![\"Paquete](\"https:\/\/teknomers.com\/es\/wp-content\/uploads\/2022\/05\/DeepMind-una-nueva-IA-capaz-de-realizar-mas-de-600.jpg\")
<\/div>\nMicrosoft acusado de favoritismo por Anticor<\/h2>\n<\/div>\n<\/article>\n<\/div>\n
Aunque las inteligencias artificiales generales se han mantenido durante mucho tiempo como materia de ciencia ficci\u00f3n, Gato no es el primero de su tipo. Google ha comenzado a utilizar un modelo Unified Multitasking (o MUM) en su motor de b\u00fasqueda que puede interpretar tanto texto como im\u00e1genes y video para realizar una tarea de manera m\u00e1s eficiente. En este caso, para refinar o corregir un campo de b\u00fasqueda. Desde el punto de vista de la arquitectura de software, Gato no se diferencia mucho de sus predecesores.<\/p>\n
La diferencia, como se\u00f1ala Jack Hessel, investigador del Allen AI Institute, est\u00e1 en la variedad de entradas que Gato puede interpretar y las tareas que puede realizar. Al igual que otros sistemas de inteligencia artificial anteriores, aprendi\u00f3 a partir de miles de millones de palabras, im\u00e1genes de entornos reales o simulados, pero tambi\u00e9n de pulsaciones de botones o incluso s\u00edmbolos. Caracter\u00edstica que ofrece una mayor versatilidad al sistema, multiplicando las interacciones entre estos diferentes tipos de entradas el n\u00famero de servicios posibles.<\/p>\n
Una inteligencia humana “probablemente no por ahora”<\/h2>\n
Seg\u00fan Jack Hessel, \u201cYa hemos visto evidencia de que los modelos individuales pueden manejar entradas sorprendentemente diversas. En mi opini\u00f3n, la pregunta central en el aprendizaje de la multitarea es si estas tareas se complementan entre s\u00ed o no. \u00bb<\/em><\/p>\n Dicho esto, el sistema queda por perfeccionar, con errores garrafales. Durante una conversaci\u00f3n, Gato aclara que la capital de Francia es Marsella. Las pilas de cajas no siempre son perfectas, al igual que los subt\u00edtulos de las im\u00e1genes. Sin embargo, DeepMind afirma que en 450 de esas tareas, Gato superar\u00eda a un experto m\u00e1s de la mitad de las veces.<\/p>\n Por su parte, el profesor asistente de informaci\u00f3n de la Universidad de Alberta, Matthew Guzdial, se mantiene esc\u00e9ptico. Para \u00e9l, \u201cLas personas que dicen que este es un paso importante hacia AGI lo exageran un poco, porque todav\u00eda no estamos en la inteligencia humana y probablemente no lleguemos all\u00ed de inmediato, en mi opini\u00f3n. Personalmente, estoy m\u00e1s en el campo de muchos modelos m\u00e1s peque\u00f1os, pero definitivamente hay beneficios para estos modelos generales en t\u00e9rminos de rendimiento en tareas fuera de sus datos de entrenamiento. \u00bb<\/em><\/p>\n<\/div>\n