Meta parece que va un poco por detrás en la revolución IA, pero podría ser simplemente una percepción errónea basada en medir el grado de avance utilizando el patrón y modelo de negocio de IA de OpenAI/Microsoft. El “paper” de investigación que hoy destacamos (titulado “Generación Aumentada por Recuperación” o “RAG” en sus siglas originales) demuestra que desde otro punto de vista podrían ser los más avanzados: en el uso de la IA en aplicaciones de personalización para Inmersividad o Metaverso, según lo denomina Meta.
¿Por qué es tan importante este ‘paper’ de investigación en IA de Meta? Tomemos un poco de perspectiva del contexto en el que aparece. Hay tres revoluciones computacionales que en el futuro convergerán, de alguna manera aún imprevista, incluso para aquellas empresas que más invierten en cada una de ellas:
- Inmersividad
- Inteligencia Artificial
- Computación Cuántica
Es conocido que tanto Meta como Apple antes de la irrupción en el mercado de ChatGPT tenían sus inversiones muy centradas en la Inmersividad. Alphabet es el único de los tres que invierte sistemáticamente en la creación de un supercomputador cuántico que revolucione toda la Sociedad de la Información tal y como hoy la conocemos, además de haber sido el pionero en Inteligencia Artificial.
Mientras llega ese momento de computación infinita a la velocidad de la luz, todos los sistemas informáticos necesarios para el desarrollo de la Inteligencia Artificial y de la Inmersividad son posibles gracias a los sistemas de computación electrónicos tradicionales. Lo cual siempre supone una limitación de tiempos de respuesta y de costes muy elevados para generar las experiencias en tiempo real que la Inmersividad necesita. Las guerras comerciales por los chips de Nvidia son buena muestra de esta limitación.
Por ese motivo tanto Meta como Apple, líderes en Inmersividad que no cesan en su apuesta por dicha tendencia, llevan muchísimo tiempo invirtiendo en investigación de nuevas estrategias computacionales para la implementación de la IA de una manera personalizada al usuario, esto es a su contexto inmersivo. Y si bien parece claramente que están por detrás en capacidades de IA Generativa en la nube, a su ritmo y por debajo del radar del público en general están dando con “ideas felices” y estructuras de software que podrían integrar la potencia de la IA en entornos críticos de respuesta instantánea personalizada al contexto del usuario tales como la Inmersividad o la Robótica.
- Personalización total en la generación de respuestas IA sin necesidad de reentrenamiento. De ahí proviene “Aumentada por Recuperación”. El sistema antes de conectarse con la red neuronal hace un proceso previo donde enriquece el prompt con información “especializada” tanto del contexto del usuario o agente como de la propia consulta a la IA. De tal manera que no hay que entrenar desde cero a la IA cada vez para que todo el sistema esté “enriquecido” por nuevos datos o datos especializados. Es como hacer una búsqueda tradicional en Wikipedia previa (Recuperación) y añadir el resultado al prompt introducido por el usuario o agente (Aumentada) y pasarle todo a la red neuronal para obtener el resultado altamente especializado (Generación).
Nuestros datos de posición en un entorno Inmersivo, datos de contexto del espacio de Inmersividad en el que nos encontramos e incluso nuestros propios datos biométricos “reales” pueden recuperarse para aumentar la información que reciba la IA que genere la reacción del espacio Inmersivo a nuestra presencia e interacción.
Este ‘paper’ de Meta del 2020 es una “idea feliz” que se está empezando a aplicar hace relativamente poco en infinidad de aplicaciones más allá de la personalización IA en la Inmersividad, es una muestra más de que estamos muy al principio de la mayor revolución tecnológica del Conocimiento humano. Y que con una probabilidad muy alta, en algún lugar hay un equipo de investigadores que acaban de descubrir una estrategia computacional aún mejor y que nos acerque un paso más a la Inmersividad total en tiempo real.
Lee el ‘paper’ original
