Anthrope afirma que la IA no se está estancando, es un punto de referencia que

Los modelos de lenguaje grandes (LLMs) y otras tecnologías de IA generativa están logrando avances significativos en la autocorrección, lo que está allanando el camino para nuevas aplicaciones, incluyendo lo que se conoce como "IA agentiva", según Michael Gerstenhaber, Vicepresidente de Anthropic, un desarrollador líder de modelos de IA.

"Se está volviendo muy bueno en la autocorrección, el autorrazonamiento", compartió Gerstenhaber, quien lidera las tecnologías de API en Anthropic, durante una entrevista en Nueva York con Anurag Rana de Bloomberg Intelligence. Anthropic, creadores de la familia de LLMs Claude, son competidores directos de los modelos GPT de OpenAI. "Cada par de meses, lanzamos un nuevo modelo que expande las capacidades de los LLMs", añadió, enfatizando la naturaleza dinámica de la industria donde cada revisión del modelo desbloquea nuevos usos potenciales.

Nuevas Capacidades en Modelos de IA

Los últimos modelos de Anthropic han introducido capacidades como la planificación de tareas, permitiéndoles realizar tareas en una computadora de manera similar a un humano, como pedir una pizza en línea. "Planificar pasos intermedios, algo que no era factible ayer, ahora está al alcance", señaló Gerstenhaber sobre esta ejecución de tareas paso a paso.

La discusión, que también contó con Vijay Karunamurthy, Tecnólogo Jefe en la startup de IA Scale AI, fue parte de una conferencia de un día organizada por Bloomberg Intelligence titulada "Gen AI: ¿Puede cumplir con la promesa de productividad?"

Desafiando el Escepticismo sobre la IA

Las perspectivas de Gerstenhaber desafían las opiniones de los escépticos de la IA que argumentan que la IA generativa y el campo de la IA en general están "chocando contra una pared", sugiriendo rendimientos decrecientes con cada nueva iteración del modelo. El académico de IA Gary Marcus, por ejemplo, ha sido vocal sobre sus preocupaciones desde 2022, advirtiendo que simplemente aumentar el tamaño de los modelos de IA (más parámetros) no mejorará proporcionalmente su rendimiento.

Sin embargo, Gerstenhaber afirma que Anthropic está empujando los límites más allá de lo que las pruebas de referencia actuales de IA pueden medir. "Incluso si parece que el progreso se está ralentizando en algunas áreas, es porque estamos desbloqueando funcionalidades completamente nuevas, pero hemos saturado las pruebas de referencia y la capacidad para realizar tareas más antiguas", explicó. Esto hace que sea cada vez más difícil evaluar la magnitud total de lo que los modelos de IA generativa actuales pueden lograr.

Escalado y Aprendizaje

Tanto Gerstenhaber como Karunamurthy enfatizaron la importancia de escalar los modelos de IA generativa para mejorar sus capacidades de autocorrección. "Definitivamente estamos viendo un aumento en la escalabilidad de la inteligencia", comentó Gerstenhaber. Karunamurthy añadió, "Una razón por la que creemos que no estamos chocando contra una pared con la planificación y el razonamiento es que todavía estamos aprendiendo cómo estructurar estas tareas para que los modelos puedan adaptarse a entornos nuevos y variados."

Gerstenhaber estuvo de acuerdo, afirmando, "Estamos en las primeras etapas, aprendiendo de los desarrolladores de aplicaciones sobre sus necesidades y dónde fallan los modelos, lo que luego podemos integrar de nuevo en el modelo de lenguaje."

Aprendizaje y Adaptación en Tiempo Real

Gran parte de este progreso, según Gerstenhaber, está impulsado por el rápido ritmo de la investigación fundamental en Anthropic, así como por el aprendizaje en tiempo real a partir de la retroalimentación de la industria. "Nos estamos adaptando a lo que la industria nos dice que necesita, aprendiendo en tiempo real", dijo.

Los clientes a menudo comienzan con modelos más grandes y luego los reducen a modelos más simples para adaptarse a propósitos específicos. "Inicialmente, evalúan si un modelo es lo suficientemente inteligente para realizar una tarea bien, luego si es lo suficientemente rápido para satisfacer las necesidades de su aplicación y, finalmente, si puede ser lo más rentable posible", explicó Gerstenhaber.