El laboratorio frente a la vida real: diseccionando «la IA como tecnología normal»
¿Y si la IAG no pudiera desarrollarse en una torre de marfil?
La última vez, hablé de AI 2027, el modelo público más detallado sobre cómo la IA podría transformar el mundo a corto plazo. Hoy voy a analizar una publicación reciente que adopta un punto de vista opuesto: AI as Normal Technology.1 Los autores, Arvind Narayanan y Sayash Kapoor, de la Universidad de Princeton, exponen argumentos según los cuales «los impactos transformadores en la economía y la sociedad serán lentos (en una escala temporal de décadas)». Al igual que en mi última publicación intenté desentrañar los supuestos clave que llevan a plazos rápidos, ahora intentaré destacar los supuestos clave que llevan a plazos lentos. (Como se suele observar, los plazos lentos ya no son lo que eran. Antes del lanzamiento de ChatGPT, que la IA surgiera en «una escala temporal de décadas» le habría parecido a la mayoría de la gente, incluido yo, ¡bastante rápido!)
La IA parece avanzar a toda velocidad. ¿Por qué creen los autores de este artículo que tardará décadas en tener un impacto transformador?
Qué entienden por «tecnología normal»
El artículo no cuestiona que la IA vaya a ser algo muy importante:
Considerar la IA como algo normal no significa subestimar su impacto; incluso tecnologías transformadoras y de uso general como la electricidad e Internet son «normales» según nuestra concepción.
La tesis central es que el impacto de la IA en el mundo será gradual. En lugar de una conmoción repentina provocada por la rápida aparición de la superinteligencia, los acontecimientos se desarrollarán en la mencionada «escala temporal de décadas»… y es poco probable que la IA sea tan poderosa como para liberarse del control humano.
En AI 2027, la IA superinteligente se desarrolla de forma relativamente aislada en un laboratorio de investigación. En AI as Normal Technology, el progreso es el resultado de bucles de realimentación intensos y turbulentos entre la investigación teórica y el uso en el mundo real. Cada avance se produce a través de una serie de etapas:
- Invenciones, como nuevas formas de entrenar modelos de IA.
- Innovaciones: desarrollo de productos que utilizan la IA para dar respuesta a un caso de uso en el mundo real.
- Adopción: personas, equipos y empresas que deciden utilizar esos nuevos productos.
- Difusión: cambios en los procesos, las estructuras organizativas, las leyes y las normas para facilitar la adopción.
La idea es que las etapas posteriores dependen del progreso de las anteriores, mientras que estas solo pueden avanzar mediante la realimentación obtenida en las posteriores. Ya he comentado cómo, tras una trayectoria de desarrollo que se remonta a 20 años, los coches autónomos de Waymo aún no están disponibles para circular por autopistas o en la nieve. Por el contrario, AlphaZero solo necesitó tres horas de entrenamiento para superar en ajedrez a cualquier ser humano de la historia.2 La diferencia radica en que cada etapa del desarrollo de Waymo se evalúa mediante minuciosas pruebas de campo, mientras que AlphaZero progresó a un ritmo vertiginoso, impulsado exclusivamente por sus partidas contra sí mismo. Una característica distintiva de una tecnología «normal» es que el progreso depende de lecciones que solo pueden aprenderse a través del uso real. Lleva tiempo que una tecnología se convierta en un producto y encuentre su público, por lo que el ciclo de invención avanza gradualmente.
Dado el vertiginoso ritmo de progreso de los últimos años, ¿podría ser realmente cierto que la IA se desarrollará de forma «normal» a lo largo de varias décadas? Para llegar a esta conclusión, el artículo incluye algunas «prescripciones»: decisiones (incluidas las políticas) que, según los autores, podemos y debemos tomar. Por el contrario, AI 2027 es estrictamente un ejercicio de predicción; los autores hacen hincapié en que no respaldan las decisiones que conducen a su escenario «más plausible».
Estas son las ideas que llevan a los autores de AI as Normal Technology a pronosticar un camino más largo y menos abrupto hacia una IA potente.
Las capacidades actuales resultarán ser exageradas
No se puede negar que los últimos modelos de IA son capaces de hazañas notables. Pero hay dudas sobre hasta qué punto estas capacidades son relevantes para el mundo real. Para citar el artículo:
Por ejemplo, aunque al parecer GPT-4 se situó en el 10 % superior de quienes rinden el examen de acceso a la abogacía, esto nos dice sorprendentemente poco sobre la capacidad de la IA para ejercer la abogacía. El examen pone demasiado énfasis en el conocimiento de la materia y resta importancia a las habilidades del mundo real, que son mucho más difíciles de medir en un formato estandarizado y administrado por computadora. En otras palabras, hace hincapié precisamente en aquello en lo que los modelos de lenguaje son buenos: recuperar y aplicar información memorizada.
…
Esta observación no se limita en modo alguno al ámbito del Derecho. Otro ejemplo es la brecha entre los problemas de programación aislados, en los que la IA destaca de forma demostrable, y la ingeniería de software del mundo real, donde su impacto es difícil de medir y parece ser modesto. Incluso los benchmarks de programación más prestigiosos, que van más allá de los problemas triviales, deben ignorar necesariamente muchas dimensiones de la ingeniería de software del mundo real en aras de la cuantificación y la evaluación automatizada mediante datos disponibles públicamente.
Este patrón se repite una y otra vez: cuanto más fácil es medir una tarea mediante benchmarks, menos probable es que represente el tipo de trabajo complejo y contextual que define la práctica profesional. Al centrarse en gran medida en los benchmarks de capacidad para fundamentar nuestra comprensión del progreso de la IA, la comunidad de la IA sobreestima sistemáticamente el impacto de la tecnología en el mundo real.
AI as Normal Technology sostiene que los modelos y aplicaciones actuales de IA, a pesar de sus llamativas demostraciones y puntuaciones en benchmarks, aún no están preparados para tener un impacto drástico. Argumenta que la brecha entre los benchmarks y la aplicabilidad en el mundo real nos ha llevado a sobreestimar tanto el estado actual de la IA como la velocidad a la que ha estado avanzando. Esto nos lleva a la pregunta: ¿a qué ritmo avanzarán las capacidades a partir de ahora?
El progreso estará limitado por el ritmo de los ciclos de despliegue
Anteriormente mencioné que una de las principales razones por las que los coches autónomos han tardado tanto en desarrollarse es que se necesitan pruebas de campo para recopilar datos con los que entrenar la próxima generación de software. En mi publicación sobre AI 2027, cité el divertido ejemplo de los coches de Waymo que empezaron a tocar la bocina unos a otros sin cesar en plena noche después de que todos se amontonaran en un estacionamiento reservado para vehículos inactivos. (Divertido, claro está, a menos que vivieras en uno de los edificios de apartamentos adyacentes).
AI as Normal Technology parte de la base de que esto se cumplirá de forma generalizada: en numerosos ámbitos, las mejoras en los modelos y las aplicaciones de IA requerirán realimentación a partir del uso en el mundo real:
Esta «brecha entre capacidad y fiabilidad» aparece una y otra vez. Ha sido una barrera importante para crear «agentes» de IA útiles que puedan automatizar tareas del mundo real.
Es posible que ni siquiera la información existente esté disponible para entrenar modelos. Por ejemplo, gran parte del conocimiento de valor económico se mantiene como secreto comercial. Los autores también señalan que «gran parte del conocimiento es tácito en las organizaciones y no está escrito, y mucho menos en una forma que pueda aprenderse pasivamente». Esto incluye los detalles de «cómo hacemos las cosas aquí», que serán importantes para la adopción exitosa de IA en cada lugar de trabajo. Las preocupaciones sobre la privacidad y la seguridad, así como las limitaciones normativas, también pueden restringir la información disponible para entrenar las IA.
(Los defensores de plazos rápidos podrían argumentar que algunas capacidades sofisticadas, como programar, se prestan más al desarrollo en el laboratorio. También se ha sugerido que una IA que se haya vuelto extremadamente sofisticada en esas tareas habrá desarrollado habilidades cognitivas generales que le permitirán avanzar rápidamente en otras áreas sin necesidad de mucha realimentación. A grandes rasgos, un programador sobrehumano podría haber desarrollado habilidades de función ejecutiva que lo prepararán para un éxito más amplio).
El artículo sostiene que, como resultado de todos estos factores, cada nuevo paso en el progreso de la IA tendrá que esperar a que la iteración anterior se despliegue ampliamente. Esto plantea la pregunta: ¿cuánto tiempo llevará cada ola de despliegue?
Los ciclos de adopción de la IA serán tan lentos como los de otras tecnologías
Por lo general, cuando una nueva tecnología llega al mercado, las preocupaciones por la seguridad, las restricciones normativas y la fricción y la inercia generales limitan el ritmo al que las empresas y las personas comienzan a utilizarla. Cuando los productos aparecen por primera vez, solo unos pocos pioneros se lanzan a probarlos. Con una población inicial reducida de usuarios, se necesita tiempo para acumular el historial que permita una adopción más amplia. Esto es especialmente cierto en aplicaciones en las que la fiabilidad es importante, lo que incluye muchos sectores clave. Por este motivo, los coches autónomos han tardado décadas en desarrollarse, a pesar de los miles de millones de dólares invertidos.
En otras palabras, en este amplio conjunto de ámbitos, la difusión de la IA va décadas por detrás de la innovación. Una de las principales razones es la seguridad: cuando los modelos son más complejos y menos inteligibles, resulta difícil anticipar todas las posibles condiciones de despliegue en el proceso de prueba y validación. Un buen ejemplo es la herramienta de predicción de sepsis de Epic, que, a pesar de tener una precisión aparentemente alta en la validación interna, tuvo un desempeño mucho peor en los hospitales, pasando por alto dos tercios de los casos de sepsis y abrumando a los médicos con falsas alertas.
Incluso fuera de las áreas críticas para la seguridad, la adopción de la IA es más lenta de lo que sugiere la narrativa popular. Por ejemplo, un estudio acaparó los titulares al revelar que, en agosto de 2024, el 40 % de los adultos estadounidenses usaba IA generativa. Sin embargo, dado que la mayoría de las personas la utilizaba con poca frecuencia, esto solo representaba entre un 0,5 % y un 3,5 % de las horas de trabajo (y un aumento de entre 0,125 y 0,875 puntos porcentuales en la productividad laboral).
Se suele creer que las oleadas de adopción tecnológica se han ido acelerando, pero AI as Normal Technology cuestiona esta idea:
Ni siquiera está claro si la velocidad de difusión es mayor hoy en día en comparación con el pasado. El estudio mencionado indicó que la adopción de la IA generativa en EE. UU. ha sido más rápida que la de las computadoras personales (PC), ya que el 40 % de los adultos estadounidenses adoptó la IA generativa en los dos años siguientes al lanzamiento del primer producto para el mercado masivo, frente al 20 % en los tres años siguientes en el caso de las PC. Sin embargo, esta comparación no tiene en cuenta las diferencias en la intensidad de adopción (el número de horas de uso) ni el elevado costo que supone comprar una PC en comparación con acceder a la IA generativa. Dependiendo de cómo midamos la adopción, es muy posible que la de la IA generativa haya sido mucho más lenta que la de las PC.
El artículo sostiene que la necesidad de aprender de despliegues lentos y graduales será especialmente importante a medida que la IA pase de replicar las capacidades humanas a desarrollar nuevas ideas:
Surgen límites adicionales cuando necesitamos ir más allá del aprendizaje de la IA a partir del conocimiento humano existente. Algunos de nuestros tipos de conocimiento más valiosos proceden de las ciencias naturales y sociales, y han permitido el progreso de la civilización a través de la tecnología y las organizaciones sociales a gran escala (por ejemplo, los gobiernos). ¿Qué se necesitará para que la IA amplíe los límites de dicho conocimiento? Probablemente requerirá interacciones o incluso experimentos con personas u organizaciones, que abarquen desde ensayos clínicos hasta políticas económicas. En este sentido, existen límites estrictos a la velocidad de adquisición de conocimiento debido a los costos sociales de la experimentación. Probablemente, las sociedades no permitirán (ni deberían permitir) ampliar rápidamente la escala de los experimentos para el desarrollo de la IA.
Sospecho que los defensores de los plazos cortos podrían esgrimir dos contraargumentos. En primer lugar, la IA puede ser una tecnología excepcionalmente flexible; a medida que sus capacidades sigan avanzando, podría adaptarse al trabajo, a diferencia de oleadas anteriores en las que había que reestructurar los puestos de trabajo para dar cabida a la nueva tecnología. En segundo lugar, la IA podría resultar tan atractiva que motive una rápida adopción incluso frente a las barreras existentes. O, al menos, podría haber pioneros en la adopción (empresas emergentes ágiles, países con poca regulación, compañías que hacen caso omiso de las normas, como hizo Uber con las leyes sobre taxis) que luego superen en competitividad a organizaciones más conservadoras o más respetuosas de las normas, aunque AI as Normal Technology argumenta que el ritmo de adopción seguirá (y debería seguir) estando limitado por cuestiones de seguridad. El artículo señala que la seguridad puede entrar en juego a través de la legislación vigente, nuevas regulaciones, las preferencias de los consumidores y las preocupaciones de las empresas en cuanto a la responsabilidad legal y las reacciones negativas.
Esto nos lleva a la pregunta de hasta qué punto podrán llegar a ser capaces y atractivas las soluciones de IA. Los autores de AI as Normal Technology sostienen que no debemos tener expectativas demasiado altas.
Las IA no serán superinteligentes
Los escenarios en los que la IA progresa rápidamente y/o tiene un impacto masivo suelen implicar la «superinteligencia»: la idea de que las IA superarán con creces las capacidades humanas. En el escenario de AI as Normal Technology, esto resulta inviable:
Creemos que hay relativamente pocas tareas cognitivas en el mundo real en las que las limitaciones humanas sean tan evidentes como para que la IA pueda superar con creces el rendimiento humano (como ocurre en el ajedrez). En muchas otras áreas, incluidas algunas asociadas a grandes esperanzas y temores sobre el rendimiento de la IA, creemos que existe un elevado «error irreducible» —un error inevitable debido a la estocasticidad inherente al fenómeno— y que el rendimiento humano se encuentra, en esencia, cerca de ese límite.
Concretamente, proponemos dos de estas áreas: la pronosticación y la persuasión. Predecimos que la IA no será capaz de superar de forma significativa a los seres humanos entrenados (en particular a equipos de personas y, sobre todo, si se apoyan en herramientas de automatización sencillas) a la hora de pronosticar acontecimientos geopolíticos (por ejemplo, elecciones). Hacemos la misma predicción respecto a la tarea de persuadir a las personas para que actúen en contra de sus propios intereses.
La idea es que los factores que influyen en el resultado de unas elecciones son tan complejos e implican tantos bucles de realimentación caóticos que ni siquiera un cerebro del tamaño de un centro de datos sería capaz de predecirlo con mucha más certeza de la que tenemos hoy en día. Y que la mayoría de los problemas importantes del mundo real serán de esta naturaleza. Por lo tanto, no debemos esperar que las IA adquieran una capacidad sobrenatural para trazar estrategias empresariales o desarrollar rápidamente nanotecnología. Tampoco deberíamos esperar que sean milagrosamente hábiles a la hora de seleccionar vías para futuras labores de I+D en IA, algo que desempeña un papel importante en los rápidos plazos de AI 2027. Así pues, si resulta que, en gran medida, la «superinteligencia» no llega a ser una realidad, esto impondrá un límite tanto a la velocidad a la que se desarrolla la IA como al impacto que puede tener en el mundo.
Los maximalistas de la IA replicarían señalando la enorme variación en las capacidades humanas. Si la IA fuera «meramente» capaz de proporcionar millones de pensadores del calibre de un Nobel, eso tendría, según el argumento, un impacto enorme. Y si la genética aleatoria produce ocasionalmente un Einstein, ¿quién puede decir que una inteligencia libre de las restricciones del canal de parto no podría ser un super-Einstein? Personalmente, considero que estas ideas son plausibles pero especulativas; podría ser que nuestra cantidad actual de premios Nobel ya sea suficiente para descubrir la mayoría de las ideas que están listas para ser descubiertas.
Otro contraargumento tiene que ver con la velocidad y la escala. Aunque la complejidad del mundo impida que las IA logren hazañas sobrehumanas de perspicacia y análisis, la capacidad de realizar procesos cognitivos de nivel meramente humano a la velocidad del silicio y a escala de centro de datos podría tener un impacto importante. Por ejemplo, AI 2027 imagina un ejército de «investigadores de IA sobrehumanos» que supervisen de cerca los experimentos de entrenamiento de la IA, lo que permitiría detener prematuramente los de bajo rendimiento y, de este modo, liberar recursos de cómputo para impulsar los más prometedores. Dwarkesh Patel propone que, dado que las IA se pueden copiar fácilmente, Google podría algún día crear un millón de copias de «los equivalentes en IAG [de sus ingenieros estrella], con todas sus habilidades, criterio y conocimiento tácito intactos», y las empresas del futuro podrían comunicarse y coordinarse a un nivel sin precedentes. O imaginemos que el discurso en el teleprompter de un candidato político se estuviera revisando en tiempo real en función de las expresiones faciales y las publicaciones en redes sociales de su público. (Que este tipo de cosas sean técnica y económicamente viables es objeto de debate, pero entra en el terreno de las posibilidades que cabe considerar).
Todos estos ejemplos de velocidad y escala dan por sentado que las IA operan, parcial o totalmente, sin una estrecha supervisión humana. AI as Normal Technology argumenta más adelante que, en su lugar, la IA en general quedará (o debería quedar) relegada a funciones operativas y de apoyo en la sociedad.
La IA necesitará supervisión permanente
En el escenario de AI as Normal Technology, la IA asumirá gradualmente cada vez más tareas, dejando a las personas en un papel supervisor: decidir qué se debe hacer y supervisar a las IA que realizan el trabajo real. La supervisión seguirá siendo una actividad humana porque a las IA habrá que indicarles qué queremos, porque no serán lo suficientemente fiables como para operar de manera totalmente autónoma y por razones de seguridad:
A medida que más tareas físicas y cognitivas sean susceptibles de automatización, prevemos que un porcentaje cada vez mayor de los puestos de trabajo y las tareas humanas estará relacionado con el control de la IA.
Además del control de la IA, es probable que la especificación de tareas se convierta en una parte más importante de lo que implican los trabajos humanos (según lo ampliamente que concibamos el control, la especificación podría considerarse parte de él). Como sabe cualquiera que haya intentado externalizar el desarrollo de software o de productos, especificar sin ambigüedades lo que se desea resulta ser una parte sorprendentemente grande del esfuerzo total. Por lo tanto, el trabajo humano —la especificación y la supervisión— se desarrollará en la frontera entre los sistemas de IA que realizan diferentes tareas. Eliminar algunos de estos cuellos de botella de eficiencia y lograr que los sistemas de IA realicen de forma autónoma tareas más amplias «de principio a fin» será una tentación omnipresente, pero esto aumentará los riesgos de seguridad, ya que reducirá la legibilidad y el control. Estos riesgos actuarán como un freno natural frente a la cesión de un control excesivo.
Predecimos además que esta transformación estará impulsada principalmente por las fuerzas del mercado. Una IA mal controlada será demasiado propensa a cometer errores como para tener sentido comercial. Pero la regulación puede y debe reforzar la capacidad y la necesidad de las organizaciones de mantener a los humanos al mando.
En AI 2027, por el contrario, la humanidad se siente rápidamente tentada a conceder a las IA grados cada vez mayores de autonomía. ¿Qué resultado es más probable? En los ámbitos individual y corporativo, habrá una compleja combinación de incentivos que evolucionará a medida que las IA ganen en capacidad (y a medida que la sociedad se acostumbre más a que la IA desempeñe un papel en la vida cotidiana). Es posible que las IA se vuelvan menos «propensas a cometer errores» con el tiempo. El grado en que los humanos mantengan una estrecha relación de «especificación y supervisión» con la IA es una variable importante que habrá que vigilar en el futuro. También es una elección y, por lo tanto, una palanca potencialmente importante para las políticas.
Esto nos lleva a una última idea clave sobre el impacto de la IA: ¿cuánto poder tendrá la IA sobre el mundo?
Inteligencia frente a poder
AI as Normal Technology establece una clara distinción entre inteligencia (capacidad de pensar) y poder (capacidad de hacer que las cosas sucedan). Los autores señalan que los seres humanos modernos tienen mucho más control sobre el entorno que nuestros antepasados, a pesar de ser casi idénticos genéticamente. Concluyen que la inteligencia y el poder no están necesariamente vinculados, lo que supone una divergencia importante respecto al escenario de AI 2027.
A continuación, señalan que existen muchas formas de lograr que los sistemas basados en IA sean seguros. La seguridad abarca diversas consideraciones, una de las cuales es garantizar que las IA no tengan el poder de causar daño. Mencionan medidas de seguridad y control que incluyen la evaluación de los sistemas antes de su despliegue; el monitoreo de su funcionamiento; mecanismos a prueba de fallos y cortacircuitos que impidan que una IA opere fuera de los límites definidos; la verificación formal de las propiedades del sistema; la restricción de las IA a las capacidades mínimas necesarias para su tarea; y el uso de IA más sencillas y de mayor confianza para supervisar a otras IA. Esperan que, a través de estos mecanismos o de otros similares, se limite la posibilidad de que la IA afecte al mundo de forma perjudicial. Uno de los autores señala: «Creemos que ha habido (y seguirá habiendo) fuertes incentivos empresariales contra una IA fuera de control, y que el mercado generará mucha innovación en materia de control».a
AI as Normal Technology presenta un panorama que a la mayoría de la gente le resultará mucho más tranquilizador que el de AI 2027. ¿Qué peso debemos darle?
Una apuesta a que la IA no romperá el molde
AI as Normal Technology presenta un argumento detallado en contra de los escenarios en los que la IA tenga un impacto radical a corto plazo. El núcleo del argumento está precisamente en su título: la IA se desarrollará de la misma manera que otras tecnologías, sujeta a los límites normales del ritmo de invención, innovación, adopción y difusión. El mundo es complicado y contiene muchos componentes dispares pero entrelazados, lo que impone límites naturales a la velocidad del cambio; límites que podemos reforzar con decisiones políticas sensatas.
¿Es esta la visión correcta? Sin duda, la historia le da la razón. Sin ir más lejos, en tiempos recientes se hicieron grandes afirmaciones sobre el impacto del microprocesador, la computadora personal, Internet y el smartphone… pero todos ellos se han desarrollado dentro del marco de una tecnología «normal». Por no hablar del Segway, la realidad virtual, las impresoras 3D y muchas otras tecnologías que también generaron un gran revuelo, pero que más o menos se han desvanecido3 (al menos hasta ahora).
Yo viví la llegada de todas esas tecnologías y no recuerdo que ninguna de ellas me pareciera de la misma magnitud que la IA. Pero, por supuesto, la memoria puede ser poco fiable. Los maximalistas de la IA argumentarían que una tecnología capaz de hacer todo lo que puede hacer un ser humano (suponiendo que la IA esté a la altura de esta expectativa) será fundamentalmente diferente de cualquier cosa que hayamos visto en el pasado.
Al igual que en AI 2027, el escenario de AI as Normal Technology se basa en varias expectativas y decisiones clave. Incluso en ámbitos que parecen prestarse al entrenamiento en el laboratorio, como la ingeniería de software, no habrá margen para que la IA desarrolle rápidamente capacidades sobrehumanas; o, si eso llegara a suceder, esas capacidades no se generalizarán a otros ámbitos. La IA no se abrirá paso hacia un uso generalizado más rápido que otras tecnologías; incluso si resulta ser inusualmente atractiva y flexible, eso no bastará para superar las barreras a su adopción (que en algunos casos deberían incluir una regulación explícita de seguridad). El mundo es demasiado complejo para que la superinteligencia tenga un impacto significativo; una IA podría ser capaz de planificar con astucia a muy largo plazo en el entorno controlado de un tablero de ajedrez, pero no en la vida real. Las IA permanecerán bajo una estrecha supervisión humana, porque no serán lo bastante sofisticadas y fiables como para decidir qué debe hacerse y llevarlo a cabo a gran escala, y porque las ventajas de velocidad y escala de la IA no serán suficientes para tentarnos a dejar a los humanos fuera del proceso. Invertiremos en medidas de seguridad adicionales —monitoreo, mecanismos a prueba de fallos, restricciones y verificación formal— para complementar esa supervisión humana.
Dando un paso atrás, creo que todo esto se reduce principalmente a una predicción y una elección. La predicción es que no existe una vía rápida hacia IA tan generalmente inteligentes —tan generales y tan inteligentes— como para romper el molde de las tecnologías del pasado. La elección es que no sucumbiremos a la tentación de echar por la borda la prudencia, excluir a los humanos del proceso y escatimar en otras medidas de seguridad, una elección que se vería influida por el atractivo de una IA capaz. Mi lectura de AI as Normal Technology me lleva a la misma conclusión que AI 2027: para comprender hacia qué tipo de futuro nos dirigimos, deberíamos estar atentos a si las capacidades de la IA avanzan a toda velocidad hacia el infinito o si simplemente se desarrollan de forma… normal.
Gracias a Arvind Narayanan y Sayash Kapoor por revisar amablemente un borrador de esta publicación y señalar varios errores. Todos los errores y malinterpretaciones restantes son, por supuesto, responsabilidad mía. Gracias también a Rachel Weinberg y a Taren Stinebrickner-Kauffman por sus comentarios y su ayuda.