativa estaba cambiando la base de la competencia!

1672850182 545 Todo problema es un problema de informacion

El siguiente artículo era de la consultora internacional McKinsey. Entrevistaron a la profesora de Berkeley y MacArthur Genius Daphne Koller. En el artículo, Koller habla sobre cómo la IA generativa permite a los investigadores llevar la medicina a un nivel completamente nuevo de ciencia fundamental. La IA generativa está produciendo resultados emergentes que los científicos no habían visto antes. Efectivamente, hemos llegado al punto en que las máquinas están produciendo ideas creativas no documentadas previamente por humanos. [6][7] Koller dice que esta capacidad de abstraerse de la realidad cambiará la comprensión y la práctica de la medicina.

El tercer escrito fue de un grupo de economistas académicos canadienses. En su libro, Power and Prediction: The Disruptive Economics of Artificial Intelligence, los profesores Agraval, Gans y Goldfarb documentan su pensamiento de que “todo problema es un problema de información”. Los profesores ilustran su conclusión al examinar el enfoque de la mayoría de los gobiernos sobre el COVID como un «problema de salud». Este enfoque creó un enorme costo económico y de salud mental. Si los gobiernos hubieran creado desde el principio nuevas simulaciones para la propagación de COVID utilizando la última tecnología de inteligencia artificial, las fuentes clave de enfermedades se habrían identificado antes, aislado y la propagación de la enfermedad se habría reducido más rápido. El uso de nuevos modelos en lugar de tecnología anticuada habría producido más información y probablemente habría dado como resultado que solo los portadores de enfermedades estuvieran confinados a sus hogares.

Microsoft explica bien este nuevo enfoque. [8]

· “Los datos que se utilizan para entrenar las redes neuronales [AI] en sí proviene de la solución numérica de las ecuaciones fundamentales de la ciencia más que de la observación empírica.

· Podemos ver las soluciones numéricas de ecuaciones científicas como simuladores del mundo natural que se pueden usar… para calcular cantidades de interés en las aplicaciones”.

En resumen, “la máquina está generando algo nuevo en lugar de analizar algo que ya existe”. [9]

El resto de este artículo habla sobre cómo llegamos a la IA generativa, «todo problema es un problema de información» y lo que significa para el futuro. Para comprender cómo los capitalistas de riesgo, los consultores y los académicos llegaron simultáneamente a las mismas conclusiones sobre la IA generativa y la resolución de problemas, primero debemos revisar un poco la historia. Específicamente, necesitamos revisar las contribuciones de Claude Shannon, John Wheeler y Bryan Arthur.

Claude Shannon fue probablemente el investigador más famoso que trabajó en Bell Labs. Shannon desarrolló la teoría de la información, que fue la base matemática, científica y de ingeniería para la era digital a partir de fines de la década de 1950. “La teoría de la información es el estudio científico de la cuantificación, el almacenamiento y la comunicación de la información… e implica la aplicación de la teoría de la probabilidad, la estadística, la informática, la mecánica estadística, la ingeniería de la información y la ingeniería eléctrica”. [10] Shannon aplicó la segunda ley de la termodinámica para mostrar la relación entre información e incertidumbre. Sabemos que el universo se está moviendo hacia un desorden e incertidumbre cada vez mayores, lo que llamamos entropía. La entropía negativa, la reducción de la incertidumbre, representa información tanto a nivel microscópico de partículas subatómicas como a nivel macroscópico que percibimos, como la temperatura, la fuerza o el volumen. Lo que esto significa es que la energía y la materia, tanto a nivel microscópico como macroscópico, pueden entenderse como información. Ver la realidad en todos los niveles como información nos libera de las limitaciones de nuestra educación cultural orgánica y hace posible esta era actual de conectividad transdisciplinaria, no lineal y en red. Esta transición fundamental de una realidad formada por energía y materia a una realidad explicada en términos de información fue el principio fundacional “único” que explica la Era Digital a partir de la década de 1960. Gracias, Claudio Shannon.

En 1989, el famoso físico John Wheeler publicó un breve ensayo titulado “Información, física, cuántica: la búsqueda de vínculos”. El propósito del ensayo era explicar la mecánica cuántica, la teoría de la información y la existencia, una empresa modesta. En el ensayo, Wheeler acuña la ahora famosa expresión “It from Bit” y explica el concepto de que la realidad (It) puede explicarse a través del marco binario fundamental del bit (0,1 o sí/no) popularizado en informática y antes de eso. por Aristóteles. Por lo tanto, toda la realidad es simplemente información. El ensayo de Wheeler quizás explicó de manera más comprensible el punto de vista de Shannon de que la realidad podría entenderse en términos de información.

Si reconociéramos las contribuciones seminales de Shannon [1948] y Wheeler [1989], ¿por qué nos llevó otros 30 años o más darnos cuenta de que “todos los problemas son problemas de información”? La respuesta corta es que durante al menos 40.000 años nuestros instintos y nuestra cultura han reforzado la idea de que el conocimiento y la resolución de problemas se basan en nuestros datos empíricos o percepción de la realidad. Afortunadamente, hemos retirado al profesor de economía de Stanford, Bryan Arthur, para explicar por qué pasaron otros 30 años después del ensayo de John Wheeler antes de que cambiáramos la epistemología cartesiana fechada que nos proporcionó la evolución.

Bryan Arthur fue uno de los fundadores del Instituto Santa Fe, quizás el instituto de investigación líder en los EE. UU. sobre la aplicación de la complejidad a las ciencias físicas, naturales y sociales (incluida la economía). La investigación de Arthur mostró que la tecnología parece resolver los problemas de su época y, por lo general, es un emparejamiento de varias tecnologías en un paradigma. Entonces, ¿cuál era el paradigma tecnológico requerido para resolver problemas en una realidad definida por la información? El paradigma fue la combinación coincidente de Inteligencia Artificial, Computación en la Nube e Internet de las Cosas (IoT). Esta tecnología nos permitió capturar los datos, almacenarlos y extraerlos para usarlos con IA en una escala de datos originalmente medida en petabytes y ahora en exabytes (1+18 ceros). Los desarrolladores originales de AI pensaron que la limitación de la capacidad era el poder de cómputo. Resultó que necesitábamos capturar más datos, poder almacenarlos de manera eficiente (y segura) y luego procesarlos de manera efectiva. Esta tecnología surgió alrededor de 2005-2006, quizás con el lanzamiento del servicio en la nube de AWS, y se usó ampliamente a partir de 2015 aproximadamente.

Lo que espero haber presentado es que la realidad es un sistema computacional abstracto, lógico que procesa información y que la IA generativa nos ha brindado nuevas herramientas para comprender esta realidad. Quizás no recuerde que Galileo, Kurt Godel, John von Neumann y, más recientemente, el físico Max Tegmark, por nombrar algunas luminarias, comparten una visión similar. Me abstendré de decir que la IA generativa es la base de una tercera escuela de epistemología, pero estoy tentado.

La filosofía y la física son intrigantes, pero ninguno de los campos se considera muy práctico. Deberíamos centrarnos en la cuestión de cómo la IA generativa dará forma al futuro y qué habilidades se requerirán en este nuevo mundo. La cita de Sequoia al comienzo del artículo nos brinda mucha orientación sobre la aplicación de esta IA, ya sea que trabajar en el gobierno, organizaciones sin fines de lucro, academia o el sector privado. Para indicar la guía de Sequoia nuevamente:

“Las mejores empresas de IA generativa pueden generar una ventaja competitiva sostenible mediante la ejecución incesante en el volante entre la participación/los datos del usuario y el rendimiento del modelo”. [11] — Secuoya Capital

Las lecciones pueden ser:

Primero, no debemos permitir que la tecnología nos haga perder de vista la importancia de un enfoque centrado en el ser humano (compromiso del usuario). La IA no es responsable de las consecuencias humanas de los hallazgos emergentes de la tecnología. Nosotros, los humanos, lo somos. No culpes a la IA, culpa a la gente. Necesitamos más cursos y capacitación sobre las cuestiones éticas que rodean a la IA a medida que damos forma a la experiencia del cliente y la interacción entre los humanos y la IA generativa.

Segundo, los datos deben considerarse un recurso como tierras de cultivo o capital. Necesitamos adquirir datos de manera intencional y cuidadosa, limpiar y organizar los datos y almacenarlos en la nube para facilitar el acceso. Los conjuntos de datos son cada vez más valiosos. Algunos comentaristas dicen que Microsoft compró LinkedIn y Elon Musk compró Twitter para adquirir grandes conjuntos de datos de consumidores. Esta estrategia se llama “Cloud Capital” para ilustrar la importancia de grandes conjuntos de datos. La Fundación Nacional de Ciencias (NSF) y el Instituto Nacional de Salud (NIH) también se dan cuenta del valor científico y social de grandes conjuntos de datos y están haciendo esfuerzos significativos para organizar conjuntos de datos de código abierto para apoyar la investigación y la comercialización (y la respuesta rápida). Para administrar bien tales conjuntos de datos, necesitamos que la capacitación comience a la misma edad que la programación de computadoras. También necesitamos que las estructuras de datos, la teoría de redes, la teoría de grafos, la complejidad y los principios de la computación en la nube se enseñen en la escuela secundaria y no se consideren materias esotéricas avanzadas. Los conjuntos de datos deben considerarse como el agua, fundamental para la vida de todos.

Tercera, “model performance” busca mejorar el desempeño de los algoritmos. Esta mejora del algoritmo requiere el estudio en profundidad de matemáticas avanzadas, estadística e informática. Esta capacitación también debe comenzar mucho antes de la universidad dada la importancia del tema.

Cuatro, la “ventaja competitiva” provendrá de elegir mejores problemas (oportunidades). ¿Que significa eso? AI proporcionará gran parte de la «percepción» y la solución creativa a través del proceso emergente que Capra y Luisi describieron al comienzo del artículo. El valor será aún mayor en la selección de problemas. La descripción de la creatividad de la investigadora Neri Oxman incluye cuatro dominios: ciencia, ingeniería, diseño y arte. [12] Durante los primeros cuatro siglos de la Revolución Industrial, la creación de valor se basó en la ciencia y la ingeniería. Hoy, con la IA ya no limitada por los datos empíricos disponibles, la creación de valor vendrá cada vez más del diseño y el arte. El diseño aquí se usa en la forma en que Herbert Simon lo definió, [13] como resolución de problemas, y en el corazón de la resolución de problemas está recogiendo el problema o reformulando el problema. El arte producido por la IA generativa es fantástico, casi imperceptible del trabajo humano. No te deprimas, solo usa este arte para contar tus historias y vender tus ideas de manera más efectiva. La firma de capital de riesgo Lightspeed lo expresa bien:

«Nuestro tesis porque la IA generativa comienza con la creencia de que contar historias, ya sea sobre una persona, un negocio o una idea, es fundamentalmente lo que nos hace humanos… Hoy en día, el proceso de creación de contenido sigue siendo manual y difícil… La IA generativa tiene el poder de reducir gran parte de este trabajo “manual” y hacerlo más accesible a todos”.

Lo que hacen el arte, el diseño, las matemáticas y ahora la informática es abstraerse de la realidad y hacerla más comprensible. La IA generativa es una herramienta poderosa para la abstracción nunca antes vista en la historia humana. Necesitamos cambiar nuestro pensamiento, sistema educativo y valores para aprovechar esta tecnología para el mejoramiento de la humanidad.

He dicho durante varios años que la humanidad está al borde de un segundo renacimiento. La IA generativa probablemente hace que esa afirmación sea cierta. Para ayudarlo a recordar, el segundo renacimiento se definirá en términos de: ciencia de datos, modelos informáticos, abstracción, emergencia, diseño.

[1] Máquina, plataforma, multitud: aprovechar nuestro futuro digital…

[2] Lecciones de «Esto es agua» de David Foster Wallace

[3] Fritjof Capra, Pier Luigi Luisi, La visión sistémica de la vida

[4] IA generativa: un nuevo mundo creativo (Capital de las Secuoyas)

[5] El momento adecuado para la tecnología profunda

[6] Será un cambio de paradigma’: Daphne Koller sobre el aprendizaje automático en el descubrimiento de fármacos (Mc Kinsey)

[7] El artículo Aprendizaje profundo de Yann Le Cunn e Y. Bengio explica los conceptos fundamentales de la IA generativa

[8] Será un cambio de paradigma’: Daphne Koller sobre el aprendizaje automático en el descubrimiento de fármacos (Mc Kinsey)

[9] IA generativa: un nuevo mundo creativo (Capital de las Secuoyas)

[10] Reexamen de conceptos fundamentales de calor, trabajo, energía, entropía e información basada en NGST

[11] IA generativa: un nuevo mundo creativo (Capital de las Secuoyas)

[12] Era del enredo

[13] La ciencia de lo artificial

Este artículo fue publicado originalmente en Medio y reeditado en TOPBOTS con permiso del autor.

¿Disfrutas de este artículo? Regístrese para obtener más actualizaciones de investigación de IA.

Le avisaremos cuando publiquemos más artículos resumidos como este.

Fuente del artículo

Deja un comentario