Con el continuo desarrollo de la tecnología de inteligencia artificial (IA), los expertos del sector señalan un cambio significativo en el enfoque de la IA. Se está pasando del entrenamiento de modelos y la innovación de algoritmos, que fueron el foco inicial, a una mayor atención en la definición y optimización de la evaluación de tareas. Este punto de vista fue planteado por el investigador de OpenAI, Yao Shunyu, quien destaca que en la segunda fase de la IA, la mentalidad de producto será clave para impulsar la aplicación y comercialización de la tecnología.
En la primera fase de la IA, los investigadores se centraron en construir modelos potentes, como Transformer y GPT-3, que demostraron un excelente rendimiento en diversas tareas de referencia. En esta etapa, la metodología era el núcleo del asunto; los investigadores se centraban principalmente en cómo diseñar y optimizar los algoritmos, mientras que la definición de las tareas a menudo se consideraba secundaria. Por lo tanto, a pesar de los importantes avances logrados, se descuidó cómo aplicar estas tecnologías a tareas específicas en escenarios reales.
Nota de la fuente: Imagen generada por IA, proveedor de servicios de licencias Midjourney
En la etapa actual de desarrollo de la IA, Yao Shunyu indica que los investigadores necesitan cambiar su forma de pensar, pasando de "¿Podemos entrenar un modelo para resolver el problema XX?" a "¿Qué deberíamos entrenar a la IA para hacer? ¿Cómo medimos su progreso real?". Este cambio es crucial, ya que el verdadero desafío radica en definir las tareas del mundo real y evaluar eficazmente el rendimiento de los sistemas de IA.
Yao Shunyu menciona que el éxito del aprendizaje por refuerzo radica en la combinación de conocimientos previos lingüísticos y capacidades de razonamiento, lo que permite a la IA generalizar mejor en entornos complejos. Considera que un sistema de IA exitoso debe tener tres elementos clave: entrenamiento lingüístico a gran escala, escalabilidad del cómputo y los datos, y la combinación de razonamiento y acción. Estos tres elementos impulsan conjuntamente el rendimiento de la IA en aplicaciones reales.
Este cambio de mentalidad también implica que los investigadores de IA deben ser más parecidos a los jefes de producto, centrándose en cómo convertir la tecnología en productos con valor comercial. Bajo los nuevos estándares de evaluación, los investigadores no solo deben diseñar modelos, sino también considerar la interacción humano-máquina y la adaptabilidad a largo plazo; esto será un paso importante para impulsar la aplicación práctica de la IA.
