La inteligencia artificial (IA) será la tecnología de mayor impacto de este siglo e, quizá, de los siguientes.
Recientemente, los modelos de IA han crecido de forma explosiva en tamaño y, aunque cada nueva generación ha avanzado de alguna manera, también se han vuelto más intensivos en capital para desarrollarse, lo cual no es sostenible.
Las mentes más brillantes de la industria, el mundo académico, el capital de riesgo y el gobierno deben reorientar su atención y recursos hacia el desarrollo de una IA más sostenible para todos.
Creo que la inteligencia artificial (IA) será la tecnología de mayor impacto de este siglo e, quizá, de los siguientes. Transformará todas las facetas de nuestra vida y nos ayudará a abordar algunos de los problemas más apremiantes del mundo, desde el cambio climático hasta la seguridad vial y el cáncer. En los últimos años, impulsados por el auge de la IA generativa, hemos empezado a ver cómo parte de ese potencial se hace realidad.
Pero me preocupa la dirección que está tomando la industria y su impacto en las generaciones futuras y en el planeta. Las capacidades de la IA moderna son notables, pero el método predominante para desarrollar esta tecnología es la fuerza bruta. Un mejor rendimiento requiere modelos más grandes que utilicen más datos, más capacidad de cómputo y consuman muchísima más energía. Ya estamos viendo complicaciones y desigualdades derivadas de esta trayectoria.
Si seguimos por este camino, el ciclo insostenible continuará hasta que alcancemos los límites de nuestros recursos. Debemos cambiar de rumbo y centrar nuestra atención en la IA sostenible para desbloquear todo el potencial de la IA, a la vez que fomentamos un futuro equitativo para esta tecnología transformadora.
El elevado coste del enfoque de 'cuanto más, mejor'
En los últimos años, los modelos de IA han crecido de forma explosiva en tamaño. Aunque cada nueva generación ha avanzado de alguna manera, también se han vuelto mucho más intensivos en capital para desarrollarse. En 2024, según se informa, OpenAI gastará hasta 3.000 millones de dólares en costes de entrenamiento de ChatGPT y sus modelos más recientes, junto con 4.000 millones de dólares en servidores para ejecutar cargas de trabajo de inferencia. El gasto de capital de Microsoft, Meta, Amazon y Google ha aumentado drásticamente y se prevé que supere los 200.000 millones de dólares en 2024, mientras buscan mantenerse en la carrera de la IA.
Mientras los costes computacionales siguen aumentando, también lo hace el consumo energético. Se estima que una sola ejecución de entrenamiento de un modelo de lenguaje de gran tamaño (LLM) consume tanta electricidad como consumirían en un año 130 hogares estadounidenses. Esa cifra solo seguirá aumentando a medida que los modelos se hagan aún más grandes. Según la Agencia Internacional de la Energía (AIE), el consumo eléctrico de los centros de datos se duplicará en 2026 con una demanda que oscilará entre 650TWh y 1.050TWh. En el extremo superior, la AIE afirma que esto equivaldría a añadir el consumo eléctrico de un país entero, como Alemania.
Esta trayectoria insostenible también tiene implicaciones sociales más amplias. El enfoque de fuerza bruta en la IA crea barreras de entrada, limitando el acceso a la innovación en IA de quienes no disponen de enormes recursos. Empezamos a ver cómo la capacidad de cómputo surge como una nueva forma de capital geopolítico, con países más ricos compitiendo por el control de la fabricación avanzada de chips. Esta tendencia corre el riesgo de crear un mundo en el que solo unos pocos controlen esta tecnología y se beneficien de sus aplicaciones. Un escenario así podría agravar las desigualdades existentes y frenar la innovación.
Existe una mejor manera.
Llamamiento a una revolución de la IA sostenible
Dado que las arquitecturas actuales de redes neuronales han demostrado ser exitosas al escalar, la actitud del sector ha sido: ¿por qué no mantener el rumbo? Pero las leyes de escalado de la IA, que predicen mejoras continuas del rendimiento con el aumento del tamaño de los modelos, están empezando a perder validez a medida que los modelos se acercan a la saturación y las mejoras adicionales implican un coste mucho mayor.
Debemos actuar ahora: esperar a topar con una barrera no es una opción. Las mentes más brillantes de la industria, el mundo académico, el capital de riesgo y el gobierno deben reorientar su atención y recursos hacia una IA sostenible. Esto implica no solo crear nuevos modelos de IA con capacidades de razonamiento avanzadas que puedan generalizar a partir de un número mucho menor de ejemplos, sino también reimaginar por completo el paradigma de aprendizaje y el papel de los datos durante el entrenamiento.
Una nueva generación de modelos de IA
Los modelos de IA dominantes de hoy son ineficientes de entrenar porque se basan en el reconocimiento de patrones, en lugar de en una comprensión genuina. Sus capacidades se asemejan al pensamiento 'sistema 1' en los humanos, un concepto popularizado por Daniel Kaheman, que implica un procesamiento cognitivo rápido, intuitivo y reactivo que se produce de forma inconsciente y sin un razonamiento profundo. Los humanos recurrimos al pensamiento de sistema 1 para tomar decisiones rápidas, como pisar el freno de golpe cuando un peatón se cruza de forma inesperada delante de nosotros mientras conducimos. La mayoría de los modelos de IA utilizan este tipo de pensamiento para todas las decisiones.
Para resolver problemas más complejos, los humanos utilizamos el pensamiento de 'sistema 2', que implica una toma de decisiones más consciente y deliberada. En el ejemplo anterior, si dispusiéramos de más tiempo, razonaríamos sobre otras acciones que podemos emprender, sus consecuencias, y luego elegiríamos la acción más segura. En lugar de reaccionar de inmediato pisando el freno de golpe, podríamos optar por dar un volantazo. Esta maniobra podría ayudar a evitar una colisión con el peatón y también impedir un choque en cadena detrás de nosotros. He dedicado las últimas dos décadas a desarrollar varias generaciones de modelos de IA que pueden 'pensar' de forma muy similar. Al igual que los humanos, estos modelos pueden generalizar a partir de menos ejemplos y adaptarse con mayor eficacia a nuevas situaciones. Este enfoque conduce a modelos más seguros y eficaces que, además, son más sostenibles de desarrollar.
¿Cómo está creando el Foro Económico Mundial barreras de protección para la inteligencia artificial?
El Centre for AI Excellence conecta a líderes de todos los sectores para comprender la rápida evolución de la inteligencia artificial y sus implicaciones para las economías y las sociedades. Favorece un diálogo informado sobre las oportunidades, los riesgos y las compensaciones vinculados a la adopción de la IA.
A través de espacios de confianza e iniciativas de colaboración, el Centro permite a sus socios construir una comprensión compartida y trabajar juntos en enfoques responsables para la innovación y el uso de la IA.
Un nuevo paradigma de aprendizaje
Los enfoques tradicionales para entrenar la IA se basan en conjuntos de datos masivos y estáticos y en un aprendizaje por fuerza bruta, en el que la IA adquiere conocimiento recorriendo los ejemplos del conjunto de datos. Es una forma ingenua e ineficiente de aprender.
Es necesario un cambio de paradigma, uno que refleje la naturaleza matizada y dinámica del aprendizaje humano. En lugar del volumen, el énfasis debe ponerse en datos de alta calidad y muy informativos que evolucionen con el tiempo a medida que la IA madura en sus habilidades y capacidades de aprendizaje. Por ejemplo, en primer curso podríamos aprender a realizar sumas sencillas, pero cuando llegamos a sexto curso, nuestros profesores ya habrán ampliado el currículo para incluir álgebra y geometría. En la práctica, esto significa que debemos centrarnos en proporcionar a la IA datos en los que la cantidad de información de aprendizaje aportada por cada unidad de ejemplo se maximice durante el proceso de aprendizaje.
Además, al igual que un profesor ofrece retroalimentación compleja a lo largo del proceso de aprendizaje, debemos proporcionar a la IA datos ricos en supervisión: ir más allá de la retroalimentación básica para ofrecer información detallada sobre sus errores, sobre lo que puede mejorar en su proceso de razonamiento y sobre cómo puede mejorar su resultado.
Por último, en este nuevo paradigma de aprendizaje, debemos permitir que la IA interactúe con la tarea que intenta resolver de forma activa, igual que hacen los humanos. No aprendemos a conducir viendo vídeos de personas conduciendo para imitar luego sus acciones en la carretera. Aprendemos sentándonos al volante y conduciendo. Este proceso de aprendizaje de 'bucle cerrado' permite a la IA recibir retroalimentación sobre la ejecución de sus resultados y obtener información sobre su propio razonamiento interno, lo que fomenta una comprensión más profunda y un aprendizaje más eficiente. Los algoritmos de aprendizaje por refuerzo han intentado lograrlo, pero hasta ahora han requerido demasiados datos como para ofrecer una solución sostenible.
Al centrar nuestra atención en estos dos ámbitos de innovación —desarrollar modelos de IA capaces de una comprensión genuina y reimaginar el paradigma de aprendizaje—, podemos abrir una nueva era de la IA.
Trazar un nuevo rumbo para la IA
Estamos en un momento decisivo. La forma en que avancemos por el camino que tenemos por delante es de vital importancia. Las decisiones que tomemos hoy sobre dónde invertir nuestros recursos y qué construir darán forma a nuestro futuro. Para garantizar una innovación genuina y evitar consecuencias no deseadas, debemos priorizar el desarrollo responsable.
En interés de nuestro mundo y de las generaciones futuras, es hora de priorizar la eficiencia y el ingenio sobre el escalado por fuerza bruta de los modelos actuales. Esta es la única forma de desbloquear el verdadero potencial de la IA y, al mismo tiempo, garantizar que esta tecnología beneficie a toda la humanidad.
