El instituto HAI de Stanford investiga la IA con un enfoque centrado en las personas, inspirado en la profundidad y diversidad de la mente humana y atento en cada paso a su impacto ético en la sociedad; su misión es usar la IA para ampliar las capacidades humanas, no para sustituirlas.
Investigado y redactado por los principales expertos de la institución en el mundo académico y la empresa, la quinta edición anual del informe AI Index muestra los datos detrás de las últimas tendencias en el campo de la IA durante el último año. El informe tiene 230 páginas. En este artículo, recopilamos las conclusiones esenciales de cada capítulo.
Sigue leyendo para descubrir qué países han dado los mayores pasos en IA, los mejores lugares del mundo para trabajar en IA, el estado de la regulación y mucho más.
Capítulo 1: investigación y desarrollo
Resumen del capítulo
La IA está en pleno auge, y en el último año se ha realizado una amplia gama de investigaciones y desarrollos. Este capítulo intenta cuantificar la I+D en instituciones académicas, organismos públicos y empresas.
El informe ha recopilado el siguiente conjunto de datos de fuentes públicas como ponencias de conferencias, artículos de revistas, trabajos de investigación y patentes. También analiza las estrellas en repositorios open source de GitHub e incluso la asistencia a congresos. Todo ello permite una visión panorámica de cómo avanza la I+D en IA en todo el mundo.
Puntos clave
EE. UU. y China, aliados en IA
Al analizar la cooperación internacional en IA, Estados Unidos y China registran el mayor número de colaboraciones en publicaciones de IA entre 2010 y 2021, multiplicándose por cinco desde 2010 pese a sus diferencias políticas. La segunda colaboración más estrecha es la del Reino Unido con China.
China lidera en publicaciones
Con el mayor número de publicaciones, revistas, conferencias y repositorios, China encabeza actualmente la actividad investigadora en IA.
Los artículos en revistas alcanzan su máximo histórico
En 2021, el 51,5% de todos los documentos de IA publicados fueron artículos de revista (trabajos de investigación). Como tendencia general, las publicaciones en revistas y repositorios de IA están en máximos. Sin embargo, el número de conferencias celebradas disminuye desde 2018.
Áreas de estudio con mayor crecimiento
Las publicaciones en reconocimiento de patrones y aprendizaje automático se han más que duplicado desde 2015. En 2021 se publicaron alrededor de 52.000 y 40.000 artículos en cada área, respectivamente.
Colaboraciones intersectoriales
Las organizaciones sin ánimo de lucro y los centros educativos generaron el mayor número de publicaciones intersectoriales sobre IA entre 2010 y 2021. A continuación se sitúan las colaboraciones entre el sector privado y la educación, seguidas por las de la administración pública con el ámbito académico.
Las patentes de IA, en máximos
A medida que se acelera el desarrollo de la IA, más investigadores y científicos han corrido a proteger su trabajo, con solicitudes de patentes creciendo a una tasa anual compuesta del 76,9%.
Repositorios de IA: la nueva forma de compartir investigación
Publicar investigaciones antes de la revisión por pares en arXiv y SSRN se ha convertido en un método popular entre los investigadores de IA para compartir hallazgos. En los últimos 12 años, el número de publicaciones en repositorios de IA se ha multiplicado casi por 30.
Bibliotecas open source de IA más populares
El informe comparó el número total de estrellas en GitHub de bibliotecas open source de IA populares durante los últimos siete años. Tensorflow tiene más estrellas, seguido de OpenCV, Keras, y Pytorch. Otras bibliotecas destacadas por debajo de 40k estrellas son faceswap, 100-Days-Of-ML-Code y AiLearning.
Capítulo 2: rendimiento técnico
Resumen del capítulo
Este capítulo sigue el progreso de distintos modelos en visión por computador, procesamiento del lenguaje natural, voz, recomendación, aprendizaje por refuerzo, hardware y robótica. Trata de cuantificar el rendimiento mediante benchmarks habituales y encuestas profesionales a lo largo de 10 años. Algunos de los benchmarks del informe se muestran a continuación:
|
Visión por computador: imagen y vídeo |
|
|
Problema de machine learning |
Benchmark utilizado |
|
Clasificación de imágenes |
ImageNet: precisión Top-1 y Top-5 |
|
Detección de deepfakes |
FaceForensics++: precisión |
|
Segmentación semántica |
Cityscapes Challenge: media de intersección sobre unión (IoU) |
|
Reconocimiento de actividad |
Kinetics-400, Kinetics-600, Kinetics-700: precisión Top-1 |
|
Detección de objetos |
COCO test-dev: media de precisión promedio (mAP) |
|
Lenguaje |
|
|
Problema de machine learning |
Benchmark utilizado |
|
Comprensión del inglés |
SuperGLUE: puntuación; SQuAD 1.1 y SQuAD 2.0: F1; ReClor (Reading Comprehension Dataset Requiring Logical Reasoning): precisión |
|
Resumen de texto |
arXiv: ROUGE-1; PubMed: ROUGE-1 |
|
Inferencia en lenguaje natural |
Stanford Natural Language Inference (SNLI) Abductive Natural Language Inference (aNLI) |
|
Recomendación |
|
|
Problema de machine learning |
Benchmark utilizado |
|
Recomendación comercial |
MovieLens 20M: NDCG@100 (ganancia acumulada con descuento normalizada) |
|
Predicción de CTR |
Criteo: área bajo la curva (AUC) |
|
Aprendizaje por refuerzo |
|
|
Problema de machine learning |
Benchmark utilizado |
|
Videojuegos arcade |
Atari-57: media de puntuación normalizada con respecto a humanos |
|
Juegos de mesa: ajedrez |
Motores de ajedrez: puntuación Elo |
Puntos clave
Los datos masivos son la clave del éxito
Los grandes conjuntos de entrenamiento son esenciales para lograr modelos precisos. Casi todos los modelos punteros con millones de parámetros se entrenan exclusivamente con grandes volúmenes de datos para alcanzar buenos resultados. Aquí, las big tech tienen ventaja por la cantidad de datos que poseen.
IA asequible
Los años de innovación han dado fruto: ahora cualquiera puede permitirse entrenar modelos a gran escala. Desde 2018, el coste de entrenar un clasificador de imágenes ha caído un 63,6%. Además, el tiempo de entrenamiento ha mejorado un 95%. Esta mejora en los tiempos es una de las razones del menor coste. Otros factores como los servicios cloud dedicados, paquetes open source más eficientes y la disponibilidad de talento también contribuyen a abaratar.
Brazos robóticos más baratos
Según una encuesta del equipo de AI Index, el precio de los brazos robóticos muestra una tendencia claramente a la baja. El precio mediano era de 42.000 $ en 2017 y en 2021 bajó casi un 50% hasta 22.600 $.
Foco en imagen médica
Según el informe, la investigación en visión por computador se orienta cada vez más a casos de uso concretos como la imagen médica. En su conjunto de datos, AI Index detecta un aumento notable de trabajos que usan el dataset de Kvasir-SEG y CVC-ClinicDB: en 2020 solo hubo tres artículos que los usaban, frente a 25 publicaciones relevantes en 2021.
La IA aún flojea en lenguaje
Aunque modelos como SuperGLUE y SQuAD ya superan a las personas en tareas relativamente sencillas como la comprensión lectora, en tareas lingüísticas más complejas, como la inferencia abductiva en lenguaje natural (aNLI), los modelos de IA siguen lejos del nivel humano.
Mejora en aprendizaje por refuerzo general
En los últimos 10 años, la IA se ha vuelto competente en tareas estrechas de aprendizaje por refuerzo, como jugar al ajedrez. Sin embargo, en 2021 destaca una mejora en tareas más generales, como Procgen, un entorno de aprendizaje por refuerzo lanzado por OpenAI en 2019 que evalúa la capacidad de la IA para aprender habilidades generalizables.
Capítulo 3: ética técnica de la IA
Resumen del capítulo
Sin duda, la IA ha generado un enorme valor para las empresas en los últimos años. Pero a medida que estos modelos llegan a producción, se han hecho evidentes grandes carencias relacionadas con el sesgo en la IA. En muchos casos, los modelos se entrenan con datos del mundo real que contienen sesgos sociales. Estos sesgos se amplifican cuando se construye un modelo sobre datos sesgados.
Este capítulo intenta medir el progreso en la eliminación del sesgo aportando benchmarks detallados por dominio, como lenguaje natural y visión por computador. Algunos de los benchmarks utilizados son:
|
Lenguaje natural |
|
|
Cuestión ética |
Benchmark |
|
Toxicidad en lenguaje natural |
|
|
Sesgo estereotípico |
StereoSet: puntuación por tamaño de modelo |
|
Sesgo de género |
|
Puntos clave
La ética de la IA se vuelve mainstream
La investigación sobre la equidad de los modelos de IA se ha multiplicado: desde 2014, el número de publicaciones crece un 71% interanual. Los sesgos en los resultados de modelos comerciales han llevado a discriminar injustamente a subgrupos en aplicaciones reales como el scoring de tarjetas de crédito. Por ello, investigadores académicos y empresas han puesto el foco en la equidad de los modelos de machine learning.
Los grandes modelos de lenguaje tienen sesgos
Los modelos de lenguaje más avanzados, con cientos de miles de millones de parámetros, como GPT-3, han logrado un gran éxito en tareas basadas en texto. La innovación técnica detrás de estos modelos es el entrenamiento bidireccional de transformadores con attention. Sin embargo, nuevos datos muestran que estos modelos a gran escala son más proclives a incorporar sesgos de sus vastos datos de entrenamiento.
Los modelos multimodales tienden a ser más sesgados
Al igual que los grandes modelos de lenguaje, los modelos multimodales de lenguaje-visión como DALL·E 2 demuestran un abanico de capacidades gracias al entrenamiento a gran escala del texto y la imagen como una única corriente de datos. Esto se traduce no solo en imágenes fotorrealistas de primer nivel a partir de prompts de texto, sino también en salidas que reflejan estereotipos y sesgos sociales.
Capítulo 4: economía y educación
Resumen del capítulo
Este capítulo analiza el impacto de la IA en la economía y en la educación. El informe ha reunido datos públicos de LinkedIn, Computing Research Association, McKinsey, NetBase Quid y EMSI Burning Glass. También estudia el efecto de la IA en el empleo: contratación, demanda laboral y penetración de habilidades.
Puntos clave
La IA atrae fuertes inversiones
En 2021, las startups de IA captaron 93.500 millones de dólares, el doble que en 2020. Sin embargo, el número de nuevas startups financiadas bajó de 1.051 en 2019 a 746 en 2021. Ese año hubo 15 rondas de inversión de 500 millones de dólares o más.
EE. UU. apuesta por la innovación en IA
Estados Unidos lidera tanto en inversión privada en IA como en nuevas empresas financiadas, casi dos y tres veces más, respectivamente, que el segundo, China.
La nube, prioridad de inversión
Las compañías de gestión y procesamiento de datos en la nube, como Databricks, recibieron la mayor financiación privada. A continuación, salud y fintech.
Regiones con más empleo en IA
Nueva Zelanda, Hong Kong, Irlanda, Luxemburgo y Suecia registran el mayor crecimiento en vacantes de IA entre 2016 y 2021.
Panorama de empleo en IA dentro de EE. UU.
California, sede de Silicon Valley, tiene el mayor número de ofertas, 2,3 veces más que Texas, que ocupa el segundo lugar. No obstante, Washington D. C. tuvo la mayor proporción de ofertas de IA frente al total de ofertas en EE. UU.
La especialidad más popular entre los doctorados en informática
La especialidad más demandada entre los doctorados en informática de la última década ha sido el aprendizaje automático/la inteligencia artificial. Uno de cada cinco estudiantes de informática que se doctoró en 2020 se especializó en IA.
Capítulo 5: políticas y gobernanza de la IA
Resumen del capítulo
Este capítulo desglosa la legislación y regulación sobre inteligencia artificial en todo el mundo. Examina cómo distintos países y regiones integran la tecnología de IA manteniendo el bienestar de las personas en el centro. Los investigadores analizaron la elaboración de políticas a nivel global y cuantificaron los proyectos y leyes aprobadas que mencionan la inteligencia artificial.
Puntos clave
Cada vez más países regulan la IA
El informe analizó el número de proyectos de ley relacionados con IA (con "inteligencia artificial" como palabra clave) aprobados en 25 países entre 2016 y 2021. Se observa un fuerte aumento en los dos últimos años. España, el Reino Unido y Estados Unidos fueron los países con más leyes de IA aprobadas, con 3 cada uno.
EE. UU. lidera en propuestas legislativas sobre IA
Los registros legislativos de EE. UU. muestran un marcado incremento en proyectos de ley para regular la IA. En 2021 se propusieron 130 proyectos; sin embargo, solo el 2% se convirtió en ley.
Legislación estatal sobre IA en Estados Unidos
En EE. UU., la legislación sobre IA se ha planteado en casi todo el país: 41 de 50 estados propusieron al menos un proyecto entre 2012 y 2021. Los tres con más propuestas:
- Massachusetts (40)
- Hawái (35)
- Nueva Jersey (32)
Demócratas vs. Republicanos en IA
En EE. UU., los datos estatales sobre elaboración de leyes de IA muestran, por patrocinio, que los demócratas apoyan más la regulación que los republicanos. Esta brecha ha crecido con los años. En 2021, los demócratas patrocinaron 39 proyectos más que los republicanos.
Menciones a la IA en audiencias legislativas globales
El informe AI Index analizó las transcripciones de audiencias de 25 países con la palabra clave “inteligencia artificial” entre 2016 y 2021. Las menciones crecieron por 7,7 en seis años, hasta 1.323 menciones totales en 2021.
Mantente al día con la IA
La IA evoluciona sin parar, y miles de expertos en todo el mundo trabajan a contrarreloj para que así sea. Para seguir su avance, echa un vistazo a estos recursos:
