Invertir en los premios Nobel: redes neuronales artificiales, la base de la IA

Historia del Premio Nobel

El Premio Nobel es el premio más prestigioso del mundo científico. Fue creado según El testamento del señor Alfred Nobel para dar un premio”a quienes, durante el año anterior, han aportado el mayor beneficio a la humanidad”en física, química, fisiología o medicina, literatura y paz.

Posteriormente, el banco central sueco crearía un sexto premio para las ciencias económicas, oficialmente llamado Premio de Ciencias Económicas, a menudo más conocido como Premio Nobel de Economía.

La decisión de a quién atribuir el premio pertenece a múltiples instituciones académicas suecas.

Preocupaciones heredadas

La decisión de crear el Premio Nobel se le ocurrió a Alfred Nobel tras leer su propio obituario, tras un error de un periódico francés que malinterpretó la noticia de la muerte de su hermano. Titulado "El mercader de la muerte ha muerto", el artículo francés criticó duramente a Nobel por su invención de los explosivos sin humo, de los cuales la dinamita fue el más famoso.

Sus inventos fueron muy influyentes en la configuración de la guerra moderna, y Nobel compró una enorme fábrica de hierro y acero para convertirla en un importante fabricante de armamento. Como primero fue químico, ingeniero e inventor, Nobel se dio cuenta de que no quería que su legado fuera el de un hombre recordado por haber hecho una fortuna a través de la guerra y la muerte de otros.

Premio Nobel

En la actualidad, la fortuna de Nobel se almacena en un fondo invertido para generar ingresos que financien la Fundación Nobel y la medalla de oro verde bañada en oro, el diploma y el premio monetario de 11 millones de coronas suecas (alrededor de 1 millón de dólares) atribuidos a los ganadores.

Fuente: británico

A menudo, el dinero del Premio Nobel se divide entre varios ganadores, especialmente en campos científicos donde es común que 2 o 3 figuras destacadas contribuyan juntas o en paralelo a un descubrimiento innovador.

¿Premio Nobel de Informática?

Por lo general, los Premios Nobel de Física se atribuyen a descubrimientos sobre la naturaleza fundamental del Universo, como los agujeros negros (2020) o exoplanetas (2019). También se puede lograr mediante avances importantes en las ciencias de los materiales, como puntos cuánticos (2023) láseres (2018) o LEDs (2014).

Pero ganadores de este año Son un poco menos convencionales y se centran en el análisis de datos. Más precisamente, se atribuye a Geoffrey Hinton y John Hopfield su contribución a la creación de redes neuronales artificiales.

Fuente: Premio Nobel

Se trata de un Premio Nobel muy actual, en el que las redes neuronales son la tecnología central responsable de la mayoría de los avances de los últimos años en IA, incluidos los LLM, pero también la visión artificial (incluso para vehículos autónomos) y las IA técnicas utilizadas en nuevos descubrimientos de fármacos, ciencias de los materiales, etc.

¿Qué son las redes neuronales?

Chips versus neuronas

Cuando se inventaron las computadoras, pronto creció la esperanza de que pudieran crecer en capacidad hasta desarrollar capacidades intelectuales similares a las humanas. Pero en la práctica, si bien las computadoras se volvieron cada vez más impresionantes en el cálculo y luego en la generación de imágenes, permanecieron “tontas” en lo que respecta al razonamiento real.

En gran medida, esto se debe a que un chip de computadora es muy diferente de las neuronas que forman el cerebro. Mientras que un chip de silicio puede realizar muy rápidamente millones de cálculos binarios (0 o 1), las neuronas son más bien una señal analógica, con mucha complejidad y “ruido” en la señal.

Por lo tanto, las computadoras necesitan una programación precisa para realizar un cálculo; en realidad no pueden “aprender” nada y simplemente seguir las instrucciones codificadas al pie de la letra.

Las redes neuronales son diferentes. Pueden abordar problemas que son demasiado vagos y complicados para ser manejados con instrucciones paso a paso. Un ejemplo es interpretar una imagen para identificar los objetos que hay en ella, algo en lo que los ordenadores son notoriamente malos, de ahí la prueba “¿Eres un humano?” que aparece en algunas páginas web.

Fuente: Google

Cómo funcionan las neuronas

En su mayor parte, las neuronas no siguen una programación preestablecida estricta, sino que funcionan a través de un circuito de retroalimentación de patrones de conexión que se refuerzan.

El funcionamiento es que las neuronas fortalecen la conexión con otras neuronas cuando trabajan juntas. Esto genera la idea de simular en una computadora cómo funcionan las neuronas, con múltiples nodos interconectados.

Las conexiones entre estos nodos se pueden fortalecer o debilitar, formando un proceso llamado “entrenamiento”, que todavía hoy es el núcleo de la creación de las últimas IA.

Fuente: Premio Nobel

La idea parecía prometedora, pero por un tiempo la potencia computacional requerida pareció prohibitivamente alta, especialmente para las computadoras relativamente primitivas de los años 1960 y 1970.

Cómo funciona la memoria humana

Cuando recordamos o reconocemos algo, no realizamos un cálculo matemáticamente perfecto del color de cada píxel de una imagen, sino que iteramos a partir de datos parciales, intentamos establecer una asociación con algo ya conocido e identificamos un patrón reconocible.

El físico John Hopfield inventó en 1982 el Red Hopfield, un método para almacenar y recrear patrones.

Empezando con la física

Comenzó por observar que las propiedades colectivas de muchos sistemas físicos son resistentes a los cambios en los detalles del modelo. En particular, los materiales magnéticos obtienen sus características especiales gracias a su espín atómico, una propiedad que convierte a cada átomo en un pequeño imán.

La propiedad del material más grande provenía de que el espín de cada átomo modificaba los de su alrededor, lo que hacía que todos los espines terminaran en la misma dirección. Su modelo describe el fenómeno mediante diferentes nodos que se influyen mutuamente.

De manera similar, una imagen se puede grabar como una cuadrícula de nodos, cada uno con un valor 0 o 1 (negro o blanco).

Si comparas una imagen distorsionada con esta cuadrícula original, puedes calcular cuánto difiere cada nodo de la imagen distorsionada. Pero si “empujas” el nodo distorsionado hacia donde tiene sentido, como la pendiente en un paisaje preestablecido, a menudo puedes recrear la imagen original a pesar de las distorsiones.

Así, Hopfield había creado un sistema primitivo, pero funcional, para la corrección de errores o para completar patrones, algo que los ordenadores normalmente son incapaces de hacer, ya que están estancados en su estricta programación.

Fuente: Premio Nobel

Con suficiente potencia computacional, cada nodo puede almacenar cualquier valor, no solo blanco y negro. Por ejemplo, puede ser un número que refleje un color exacto, de la misma manera que se crean las imágenes digitalmente.

También puede reflejar todo tipo de datos, no sólo imágenes, creando un modelo funcional para una memoria asociativa artificial.

Usando la asociación para la comprensión

Incluso los animales más simples o los niños pequeños pueden realizar un reconocimiento de patrones extraordinariamente mejor que los ordenadores avanzados, como por ejemplo identificar qué imagen contiene un perro, un gato o una ardilla. Esto también se hace sin ningún conocimiento de orden superior de conceptos como animales, mamíferos o especies.

Y quizás lo más importante es que se puede lograr con datos y experiencia iniciales muy limitados, en lugar de un catálogo de miles de millones de imágenes de estos animales que cubran todas las posibles posturas, colores, formas o figuras que se puedan mostrar.

Analógico en lugar de binario

Porque los nodos pueden contener cualquier datos, se pueden utilizar para datos continuos, como fenómenos a lo largo del tiempo.

También permite calcular de manera eficiente las interacciones entre sistemas complejos, donde la respuesta a un estímulo es más estadística que un sí/no binario. Esto ahorra tanto consumo de energía como capacidad de cálculo en comparación con la computación tradicional para este tipo de problemas.

Y al agregar más nodos, se puede agregar progresivamente más complejidad a los modelos.

La máquina de Boltzmann

Geoffrey Hinton, junto con Terrence Sejnowski y otros colaboradores, trabajaron para mejorar y ampliar el concepto del modelo Hopfield.

Hinton empleó ideas de la física estadística, un campo que describe cosas con muchos elementos, como gases o líquidos. Dado que los componentes individuales son demasiado numerosos, la única manera de modelar su comportamiento es utilizar expectativas estadísticas, en lugar de un cálculo de física pura a partir de la temperatura, la ubicación, la velocidad, etc. de cada molécula.

Para añadir esa capacidad al modelo de Hopfield, añadió una capa adicional de nodos “ocultos” entre el nodo visible que antes realizaba el cálculo solo. Si bien son invisibles, los nodos ocultos contribuyen a los niveles de energía de los otros nodos y del sistema en su conjunto.

Fuente: Premio Nobel

A este concepto lo llamaron máquina de Boltzmann, en honor a Luis Boltzmann, Un 19^thFísico del siglo XIX que desarrolló la mecánica estadística, base de la física estadística.

Fuente: Wikipedia

Máquina de Boltzmann restringida

En su diseño original, la máquina de Boltzmann era demasiado compleja para tener una utilidad práctica. Se desarrolló una versión simplificada, en la que no hay conexiones entre nodos de la misma capa.

Fuente: Premio Nobel

Esto hizo que la máquina fuera mucho más eficiente, aunque todavía capaz de realizar un reconocimiento de patrones complejos.

Una mejora adicional fue el proceso de “preentrenamiento” de la red neuronal, con una serie de máquinas de Boltzmann en capas, una encima de la otra.

Esto mejoró el punto de partida de la red neuronal, mejorando sus capacidades de reconocimiento de patrones.

Impacto en las redes neuronales modernas

Tanto Hopfield como Hinton han desarrollado las ideas fundamentales detrás de las redes neuronales, así como las matemáticas y las herramientas para utilizarlas.

Sin embargo, habría que esperar hasta la década de 2010 para que el poder de procesamiento creciera lo suficiente como para que las redes neuronales se hicieran un lugar en la conciencia general.

Como la versión moderna de la máquina de Boltzmann utiliza tantas capas interconectadas, se las denomina redes neuronales “profundas”. Para ofrecer una perspectiva de la evolución del campo, Hopfield utilizó un modelo de 30 nodos en su publicación de 1982, lo que le permitió contar con 435 conexiones posibles. Esto dio lugar a unos 500 parámetros a tener en cuenta.

En ese momento, las computadoras no podían manejar un modelo tentativo de 100 nodos. Los LLM (Large Language Models) actuales, la base de herramientas como ChatGPT, utilizan uno trillón parámetros y aumentan constantemente sus necesidades computacionales.

Aplicaciones

Física fundamental

Como muchos otros Premios Nobel de Física, las redes neuronales son un descubrimiento que está impulsando otros nuevos descubrimientos.

Por ejemplo, se han utilizado para examinar y procesar las enormes cantidades de datos necesarios para descubrir la partícula de Higgs (Peter Higgs recibió el Premio Nobel de Física en 2013). También se han utilizado en otras investigaciones ganadoras del Premio Nobel, como en las mediciones de ondas gravitacionales de agujeros negros en colisión o en la búsqueda de exoplanetas.

Física Aplicada

Los materiales y fenómenos de la vida real suelen ser demasiado complejos para ser modelados únicamente utilizando un modelo de causa -> efecto a nivel de partículas individuales.

En comparación, las redes neuronales basadas en la física estadística les permiten ser mucho más flexibles y dar directamente la respuesta correcta o “señalar” a los científicos en la dirección correcta.

Los principales institutos de investigación están implementando esto de manera rutinaria, por ejemplo, Calcular la estructura y función de las moléculas de proteínas., o averiguar cuál Las nuevas versiones de material pueden tener las mejores propiedades para su uso en células solares o baterías más eficientes.

LLM

Por supuesto, ninguna conversación sobre aplicaciones de redes neuronales estaría completa sin hablar de los LLM, el núcleo del frenesí de la IA de los últimos años desde el lanzamiento de ChatGPT en 2022.

En gran parte, esto se debe a que la generación de lenguaje similar al humano, “sentirse” como una persona real, se consideró durante mucho tiempo la prueba en la que podríamos considerar que una IA es verdaderamente inteligente (la prueba de Turing).

La inteligencia real de los LLM es objeto de acalorados debates, desde la opinión de los entusiastas de la IA (o agoreros) que esperan una inteligencia verdadera y una singularidad tecnológica en un futuro cercano hasta quienes la ven como un mero truco incapaz de ofrecer resultados útiles.

Sin embargo, tienen una amplia gama de aplicaciones, especialmente cuando pueden realizar tareas baratas que ahora están reservadas a humanos mucho más costosos. Esto es especialmente cierto para tareas principalmente verbales, como:

• Chatbots y atención al cliente.
• Desarrollo y verificación de código.
• Traducción y localización.
• Investigación de mercado.
• Buscar y responder preguntas.
• Análisis de grandes documentos y conjuntos de datos.
• Educación

Junto con los LLM, la generación de imágenes también podría crear una nueva avalancha de imágenes en nuestra era digital, tanto para fines útiles como potencialmente nefastos (desinformación, chantaje, etc.).

Visión artificial y por computadora

Como la aplicación original de las redes neuronales se remonta a Hopfield, tiene sentido que el reconocimiento de imágenes sea ahora una aplicación potencial fundamental de las redes neuronales.

A veces, la visión artificial se utiliza para describir una identificación limitada en un entorno industrial más controlado, mientras que la visión por computadora apunta a una visión más parecida a la humana.

Fuente: Salomón

Autoconducción

Un subsegmento importante de este campo son los vehículos autónomos, ya que, en última instancia, los conductores humanos utilizan su reconocimiento de patrones visuales para conducir de forma segura sus vehículos de varias toneladas.

Por ahora, la mayoría de los sistemas de conducción autónoma se basan en una combinación de cámaras y otros sensores para garantizar la seguridad (como el radar y el LIDAR), con la excepción de Tesla, que se centra exclusivamente en la visión artificial similar a la humana (gracias a un conjunto de datos mucho más grande, proporcionado por la flota de automóviles Tesla).

Suficientes datos de entrenamiento, anotación manual de millones de situaciones complejas de la vida real y también hardware personalizado que reduce el consumo y acelera los tiempos de reacción probablemente serán la combinación ganadora para que la primera empresa gane el premio de un billón de dólares por desarrollar la primera verdadera automatización de conducción completa de nivel 5.

Médico

Muchos diagnósticos en medicina no dependen de pruebas de laboratorio, sino de la interpretación manual por parte de un especialista capacitado de imágenes producidas por máquinas de rayos X, resonancias magnéticas, escáneres, etc.

A un experto le puede llevar años llegar a dominar verdaderamente esta tarea, que es tanto un arte como una ciencia. La IA puede analizar de forma económica y consistente millones de imágenes médicas con resultados predecibles.

Incluso podría usarse Para diagnosticar afecciones que antes no se creía posible detectar con escáneres, como el TDAH.

Y quizás menos obvio, la IA que utiliza redes neuronales también puede ayudar a los cirujanos, como el francés. Pixee médico, permitiendo el seguimiento 3D con un teléfono inteligente o gafas inteligentes para cirugía ortopédica.

La IA también puede automatizar el procedimiento crucial de registrar la cirugía, especialmente para tareas repetitivas y propensas a errores. Como cirujanos Olvidar instrumentos dentro del paciente en aproximadamente 1500 cirugías al año En los EE. UU., la visión por computadora también podría ayudar a eliminar este problema por completo al realizar un seguimiento automático de todo lo utilizado durante la cirugía.

Bioinvestigación

Desde el descubrimiento de fármacos hasta la predicción del plegamiento de proteínas, las redes neuronales son herramientas poderosas para los investigadores en medicina y biología.

Esto ya está revolucionando la forma en que se desarrollan nuevas terapias, como comentamos en “Las 5 principales empresas de IA y biotecnología digital”. También podría contribuir a obtener datos más consistentes, lo que suele ser un problema en las ciencias biológicas, donde muchos datos todavía se crean con entrada manual, como el recuento de células sanguíneas.

Esto se puede resolver con visión artificial de IA, con productos como Shonit de Sigtuple ahora es capaz de proporcionar recuentos fiables y estandarizados de todo tipo de células sanguíneas.

Fuente: Sigtuplo

Industria y producción

Desde el control de calidad y las inspecciones de componentes hasta el ensamblaje totalmente automatizado, la visión artificial o por computadora puede hacer que la línea de producción sea más flexible y reactiva a cualquier cambio en el proceso de producción.

Esto puede reducir costos al disminuir la necesidad de intervención humana, así como mejorar la calidad y la velocidad de producción.

Robótica

A medida que la robótica ha abandonado las fábricas para interactuar con entornos de la vida cotidiana más complejos, necesita mejorar rápidamente sus capacidades de reconocimiento de patrones.

Desde perros robot hasta robots repartidores y, tal vez pronto, asistentes personales humanoides, Los robots se están fusionando cada vez más con la IA utilizando redes neuronales para ayudarnos en las tareas diarias.

Equipo de cría

Los robots agrícolas utilizan cada vez más la visión artificial para identificar malas hierbas o frutas maduras. y sustituir el tedioso trabajo manual o las destructivas máquinas herramienta de gran escala.

Es posible que esto no sólo afecte a la agricultura y a nuestros sistemas alimentarios, sino también a la restauración ecológica, con fuertes efectos sobre la salud del suelo, el surgimiento de nuevas prácticas agrícolas y tal vez mejores herramientas para la reforestación y la gestión de especies invasoras.

Militares

A pesar de que esto plantea cuestiones éticas complejas, es una regla histórica que cualquier tecnología nueva también se investigue por su potencial para dar a los militares una ventaja sobre su adversario.

Y como siempre habrá una nación que lo haga, las demás también tendrán que seguirle el ritmo.

La IA ya se utiliza para identificar objetivos y analizar datos en el campo de batalla, incluso en guerras reales en curso como las de Ucrania y Gaza, algo que analizamos en “Las 10 principales acciones de drones y de guerra con drones.

Entre los acontecimientos recientes más alarmantes podemos mencionar: El desarrollo de la última versión del ruso Lancet, un avión no tripulado/misil suicida que utiliza visión artificial con inteligencia artificial para identificar y apuntar a vehículos enemigos en el último segmento de su recorrido..

Entregar la decisión de matar a un sistema automatizado es un paso obviamente muy peligroso, que realmente parece el material de una película de ciencia ficción justo antes de una rebelión de la IA contra la humanidad.

Así que sólo podemos esperar que las fuerzas militares de todo el mundo lleguen a un entendimiento sobre qué tecnología se puede utilizar o no, de manera similar a cómo se gestionan las armas nucleares.

Riesgos de las redes neuronales

Vale la pena mencionar que Geoffrey Hinton, quien ganó el Premio Nobel de este año También está muy preocupado por el progreso que se está logrando en la tecnología de IA..

Después del Premio Turing en 2018 y el Premio Nobel en 2024, es probable que su advertencia sea aún más escuchada que antes.

“De repente he cambiado mi opinión sobre si estas cosas serán más inteligentes que nosotros.

Creo que están muy cerca de lograrlo ahora y serán mucho más inteligentes que nosotros en el futuro. ¿Cómo sobreviviremos a eso?

Geoffrey Hinton

¿Nuestro entusiasmo por la IA nos condenará a un futuro como el de las películas Matrix o Terminator? Tal vez no, pero como las redes neuronales ultracomplejas son esencialmente una caja negra, sus propios creadores no comprenden del todo que probablemente se necesiten normas éticas y de seguridad antes de que una IA defectuosa cause daños irreparables.

Invertir en redes neuronales

Las redes neuronales se están volviendo casi sinónimo de la tecnología de IA en general, a medida que existe una creciente fusión de disciplinas en el sector.

Como las redes neuronales requieren grandes conjuntos de datos para el entrenamiento previo y el entrenamiento, actualmente tienden a ser el dominio de empresas tecnológicas muy grandes o de empresas emergentes muy bien financiadas.

Puede invertir en empresas relacionadas con IA a través de muchos corredores, y puede encontrarlas aquí, en valores.io, nuestras recomendaciones para los mejores brokers en EE.UU, Canada, Australia y  el Reino Unido, así como muchos otros países.

Si no está interesado en elegir empresas específicas relacionadas con la IA, también puede buscar ETF como el ETF UCITS de inteligencia artificial y robótica de ARK (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ), o el Fondo de Inteligencia Artificial e Innovación WisdomTree (WTAI) lo que proporcionará una exposición más diversificada para capitalizar la IA.

Empresas de redes neuronales

1. Microsoft

Microsoft ha estado en el centro de la industria tecnológica casi desde sus inicios con su sistema operativo todavía dominante, Windows.

(MSFT )

Actualmente también es líder en software empresarial (Office365, Equipos, LinkedIn, Skype, GitHub), juegos (Xbox  y  múltiples adquisiciones de estudios de videojuegos), y en la nube (Azure).

Más recientemente, logró buenos avances en materia de IA. Esto incluye algo de IA de consumo como el Creador de imágenes de Bing y más iniciativas centradas en los negocios, como Copiloto para Microsoft 365  y  Microsoft Research. El copiloto ahora está siendo implementado también en el comercio minorista y en empresas más pequeñas.

Fuente: Investigación de la constelación

Microsoft se ha ganado la reputación de ser el gigante tecnológico centrado en la empresa, en comparación con empresas más centradas en el consumidor como, por ejemplo, Apple o Facebook. Dado que la IA se está volviendo cada vez más importante en los modelos de negocios, la presencia preexistente de Microsoft en la nube y los servicios empresariales debería darle una ventaja en la implementación de la IA a escala y en las adquisiciones de clientes.

La colaboración/cuasi-propiedad con líderes en desarrollo de IA como OpenAI (famoso por ChatGPT) También consolidará la posición de Microsoft como potencia en inteligencia artificial.

2. NVIDIA

NVidia inicialmente tenía una posición dominante en el mercado de tarjetas gráficas (GPU), utilizadas principalmente para juegos de alta gama y modelado 3D. Las GPU pueden ejecutar cálculos en paralelo y se diferencian en ese sentido de los procesadores (CPU).

El diseño de su hardware demostró ser muy adecuado para la minería de criptomonedas (especialmente Bitcoin), creando una fuerte ola de crecimiento para la empresa.

Ahora parece que es igualmente poderoso para entrenar IA, lo que convierte al hardware de Nvidia en la columna vertebral de la revolución de la IA.

NVidia ahora está desarrollando sistemas informáticos personalizados para diferentes aplicaciones de IA, desde coches de auto-conducción a habla y  IA conversacionales, IA generativas o  los riesgos de seguridad cibernética.

Es probable que Nvidia no haya encontrado nuevos casos de uso para su hardware de IA, como lo demuestra la investigación de Microsoft con PNNL. Por ejemplo, NVidia está desarrollando... Toda una gama de soluciones para el descubrimiento de fármacos., así como las  Dispositivos médicos impulsados ​​por IA  y  Imágenes médicas asistidas por IA.

Fuente: NVidia

Es probable que a muy largo plazo los competidores de NVidia empiecen a desafiar seriamente la ventaja inicial de la compañía.

Pero en el futuro previsible, considerando la explosión de la demanda de potencia informática dedicada a la IA, NVidia seguirá siendo el principal proveedor de todos los nuevos centros de datos de entrenamiento de IA que se estén construyendo.

Y si la IA es una nueva fiebre del oro tecnológica, lo más sensato en materia de inversiones es preferir a los vendedores de picos y palas en lugar de apostar a encontrar oro.

En medio de la fiebre de la IA, las herramientas elegidas por ahora son los chips NVidia AI.