Recientemente, la empresa estadounidense de inteligencia artificial OpenAI presentó una defensa ante el Tribunal Superior de Delhi, argumentando que el tribunal no tiene derecho a exigirle que elimine los datos de entrenamiento de ChatGPT. Este caso se deriva de una demanda presentada en noviembre pasado por la agencia de noticias india ANI, que afirma que OpenAI utilizó su contenido publicado sin autorización para entrenar ChatGPT. ANI exige la eliminación de su contenido del conjunto de datos de entrenamiento del modelo y acusa a OpenAI de infracción de derechos de autor. En un documento presentado ante el Tribunal Superior de Delhi el 10 de enero...

Recientemente, con el avance de un caso sobre derechos de autor de inteligencia artificial - el caso Kadrey contra Meta - la información interna de la compañía Meta fue revelada por la corte, mostrando la obsesión de los altos ejecutivos en el desarrollo de Llama3 por superar el modelo GPT-4 de OpenAI. En un mensaje de octubre de 2023, Ahmad Al-Dahle, vicepresidente de IA generativa de Meta, mencionó: "Honestamente, nuestro objetivo debe ser GPT..."

En el avance hacia la transparencia en el campo de la inteligencia artificial (IA), la Asociación de la Industria de Computación y Comunicaciones (CCIA) anunció conjuntamente en Bruselas y Washington una nueva iniciativa innovadora: una plantilla global de informes de transparencia del sector. Esta plantilla tiene como objetivo mejorar la confianza y la comprensión pública de los datos de entrenamiento de los modelos de Inteligencia Artificial Generalizada (GPAI). La "plantilla de transparencia de datos de entrenamiento de modelos de IA" publicada requiere que las empresas divulguen los tipos de datos utilizados para entrenar modelos GPAI específicos, como podcasts, libros, etc., y también deben aclarar la principal...

La empresa china de inteligencia artificial DeepSeek ha lanzado recientemente DeepSeek V3, un modelo de lenguaje grande de código abierto que marca un hito. Este modelo, con 6710 billones de parámetros, no solo supera en tamaño al Llama 3.1 de Meta, sino que también supera a los modelos de código cerrado predominantes, incluido GPT-4, en varias pruebas de referencia. DeepSeek V3 destaca por su potente rendimiento y su eficiente proceso de desarrollo. El modelo ha demostrado un excelente rendimiento en las competiciones de la plataforma de programación Codeforces, y en las pruebas...

Microsoft ha anunciado la llegada de Phi-4, el nuevo miembro de su familia de modelos de IA generativa Phi. Comparado con versiones anteriores, Phi-4 presenta diversas mejoras, especialmente en la resolución de problemas matemáticos, gracias a la mayor calidad de los datos de entrenamiento. Hasta el jueves por la noche, el acceso a Phi-4 era limitado, disponible solo en la plataforma de desarrollo Azure AI Foundry recién lanzada por Microsoft y restringido a fines de investigación bajo el acuerdo de licencia de investigación de Microsoft. Nota sobre la imagen: Imagen generada por IA, con licencia de imagen.

La Universidad de Harvard anunció el jueves que hará público un conjunto de datos de alta calidad que contiene cerca de un millón de libros de dominio público, que cualquiera puede utilizar para entrenar modelos de lenguaje grandes y otras herramientas de IA. Este conjunto de datos fue creado por la recién creada Iniciativa de Datos Institucionales (Institutional Data Initiative) de la Universidad de Harvard, y recibió financiamiento de Microsoft y OpenAI. Los libros incluidos son obras de dominio público escaneadas por el Proyecto de Libros de Google. Los datos...

El New York Times y el Daily News enfrentan un giro inesperado en su demanda por derechos de autor: un ingeniero de OpenAI eliminó accidentalmente datos de búsqueda de máquinas virtuales que podrían haber sido evidencia clave, agregando un giro dramático a esta disputa legal muy seguida. Según una carta presentada el miércoles por la noche ante el Tribunal de Distrito de los Estados Unidos para el Distrito Sur de Nueva York, los abogados y expertos en tecnología de las dos compañías de medios habían dedicado más de 150 horas a la búsqueda del conjunto de datos de entrenamiento de IA de OpenAI. Sin embargo, el 14 de noviembre, un ingeniero de OpenAI eliminó accidentalmente los datos almacenados en la máquina virtual.

Recientemente, la Open Source Initiative (OSI) publicó una nueva definición que aclara qué es realmente una inteligencia artificial de "código abierto". Este nuevo estándar ha llamado la atención de los gigantes tecnológicos, especialmente el modelo Llama de Meta, ya que no cumple con estas reglas. La OSI siempre ha sido el organismo de normalización de software de código abierto, pero en los sistemas de IA hay elementos que no están cubiertos por las licencias tradicionales, como los datos de entrenamiento del modelo. Según la nueva definición de OSI, cualquier sistema considerado realmente de código abierto

Un nuevo estudio de la Escuela Politécnica Federal de Lausana (EPFL) compara dos métodos de entrenamiento adaptativo predominantes para los modelos de lenguaje grandes (LLM): el aprendizaje en contexto (ICL) y el ajuste de instrucciones (IFT). Los investigadores utilizaron la prueba de referencia MT-Bench para evaluar la capacidad de los modelos para seguir instrucciones, encontrando que, en ciertas circunstancias, ambos métodos tienen un rendimiento diferente. El estudio encontró que cuando la cantidad de muestras de entrenamiento disponibles es limitada (por ejemplo, no más de 50), ICL e IFT tienen un rendimiento muy similar. Esto

Recientemente, OpenAI llegó a un acuerdo en una demanda por derechos de autor muy esperada, que permitirá a los abogados de los demandantes acceder a los datos utilizados para entrenar su modelo de IA generativa. Nota de la imagen: La imagen fue generada por IA, proveedor de servicios de autorización de imágenes Midjourney. Los demandantes en este caso incluyen a varios autores conocidos, como Paul Tremblay, Sarah Silverman, Michael Chabon, David Henry Hwang y Ta-Nehisi Coates. Ellos presentaron una demanda el año pasado contra OpenAI y sus afiliados, alegando que su IA usó su trabajo sin autorización.

Getty Images ha anunciado una iniciativa importante para proporcionar a los desarrolladores de IA un conjunto de datos de entrenamiento que incluye 3750 fotos de alta calidad, que abarcan 15 categorías, con el objetivo de apoyar el desarrollo de aplicaciones de IA. Estas fotos se han publicado en la plataforma Hugging Face y están disponibles gratuitamente para los usuarios que acepten los términos del servicio y proporcionen información de contacto. Esta medida tiene como objetivo atraer a empresas y desarrolladores, al tiempo que promueve sus servicios de licencia de pago. Getty Images afirma poseer más de 572 millones de fotos, de las cuales más de 200 millones están disponibles para uso comercial.

En el contexto del rápido desarrollo de la inteligencia artificial, la 'barra de los débiles mentales' de Baidu Tieba se ha convertido inesperadamente en una importante fuente de datos para el entrenamiento de IA, desafiando la comprensión tradicional de datos de alta calidad. Esta comunidad, con su contenido absurdo y humorístico, ha superado a plataformas conocidas en pruebas de preguntas y respuestas y lluvia de ideas, convirtiéndose en una de las bases de datos de entrenamiento de IA más populares. Los estudios han descubierto que el lenguaje coloquial y los materiales de preguntas y respuestas de varias rondas de 'La barra de los débiles mentales' ayudan a la IA a acercarse más a la forma de comunicación humana. La IA tiene limitaciones en la comprensión del humor humano, y los chistes de 'La barra de los débiles mentales', a través de su lógica rigurosa, rica retórica y ingenio, contribuyen al desarrollo de modelos de IA más sofisticados.

LAION presenta Re-LAION-5B, el primer conjunto de datos de entrenamiento de IA a nivel mundial que elimina completamente los enlaces a CSAM (material de abuso sexual infantil), con el objetivo de abordar el problema del abuso sexual infantil. Este conjunto de datos, una mejora significativa de LAION-5B, se divide en dos versiones: Re-LAION-5B Research y Research-Safe. Se han eliminado un total de 2236 enlaces a CSAM, 1008 de los cuales provenían de listas de organizaciones de protección infantil. El conjunto de datos contiene 5.500 millones de pares de texto e imagen, con el objetivo de ayudar a...

Un artículo de la revista The Economist señala que las empresas de IA se enfrentan al desafío del "muro de datos" debido al agotamiento de datos de alta calidad en internet, y predice que para 2028 se habrán agotado todos los datos de texto de alta calidad, lo que afectará al progreso del aprendizaje automático. El profesor de la Universidad de California en Berkeley, Stuart Russell, advirtió que ChatGPT y otras IA podrían agotar el texto del universo. Sin embargo, la profesora de la Universidad de Stanford, Fei-Fei Li, afirma que todavía hay una gran cantidad de datos diferenciados que se pueden explotar. Para solucionar la escasez de datos, el uso de datos sintéticos se presenta como una posible solución, pero un artículo de la revista Nature plantea...

Recientemente, el modelo de onda sísmica "Dì Tīng", desarrollado conjuntamente por el Centro Nacional de Supercomputación de Chengdu, el Instituto de Geofísica del Servicio Sismológico de China y la Universidad Tsinghua, se lanzó oficialmente en Chengdu, Sichuan. Este modelo es el primer modelo de onda sísmica de China con miles de millones de parámetros, lo que marca un importante avance en la fusión de la investigación sismológica y la tecnología de inteligencia artificial en China.

Los modelos de IA están perdiendo gradualmente el acceso a los datos de entrenamiento web, con un aumento del porcentaje de datos bloqueados del 1% al 5-7%. Un estudio analizó los archivos robots.txt y los términos de uso de 14.000 dominios, y descubrió que los sitios web de noticias, foros y plataformas de redes sociales son las principales fuentes que restringen el acceso a los datos de IA, con un aumento del bloqueo en los sitios web de noticias del 3% al 45%. La disminución de contenido informativo de alta calidad en los datos de entrenamiento de IA podría ser reemplazada por contenido de comercio electrónico empresarial de baja calidad. Esta tendencia representa un desafío para los desarrolladores de IA, debido a la escasez de datos de alta calidad.

En mayo, IBM lanzó el modelo LLM Granite13B de código abierto para aplicaciones empresariales. Ahora, Armand Ruiz, vicepresidente de productos de la plataforma de IA de IBM, ha revelado el contenido completo del conjunto de datos de 6,48 TB utilizado para entrenar Granite13B.

Spawning se dedica a brindar a los artistas un mayor control sobre el uso en línea de sus obras. Su último proyecto, Source.Plus, tiene como objetivo filtrar contenido multimedia "libre de infracciones" para el entrenamiento de modelos de IA, permitiendo a artistas y creadores gestionar con mayor precisión los permisos de uso de sus obras.

Automattic negocia con Midjourney y OpenAI el intercambio de datos de publicaciones de usuarios para entrenamiento. Automattic planea permitir a los usuarios optar por no participar en el intercambio de datos con terceros. Otras empresas también colaboran con empresas de IA para proporcionar datos de entrenamiento, lo que ha provocado protestas por parte de los creadores.

“Reddit, plataforma estadounidense de redes sociales, llegó a un acuerdo con Google por un valor aproximado de 60 millones de dólares anuales” “Springer Nature, grupo editorial, colaboró con OpenAI, convirtiéndose en la primera editorial en integrar profundamente la industria de las noticias y la tecnología de inteligencia artificial” “El acuerdo de colaboración entre OpenAI y Axel Springer indica que el entrenamiento futuro de modelos de gran tamaño podría pagar a los proveedores de datos” “Las empresas del sector editorial poseen abundantes recursos gráficos y de texto digitalizados, lo que podría convertirlos en conjuntos de datos importantes para el entrenamiento de modelos de gran tamaño”