{"id":4327,"date":"2025-02-05T13:05:10","date_gmt":"2025-02-05T13:05:10","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=4327"},"modified":"2025-02-05T13:05:11","modified_gmt":"2025-02-05T13:05:11","slug":"state-of-ai","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/es\/blog\/state-of-ai\/","title":{"rendered":"El estado de la IA: c\u00f3mo hemos llegado hasta aqu\u00ed (y qu\u00e9 est\u00e1 por venir)"},"content":{"rendered":"\n

La inteligencia artificial ha recorrido un largo camino desde sus inicios, evolucionando desde la ciencia ficci\u00f3n hasta convertirse en una poderosa fuerza que est\u00e1 transformando sectores en todo el mundo. <\/p>\n\n\n\n

Para conocer m\u00e1s sobre esta situaci\u00f3n, Itai Asseo habla con dos de los influyentes expertos de Salesforce que han participado en la configuraci\u00f3n del estado de la IA desde sus inicios \u2014el director cient\u00edfico Silvio Savarese<\/a> y el director de proyectos de futuro Peter Schwartz<\/a>\u2014 sobre c\u00f3mo hemos llegado hasta aqu\u00ed y qu\u00e9 futuro le depara a la inteligencia artificial (IA) a medida que contin\u00faa transformando la forma en que vivimos y trabajamos.<\/p>\n\n\n\n

\n\t
\n\n\t\t
\n\t\t\t

Transforme su CRM con informaci\u00f3n pr\u00e1ctica basada en la IA.<\/h2>\n\t\t\t\t\t\t\t

Descubra c\u00f3mo la IA mejora el CRM generando confianza, innovando los casos de uso y potenciando las habilidades. Lea nuestro informe para obtener informaci\u00f3n estrat\u00e9gica.<\/p>\n\t\t\t\n\t\t\t\n\t\t\t\t\t\t\t

\n\t\t\t\t\tDescargar informe<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\n\t\t
\n\t\t\t\"\"\t\t<\/div>\n\t<\/div>\n\n\t\n\t<\/div>\n\n\n\n

La IA no es ninguna novedad, pero \u00bfqu\u00e9 aspectos de ella han cambiado?<\/h2>\n\n\n\n

Asseo<\/strong>: Gracias a ambos por estar aqu\u00ed para hablar de un tema que ha definido vuestras carreras. Peter, voy a empezar por usted. Le gusta recordarle a la gente que usted es el empleado m\u00e1s antiguo de Salesforce. Ha asistido a muchos ciclos de innovaci\u00f3n a lo largo de su vida. La IA de por s\u00ed no es ninguna novedad y ya existe desde hace mucho tiempo. \u00bfPuede darnos un poco de perspectiva?<\/p>\n\n\n\n

Schwartz<\/strong>: La realidad es que acabo de cumplir 78 a\u00f1os y llevo m\u00e1s de 50 dedic\u00e1ndome a tratar de concebir el futuro. Empec\u00e9 mi carrera en un lugar llamado Stanford Research Institute, que era uno de los dos centros de investigaci\u00f3n de IA que hab\u00eda en Estados Unidos. En ese momento estaban el SRI de Stanford y el MIT. Particip\u00e9 activamente en el debate sobre la IA que se inici\u00f3 a partir de 1972 y que, siendo sincero, fue un fracaso. Fue el comienzo del primer \u00abinvierno de la IA\u00bb. (Con \u00abinvierno de la IA\u00bb nos referimos a un per\u00edodo en que se redujo la financiaci\u00f3n y el inter\u00e9s por la IA) <\/p>\n\n\n\n

La idea original en torno a la IA era comprender el cerebro humano, es decir su funcionamiento, y a partir de ah\u00ed construir modelos inform\u00e1ticos que lo simularan. Pero el problema de esa estrategia era que entender el cerebro result\u00f3 ser mucho m\u00e1s dif\u00edcil de lo que cualquiera pod\u00eda esperar. Eso condujo al primer invierno de la IA a finales de los a\u00f1os 70.

Luego hubo otra ola de inter\u00e9s con el nacimiento de la computaci\u00f3n paralela. Un amigo m\u00edo muy querido, Danny Hillis, invent\u00f3 la computaci\u00f3n paralela y fue propietario de una empresa llamada Thinking Machines a mediados de los 80. Y, de hecho, ten\u00eda un eslogan en su puerta que era genial: \u00abQuiero construir una m\u00e1quina que est\u00e9 orgullosa de m\u00ed\u00bb.<\/em> Bueno, pues su proyecto fracas\u00f3. Pero se dio cuenta de que necesit\u00e1bamos una estrategia completamente diferente. <\/p>\n\n\n\n

En la d\u00e9cada de 1990 y a principios de la de 2000, la IA no ten\u00eda nada que ver con el modelo del cerebro. Ya no hab\u00eda un modelo cognitivo detr\u00e1s de las matem\u00e1ticas de la IA y eso abri\u00f3 nuevas posibilidades que ahora nos permiten no estar constre\u00f1idos por los l\u00edmites de lo que sabemos sobre el cerebro.<\/p>\n\n\n\n

Asseo<\/strong>: Silvio, usted lleva muchos a\u00f1os al frente de la investigaci\u00f3n en IA. \u00bfPuede ayudarnos a establecer una conexi\u00f3n entre la historia de la que Peter nos ha hablado y c\u00f3mo hemos llegado al contexto actual?<\/p>\n\n\n\n

Savarese<\/strong>: Comenc\u00e9 mi doctorado en el a\u00f1o 2000 durante uno de esos inviernos de la IA. Puede que fuera el s\u00e9ptimo o el octavo. En aquel entonces, la IA no era un tema atractivo. La tecnolog\u00eda no estaba lo suficientemente madura como para iniciar la producci\u00f3n. Fue un momento dif\u00edcil. Sin embargo, tambi\u00e9n era fascinante y por eso quise estudiarla.\u00a0<\/p>\n\n\n\n

En ese momento, est\u00e1bamos usando modelos bayesianos, que son poderosas herramientas estad\u00edsticas para la toma de decisiones. En cuanto a lo que ha dicho Peter, estas redes eran modelos basados en datos, y no intentaban imitar el cerebro ni inspirarse en su funcionamiento. Pero el problema de las redes basadas en datos es que requieren mucha ingenier\u00eda de caracter\u00edsticas. Eso significa que hay que hacer mucho preprocesamiento para que los datos sean compatibles con el modelo. El modelo no pod\u00eda absorber los datos sin m\u00e1s, por lo que hab\u00eda que preprocesarlos y, por lo tanto, el rendimiento no era muy bueno. <\/p>\n\n\n\n

Pero avancemos hasta 2010, que fue el a\u00f1o en que empezamos a reutilizar las redes neuronales. Las redes neuronales fueron populares varias d\u00e9cadas antes, pero de repente, se volvieron mucho m\u00e1s interesantes porque pod\u00edan procesar datos sin ninguna ingenier\u00eda de caracter\u00edsticas. Pod\u00edan usar los datos consumidos tal cual, sin preprocesamiento. Esto las hizo vers\u00e1tiles en muchos casos de uso diferentes. \u00a1Fue incre\u00edble ver c\u00f3mo, de repente, el rendimiento se disparaba! <\/p>\n\n\n\n

Avancemos una d\u00e9cada m\u00e1s: estamos entrando en la era de los transformadores y los modelos de atenci\u00f3n. Y aqu\u00ed no solo no necesitamos ingenier\u00eda de caracter\u00edsticas, sino que tampoco necesitamos anotaciones, lo que significa que pueden consumir miles de millones de tokens de datos. Por eso estos modelos acabaron siendo enormes y por eso los llamamos grandes modelos de lenguaje. Sin embargo, el comportamiento que observamos fue inesperado. Vimos que de repente pod\u00edamos hablar con los modelos en lenguaje natural: para hacer razonamientos y para generar contenido, texto, v\u00eddeos, im\u00e1genes e incluso planos. Y eso es lo que los hace tan apasionantes. <\/p>\n\n\n

\n
\n

Los grandes modelos de acci\u00f3n son la evoluci\u00f3n de los grandes modelos de lenguaje. Pueden entender c\u00f3mo comportarse, c\u00f3mo actuar y c\u00f3mo utilizar los comentarios para mejorar su rendimiento.<\/p>\n<\/blockquote>\nSilvio Savarese, director cient\u00edfico de Salesforce <\/span>\n