Reinvención de la investigación en IA: enfoques en un panorama dominado por las empresas
En Resumen
El artículo de Togelius y Yannakakis brinda información valiosa sobre los desafíos que enfrentan los académicos de IA en entornos académicos.
El artículo destaca la escasez de recursos informáticos, el dominio empresarial y la necesidad de experimentos a menor escala.
Los investigadores deben centrarse en aprovechar los modelos previamente entrenados, el análisis en profundidad de los modelos existentes, explorar el aprendizaje por refuerzo (RL), investigar modelos mínimamente cargados, explorar áreas sin explotar o descuidadas y probar métodos inesperados.
También sugieren navegar por los límites éticos, colaborar con las partes interesadas de la industria y promover colaboraciones interuniversitarias.
Estas estrategias ofrecen una hoja de ruta para que los académicos de IA superen estos desafíos y continúen haciendo contribuciones significativas al campo.
Es vital evaluar el impacto de la IA en varias partes interesadas, incluidos los investigadores académicos de IA, ya que el campo está experimentando una rápida transformación. Un artículo reciente de Togelius J. y Yannakakis GN titulado “Elige tu arma: estrategias de supervivencia para académicos de IA deprimidos” proporciona una visión profunda de esta área.
| Relacionado:: El enigma del especismo: análisis de la inteligencia humana en relación con los gatos y la IA |
El contenido del artículo explora las dificultades que enfrentan quienes se dedican a la Investigación de IA en entornos académicos, a pesar de la sugerencia narrativa lúdica del título. Las principales ideas y conclusiones del estudio se resumirán brevemente en esta revisión.
Parte 1: Los dilemas que enfrentan los académicos de IA
1. Escasez de recursos informáticos:
El artículo subraya la creciente disparidad en los recursos informáticos disponibles para los académicos de IA y sus homólogos en los departamentos corporativos de IA. Hace una década, las configuraciones computacionales locales eran suficientes para avanzar en la investigación de IA en el mundo académico. Sin embargo, el escenario contemporáneo ha visto un cambio de paradigma. Los avances significativos en la IA de hoy en día a menudo se basan en un poder computacional extenso y una serie de experimentos elaborados. Desafortunadamente, muchos investigadores académicos se encuentran sin un acceso adecuado a dichos recursos.
2. El desafío del dominio corporativo:
El concepto de competencia en el mundo de la investigación científica se ha intensificado. Idealmente, los experimentos científicos representarían esfuerzos de colaboración, con el debido reconocimiento a cada colaborador. Sin embargo, la creciente influencia del ámbito corporativo ha eclipsado un poco este espíritu cooperativo. Cuando las corporaciones canalizan inversiones sustanciales en la investigación de IA, tienden a dominar el desarrollo de ideas prometedoras, a menudo dejando de lado a los contribuyentes académicos originales. El documento establece un paralelo entre esta situación y el fenómeno en el que un mega-minorista como Walmart se establece cerca de una tienda familiar local, eclipsando su negocio.
Los desafíos antes mencionados, como lo destacan Togelius y Yannakakis, representan un panorama preocupante para los académicos de IA. Las condiciones han llevado a un cierto grado de desilusión, afectando la moral y la productividad de los investigadores que han dedicado sus carreras a promover el campo.
El estudio no solo identifica problemas; también proporciona estrategias de supervivencia para aquellos en la academia que sienten la peor parte de estos desafíos. Un análisis posterior a continuación profundizará en las posibles soluciones propuestas por los autores, con el objetivo de ofrecer a los académicos de IA caminos tangibles para navegar en este terreno en evolución.
| Relacionado:: Mustafa Suleyman propone un enfoque ACI para cerrar la brecha entre la IA débil y la AGI |
Parte 2: Estrategias para navegar los desafíos
1. Optar por vías de publicación alternativas:
Se aconseja a los investigadores que consideren publicar en revistas menos destacadas, centrándose en refinar los aspectos técnicos y explorando cuestiones de nicho dentro de temas más amplios.
2. Priorización de los recursos informáticos:
Se hace hincapié en la asignación de una parte significativa de las becas de investigación para recursos computacionales. Sin embargo, se observa que incluso las subvenciones sustanciales pueden no ser suficientes para realizar experimentos avanzados a la par de los esfuerzos corporativos.
3. Centrarse en experimentos de menor escala:
Los investigadores pueden centrar sus esfuerzos en problemas más concisos, usándolos para validar los avances teóricos. Varios trabajos, como los de Shafiullah et al. (2022) y Pearce y cols. (2023), empleó con éxito este enfoque. Aunque estos métodos pueden recibir inicialmente una atención limitada, su relevancia puede crecer una vez que se prueban en conjuntos de datos más grandes.
4. Aprovechar modelos preentrenados:
En lugar de empezar de cero, usar programas preentrenados Los modelos pueden acelerar el proceso de investigación., aunque a veces puede limitar la profundidad de los hallazgos.
5. Análisis en profundidad de los modelos existentes:
Investigadores se les anima a profundizar en las complejidades de los modelos actuales en lugar de centrarse exclusivamente en la creación de otros nuevos.
6. Explorando Aprendizaje reforzado (RL):
RL se propone como una herramienta valiosa, especialmente porque no depende en gran medida de extensos conjuntos de datos. Sin embargo, es esencial equilibrar la ambición con la viabilidad.
7. Investigación de modelos con carga mínima:
El documento destaca la creciente importancia de sacar conclusiones utilizando modelos mínimamente cargados y un conjunto de datos limitado, haciendo referencia a los métodos bayesianos como ejemplo.
8. Exploración de áreas sin explotar o desatendidas:
Los investigadores podrían profundizar en temas actualmente ignorados por la industria o revivir metodologías previamente abandonadas. Este enfoque puede ofrecer una ventana de oportunidad antes de atraer una atención significativa.
9. Experimentar con métodos inesperados:
Se insta a los investigadores a desafiar el statu quo probando métodos que parecen contradictorios.
10. Navegando por los límites éticos:
Si bien las corporaciones pueden estar restringidas por pautas éticas y consideraciones de reputación, los académicos tienen un margen de maniobra ligeramente mayor. Los autores sugieren explorar temas que podrían considerarse controvertidos, pero subrayan la importancia de cumplir con regulaciones legales.
11. Colaborando con la Industria:
El establecimiento de asociaciones con las partes interesadas de la industria podría proporcionar financiación y potencialmente conducir al inicio de nuevas empresas. Sin embargo, es esencial que la investigación se alinee con las aplicaciones prácticas.
12. Promoción de colaboraciones interuniversitarias:
Construir puentes entre universidades puede fomentar un entorno colaborativo, aunque los beneficios inmediatos pueden parecer esquivos.
Las estrategias esbozadas por Togelius y Yannakakis (2023) representan una hoja de ruta para los académicos de IA que navegan por los desafíos actuales. Si bien el futuro de la academia de IA sigue siendo incierto, estas pautas ofrecen vías para continuar haciendo contribuciones significativas al campo. Los artículos posteriores de esta serie profundizarán en las implicaciones de estas recomendaciones y su posible impacto a largo plazo.
Lea más sobre la IA:
Observación
En línea con la Directrices del Proyecto Confianza, tenga en cuenta que la información proporcionada en esta página no pretende ser ni debe interpretarse como asesoramiento legal, fiscal, de inversión, financiero o de cualquier otro tipo. Es importante invertir sólo lo que pueda permitirse perder y buscar asesoramiento financiero independiente si tiene alguna duda. Para mayor información sugerimos consultar los términos y condiciones así como las páginas de ayuda y soporte proporcionadas por el emisor o anunciante. MetaversePost se compromete a brindar informes precisos e imparciales, pero las condiciones del mercado están sujetas a cambios sin previo aviso.
Sobre el Autor
Damir es el líder del equipo, gerente de producto y editor en Metaverse Post, que cubre temas como AI/ML, AGI, LLM, Metaverse y Web3-campos relacionados. Sus artículos atraen una audiencia masiva de más de un millón de usuarios cada mes. Parece ser un experto con 10 años de experiencia en SEO y marketing digital. Damir ha sido mencionado en Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto y otras publicaciones. Viaja entre los Emiratos Árabes Unidos, Turquía, Rusia y la CEI como nómada digital. Damir obtuvo una licenciatura en física, que él cree que le ha dado las habilidades de pensamiento crítico necesarias para tener éxito en el panorama siempre cambiante de Internet.
Más artículos
Damir es el líder del equipo, gerente de producto y editor en Metaverse Post, que cubre temas como AI/ML, AGI, LLM, Metaverse y Web3-campos relacionados. Sus artículos atraen una audiencia masiva de más de un millón de usuarios cada mes. Parece ser un experto con 10 años de experiencia en SEO y marketing digital. Damir ha sido mencionado en Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto y otras publicaciones. Viaja entre los Emiratos Árabes Unidos, Turquía, Rusia y la CEI como nómada digital. Damir obtuvo una licenciatura en física, que él cree que le ha dado las habilidades de pensamiento crítico necesarias para tener éxito en el panorama siempre cambiante de Internet.
