NTT Research impulsa la comprensión de la IA con un nuevo grupo dedicado a su física subyacente
La inteligencia artificial (IA), en su esencia, es intrincada. Con la expansión, el auge y, en ocasiones, la rápida proliferación de las tecnologías de inteligencia artificial y aprendizaje automático, ha surgido la necesidad de comprender con exactitud cómo estos nuevos motores de inteligencia adquieren sus capacidades. Esta búsqueda de entendimiento no se debe necesariamente a temores sobre un hipotético dominio de las máquinas, sino a una necesidad práctica de cuantificar el nivel de razonamiento e inferencia que los modelos de IA actuales pueden alcanzar.
Este paso es fundamental también para establecer salvaguardas adecuadas. Es preciso desarrollar servicios de automatización inteligente que puedan definirse como «IA explicable», libres de sesgos o errores de interpretación, lo que implica que la inteligencia no solo debe ser avanzada, sino también confiable y responsable.
NTT Research, Inc. busca sentar las bases de la física, economía, dinámica y matemáticas de la IA mediante la creación de su nuevo Grupo de Física de la Inteligencia Artificial. Esta entidad operativa se ha derivado de un equipo existente dentro del Laboratorio de Física e Informática (PHI Lab) de NTT Research. Basándose en lo que la compañía describe como un «enfoque interdisciplinario para comprender la IA», esta iniciativa está dirigida por el Dr. Hidenori Tanaka, científico de NTT Research especializado en física, neurociencia y aprendizaje automático.
Desvelando la ‘Caja Negra’ de la IA
«Hoy marcamos un nuevo avance hacia la comprensión social de la IA con la formación del Grupo de Física de la Inteligencia Artificial de NTT Research», afirmó Kazu Gomi, presidente y CEO de NTT Research. «La aparición y rápida adopción de soluciones de IA en todas las esferas de la vida cotidiana ha impactado profundamente nuestra relación con la tecnología. A medida que el papel de la IA sigue creciendo, es imperativo explorar cómo afecta a las personas y cómo esto puede moldear el desarrollo de nuevas soluciones. Este nuevo grupo tiene como objetivo desmitificar las preocupaciones y sesgos en torno a las soluciones de IA para crear un camino armonioso hacia la coexistencia de la IA y la humanidad».
Desde sus inicios, los ingenieros del PHI Lab reconocieron la importancia de comprender la naturaleza de «caja negra» de la IA y el aprendizaje automático para desarrollar sistemas novedosos con una eficiencia energética drásticamente mejorada para la computación. De manera similar a cómo se adoptó primero la computación en la nube por su potencia y flexibilidad (dejando la seguridad en un segundo plano), hemos aprovechado la inteligencia casi humana de la IA inicialmente, para luego centrarnos (quizás con cierto retraso) en cuestiones de confiabilidad y seguridad.
Inteligencias Biológicas y Artificiales
¿Cómo descubrirá el Grupo de Física de la Inteligencia Artificial los conocimientos necesarios para explicar con mayor claridad la toma de decisiones, el razonamiento y la inferencia de la IA? El equipo colaborará con investigadores académicos para abordar las similitudes entre las inteligencias biológica y artificial y desentrañar las complejidades de los mecanismos de la IA. El objetivo es trabajar hacia una «fusión armoniosa» de la colaboración entre humanos e IA. Esto implica comprender cómo funciona la IA en términos de su entrenamiento, acumulación de conocimiento y toma de decisiones final.
Según NTT, «Este enfoque refleja lo que los físicos han hecho durante siglos: se entendía que los objetos se mueven cuando se aplican fuerzas, pero fue la física la que reveló los detalles precisos de esa relación, permitiendo a los humanos diseñar las máquinas que conocemos hoy. Por ejemplo, el desarrollo de la máquina de vapor informó nuestra comprensión de la termodinámica, lo que a su vez permitió la creación de semiconductores avanzados. De manera similar, el trabajo de este grupo dará forma al futuro de la tecnología de IA».
Para llevar a cabo este proyecto, el nuevo grupo continuará colaborando con el Centro de Ciencias del Cerebro de la Universidad de Harvard.
¿Qué es la Poda de Redes Neuronales?
Trabajos previos de los académicos involucrados incluyen análisis centrados en un algoritmo de poda de redes neuronales. La «poda» de modelos detalla la eliminación de parámetros menos importantes, irrelevantes o superfluos en una red neuronal de aprendizaje profundo (una red de aprendizaje automático compuesta por nodos neuronales interconectados, similar a la estructura cerebral). Este proceso se realiza para permitir una inferencia del modelo más eficiente. En la práctica, es común podar solo los «pesos» (importancia relativa) de los parámetros en lugar de los sesgos, que rigen la salida de los nodos neuronales (también conocida como función de activación), ya que la alteración de los sesgos tiene un impacto más significativo en el funcionamiento del aprendizaje automático para la IA.
Esta explicación técnica es relevante porque NTT Research está trabajando para comprender la minucia de la mecánica interna de la IA.
Como parte de sus últimas actualizaciones de plataforma en su línea de hardware centrada en software, la compañía ha lanzado un nuevo chip de inferencia de IA. La inferencia es el proceso computacional donde un modelo de IA «entrenado» (previamente expuesto a modelos de lenguaje, imágenes u otros, y con la lógica algorítmica para razonar a partir de los datos) utiliza ese aprendizaje para hacer nuevas predicciones sobre datos nuevos y no vistos.
El nuevo chip de NTT se conoce como de «integración a gran escala» (LSI, por sus siglas en inglés, que se refiere a la colocación de numerosos transistores en un solo chip) y su gran potencia es adecuada para el procesamiento de inferencia de IA en tiempo real de video de ultra alta definición (hasta 4K y 30 fotogramas por segundo).
Implementaciones con Restricciones Energéticas
Esta tecnología de bajo consumo es idónea para la computación en el borde (edge computing) en implementaciones de Internet de las Cosas (IoT). También funciona bien en terminales con restricciones de energía donde la inferencia de IA convencional requiere la compresión de video de ultra alta definición para el procesamiento en tiempo real.
En dispositivos de borde y terminales con limitaciones energéticas (como sensores en plantas de fabricación, sistemas de punto de venta o dispositivos de monitorización remota de pacientes), el consumo de energía es órdenes de magnitud inferior al de las unidades de procesamiento gráfico (GPU) utilizadas en servidores de IA (decenas de vatios frente a cientos de vatios). El LSI supera estas restricciones implementando un motor de inferencia de IA creado por NTT.
Ejecutando el algoritmo de detección de objetos You Only Look Once (conocido como YOLOv3), este motor reduce la complejidad computacional garantizando la precisión de la detección, mejorando la eficiencia computacional mediante la correlación entre fotogramas y el control dinámico de la precisión de bits. Adicionalmente, investigadores de NTT colaboran con NTT DATA, Inc. en el avance de este trabajo de chips en el área de tecnologías propietarias de cifrado basado en atributos (ABE). Esta tecnología permite un control de acceso detallado y una configuración flexible de políticas a nivel de datos, con tecnologías de cifrado de secreto compartido que habilitan aplicaciones y almacenes de datos.
El cifrado basado en atributos determina si los datos deben descifrarse basándose en diversos atributos y políticas, que generalmente son políticas de acceso basadas en contenido, roles y multi-autoridad.
En términos de eficiencia energética, otros grupos dentro del PHI Lab ya están trabajando en reducir el consumo de energía de las plataformas de computación de IA mediante computación óptica y tecnología de niobato de litio en película delgada (material usado para construir chips fotónicos basados en microprocesadores de luz). Inspirado por la diferencia de consumo energético entre los grandes modelos de lenguaje (LLM) y el cerebro humano o animal, el nuevo grupo también explorará formas de examinar más de cerca las similitudes entre los cerebros biológicos y las redes neuronales artificiales.
Misión de la IA: Armonía con la Humanidad
De cara al futuro, el Grupo de Física de la Inteligencia Artificial tiene una triple misión:
a) Profundizar la comprensión de los mecanismos de la IA e integrar la ética desde dentro, en lugar de mediante ajustes superficiales (aprendizaje forzado).
b) Tomar prestados métodos de la física experimental para crear espacios de IA sistemáticamente controlables y observar los comportamientos de aprendizaje y predicción.
c) Aspirar a reparar la brecha de confianza entre la IA y los operadores humanos a través de operaciones y control de datos mejorados.
«La clave para que la IA coexista armoniosamente con la humanidad reside en su confiabilidad y en cómo abordamos el diseño e implementación de soluciones de IA», señaló el Dr. Tanaka. «Con la creación de este grupo, tenemos un camino para comprender los mecanismos computacionales del cerebro y cómo se relacionan con los modelos de aprendizaje profundo. De cara al futuro, nuestra investigación espera generar algoritmos y hardware inteligentes más naturales a través de nuestra comprensión de la física, la neurociencia y el aprendizaje automático».
Si uno recorre las calles de Tokio, observará numerosas tapas de registro de servicios públicos en las aceras, muchas con el logotipo de NTT grabado en hierro fundido. Estas cubiertas ocultan una red de cables que la compañía ha instalado a lo largo de los años para conectar la ciudad, formando su red neuronal de vías de información. Se podría sugerir que la compañía ya posee una trayectoria considerable en la comprensión del funcionamiento interno de subsistemas tecnológicos complejos, ya sea una red telefónica o un modelo de IA.
Insights de Evox News: Cómo la investigación de NTT sobre la física de la IA puede impactar tu negocio
La iniciativa de NTT Research para desentrañar los principios fundamentales de la inteligencia artificial tiene implicaciones significativas para el mundo empresarial:
Impacto Económico: Comprender la «física» de la IA puede conducir al desarrollo de modelos y hardware (como el chip de inferencia LSI de NTT) drásticamente más eficientes energéticamente. Para las empresas, esto se traduce en menores costos operativos para ejecutar cargas de trabajo de IA, especialmente en despliegues a gran escala o en dispositivos de borde con limitaciones energéticas. A largo plazo, una IA más eficiente puede hacer viables económicamente nuevas aplicaciones y servicios.
Ventaja Competitiva: La confianza es un factor crítico en la adopción de la IA. Las empresas que puedan implementar sistemas de IA explicables, responsables y libres de sesgos (un objetivo central del grupo de NTT) ganarán una ventaja competitiva significativa. Esto no solo facilitará el cumplimiento normativo en sectores regulados, sino que también aumentará la confianza de clientes y socios, permitiendo una toma de decisiones más fiable basada en IA y diferenciándose de competidores que utilicen IA de «caja negra» menos transparente.
* Innovación: El enfoque interdisciplinario de NTT, que conecta la física, la neurociencia y el aprendizaje automático, busca crear algoritmos y hardware «más naturales». Esto podría desbloquear nuevas capacidades de IA, inspiradas en la eficiencia y adaptabilidad del cerebro biológico. Para las empresas, esto abre la puerta a la innovación en productos y servicios, permitiendo soluciones de IA más intuitivas, robustas y capaces de operar en entornos complejos con menor supervisión y menor consumo de recursos, impulsando la próxima generación de automatización inteligente y análisis predictivo
