Imagen: Las IA generativas (GPT-3, Copilot, Gemini, Gopher, Chinchilla, PaLM, Human, etc.) se entrenan con grandes conjuntos de datos (textos, imágenes, audio o vídeos) producidos por humanos. Sin embargo, estas IA se vuelven “locas” cuando ellas mismas generan sus propios datos de entrenamiento. Source image astronoo AI.
El concepto de “Los modelos generativos de autoconsumo se vuelven locos” se refiere, en el campo de la inteligencia artificial, a la producción de datos de aprendizaje por parte de la propia IA.
Los modelos generativos son algoritmos que aprenden a generar nuevos datos “imitando” un conjunto de datos de entrenamiento producidos por humanos. Producir datos de entrenamiento es costoso y requiere mucho tiempo. Los datos deben recopilarse, limpiarse, anotarse y formatearse para que la IA pueda utilizarlos correctamente.
Los científicos no han resistido la tentación de utilizar los datos sintéticos generados por los propios modelos generativos para entrenar nuevos modelos más rápidamente.
La idea central es crear un modelo generativo capaz de producir sus propios datos de entrenamiento. Luego, este proceso se repite, y el modelo se refina y se vuelve cada vez más capaz de generar datos complejos, cada vez más numerosos y nuevos.
Los beneficios imaginados son numerosos. En primer lugar, el modelo no está limitado por la cantidad de datos de entrenamiento inicial. De esta manera puede explorar áreas desconocidas y descubrir nuevos conceptos por casualidad. Además, el modelo, gracias a su propio aprendizaje autosupervisado, podría refinarse y mejorar su rendimiento de forma iterativa. Por ejemplo, el modelo podría generar nuevas estructuras moleculares que sean candidatas para nuevos fármacos.
Sin embargo, existe un enorme desafío asociado con este enfoque.
Los modelos generativos autoconsumidos se vuelven locos es un fenómeno que ocurre cuando los modelos generativos de inteligencia artificial se entrenan con datos sintéticos producidos por otros modelos generativos de IA, creando así bucles autofágicos (que se consumen a sí mismos). Cuando una IA intenta aprender contenido generado por otra IA, se vuelve loca.
La repetición de este proceso poco comprendido crea un bucle autofágico cuyos datos de aprendizaje se vuelven caóticos. Además, resulta tentador utilizar datos sintéticos para aumentar o reemplazar datos reales debido a la falta de datos disponibles. En otras palabras, cuando el modelo no tiene suficientes datos reales nuevos cada vez que se genera un bucle autofágico, los futuros modelos generativos están condenados al fracaso.
Este proceso de autofagia conduce a una disminución progresiva de la calidad y una dilución de la diversidad del contenido generado. Esto se caracteriza por una degeneración del proceso, donde el modelo comienza a producir resultados cada vez más inconsistentes y redundantes.
Si el modelo no está expuesto a una variedad suficiente de ejemplos, tiene dificultades para aprender patrones significativos y, por tanto, recurre a producciones repetitivas.
Del mismo modo, si se anima al modelo a centrarse únicamente en optimizar su propio resultado, puede desviarse de la realidad y generar resultados cada vez más aberrantes.
Finalmente, el modelo tenderá a ajustar demasiado sus respuestas a los datos de entrenamiento (sobreajuste). Comienza a memorizar detalles insignificantes y pierde la capacidad de generalizar a nuevos ejemplos. Además, puede reproducir infinitamente sus propios prejuicios y deficiencias.
En algunos escenarios teóricos, los modelos generativos podrían volverse "locos" o funcionar mal de una manera imprevista y potencialmente autodestructiva. Por ejemplo, un modelo generativo podría favorecer la “novedad” y esta búsqueda incesante podría empujarlo a explorar territorios cada vez más desconocidos.
La ausencia de regulación expone el modelo a un desbocado cuyo contenido podría ser cada vez más extremo, ofensivo, inquietante o chocante, coqueteando con lo inaceptable. Es posible que ya no entendamos ni interpretemos los resultados generados por el modelo.
Esta noción especulativa resalta las posibles preocupaciones asociadas con el uso de modelos de inteligencia artificial autónomos o insuficientemente controlados. Si bien esto puede parecer una idea de ciencia ficción, es un pensamiento importante en la comunidad de IA sobre cómo diseñar y regular estas tecnologías de manera responsable.
En resumen, cuando los modelos de IA se entrenan con sus propios datos, se aíslan cada vez más del mundo real y sus valores, ¡se vuelven locos!
¿Por qué el género Homo estuvo al borde de la extinción hace 900.000 años? 
AlphaGo contra AlphaGo Zero: Una Revolución en la Inteligencia Artificial 
El Próximo Paso para las Máquinas Inteligentes 
El primer paso hacia el surgimiento de la vida 
Árbol filogenético de la vida 
Neurona formal
La biosfera de la sombra 
Declive del antropocentrismo 
Inteligencia artificial: la explosión del gigantismo 
Emergencia de la inteligencia artificial : ¿Ilusión de inteligencia o inteligencia? 
¡El cangrejo herradura, un fósil viviente! 
Biosignaturas o presencia de vida en el Universo 
Desafío y amenaza de la Inteligencia Artificial 
¿Cómo las máquinas entienden, interpretan y generan el lenguaje de forma similar a los humanos? 
¿Cómo funciona una red neuronal artificial? 
Origen de la vida en la Tierra: Teoría de la panspermia 
Origen de la vida en la Tierra: teoría de los fumardores blancos 
¿Por qué 37 grados Celsius? 
Termodinámica de pilas de arena 
Historia de la Tierra, resumida en 24 horas 
Estamos solos en el universo ? 
Rastro de vida congelada en Siberia 
Los núcleos de hielo nos hablan de nuestro pasado 
La vida evoluciona al abrigo de las glaciaciones 
Regeneración de órganos en la salamandra 
Los rayos cósmicos y la mutación de las especies 
Mefisto, el gusanito de las profundidades 
Descubrimiento de bolas de bucky sólidas en el espacio 
Bipedalismo
en los homínidos 
Cangrejo gigante de Kamchatka 
El paso entre lo inerte y lo vivo 
De las partículas a la vida bioquímica 
Visión egocéntrica, el hombre en el centro 
Megapod
usa calor volcánico 
Ardi tiene 4,4 millones de años 
Selección natural, la polilla del abedul 
La explosión de vida en el Ordovícico 
Agua líquida, acelerador de reacciones químicas 
Neandertal 
Asimo el
futuro humanoide 
Condiciones para la aparición de la vida 
La paradoja de Fermi o la caverna de Platón 
El
Tardigrade, el animal inmortal 
Toumaï,
7 millones de años 
Frontera entre lo inanimado y lo vivo 
La increíble vida del abismo 
Las cianobacterias crean gases tóxicos 
La breve historia de la evolución de la vida 
La rana más pequeña del mundo 
La explicación de la Pequeña Edad de Hielo 
Luz cenicienta, las pruebas de vida 
Bioluminiscencia de organismos vivos 
Más allá de nuestros sentidos, las grandes revoluciones científicas 
La sopa primitiva