En el ámbito de la inteligencia artificial, los modelos más avanzados suelen parecer imitadores. Su aprendizaje se basa, principalmente, en ejemplos de trabajo humano y en la resolución de problemas planteados por instructores. Sin embargo, un reciente proyecto de investigación sugiere que la IA podría aprender de manera más autónoma y creativa, al formular preguntas interesantes por sí misma y buscar sus respuestas.
Esta novedosa metodología surge de una colaboración entre la Universidad Tsinghua, el Instituto de Inteligencia Artificial General de Pekín y la Universidad Estatal de Pensilvania.
El sistema desarrollado, denominado Absolute Zero Reasoner (AZR), utiliza un modelo de lenguaje de gran escala para generar problemas de codificación en Python que son desafiantes pero resolubles. Lo innovador es que este mismo modelo intenta resolver los problemas generados y, al mismo tiempo, verifica sus resultados ejecutando el código.
Mejoras en las habilidades de codificación
Los investigadores han encontrado que esta estrategia no solo optimiza las habilidades de codificación, sino que también mejora la capacidad de razonamiento de los modelos utilizados.
En particular, las versiones del modelo de código abierto Qwen, que cuentan con 7 y 14 mil millones de parámetros, mostraron un rendimiento superior al de otros modelos entrenados con conjuntos de datos seleccionados por humanos.
Un aprendizaje similar al humano
Andrew Zhao, un estudiante de doctorado en la Universidad Tsinghua y creador del concepto de Absolute Zero, explicó que este enfoque se asemeja al proceso de aprendizaje humano. “Al principio, uno imita a sus padres y sigue las enseñanzas de sus maestros, pero luego comienza a formular sus propias preguntas”, comentó Zhao.
“Con el tiempo, uno puede superar a aquellos que le enseñaron”.
Por su parte, Zilong Zheng, investigador en BIGAI, destacó que la idea de que la IA aprende a través de auto-juego no es nueva. Este concepto ha sido explorado previamente por pioneros en la IA como Jürgen Schmidhuber y Pierre-Yves Oudeyer. Lo interesante de este proyecto radica en cómo las habilidades para plantear y resolver problemas del modelo escalan a medida que este se vuelve más potente.
Desafíos y oportunidades en el futuro
A pesar de los avances, uno de los principales obstáculos es que el sistema solo funciona para problemas fácilmente verificables, como los relacionados con las matemáticas o la programación. Sin embargo, a medida que el proyecto avanza, existe la posibilidad de aplicar esta metodología en tareas más complejas, como la navegación en la web o la realización de tareas administrativas, donde la IA podría evaluar la corrección de las acciones de un agente.
Hacia una inteligencia superior
Una de las posibilidades más intrigantes que ofrece el enfoque de Absolute Zero es que podría permitir a los modelos trascender la enseñanza humana. “Este avance podría ser un camino hacia la superinteligencia”, afirmó Zheng. Hay indicios de que otros importantes laboratorios de IA están adoptando enfoques similares.
Por ejemplo, un proyecto llamado Agent0, desarrollado por Salesforce, Stanford y la Universidad de Carolina del Norte en Chapel Hill, involucra un agente que mejora sus habilidades mediante auto-juego. De manera similar a Absolute Zero, este modelo logra un mejor razonamiento general a través de la resolución experimental de problemas. Investigaciones recientes de Meta, la Universidad de Illinois y la Universidad Carnegie Mellon han presentado sistemas que emplean un tipo de auto-juego para la ingeniería de software, considerando este método como un primer paso hacia paradigmas de entrenamiento para agentes de software superinteligentes.
Encontrar nuevas formas de que la inteligencia artificial aprenda será un tema crucial en la industria tecnológica en el futuro cercano. A medida que las fuentes tradicionales de datos se vuelven más escasas y costosas, iniciativas como Absolute Zero podrían dar lugar a sistemas de IA que no solo imitan, sino que también piensan y aprenden como lo haría un humano.
