Puede tomar hasta 10 años para que muchas de las capacidades de la inteligencia artificial (IA) se destacen, según el fundador y CEO de Deepmind, Demis Hassabis.
Hablando en un evento para marcar la disponibilidad del modelo de generación de audio Chirp 3 en la plataforma Google Vertex AI, Hassabis dijo que dentro de ese tiempo, la IA habrá evolucionado a la inteligencia general artificial, por lo que el sistema de IA exhibe “las capacidades cognitivas” de los humanos. “Ese será un momento en que finalmente hemos llegado con una especie de inteligencia general, que es el objetivo original de todo el campo de la IA”, agregó.
El modelo de generación de audio Chirp 3 generalmente está disponible en 31 idiomas, ofreciendo 248 voces distintas con ocho opciones de altavoces. Según Google, Chirp 3 en Vertex Ai ofrece una funcionalidad detallada del habla que captura los matices de la entonación humana, haciendo que las conversaciones sean más atractivas e inmersivas. Se puede aplicar a la anotación de voz, la transcripción de reuniones en tiempo real, los audiolibros y la colección de sentimientos de las llamadas del cliente.
Google Cloud también anunció que está ampliando su compromiso de residencia de datos del Reino Unido para incluir Google Agentspace, con la disponibilidad en el segundo trimestre de 2025. Agentspace proporciona agentes de IA que combinan el razonamiento de Gemini con la búsqueda de Google y los datos empresariales, independientemente de dónde se alojen los datos.
Google Cloud dijo que Agentspace incluye un agente de búsqueda multimodal único de la marca y la marca de la empresa que los empleados pueden usar para responder preguntas complejas y tomar acciones específicas basadas en la información patentada de una organización, incluidos datos no estructurados, como documentos e información almacenados en aplicaciones de terceros. También incluye una característica llamada NotebookLM Enterprise, que Google Cloud dijo que puede ayudar a los empleados a sintetizar rápidamente grandes cantidades de información para descubrir nuevas ideas.
La edad de los agentes
Mirando cómo la IA está evolucionando a corto y mediano plazo, Hassabis dijo: “Hemos mejorado nuestra” porción de pensamiento “para los modelos, por lo que el tiempo de inferencia, el cálculo será una gran cosa este año a medida que los sistemas se vuelvan más similares a los agentes”. Esto implica que los agentes de IA pasen más tiempo pensando y planean antes de actuar.
La firma del analista Forrester considera la IA Agente como sistemas de IA que pueden planificar, decidir y actuar de manera autónoma, orquestando flujos de trabajo complejos con una intervención humana mínima. En una publicación de blog, los analistas de Forrester dijeron que los sistemas de IA de agente no solo están listos para convertirse en la columna vertebral de la economía del conocimiento, sino que redefinirán completamente cómo las organizaciones operan y compiten.
Hassabis dijo que los efectos de la IA basada en agentes están comenzando a sentirse. “No son solo sistemas pasivos de respuesta de pregunta, sino que pueden desglosar un problema en los objetivos submarinos y luego elegir esos objetivos”.
DeepMind ha utilizado previamente este tipo de resolución de problemas en el juego, como con Alphago, la IA que vence al campeón mundial de Go Lee Sedol en 2016. Sin embargo, Hassabis dijo: “Los juegos son muy limitados y son bastante fáciles. Las reglas se prescriben información, por lo que son configuraciones relativamente fáciles en comparación con las reales con las reales. [world]. “
El desafío para DeepMind y otros desarrolladores de IA es cuán rápido pueden generalizar los sistemas de IA para exhibir comportamientos necesarios para planificar y razonar ese trabajo de manera confiable en el mundo real.
Si bien Hassabis dijo que ha habido un buen progreso en los modelos mundiales de IA en los últimos años, el desafío es la mejor manera de combinarlos con los algoritmos de planificación. Como ejemplo de por qué esto es muy difícil, Hassabis dijo: “Si su modelo de IA tiene una tasa de error del 1% y planea más de 5,000 pasos, que el 1% de los compuestos como el interés compuesto”.
Para cuando se han trabajado los 5,000 pasos, el error compuesto, según Hassabis, significa que la posibilidad de que la respuesta sea correcta es aleatoria. “Para un modelo de juegos, tienes las reglas de ajedrez o Go”, dijo, lo que ayuda al algoritmo de planificación para tomar la decisión correcta. “En el mundo real, no tienes información perfecta. Hay información oculta que no conocemos, por lo que necesitamos modelos de IA que puedan entender el mundo que nos rodea”.
Para Hassabis, uno de los desarrollos interesantes que se espera aparecer en los próximos años es la implementación de múltiples agentes de IA que trabajan juntos para resolver un problema.
“Hemos trabajado mucho con cosas como Starcraft II [the real-time strategy game]y en el pasado, donde tienes una sociedad de agentes o una liga de agentes, podrían estar compitiendo o cooperando ”, dijo.
Si los agentes pueden ayudar a las personas a completar las tareas, Hassabis cree que tiene sentido tener un conjunto completo de ellas con habilidades complementarias. “La forma en que esos agentes deben cooperar o competir entre sí es una rama de investigación muy interesante”, agregó.
Anticipa que tales sistemas de IA de múltiples agentes comenzarán a ser útiles en los próximos años. “Tienes esta noción de un agente general, algo como Gemini, pero puede llamar a agentes especializados para matemáticas o programación, por ejemplo”, dice.
A pesar de que estos son sistemas de IA en sí mismos, Hassabis dijo que los agentes de IA podrían estar entre las herramientas que utiliza un sistema de IA general para resolver problemas.
Se puede ver un ejemplo temprano de cómo reunir diferentes tipos de técnicas de IA en la herramienta Co-Cientista de IA lanzada hace un par de semanas. Esto, según Hassabis, es un sistema híbrido con Gemini debajo del capó, pero también utiliza sistemas de IA especializados para buscar artículos científicos e intentar hacer conexiones entre diferentes piezas de investigación.
El co-científico está diseñado para reflejar el proceso de razonamiento que sustenta el método científico y, según Google, tiene la intención de descubrir un conocimiento nuevo y original y formular hipótesis y propuestas de investigación demostrablemente novedosas, basarse en evidencia previa y adaptarse a objetivos de investigación específicos.