Hilo de Andrej Karpathy (@karpathy)

Comparto una interesante conversación reciente sobre el impacto de la IA en la economía. La IA se ha comparado con varios precedentes históricos: la electricidad, la revolución industrial, etc. Creo que la analogía más fuerte es la de la IA como un nuevo paradigma informático (Software 2.0), porque ambos tratan fundamentalmente sobre la automatización del procesamiento de información digital. Si tuviéramos que predecir el impacto de la informática en el mercado laboral de la década de 1980, la característica más predictiva de una tarea o puesto de trabajo sería el grado de rigidez de su algoritmo; es decir, ¿se trata simplemente de transformar información mecánicamente siguiendo reglas memorizadas y fáciles de especificar (por ejemplo, mecanografía, contabilidad, cálculos manuales, etc.)? En aquel entonces, este era el tipo de programas que la capacidad informática de la época nos permitía escribir (a mano, manualmente). Con la IA actual, podemos escribir programas que antes eran impensables a mano. Lo hacemos especificando objetivos (como la precisión de la clasificación o las funciones de recompensa) y explorando el espacio de programación mediante descenso de gradiente para encontrar redes neuronales que se ajusten bien a dicho objetivo. Este es un artículo de mi blog sobre Software 2.0 de hace un tiempo. En este nuevo paradigma de programación, la característica más predictiva a considerar es la verificabilidad. Si una tarea es verificable, se puede optimizar directamente o mediante aprendizaje por refuerzo, y una red neuronal puede entrenarse para funcionar de forma excepcional. Se trata de hasta qué punto una IA puede «practicar». El entorno debe ser reiniciable (permitiendo iniciar un nuevo intento), eficiente (permitiendo realizar múltiples intentos) y recompensable (con un proceso automatizado que recompense cada intento realizado). Cuanto más verificable sea una tarea, más fácil será automatizarla en el nuevo paradigma de programación. Si no es verificable, debe resolverse mediante la generalización fortuita de redes neuronales o a través de métodos menos efectivos como la imitación. Esto es lo que impulsa el progreso irregular en los sistemas de aprendizaje automático. Las tareas verificables progresan rápidamente, incluso superando las capacidades de los expertos (por ejemplo, matemáticas, código, tiempo dedicado a ver vídeos, cualquier actividad que parezca un rompecabezas con respuestas correctas), mientras que muchas otras se quedan rezagadas (tareas creativas, estratégicas, que combinan conocimiento del mundo real, estado, contexto y sentido común). El software 1.0 automatiza fácilmente aquello que usted puede especificar. El software 2.0 automatiza fácilmente lo que se puede verificar.