Nvidia se convirtió brevemente en la empresa más valiosa del mundo la semana pasada después de que las acciones del proveedor líder de chips e infraestructura de redes utilizadas para entrenar modelos de inteligencia artificial (IA) casi se triplicaran desde enero. Sin embargo, hasta ahora la revolución de la IA ha demostrado estar lejos de ser una apuesta unidireccional: la mayoría de las acciones en una serie de índices y fondos centrados en la IA cayeron este año.
Incluso la Nvidia de 3.1 billones de dólares ha sido un viaje salvaje. En las tres sesiones de negociación posteriores a su pico histórico, perdió más de 400 mil millones de dólares en valor de mercado. La semana anterior había añadido 360,000 millones de dólares.
En los últimos tres años, la volatilidad del precio de sus acciones fue cinco veces mayor que la del índice S&P 500.
Estos giros épicos reflejan la incertidumbre de los inversores sobre la economía de la IA. Los logros y las promesas de las computadoras autodidactas son obvios. No está tan claro cuánto cuesta la tecnología y quién pagará por ella. Para los inversores que buscan navegar por este panorama traicionero, es importante comenzar con el avance tecnológico del que depende la actual revolución de la IA.
Las sorprendentes aplicaciones que provocaron el auge de la IA parecen muy diferentes a primera vista, pues en marzo de 2016, el programa AlphaGo de Google DeepMind cautivó al mundo cuando venció al gran Lee Sedol de todos los tiempos en el juego de mesa para dos personas.
En noviembre de 2020, el algoritmo AlphaFold de la compañía resolvió uno de los grandes desafíos de las ciencias biológicas al predecir las estructuras proteicas que se formarán con nuevas combinaciones de aminoácidos. Dos años más tarde, OpenAI parecía estar haciendo algo completamente diferente nuevamente cuando lanzó un chatbot en lenguaje natural capaz de improvisar versos de Shakespeare.
Y todos estos hitos surgen de la misma innovación: una mejora espectacular en la precisión de los modelos predictivos computarizados, como explicó el pionero de la IA, Rich Sutton en una publicación de blog de 2019.
Durante décadas, los investigadores entrenaron computadoras para jugar y resolver problemas codificando el conocimiento humano adquirido con tanto esfuerzo. Intentaron efectivamente imitar nuestra capacidad de razonar. Pero estos intentos finalmente fueron superados por un enfoque mucho menos complicado. Los algoritmos de aprendizaje ingenuos demostraron ser consistentemente superiores cuando se les dotó de suficiente potencia informática y de suficientes datos.
“Aprovechar nuestros descubrimientos”, concluyó Sutton, “sólo hace que sea más difícil ver cómo se puede llevar a cabo el proceso de descubrimiento”.
Te interesa: Ventas masivas de Nvidia en tres días generan 5,000 mdd para vendedores en corto
En el libro más vendido de 2015, “Superforecasting: The Art and Science of Prediction” (“Superpredicción: el arte y la ciencia de la predicción”), el psicólogo canadiense Philip Tetlock y su coautor, Dan Gardner, explicaron que el mismo método agnóstico también es beneficioso para los humanos.
En los torneos de predicción, los aficionados metódicos y de mente abierta obtienen sistemáticamente mejores resultados. El sentido común más la voluntad de absorber una gran cantidad de datos es más eficaz que un conocimiento profundo del dominio y la experiencia especializada. Los modelos de IA de vanguardia actuales esencialmente automatizan el enfoque de los superpronosticadores.
Esta sencilla receta (algoritmos de aprendizaje, más potencia informática, más datos) produce resultados predictivos prodigiosos. También proporciona una guía sobre dónde reside el valor a largo plazo de la IA.
El instituto de investigación sin fines de lucro Epoch AI estima que entre 2012 y 2023, la potencia informática necesaria para alcanzar un umbral de rendimiento establecido se redujo a la mitad aproximadamente cada ocho meses.
Sin embargo, el valor a largo plazo de estos algoritmos es mucho más complicado de precisar.
El código digital es vulnerable a la imitación y el robo, el ritmo de la innovación futura es difícil de predecir, el talento humano que actualmente se encuentra en los laboratorios de inteligencia artificial propiedad de gigantes tecnológicos puede salir fácilmente por la puerta.
Te recomendamos: Sindicato de trabajadores de Hollywood llega a un acuerdo salarial con estudios sobre el uso de IA
Los datos como tercer elemento importante para alimentar la IA
El segundo ingrediente –la potencia informática bruta– es una propuesta más sencilla.
Según Epoch AI, ha generado la mayor parte de las ganancias en el rendimiento de los modelos de IA, pues los crecientes valores de mercado de los mayores proveedores de computación en la nube –Alphabet, Amazon y Microsoft– sugieren que los mercados bursátilesdesconectaron muchas de las ganancias, sin embargo, un nuevo manifiesto para la inversión en IA escrito por Leo Aschenbrenner, ex miembro del personal de OpenAI, sostiene que los inversores no deben dejarse disuadir.
Dado que el rendimiento del modelo está estrechamente vinculado al volumen de chips y electricidad desplegados, insta a los inversores a “confiar en las líneas de tendencia” y “contar los OOM” (una referencia a los órdenes de magnitud en los que el rendimiento se ha acelerado año tras año) en para proyectar el gasto de capital.
Hacerlo genera requisitos tan enormes que eclipsan incluso las proyecciones más optimistas de la industria. En diciembre el rival de Nvidia, AMD pronosticó que el mercado de chips de IA alcanzaría los 400,000 millones de dólares para 2027.
Confiar en las líneas de tendencia implica que la inversión en IA alcanzará los 3 billones de dólares apenas un año después, mientras que el primer grupo de centros de datos que costará un billón de dólares se abrirá dos años después. Cuente los OOM y parece que el hardware de la computadora, no el software, ahora se está comiendo el mundo, se abre en una pestaña nueva.
Sin embargo, hay un error en este razonamiento. Los dos primeros ingredientes de la IA (algoritmos y computación) no valen nada sin el tercero: los datos. Es más, cuanto mejores son los datos, menos valiosa es la potencia de procesamiento.
Este hecho ha sido fácil de pasar por alto. Las aplicaciones de IA más destacadas son los chatbots de uso general que han sido entrenados en recorridos extensos de texto no examinado recopilado de la web. Preferían la cantidad a la calidad, y la potencia informática les quedaba para compensar. Morgan Stanley estimó que el entrenamiento ChatGPT 4 de OpenAI involucró al menos 10,000 chips gráficos procesando más de 9.5 petabytes de texto.
Ese compromiso determinó el resultado: interlocutores notablemente realistas, propensos a alucinaciones incorregibles y cada vez más en riesgo de costosos litigios por infracción de derechos de autor.
Las aplicaciones de IA para fines especiales tienen un perfil más bajo, pero demuestran dónde es más probable que esté el futuro. El científico ganador del Premio Nobel Venki Ramakrishnan dijo que el modelo AlphaFold de Google DeepMind resolvió “un gran desafío de cincuenta años en biología”. Igual de notable es el hecho de que requirió el equivalente a menos de 200 chips gráficos, abre en una pestaña nueva. Eso fue posible porque se entrenó en una base de datos cuidadosamente seleccionada de 170,000 muestras de proteínas. Por lo tanto, los datos de alta calidad no sólo mejoran radicalmente la eficacia de los modelos de IA, sino también la economía de la tecnología.
Las empresas que poseen datos útiles y especializados serán las mayores beneficiadas con la IA. Es cierto que gigantes tecnológicos muy valorados como Alphabet, propietario de Google, y Amazon también dominan parte de ese espacio. Sin embargo, bancos, servicios públicos, proveedores de atención médica y minoristas mucho menos glamorosos (y con precios más razonables) también se encuentran en minas de oro de la IA.
Los conjuntos de datos, no los centros de datos, son donde reside el valor real de la revolución de la IA.
Con información de Reuters.
