\n<\/p>\n
Los grandes modelos de IA (los grandes tesoros de datos de lenguaje, visi\u00f3n y audio que impulsan los servicios de inteligencia artificial generativa) se perfilan como tan importantes en el desarrollo de la IA como lo han sido los sistemas operativos en el desarrollo de los tel\u00e9fonos inteligentes: en cierto modo lo son. , pareci\u00e9ndose a las plataformas del espacio (una idea en la que otros tambi\u00e9n est\u00e1n pensando). Ahora, una startup suiza llamada Jua est\u00e1 utilizando ese paradigma con la ambici\u00f3n de construir una nueva frontera sobre c\u00f3mo se podr\u00eda utilizar la IA en el mundo f\u00edsico. Ha recaudado 16 millones de d\u00f3lares para construir lo que es esencialmente un gran modelo \u201cf\u00edsico\u201d para el mundo natural.<\/p>\n
La empresa a\u00fan se encuentra en una etapa muy temprana. Su primera aplicaci\u00f3n ser\u00e1 la modelizaci\u00f3n y predicci\u00f3n de patrones meteorol\u00f3gicos y clim\u00e1ticos, inicialmente en c\u00f3mo se relacionan con los actores de la industria energ\u00e9tica. Su lanzamiento est\u00e1 previsto para las pr\u00f3ximas semanas, dijo la compa\u00f1\u00eda. Otras industrias a las que planea apuntar con su modelo incluyen la agricultura, los seguros, el transporte y el gobierno.<\/p>\n
468 Capital y Green Generation Fund colideran esta ronda inicial para la startup con sede en Zurich, con la participaci\u00f3n de Promus Ventures, Kadmos Capital, los fundadores de Flix Mobility, Session.vc, Virtus Resources Partners, Notion.vc e InnoSuisse.<\/p>\n
Andreas Brenner, director ejecutivo de Jua, quien cofund\u00f3 la empresa con el director de tecnolog\u00eda Marvin Gabler, dice que la creciente \u00abvolatilidad\u00bb del cambio clim\u00e1tico y la geopol\u00edtica ha generado una necesidad entre las organizaciones que trabajan en el mundo f\u00edsico, ya sea en \u00e1reas industriales como la energ\u00eda o la agricultura. o algo m\u00e1s: tener modelos y pron\u00f3sticos m\u00e1s precisos. 2023 fue un a\u00f1o de m\u00e1ximo nivel para los desastres clim\u00e1ticos, seg\u00fan los Centros Nacionales de Informaci\u00f3n Ambiental de EE. UU., lo que result\u00f3 en da\u00f1os por valor de decenas de miles de millones de d\u00f3lares: es esta situaci\u00f3n actual la que est\u00e1 impulsando a las organizaciones a implementar herramientas de planificaci\u00f3n, no a mencione mejores herramientas predictivas para los analistas de mercado y otros que utilizan esos datos.<\/p>\n
En cierto modo, este no es un problema nuevo, ni siquiera un problema que los tecn\u00f3logos no hayan estado abordando ya con la IA.<\/p>\n
La divisi\u00f3n DeepMind de Google ha creado GraphCast; Nvidia tiene FourCastNet; Huawei tiene Pangu, que el a\u00f1o pasado lanz\u00f3 un componente meteorol\u00f3gico que gener\u00f3 un gran inter\u00e9s. Tambi\u00e9n hay proyectos en marcha para construir modelos de IA a partir de datos meteorol\u00f3gicos para centrarse en otros fen\u00f3menos naturales, como se destac\u00f3 la semana pasada en este informe sobre un equipo que intenta aportar nuevos conocimientos sobre los patrones de migraci\u00f3n de las aves.<\/p>\n
La respuesta de Jua a esto es doble. En primer lugar, cree que su modelo es mejor que los dem\u00e1s, en parte porque est\u00e1 ingiriendo m\u00e1s informaci\u00f3n y es m\u00e1s grande (un m\u00faltiplo de 20 veces mayor que GraphCast, afirma). En segundo lugar, el clima es s\u00f3lo el punto de partida para considerar un conjunto m\u00e1s amplio de preguntas, respuestas y desaf\u00edos f\u00edsicos.<\/p>\n
\u201cLas empresas deben mejorar sus capacidades para responder a todo esto [climate] volatilidad\u201d, afirm\u00f3. \u201cAs\u00ed que, en el corto plazo, ese es el problema que estamos resolviendo. Pero mirando hacia el futuro, estamos construyendo el primer modelo fundamental para el mundo natural… B\u00e1sicamente, estamos construyendo un modelo de m\u00e1quina que aprende f\u00edsica… y ese es uno de los pilares clave para lograr la inteligencia artificial general porque simplemente entender el lenguaje no es suficiente. No es suficiente\u201d.<\/p>\n
La compa\u00f1\u00eda a\u00fan tiene que lanzar sus primeros productos, pero el acto de fe que est\u00e1n dando los inversores no se debe solo a la exageraci\u00f3n de todo lo relacionado con la IA.<\/p>\n
Antes de Jua, Gabler dirigi\u00f3 la investigaci\u00f3n en Q.met, un actor desde hace mucho tiempo en el pron\u00f3stico del tiempo; y tambi\u00e9n trabaj\u00f3 en tecnolog\u00eda de aprendizaje profundo para el gobierno alem\u00e1n. Brenner ha trabajado en el sector energ\u00e9tico y anteriormente fund\u00f3 una startup de software de gesti\u00f3n de flotas. En conjunto, esas experiencias unen no solo la conciencia t\u00e9cnica de los problemas y las posibles soluciones, sino tambi\u00e9n la comprensi\u00f3n de primera mano de c\u00f3mo la industria experimenta esto.<\/p>\n
Tambi\u00e9n est\u00e1 mostrando algunos de sus primeros trabajos a inversores y posibles clientes, obteniendo sus aportaciones sobre los datos a medida que contin\u00faa desarrollando el producto.<\/p>\n
Uno de los objetivos parece ser adoptar un nuevo enfoque respecto del concepto de lo que implican los modelos predictivos. Al construir un modelo de predicci\u00f3n del tiempo, por ejemplo, Brenner dijo que \u00abel uso de estaciones meteorol\u00f3gicas es bastante obvio\u00bb. Pero adem\u00e1s de eso, est\u00e1 ingiriendo lo que \u00e9l describe como \u201cdatos mucho m\u00e1s ruidosos\u201d, incluidas im\u00e1genes satelitales y topograf\u00eda recientes y otros \u201cdatos m\u00e1s novedosos y recientes\u201d para construir sus modelos. \u00abLa diferencia clave es que estamos construyendo este sistema de extremo a extremo donde todos los datos que sol\u00edan usarse en diferentes pasos de la cadena de valor ahora se re\u00fanen en el mismo grupo\u00bb, explic\u00f3. La compa\u00f1\u00eda dijo que tiene alrededor de 5 petabytes (5000 terabytes) de datos de entrenamiento, frente a unos 45 terabytes para GPT3 y (supuestamente) 1 petabyte para GPT4. (Sin embargo, comprenda que los datos ling\u00fc\u00edsticos pueden necesitar menos datos que un modelo del mundo f\u00edsico).<\/p>\n
Otro objetivo, no peque\u00f1o, es que la empresa est\u00e9 tratando de construir algo m\u00e1s eficiente para reducir los costos operativos para ella y para los clientes. \u00abNuestro sistema utiliza 10.000 veces menos computaci\u00f3n que los sistemas heredados\u00bb, dijo Brenner.<\/p>\n
Es notable que Jua est\u00e9 surgiendo y consiguiendo financiaci\u00f3n en este momento en particular.<\/p>\n
Los modelos fundamentales se perfilan como la piedra angular de c\u00f3mo se desarrollar\u00e1 la pr\u00f3xima generaci\u00f3n de aplicaciones de IA, por lo que las empresas que construyen y controlan modelos fundamentales tienen mucho valor y poder potencial.<\/p>\n
Los mayores impulsores y agitadores en esta \u00e1rea en este momento son empresas como OpenAI, Google, Microsoft, Anthropic, Amazon y Meta: todas ellas empresas estadounidenses. Eso ha estimulado cierta actividad en otras partes del mundo, como Europa, para buscar y financiar campeones locales como alternativas. En particular, 468 Capital tambi\u00e9n respalda a Aleph Alpha de Alemania, que, al igual que los actores modelo fundacionales en los EE. UU., tambi\u00e9n est\u00e1 construyendo grandes modelos ling\u00fc\u00edsticos, pero aparentemente en colaboraci\u00f3n m\u00e1s estrecha con clientes potenciales. (Uno de sus lemas es \u201cSoberan\u00eda en la era de la IA\u201d).<\/p>\n
\u201cAndreas, Marvin y el equipo est\u00e1n construyendo la primera IA b\u00e1sica del mundo para la f\u00edsica y el mundo natural, que ser\u00e1 capaz de proporcionar conocimientos potentes para una amplia gama de industrias que dependen de una verdadera comprensi\u00f3n de la naturaleza, desde compa\u00f1\u00edas de seguros hasta proveedores de productos qu\u00edmicos y energ\u00eda. , a equipos de planificaci\u00f3n de desastres, organizaciones agr\u00edcolas, aerol\u00edneas y organizaciones ben\u00e9ficas de ayuda\u201d, dijo Ludwig Ensthaler, socio general de 468 Capital, en un comunicado.<\/p>\n
Definitivamente hay una sensaci\u00f3n de \u201cbuen tipo\u201d acerca de una empresa de inteligencia artificial que se propone entender mejor c\u00f3mo nos est\u00e1 afectando el cambio clim\u00e1tico, ayudar a una mejor planificaci\u00f3n de desastres y tal vez incluso, alg\u00fan d\u00eda, usarse para ayudar a comprender c\u00f3mo mitigar los da\u00f1os al medio ambiente. Y el panorama m\u00e1s amplio para una startup que aspira a construir una IA que pueda comprender el mundo f\u00edsico es que, potencialmente, se puede aplicar a un conjunto mucho m\u00e1s amplio de desaf\u00edos en ciencia de materiales, biomedicina, qu\u00edmica y mucho m\u00e1s. Sin embargo, adem\u00e1s de la viabilidad del modelo en s\u00ed, la perspectiva tambi\u00e9n conlleva muchas preguntas, similares a las que enfrentan otros tipos de modelos de IA, en torno a la seguridad, la confiabilidad y m\u00e1s, algo en lo que Jua ya est\u00e1 pensando, aunque sea en t\u00e9rminos rudimentarios. por ahora.<\/p>\n
\u00abPara que los modelos funcionen y sean aceptados, es necesario imponer coherencia\u00bb, dijo Gabler. \u00abEs necesario asegurarse de que los modelos realmente aprendan f\u00edsica desde cero para resolver los problemas correctamente\u00bb.<\/p>\n<\/p><\/div>\n