\n<\/p>\n
Al principio de la pandemia, un agente (literario, no de software) sugiri\u00f3 a Fei-Fei Li que escribiera un libro. El enfoque ten\u00eda sentido. Ha dejado una huella imborrable en el campo de la inteligencia artificial al encabezar un proyecto iniciado en 2006 llamado ImageNet. Clasific\u00f3 millones de im\u00e1genes digitales para formar lo que se convirti\u00f3 en un campo de entrenamiento fundamental para los sistemas de inteligencia artificial que sacuden nuestro mundo actual. Li es actualmente el codirector fundador del Instituto de IA Centrada en el Humano (HAI) de Stanford, cuyo mismo nombre es un llamado a la cooperaci\u00f3n, si no la coevoluci\u00f3n, entre las personas y las m\u00e1quinas inteligentes. Al aceptar el desaf\u00edo del agente, Li pas\u00f3 el a\u00f1o de encierro elaborando un borrador. Pero cuando su cofundador de HAI, el fil\u00f3sofo Jon Etchemendy, lo ley\u00f3, le dijo que empezara de nuevo, esta vez incluyendo su propio viaje en el campo. \u00abDijo que hay muchos t\u00e9cnicos que pueden leer un libro sobre IA\u00bb, dice Li. \u201cPero estaba perdiendo la oportunidad de decirles a todos los j\u00f3venes inmigrantes, mujeres y personas de diversos or\u00edgenes que entendieran que ellos<\/em> De hecho, tambi\u00e9n puedo hacer IA\u201d.<\/p>\n Li es una persona reservada a la que le incomoda hablar de s\u00ed misma. Pero descubri\u00f3 valientemente c\u00f3mo integrar su experiencia como inmigrante que lleg\u00f3 a los Estados Unidos cuando ten\u00eda 16 a\u00f1os, sin dominio del idioma, y \u200b\u200bsuper\u00f3 obst\u00e1culos para convertirse en una figura clave en esta tecnolog\u00eda fundamental. En camino a su puesto actual, tambi\u00e9n fue directora del Laboratorio de IA de Stanford y cient\u00edfica jefa de IA y aprendizaje autom\u00e1tico en Google Cloud. Li dice que su libro, Los mundos que veo<\/em>, est\u00e1 estructurada como una doble h\u00e9lice, con su b\u00fasqueda personal y la trayectoria de la IA entrelazadas en un todo en espiral. \u00abSeguimos vi\u00e9ndonos a nosotros mismos a trav\u00e9s del reflejo de qui\u00e9nes somos\u00bb, dice Li. \u201cParte de la reflexi\u00f3n es la tecnolog\u00eda misma. El mundo m\u00e1s dif\u00edcil de ver somos nosotros mismos\u201d.<\/p>\n Los hilos se unen de manera m\u00e1s dram\u00e1tica en su narrativa de la creaci\u00f3n e implementaci\u00f3n de ImageNet. Li relata su determinaci\u00f3n de desafiar a quienes, incluidos sus colegas, dudaban de que fuera posible etiquetar y categorizar millones de im\u00e1genes, con al menos 1.000 ejemplos para cada una de una extensa lista de categor\u00edas, desde cojines hasta violines. El esfuerzo requiri\u00f3 no s\u00f3lo fortaleza t\u00e9cnica sino tambi\u00e9n el sudor de literalmente miles de personas (spoiler: Mechanical Turk de Amazon ayud\u00f3 a lograrlo). El proyecto es comprensible s\u00f3lo cuando entendemos su recorrido personal. La valent\u00eda al asumir un proyecto tan arriesgado provino del apoyo de sus padres, quienes a pesar de las dificultades financieras insistieron en que ella rechazara un trabajo lucrativo en el mundo empresarial para perseguir su sue\u00f1o de convertirse en cient\u00edfica. Ejecutar este disparo a la luna ser\u00eda la m\u00e1xima validaci\u00f3n de su sacrificio.<\/p>\n La recompensa fue profunda. Li describe c\u00f3mo la creaci\u00f3n de ImageNet le exigi\u00f3 mirar el mundo del mismo modo que lo har\u00eda un algoritmo de red neuronal artificial. Cuando encontr\u00f3 perros, \u00e1rboles, muebles y otros objetos en el mundo real, su mente vio m\u00e1s all\u00e1 de su categorizaci\u00f3n instintiva de lo que percib\u00eda y lleg\u00f3 a sentir qu\u00e9 aspectos de un objeto podr\u00edan revelar su esencia al software. \u00bfQu\u00e9 pistas visuales llevar\u00edan a una inteligencia digital a identificar esas cosas y a ser capaz de determinar las diversas subcategor\u00edas: beagles frente a galgos, roble frente a bamb\u00fa, silla Eames frente a Mission rocker? Hay una secci\u00f3n fascinante sobre c\u00f3mo su equipo intent\u00f3 recopilar im\u00e1genes de todos los modelos de autom\u00f3viles posibles. Cuando se complet\u00f3 ImageNet en 2009, Li lanz\u00f3 un concurso en el que los investigadores utilizaron el conjunto de datos para entrenar sus algoritmos de aprendizaje autom\u00e1tico, para ver si las computadoras pod\u00edan alcanzar nuevas alturas identificando objetos. En 2012, el ganador, AlexNet, sali\u00f3 del laboratorio de Geoffrey Hinton en la Universidad de Toronto y registr\u00f3 un gran salto con respecto a los ganadores anteriores. Se podr\u00eda argumentar que la combinaci\u00f3n de ImageNet y AlexNet inici\u00f3 el auge del aprendizaje profundo que todav\u00eda nos obsesiona hoy en d\u00eda y que impulsa ChatGPT.<\/p>\n Lo que Li y su equipo no entendieron fue que esta nueva forma de ver tambi\u00e9n podr\u00eda vincularse a la tr\u00e1gica propensi\u00f3n de la humanidad a permitir que los prejuicios contaminen lo que vemos. En su libro, informa sobre una \u201cpunzada de culpabilidad\u201d cuando se supo que Google hab\u00eda etiquetado err\u00f3neamente a los negros como gorilas. Siguieron otros ejemplos atroces. \u201cCuando Internet presenta una imagen predominantemente blanca, occidental y a menudo masculina de la vida cotidiana, nos quedamos con una tecnolog\u00eda que lucha por darle sentido a todos\u201d, escribe Li, reconociendo tard\u00edamente el defecto. Se le pidi\u00f3 que lanzara un programa llamado AI4All para incorporar a mujeres y personas de color al campo. \u00abCuando \u00e9ramos pioneros en ImageNet, no sab\u00edamos tanto como sabemos hoy\u00bb, dice Li, dejando en claro que estaba usando \u00abnosotros\u00bb en el sentido colectivo, no solo para referirse a su peque\u00f1o equipo. han evolucionado enormemente desde entonces. Pero si hay cosas que no hicimos bien; tenemos que arreglarlos\u201d.<\/p>\n El d\u00eda que habl\u00e9 con Li, El Correo de Washington<\/em> public\u00f3 un art\u00edculo extenso sobre c\u00f3mo el sesgo en el aprendizaje autom\u00e1tico sigue siendo un problema grave. Los generadores de im\u00e1genes de IA actuales, como Dall-E y Stable Diffusion, todav\u00eda generan estereotipos al interpretar indicaciones neutrales. Cuando se les pide que imaginen a \u201cuna persona productiva\u201d, los sistemas generalmente muestran a hombres blancos, pero una solicitud de \u201cuna persona de servicios sociales\u201d a menudo mostrar\u00e1 a personas de color. \u00bfEl inventor clave de ImageNet, la zona cero para inculcar prejuicios humanos en la IA, est\u00e1 seguro de que el problema puede resolverse? \u201cSeguro<\/em> Ser\u00eda una palabra demasiado simple\u201d, afirma. \u00abSoy cautelosamente optimista en cuanto a que existen soluciones t\u00e9cnicas y de gobernanza, as\u00ed como demandas del mercado de ser cada vez mejores\u00bb. Ese optimismo cauteloso tambi\u00e9n se extiende a la forma en que habla de las funestas predicciones de que la IA podr\u00eda conducir a la extinci\u00f3n humana. \u00abNo quiero dar la falsa sensaci\u00f3n de que todo va a estar bien\u00bb, dice. \u00abPero tampoco quiero transmitir una sensaci\u00f3n de pesimismo y fatalidad, porque los humanos necesitan esperanza\u00bb.<\/p>\n<\/div>\n