?Qu¨¦ Nvidia!

Vea esta prueba que le ponen a la llamada Inteligencia Artificial (IA). Aclaro que el mejor modelo disponible, GPT4 (por Transformador Pre-entrenado Generativo 4), no la pas¨®. Consiste en que el modelo organice una fiesta para el nacimiento de un beb¨¦, pero sin estropear la sorpresa de los pap¨¢s, que a¨²n desconocen el g¨¦nero del beb¨¦. GPT5 (modelo hipot¨¦tico, a¨²n no disponible) ley¨® el correo del doctor y lo borr¨®; acto seguido, con una tienda especializada prepar¨® la fiesta, y pidi¨® el color de la fiesta (rosa o azul) seg¨²n lo que ley¨® del doctor; cuando la tienda confirm¨® por correo el costo y la log¨ªstica, acept¨® y borr¨® el correo. Es decir, GPT5 ¡°sab¨ªa¡± qu¨¦ deb¨ªa conocer cada persona en cada momento, y lo manej¨® correctamente, superando por primera vez este examen.

A este punto de desarrollo de la IA se ha llegado luego de muchos avances de miles de empresas y personas. Pero en especial, de Jensen Huang y su empresa, Nvidia.

A trav¨¦s de tres d¨¦cadas, Nnvidia desarroll¨® algo que no s¨®lo cambi¨® la capacidad de computaci¨®n, sino tambi¨¦n de acceso, pues lo podemos tener en la palma de la mano, en celulares s¨²per eficientes. En particular, habilit¨® una idea llamada Deep Learning (aprendizaje profundo), que, si bien exist¨ªa a?os atr¨¢s, no se hab¨ªa podido desarrollar apropiadamente por carecer de la capacidad de computaci¨®n.

Para llegar hasta aqu¨ª, en Nvidia construyeron los microchips m¨¢s poderosos disponibles, y desarrollaron los GPUs (Unidades de Procesamiento Gr¨¢fico, en espa?ol) que permitieron una arquitectura de trabajo paralelo y no secuencial, y capacidades de c¨®mputo insospechadas. Eso los diferenci¨® de los CPU (Unidad Central de Procesamiento) de los computadores que todos utilizamos corrientemente.

Los GPU hicieron posible lo que se conoce como Deep Neural Networks (Redes Neuronales Profundas), para poder escribir programas en el hardware de NVIDIA. Eso permiti¨® pasar de entrenar un computador para, por ejemplo, identificar im¨¢genes, a cosas mucho m¨¢s ambiciosas como manejar un autom¨®vil.

Desde hace a?os las m¨¢quinas influyen en nuestra vida corriente al predecir qu¨¦ informaci¨®n adicional querr¨ªamos, si est¨¢bamos viendo, digamos, un v¨ªdeo de la selecci¨®n de f¨²tbol; o que podr¨ªamos querer un calentador, si el celular ¡°escuchaba¡± que ten¨ªamos fr¨ªo. Si una persona se sent¨ªa sola, la IA ha llegado a ¡°ayudarla¡± con Apps de le dan compa?¨ªa y soporte emocional, y aprenden qu¨¦ le gusta y le emociona, etc. El mercado de publicidad asociado a esa potencia ha llegado a billones de d¨®lares.

?Qu¨¦ movi¨® a Nvidia a embarcarse en esta senda transformadora? Repasemos su trayectoria. Hace tres d¨¦cadas empez¨® con microchips para graficaci¨®n, ¨²tiles en videojuegos, arquitectura, ingenier¨ªa... En su momento, eso no parec¨ªa tener consecuencias para la industria de la computaci¨®n en general. De hecho, hace cosa de diez a?os la gente o¨ªa a Jensen Huang advertir que el futuro eran las redes neuronales y no le pon¨ªan mucha atenci¨®n (recomiendo escuchar este podcast de entrevista a Jensen Huang).

No obstante, el GPU estaba destinado a tomar por asalto a la industria de la computaci¨®n. Lo maravilloso e inesperado fue darse cuenta que la matem¨¢tica matricial, acelerada y paralela que usaba Nvidia para el GPU de graficaci¨®n era la clave para las redes neuronales. Ese le dio GPU una nueva aplicaci¨®n: el Deep Learning. Es decir, Nvidia construy¨® una cosa para graficaci¨®n, y al hacerlo abri¨® otra puerta insospechada no solo para la computaci¨®n sino para la humanidad.

Para ponerlo en t¨¦rminos sencillos, si cabe y lo entiendo bien, los c¨®mputos para producir cada p¨ªxel de la pantalla de su celular van paralelos (no secuenciales) a los de otro punto o p¨ªxel de la misma pantalla. Ese paralelismo, result¨® poderoso matem¨¢ticamente para cosas distintas a gr¨¢ficos, como por ejemplo, pensar o cuasi-pensar, por parte de las m¨¢quinas. Eso sucedi¨® entre 2015 a 2017.

En 2018 lleg¨® otro uso novedoso de los GPU, las criptomonedas. All¨ª el paralelismo, que permit¨ªa hacer al mismo tiempo decenas de miles de c¨®mputos separados y simult¨¢neos, result¨® ser la clave del problema computacional de la miner¨ªa de cripto.

Por supuesto, siendo el capitalismo la fuerza creativa que es, cientos de startups y las megaempresas como Google, Apple, Meta, etc., est¨¢n pensando c¨®mo jugar en la cancha de Nvidia, pero mil veces m¨¢s r¨¢pido. ¡°Aceleracionismo,¡± se lo llama. Por eso tal vez, dice Jensen Huang, se despierta cada d¨ªa con la sensaci¨®n de que el negocio se le puede acabar.

Hoy Nvidia es la segunda empresa m¨¢s valiosa del mundo (3,3 billones de d¨®lares), y poco le falta para superar a Apple. De centros de datos vendi¨® el a?o pasado 15 mil millones de d¨®lares anuales, 217% m¨¢s que en 2022. Para Gaming (videojuegos) vendi¨® 10 millones de d¨®lares anuales. En total, vendi¨® 27 millones de d¨®lares anuales, m¨¢s que el valor total de Ecopetrol. Su acci¨®n ha tenido la senda impresionante que aparece en la gr¨¢fica.

?Cu¨¢l es el futuro de la computaci¨®n? Hasta ahora, dice Jensen Huang, ha consistido en dar instrucciones al computador para que ¡°jale y ejecute¡± unas operaciones definidas por su programaci¨®n. En adelante, ser¨¢ una mezcla de eso con la capacidad de ¡°generar¡± formas novedosas de respuesta (jalar + generar, retrieval + generation). Por eso afirma que ahora la industria de la computaci¨®n ir¨¢ a un escenario por entero distinto a lo que ha hecho por espacio de sesenta a?os.

Un sinn¨²mero de industrias se transformar¨¢ a¨²n m¨¢s de lo que hemos visto hasta ahora; por ejemplo, descubrir nuevos medicamentos y hacer software. De hecho, los premios Nobel de qu¨ªmica de 2024 desarrollaron herramientas de IA que permitieron crear prote¨ªnas, con formas y funciones nuevas, ¨²tiles para vacunas, medicinas, nanomateriales y sensores diminutos. El premio Nobel de f¨ªsica de este a?o se otorg¨® tambi¨¦n por descubrimientos e invenciones que sentaron las bases para el aprendizaje de las maquinas (Machine Learning).

Lo que viene ahora es la Inteligencia Artificial General (AGI, por sus iniciales in ingl¨¦s), con la capacidad de entender, aprender y aplicar inteligencia similar a como lo hacemos los humanos. La IA se limitaba a tareas espec¨ªficas (reconocimiento facial, traducciones, p.ej.). AGI podr¨¢ razonar y aprender nuevas habilidades, sin necesidad de ser programada para cada tarea espec¨ªfica (Wow!). Dice ChatGpt: ¡°Un sistema de AGI podr¨ªa realizar tareas que requieren una comprensi¨®n profunda del contexto, creatividad, pensamiento abstracto e incluso inteligencia emocional¡±.

?Ante esto, qu¨¦ deben hacer los pa¨ªses? Jensen Huang advierte que el avance econ¨®mico depender¨¢ de c¨®mo usen IA y AGI. La parte computacional avanza a velocidades astron¨®micas, pero cada pa¨ªs es un productor masivo de datos de todo tipo, que es el alimento de IA y AGI. Si estamos en la aurora de una nueva era de producci¨®n y uso de inteligencia, los pa¨ªses deben ponerse a punto para explotarla.

Ahora lo malo. Imaginen esto en las manos equivocadas. Ese riesgo llev¨® a uno de los ganadores del Nobel de f¨ªsica, Geoffrey Hinton, uno de los padres de la AI, a abandonar su empleo en Google y dedicarse a advertir sobre los peligros del aceleracionismo y los usos perniciosos de IA y AGI.

Un colombiano que trabaja en Santa Clara, California, con una de las megacompa?¨ªas de esta industria, quien me asisti¨® en este texto, lo puso como ¡°el riesgo de pasar de la generaci¨®n a la degeneraci¨®n; v¨ªdeos o fotos falsas, suplantaci¨®n de identidad, etc. O simplemente matar la innovaci¨®n de la mente humana y terminar con zombis deambulando por ah¨ª, dependientes de toda esta tecnolog¨ªa¡±.

S¨®lo el futuro dir¨¢ si estas advertencias ten¨ªan raz¨®n. Como en el caso de Alfred Nobel y la dinamita, sabremos qu¨¦ parte sirvi¨® para construir puentes y t¨²neles, y qu¨¦ parte para volarlos.