Invertir en los Logros del Premio Nobel – Redes Neuronales Artificiales, la Base de la IA

Historia del Premio Nobel

El Premio Nobel es el galardón más prestigioso del mundo científico. Fue creado de acuerdo con el testamento del Sr. Alfred Nobel para otorgar un premio “a quienes, durante el año precedente, hayan conferido el mayor beneficio a la humanidad” en física, química, fisiología o medicina, literatura y paz.

Un sexto premio se creó más tarde para las ciencias económicas por el banco central sueco, oficialmente llamado el Premio en Ciencias Económicas, a menudo mejor conocido como el Premio Nobel de Economía.

La decisión de a quién atribuir el premio corresponde a varias instituciones académicas suecas.

Preocupaciones de Legado

La decisión de crear el Premio Nobel llegó a Alfred Nobel después de leer su propio obituario, tras un error de un periódico francés que malinterpretó la noticia de la muerte de su hermano. Titulado “El Mercader de la Muerte Está Muerto”, el artículo francés golpeó a Nobel por su invención de explosivos sin humo, de los cuales la dinamita fue la más famosa.

Sus invenciones fueron muy influyentes en la configuración de la guerra moderna, y Nobel compró una enorme fábrica de hierro y acero para convertirla en un importante fabricante de armamento. Como primero fue químico, ingeniero e inventor, Nobel se dio cuenta de que no quería que su legado fuera el de un hombre recordado por haber hecho una fortuna a costa de la guerra y la muerte de otros.

Premio Nobel

Hoy en día, la fortuna de Nobel está almacenada en un fondo invertido para generar ingresos que financien la Fundación Nobel y la medalla verde dorada, el diploma y el premio monetario de 11 millones de SEK (alrededor de 1 millón USD) atribuidos a los ganadores.

Fuente: Britannica

A menudo, el dinero del Premio Nobel se divide entre varios ganadores, especialmente en campos científicos donde es común que 2 o 3 figuras principales contribuyan juntas o en paralelo a un descubrimiento revolucionario.

¿Premio Nobel en Informática?

Normalmente, los Premios Nobel de Física se atribuyen a descubrimientos sobre la naturaleza fundamental del Universo, como los agujeros negros (2020) o los exoplanetas (2019). También pueden ganarse por avances importantes en ciencias de materiales, como puntos cuánticos (2023), láseres (2018), o LEDs (2014).

Pero los ganadores de este año son un poco más poco convencionales, con un enfoque en el análisis de datos. Más precisamente, se atribuyó a Geoffrey Hinton y John Hopfield por su contribución a la creación de redes neuronales artificiales.

Fuente: Nobel Prize

Este es un Premio Nobel muy actual, con las redes neuronales como la tecnología central responsable de la mayoría de los avances recientes en IA, incluidos los LLM, pero también la visión por máquina (incluida la de vehículos autónomos) y AIs técnicas usadas en nuevos descubrimientos de fármacos, ciencias de materiales, etc.

¿Qué Son las Redes Neuronales?

Chips vs Neuronas

Cuando se inventaron las computadoras, la esperanza creció rápidamente de que podrían aumentar su capacidad hasta desarrollar capacidades intelectuales similares a las humanas. Pero en la práctica, mientras las computadoras se volvieron cada vez más impresionantes en cálculo y luego en generación de imágenes, permanecieron “tontas” en lo que respecta al razonamiento real.

En gran parte, esto se debe a que un chip de computadora es muy diferente de las neuronas que forman el cerebro. Mientras un chip de silicio puede realizar muy rápidamente millones de cálculos binarios (0 o 1), las neuronas son más una señal analógica, con mucha complejidad y “ruido” en la señal.

Por lo tanto, las computadoras necesitan una programación precisa para realizar un cálculo; no pueden realmente “aprender” nada y simplemente siguen las instrucciones codificadas al pie de la letra.

Las redes neuronales son diferentes. Pueden abordar problemas que son demasiado vagos y complicados para ser gestionados mediante instrucciones paso a paso. Un ejemplo es interpretar una imagen para identificar los objetos que contiene, algo en lo que las computadoras son notoriamente malas, de ahí la prueba “¿Eres humano?” en algunas páginas web.

Fuente: Google

Cómo Funcionan las Neuronas

Las neuronas no siguen una programación estricta preestablecida en la mayor parte. En su lugar, funcionan mediante un bucle de retroalimentación que refuerza los patrones de conexión.

El funcionamiento es que las neuronas fortalecen la conexión con otras neuronas cuando trabajan juntas. Esto generó la idea de simular en una computadora cómo funcionan las neuronas, con múltiples nodos interconectados.

Las conexiones entre estos nodos pueden hacerse más fuertes o más débiles, formando un proceso llamado “entrenamiento”, que sigue siendo hoy el núcleo de la creación de las AIs más avanzadas.

Fuente: Nobel Prize

La idea parecía prometedora, pero durante un tiempo la potencia de cálculo requerida parecía prohibitiva, especialmente para las computadoras relativamente primitivas de los años 60 y 70.

Cómo Funciona la Memoria Humana

Cuando recordamos o reconocemos algo, no estamos realizando un cálculo matemáticamente perfecto del color de cada píxel de una imagen. En cambio, iteramos a partir de datos parciales, intentamos establecer una asociación con algo ya conocido e identificamos un patrón reconocible.

El físico John Hopfield inventó en 1982 la red de Hopfield, un método para almacenar y recrear patrones.

Comenzando con la Física

Comenzó al notar que las propiedades colectivas en muchos sistemas físicos son robustas a cambios en los detalles del modelo. Notablemente, los materiales magnéticos derivan sus características especiales gracias al spin atómico – una propiedad que convierte a cada átomo en un pequeño imán.

La propiedad del material más grande provenía del spin de cada átomo modificando los de los que lo rodean, lo que llevaba a que todos los spins terminaran en la misma dirección. Su modelo describe el fenómeno usando diferentes nodos que se influyen mutuamente.

De manera similar, una imagen puede registrarse como una cuadrícula de nodos, cada uno con un valor 0 o 1 (negro o blanco).

Si comparas una imagen distorsionada con esta cuadrícula original, puedes calcular cuánto difiere cada nodo de la imagen distorsionada. Pero al “empujar” el nodo distorsionado más cerca de donde tiene sentido, como la pendiente en un paisaje preestablecido, a menudo puedes recrear la imagen original a pesar de las distorsiones.

Así, Hopfield había creado una forma primitiva, pero funcional, para la corrección de errores o la completación de patrones, algo que las computadoras normalmente son incapaces de hacer, ya que están atrapadas en su programación estricta.

Fuente: Nobel Prize

Con suficiente potencia de cálculo, cada nodo puede almacenar cualquier valor, no solo blanco y negro. Por ejemplo, puede ser un número que refleje un color exacto, de la misma manera que se crean digitalmente las imágenes.

También puede reflejar todo tipo de datos, no solo imágenes, creando un modelo funcional para una memoria asociativa artificial.

Usando la Asociación para Entender

Incluso animales simples o niños pequeños pueden desempeñarse extraordinariamente mejor que computadoras avanzadas en el reconocimiento de patrones, como identificar qué imagen contiene un perro, un gato o una ardilla. Esto también se hace sin ninguna comprensión de conceptos superiores como animales, mamíferos o especies.

Y quizás más importante, puede lograrse con datos y experiencia iniciales muy limitados, en lugar de un catálogo de miles de millones de imágenes de esos animales cubriendo cada postura, color, forma o variante posible.

Analógico en Lugar de Binario

Porque los nodos pueden contener cualquier dato, pueden usarse para datos continuos, como fenómenos a lo largo del tiempo.

También permite un cálculo eficiente de interacciones entre sistemas complejos, donde la respuesta a un estímulo es más estadística que un sí/no binario. Esto ahorra tanto consumo de energía como potencia de cálculo comparado con la computación tradicional para este tipo de problemas.

Y al añadir más nodos, se puede agregar progresivamente más complejidad a los modelos.

La máquina de Boltzmann

Geoffrey Hinton, junto con Terrence Sejnowski y otros colaboradores, trabajó en mejorar y ampliar el concepto del modelo de Hopfield.

Hinton utilizó ideas de la física estadística, un campo que describe cosas con muchos elementos como gases o líquidos. Como los componentes individuales son demasiado numerosos, la única forma de modelar su comportamiento es usar expectativas estadísticas de su comportamiento, en lugar de un cálculo “duro” de física para cada molécula (temperatura, posición, velocidad, etc.).

Para añadir tal capacidad al modelo de Hopfield, añadió una capa extra “oculta” de nodos entre la capa visible que previamente realizaba el cálculo por sí sola. Aunque invisibles, los nodos ocultos contribuyen a los niveles de energía de los demás nodos y del sistema en su conjunto.

Fuente: Nobel Prize

Denominaron este concepto máquina de Boltzmann, en honor a Ludwig Boltzmann, un físico del siglo 19 que desarrolló la mecánica estadística, la base de la física estadística.

Fuente: Wikipedia

Máquina de Boltzmann Restringida

En su diseño original, la máquina de Boltzmann era demasiado compleja para ser de mucho uso práctico. Se desarrolló una versión simplificada, donde no hay conexiones entre nodos de la misma capa.

Fuente: Nobel Prize

Esto hizo que la máquina fuera mucho más eficiente, mientras seguía siendo capaz de realizar reconocimiento de patrones complejo.

Una mejora adicional fue el proceso de “pre‑entrenamiento” de la red neuronal, con una serie de máquinas de Boltzmann en capas, una encima de otra.

Esto mejoró el punto de partida de la red neuronal, incrementando sus habilidades de reconocimiento de patrones.

Impacto en las Redes Neuronales Modernas

Tanto Hopfield como Hinton construyeron las ideas fundamentales detrás de las redes neuronales, así como la matemática y las herramientas para utilizarlas.

Sin embargo, habría que esperar hasta la década de 2010 para que la potencia de cálculo creciera lo suficiente como para que las redes neuronales se volvieran relevantes en la conciencia general.

Debido a que la versión moderna de la máquina de Boltzmann usa tantas capas interconectadas, se les llama “redes neuronales profundas”. Para dar una perspectiva de la evolución del campo, Hopfield utilizó un modelo de 30 nodos en su publicación de 1982, lo que generaba 435 conexiones posibles. Eso llevaba a alrededor de 500 parámetros que había que rastrear.

En aquel entonces, las computadoras no podían manejar un modelo tentativo de 100 nodos. Los LLM actuales (Modelos de Lenguaje Extensos), la base de herramientas como ChatGPT, usan un billón de parámetros y siguen aumentando sus necesidades de cálculo.

Aplicaciones

Física Fundamental

Al igual que muchos otros Premios Nobel de Física, las redes neuronales son un descubrimiento que está impulsando otros nuevos descubrimientos.

Por ejemplo, se han usado para filtrar y procesar la enorme cantidad de datos necesarios para descubrir la partícula de Higgs (Peter Higgs recibió el Premio Nobel de Física en 2013). También se han usado en otras investigaciones premiadas con el Nobel, como las mediciones de ondas gravitacionales de agujeros negros en colisión o la búsqueda de exoplanetas.

Física Aplicada

Los materiales y fenómenos de la vida real suelen ser demasiado complejos para modelarse únicamente con un modelo causa → efecto a nivel de partícula individual.

En comparación, las bases de redes neuronales en física estadística les permiten ser mucho más flexibles, y ya sea dar directamente la respuesta correcta o “apuntar” a los científicos en la dirección adecuada.

Esto ahora se despliega rutinariamente en los principales institutos de investigación para, por ejemplo, calcular la estructura y función de moléculas de proteína, o averiguar qué nuevas versiones de materiales podrían tener las mejores propiedades para celdas solares o baterías más eficientes.

Modelos de Lenguaje Extensos (LLM)

Por supuesto, ninguna conversación sobre aplicaciones de redes neuronales estaría completa sin hablar de los LLM, el núcleo de la locura de IA de los últimos años desde el lanzamiento de ChatGPT en 2022.

En gran parte, esto se debe a que la generación de lenguaje similar al humano, que “sienta” como una persona real, se consideró durante mucho tiempo la prueba mediante la cual podríamos considerar que una IA es verdaderamente inteligente (la Prueba de Turing).

La verdadera inteligencia de los LLM es objeto de intenso debate, desde la opinión de entusiastas de la IA (o apocalípticos) que esperan una inteligencia real y una singularidad tecnológica pronto, hasta quienes la ven como un simple truco incapaz de ofrecer resultados útiles.

No obstante, tienen una amplia gama de aplicaciones, especialmente donde pueden realizar tareas baratas que ahora son reservadas a humanos mucho más costosos. Esto es particularmente cierto para tareas mayormente verbales, como:

• Chatbots y servicio al cliente.
• Desarrollo y verificación de código.
• Traducción y localización.
• Investigación de mercado.
• Búsqueda y respuesta a preguntas.
• Análisis de documentos y conjuntos de datos extensos.
• Educación

Junto a los LLM, la generación de imágenes también podría crear una nueva avalancha de imágenes en nuestra era digital, tanto para usos útiles como potencialmente nefastos (desinformación, chantaje, etc.).

Visión de Máquina y Computadora

Como la aplicación original de las redes neuronales con Hopfield, tiene sentido que el reconocimiento de imágenes sea ahora una aplicación potencial central de las redes neuronales.

A veces, la visión de máquina se usa para describir una identificación limitada en un entorno industrial más controlado, mientras que la visión por computadora apunta a una visión más similar a la humana.

Fuente: Solomon

Conducción Autónoma

Un subsegmento importante de este campo son los vehículos autónomos, ya que, en última instancia, los conductores humanos usan su reconocimiento visual de patrones para conducir sus vehículos de varias toneladas de forma segura.

Por ahora, la mayoría de los sistemas de conducción autónoma dependen de una combinación de cámaras y otros sensores para mantenerse seguros (como radar y LIDAR), con la excepción de Tesla (TSLA ), que se centra exclusivamente en una visión de máquina similar a la humana (gracias a un conjunto de datos mucho mayor, provisto por la flota de coches Tesla).

Datos de entrenamiento suficientes, anotación manual de millones de situaciones complejas de la vida real y también hardware personalizado que reduzca el consumo y acelere los tiempos de reacción, probablemente serán la combinación ganadora para la primera empresa que obtenga el premio de billones de dólares por desarrollar la primera automatización de conducción de nivel 5 completa.

Médico

Muchos diagnósticos en medicina no dependen de pruebas de laboratorio sino de la interpretación manual por parte de un especialista entrenado de imágenes producidas por máquinas de rayos X, resonancias magnéticas, escáneres, etc.

Esto puede llevar años a un experto para volverse verdaderamente competente en esta tarea, que es tanto arte como ciencia. En cambio, la IA puede analizar de forma barata y consistente millones de imágenes médicas con resultados predecibles.

Incluso podría usarse para diagnosticar condiciones que antes se creía imposible detectar con escáneres, como el TDAH.

Y quizá menos evidente, la IA basada en redes neuronales también puede asistir a cirujanos, como la francesa Pixee Medical, que permite el seguimiento 3D con un smartphone o gafas inteligentes para cirugías ortopédicas.

La IA también puede automatizar el procedimiento crucial de registrar la cirugía, especialmente para tareas repetitivas y propensas a errores. Como los cirujanos olvidan instrumentos dentro del paciente en aproximadamente 1500 cirugías al año en EE. UU., la visión por computadora podría ayudar a eliminar este problema por completo al registrar automáticamente todo lo usado durante la cirugía.

Investigación Biomédica

Desde el descubrimiento de fármacos hasta la predicción del plegamiento de proteínas, las redes neuronales son herramientas poderosas para investigadores en medicina y biología.

Ya está revolucionando cómo se desarrollan nuevas terapias, como discutimos en “Top 5 AI & Digital Biotech Companies”. También podría contribuir a datos más consistentes, lo cual es a menudo un problema en las ciencias biológicas, donde muchos datos aún se crean manualmente, como el recuento de glóbulos rojos.

Esto puede resolverse con visión de máquina IA, con productos como Shonit de Sigtuple que ahora pueden proporcionar recuentos fiables y estandarizados de todo tipo de glóbulos sanguíneos.

Fuente: Sigtuple

Industria y Producción

Desde el control de calidad e inspección de componentes, hasta el ensamblaje totalmente automatizado, la visión de máquina/computadora puede hacer que la línea de producción sea más flexible y reactiva a cualquier cambio en el proceso de producción.

Esto puede reducir costos al disminuir la necesidad de intervención humana, así como mejorar la calidad y la velocidad de producción.

Robótica

A medida que la robótica salió del suelo de fábrica para interactuar con entornos cotidianos más complejos, necesita mejorar rápidamente sus capacidades de reconocimiento de patrones.

Desde roboperros hasta robots de entrega, y quizá pronto asistentes personales humanoides, los robots están cada vez más fusionándose con IA usando redes neuronales para ayudarnos en tareas diarias.

Agricultura

Los robots agrícolas están cada vez más usando visión de máquina para identificar malezas o frutos maduros y reemplazar el trabajo manual tedioso o las herramientas de gran escala destructivas.

Esto quizá no solo impactará la agricultura y nuestros sistemas alimentarios, sino también la restauración ecológica, con fuertes efectos en la salud del suelo, la aparición de nuevas prácticas agrícolas y quizá mejores herramientas para la reforestación y el manejo de especies invasoras.

Militar

A pesar de que esto plantea complejas cuestiones éticas, es una regla histórica que cualquier nueva tecnología también se investiga por su potencial de dar a los militares una ventaja sobre sus adversarios.

Y como siempre habrá una nación que lo haga, las demás tendrán que ponerse al día también.

La IA ya se usa para identificar objetivos y analizar datos en el campo de batalla, incluso en guerras reales en curso como Ucrania y Gaza, algo que discutimos en “Top 10 Drones And Drone Warfare Stocks”.

Entre los desarrollos recientes más alarmantes, podemos mencionar el desarrollo de la última versión del dron kamikaze ruso Lancet, un dron/misiles suicida que usa visión de máquina IA para identificar y atacar vehículos enemigos en el último tramo de su trayectoria.

Delegar la decisión de matar a un sistema automatizado es un paso obviamente muy peligroso, que realmente parece material de una película de ciencia ficción justo antes de una rebelión de IA contra la humanidad.

Así que solo podemos esperar que las fuerzas militares a nivel global lleguen a un entendimiento de qué tecnología puede desplegarse o no, de forma similar a cómo se gestionan las armas nucleares.

Riesgos de las Redes Neuronales

Vale la pena mencionar que Geoffrey Hinton, quien ganó el Premio Nobel de este año también está muy preocupado por el progreso que se está logrando en la tecnología de IA.

Después del Premio Turing en 2018 y el Premio Nobel en 2024, es probable que su advertencia sea escuchada aún más que antes.

“He cambiado repentinamente mi opinión sobre si estas cosas van a ser más inteligentes que nosotros.

Creo que están muy cerca ahora y serán mucho más inteligentes que nosotros en el futuro. ¿Cómo sobreviviremos a eso?”

Geoffrey Hinton

¿Nuestro entusiasmo por la IA nos condenará a un futuro como en las películas de Matrix o Terminator? Tal vez no, pero como las redes neuronales ultra‑complejas son esencialmente una caja negra, sus propios creadores no comprenden completamente que probablemente se necesiten reglas éticas y de seguridad antes de que una IA defectuosa cause daños irreparables.

Invertir en Redes Neuronales

Las redes neuronales se están convirtiendo casi en sinónimo de la tecnología de IA en general, ya que hay una creciente fusión de disciplinas en el sector.

Como las redes neuronales requieren grandes conjuntos de datos para el pre‑entrenamiento y el entrenamiento, tienden a estar actualmente en el dominio de empresas tecnológicas muy grandes o startups muy bien financiadas.

Puede invertir en empresas relacionadas con IA a través de muchos corredores, y aquí, en securities.io, encontrará nuestras recomendaciones para los mejores corredores en EE. UU., Canadá, Australia, y Reino Unido, así como muchos otros países.

Si no le interesa seleccionar empresas específicas relacionadas con IA, también puede considerar ETFs como el ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), el Global X Robotics & Artificial Intelligence ETF (BOTZ), o el WisdomTree Artificial Intelligence and Innovation Fund (WTAI) (WT )  que le proporcionarán una exposición más diversificada para capitalizar la IA.

Empresas de Redes Neuronales

1. Microsoft

Microsoft (MSFT ) ha estado en el centro de la industria tecnológica casi desde su creación con su todavía dominante sistema operativo Windows.

MSFT Gráfico de precios

Ahora también es líder en software empresarial (Office365, Teams, LinkedIn, Skype, GitHub), videojuegos (Xbox y varias adquisiciones de estudios de videojuegos), y en la nube (Azure).

Más recientemente, ha avanzado mucho en IA. Esto incluye IA de consumo como el Bing Image Creator y iniciativas más enfocadas al negocio, como Copilot para Microsoft 365 y Microsoft Research. Copilot ahora está siendo desplegado a minoristas y pequeñas empresas también.

Fuente: Constellation Research

Microsoft ha adquirido una reputación de ser el gigante tecnológico centrado en la empresa, en comparación con compañías más orientadas al consumidor como Apple (AAPL ) o Facebook. Con la IA convirtiéndose en un factor cada vez más importante en los modelos de negocio, la presencia preexistente de Microsoft en la nube y los servicios empresariales debería darle una ventaja inicial para desplegar IA a gran escala y en la adquisición de clientes.

La colaboración/casi‑propiedad con líderes del desarrollo de IA como OpenAI (famosa por ChatGPT) también consolidará la posición de Microsoft como potencia de IA.

2. NVIDIA

NVidia inicialmente tenía una posición dominante en el mercado de tarjetas gráficas (GPU), usadas mayormente para juegos de alta gama y modelado 3D. Las GPU pueden ejecutar cálculos en paralelo y difieren en ese sentido de los procesadores (CPU).

El diseño de su hardware resultó muy adecuado para la minería de criptomonedas (especialmente Bitcoin), creando una fuerte ola de crecimiento para la compañía.

Ahora, parece que es igualmente potente para entrenar AIs, haciendo del hardware de Nvidia (NVDA ) la columna vertebral de la revolución IA.

NVidia está desarrollando ahora sistemas informáticos personalizados para diferentes aplicaciones de IA, desde coches autónomos hasta reconocimiento de voz y IA conversacionales, IA generativas, o ciberseguridad.

Es probable que Nvidia no haya encontrado nuevos casos de uso para su hardware de IA, como muestra la investigación de Microsoft con PNNL. Por ejemplo, NVidia está desarrollando una gama completa de soluciones para descubrimiento de fármacos, así como dispositivos médicos impulsados por IA y imágenes médicas asistidas por IA.

Fuente: NVidia

Es probable que a muy largo plazo, los competidores de NVidia empiecen a desafiar seriamente la ventaja inicial de la compañía.

Pero en el futuro previsible, considerando la explosión de la demanda de potencia de cálculo dedicada a IA, NVidia seguirá siendo el principal proveedor de todos los nuevos centros de datos de entrenamiento de IA que se están construyendo.

Y si la IA es una nueva fiebre del oro tecnológico, la sabiduría de inversión es preferir a los vendedores de picos y palas antes que apostar a encontrar oro.

En la fiebre de la IA, las herramientas de elección son, por ahora, los chips de IA de NVidia.