Dado a lo ubicuo de la Inteligencia Artificial, la búsqueda de una que sea General (AGI, por sus siglas en inglés) —una máquina capaz de entender, aprender y aplicar el conocimiento en cualquier dominio al nivel humano o superior— se ha convertido en el Santo Grial de la ciencia de la computación. Entre los avances más prometedores en esta odisea tecnológica se encuentran los Modelos Generales del Mundo (General World Models, GWM, por sus siglas en inglés), un concepto que está revolucionando nuestra aproximación hacia la AGI. Para entender cómo estos modelos pueden ser el puente hacia la AGI, permíteme llevarte desde la teoría a la aplicación práctica (extremadamente simplificadas), utilizando analogías y relacionándolo con desarrollos recientes como SORA de OpenAI.

Los pilares de los GWM: Un mundo en miniatura

Imagina por un momento que tiene un terrario, un pequeño mundo encapsulado que puede observar desde afuera. Dentro de este terrario, tiene pequeñas criaturas, plantas y un ciclo de agua, cada uno interactuando con el otro en un ecosistema autónomo. Los GWM funcionan de manera similar, pero en el ámbito digital: crean simulaciones internas de cómo funcionan los entornos del mundo real, permitiendo a las IA predecir y entender los posibles resultados de diferentes acciones sin necesidad de interactuar físicamente con el mundo exterior. Estos modelos del mundo son el terrario en el que la IA puede observar, experimentar y aprender de manera segura y eficiente.

La magia de la autonomía: Aprendizaje a través de la exploración

Ahora, imagina que las criaturas dentro del terrario tienen la capacidad de explorar, experimentar con su entorno, y aprender de estas experiencias, adaptando su comportamiento para sobrevivir y prosperar. Esto es análogo a cómo los GWM permiten a las IA desarrollar un entendimiento profundo del mundo a través de la exploración y el aprendizaje autodirigido, sin intervención humana directa. Al igual que un niño aprende a caminar, hablar y resolver problemas a través de la exploración y el ensayo y error, los GWM habilitan a las IA para adquirir habilidades y conocimientos de manera similar, marcando un paso significativo hacia la creación de agentes inteligentes con la capacidad de aprender de manera autónoma. Algo como esto se explora en el episodio de Black Mirror titulado Hang the DJ (https://www.youtube.com/watch?v=CCNP6yEz3vU), donde al final se revela que mucho de lo que vimos fueron algunas de las simulaciones que se corrieron, dentro de una computadora, para obtener un resultado o decisión lo más exacta posible.  

De GWM a AGI: La convergencia de conocimiento

La transición de GWM a AGI es comparable a la evolución de un estudiante que aprende sobre diferentes disciplinas; inicialmente, adquiere conocimientos básicos en una amplia gama de áreas, para luego profundizar en campos específicos, integrando y aplicando este conocimiento de manera innovadora y creativa. Los GWM, al proporcionar a las IA la capacidad de entender y predecir la dinámica del mundo real, sientan las bases para el desarrollo de AGI, donde las máquinas no solo aprenderán a realizar tareas específicas, sino también a transferir y adaptar sus conocimientos y habilidades a cualquier desafío o dominio.

SORA: La Encarnación actual de la visión de GWM

SORA de OpenAI representa un ejemplo tangible de cómo los principios detrás de los GWM se están aplicando para crear sistemas de IA más avanzados y autónomos. A través del aprendizaje auto-supervisado y la capacidad de generar representaciones internas del mundo, SORA está diseñado para comprender y navegar por entornos complejos de manera más efectiva, simbolizando un paso hacia sistemas de IA que pueden aprender y operar de manera independiente en el mundo real. La búsqueda de Sam Altman, CEO de OpenAI, de recaudar trillones de dólares para crear nuevos microchips, nos devela la idea de que los problemas para alcanzar la AGI ya no es programación (software), sino hardware (capacidad de procesamiento).

El amanecer de una nueva era

La evolución de los GWM hacia la AGI es una travesía fascinante que nos lleva desde la creación de modelos digitales del mundo hasta el desarrollo de inteligencias que pueden rivalizar o incluso superar las capacidades humanas. Al igual que los grandes navegantes del pasado, quienes mapearon los océanos desconocidos y expandieron los horizontes de la humanidad, los GWM nos están guiando hacia la última frontera de la ciencia y la tecnología: una era donde las máquinas no solo imitarán, sino que también comprenderán, innovarán y crearán, abriendo un sinfín de posibilidades para el futuro de la humanidad.

Nunca había leído tantos artículos científicos sobre un tema. Como educador busco simplificar las cosas para entenderlas y explicarlas. Espero que esta explicación simple de los Modelos Generales del Mundo y su conexión con la búsqueda de la Inteligencia Artificial General haya sido de alguna utilidad para ti. Mi objetivo es aportar un poco al entendimiento de algunos de los conceptos más avanzados en el campo de la IA y mostrar cómo están trazando el camino hacia futuros donde las máquinas pueden aprender, adaptarse y operar con una inteligencia y autonomía comparables a las nuestras.

Si encontraste útil este escrito y estás interesado en explorar más sobre la frontera de la inteligencia artificial, sus avances, desafíos y el impacto en nuestra sociedad, te invito a seguirme aquí.

Referencias:

Germanidis, A. (2023). Introducing General World Models. RunwayML Research. Disponible el 19 de febrero de 2024 en https://research.runwayml.com/introducing-general-world-models

Hagey, K. y Fitsh, A. (Febrero 8, 2024). Sam Altman Seeks Trillions of Dollars to Reshape Business of Chips and AI.  The Wall Street Journal. Disponible el 19 de febrero de 2024 en https://www.wsj.com/tech/ai/sam-altman-seeks-trillions-of-dollars-to-reshape-business-of-chips-and-ai-89ab3db0

LeCun, Y. (2022). A Path Towards Autonomous Machine Intelligence. Courant Institute of Mathematical Sciences, New York University. Disponible el 19 de febrero de 2024 en https://openreview.net/pdf?id=BZ5a1r-kVsf

Xu, Y., Parker-Holder, J., Pacchiano, A., Ball, P. J., Rybkin, O., Roberts, S. J., Rocktäschel, T., & Grefenstette, E. (2022). Learning General World Models in a Handful of Reward-Free Deployments. 36th Conference on Neural Information Processing Systems. Disponible el 19 de febrero de 2022 en https://openreview.net/pdf?id=RuNhbvX9o9S