2024 empieza con una ola de IA generativa

La comunidad de IA parece acaparar titulares casi a diario. Los primeros meses de 2024 han sido apasionantes y han estado repletos de nuevas innovaciones en IA. Desde potentes modelos de lenguaje de gran tamaño hasta implantes en el cerebro humano, 2024 se perfila como un gran año para la IA.

Estamos viendo cómo la IA transforma sectores, facilita el acceso a la información e incluso da los primeros pasos para fusionar nuestras mentes con las máquinas. Repasemos el primer trimestre de 2024 y veamos más de cerca los avances de la IA en tan solo unos meses.

Los modelos de lenguaje grandes marcan tendencia#

Los modelos de lenguaje de gran tamaño (LLMs), diseñados para comprender, generar y manipular el lenguaje humano a partir de grandes cantidades de datos de texto, fueron los protagonistas del primer trimestre de 2024. Muchas grandes empresas tecnológicas lanzaron sus propios LLMs, cada uno con capacidades únicas. El éxito de los primeros LLMs, como GPT-3, inspiró esta tendencia. Estos son algunos de los lanzamientos de LLM más destacados de principios de 2024.

Claude 3 de Anthropic#

Anthropic lanzó Claude 3 el 4 de marzo de 2024. El modelo Claude 3 está disponible en tres versiones: Opus, Sonnet y Haiku, cada una dirigida a distintos mercados y objetivos. Haiku, el modelo más rápido, está optimizado para respuestas básicas rápidas. Sonnet equilibra velocidad e inteligencia y está pensado para aplicaciones empresariales. Opus, la versión más capaz, está diseñado para tareas de razonamiento complejas y encabezó numerosos benchmarks tras su lanzamiento.

Como explicamos en nuestro análisis de la ficha del modelo Claude 3, Claude 3 incorpora varias funciones y mejoras:

• Conversaciones multilingües mejoradas: más capacidad en idiomas como el español, el japonés y el francés.
• Funciones avanzadas de visión: capacidad para trabajar con diversos formatos visuales.
• Menos negativas: demuestra una mayor comprensión y rechaza menos solicitudes innecesariamente, lo que indica una mejor comprensión del contexto.
• Ventana de contexto ampliada: ofrece una ventana de contexto de 200K, pero puede procesar entradas de más de 1 millón de tokens según las necesidades del cliente.

Fig. 1. Claude 3 comprende mejor el contexto que las versiones anteriores.

DBRX de Databricks#

Databricks DBRX es un LLM abierto de propósito general que Databricks lanzó el 27 de marzo de 2024. DBRX obtiene buenos resultados en distintos benchmarks, como los de comprensión del lenguaje, programación y matemáticas. Supera a otros modelos consolidados y es aproximadamente un 40 % más pequeño que modelos similares.

Fig. 2. Comparación de DBRX con otros modelos.

DBRX se entrenó mediante la predicción del siguiente token con una arquitectura de mezcla de expertos (MoE) de granularidad fina, que mejora notablemente la eficiencia del entrenamiento y la inferencia. Gracias a su arquitectura, el modelo puede predecir con más precisión la siguiente palabra de una secuencia consultando diversos submodelos especializados («expertos»). Estos submodelos son buenos para gestionar distintos tipos de información o tareas.

Gemini 1.5 de Google#

El 15 de febrero de 2024, Google presentó Gemini 1.5, un modelo de IA multimodal y eficiente en términos de cálculo, capaz de analizar grandes cantidades de texto, vídeo y audio. El modelo más reciente ofrece mejoras de rendimiento, eficiencia y capacidades. Una característica clave de Gemini 1.5 es su avance en la comprensión de contextos largos. El modelo puede procesar de forma consistente hasta 1 millón de tokens. Las capacidades de Gemini 1.5 también se deben a una nueva arquitectura basada en MoE.

Fig. 3. Comparación de las longitudes de contexto de los LLM más populares

Estas son algunas de las características más interesantes de Gemini 1.5:

• Gestión mejorada de datos: permite subir directamente archivos PDF extensos, repositorios de código o vídeos largos como instrucciones. El modelo puede razonar a través de distintas modalidades y generar texto.
• Carga y consulta de varios archivos: ahora los desarrolladores pueden subir varios archivos y hacer preguntas.
• Se puede utilizar para distintas tareas: está optimizado para adaptarse a diversas tareas y presenta mejoras en áreas como las matemáticas, la ciencia, el razonamiento, el multilingüismo, la comprensión de vídeos y el código.

Imágenes espectaculares generadas por IA#

En el primer trimestre de 2024 aparecieron modelos de IA generativa capaces de crear imágenes tan realistas que han suscitado debates sobre el futuro de las redes sociales y el progreso de la IA. Estos son los modelos que protagonizan la conversación.

Sora de OpenAI#

OpenAI, creadora de ChatGPT, anunció el 15 de febrero de 2024 un modelo de aprendizaje profundo de última generación llamado Sora, capaz de convertir texto en vídeo. Sora es un generador de texto a vídeo que puede crear vídeos de hasta un minuto de duración y gran calidad visual a partir de instrucciones textuales de los usuarios.

Por ejemplo, echa un vistazo a la siguiente instrucción.

«Un mundo de papel artesanal magníficamente representado, con un arrecife de coral repleto de peces y criaturas marinas de vivos colores».

Y aquí tienes un fotograma del vídeo generado.

Fig. 4. Un fotograma de un vídeo generado por Sora.

La arquitectura de Sora lo hace posible al combinar modelos de difusión para generar texturas y modelos Transformer para mantener la coherencia estructural. Hasta ahora, se ha concedido acceso a Sora a equipos de pruebas de seguridad y a un grupo selecto de artistas visuales, diseñadores y cineastas para comprender los riesgos y obtener comentarios.

Stable Diffusion 3 de Stability AI#

Stability AI anunció el lanzamiento de Stable Diffusion 3, un modelo de generación de imágenes a partir de texto, el 22 de febrero de 2024. El modelo combina una arquitectura de Transformer de difusión con el método de ajuste de flujo. Todavía no han publicado un artículo técnico, pero hay varias características clave que conviene tener en cuenta.

Fig. 5. Imagen generada a partir de la instrucción: «Ilustración épica de anime de un mago en la cima de una montaña por la noche, lanzando un hechizo cósmico al cielo oscuro que diga "Stable Diffusion 3", formado por energía de colores» (Fuente)

El modelo más reciente de Stable Diffusion ofrece mejoras de rendimiento, calidad de imagen y precisión al crear imágenes con varios sujetos. Stable Diffusion 3 también ofrecerá distintos modelos, desde 800 millones hasta 8.000 millones de parámetros. Permitirá a los usuarios elegir en función de sus necesidades específicas de escalabilidad y nivel de detalle.

Lumiere de Google#

El 23 de enero de 2024, investigadores de Google presentaron Lumiere, un modelo de difusión que genera vídeos a partir de texto. Lumiere utiliza una arquitectura llamada Space-Time-U-Net, o STUNet. Esta arquitectura ayuda a Lumiere a entender dónde están las cosas y cómo se mueven en un vídeo. Así, puede generar vídeos fluidos y realistas.

Fig. 6. Un fotograma de un vídeo generado a partir de la instrucción: «Panda tocando el ukelele en casa».

Con la capacidad de generar 80 fotogramas por vídeo, Lumiere supone un avance notable en la calidad del vídeo generado por IA. Estas son algunas de sus características:

• De imagen a vídeo: a partir de una imagen y una instrucción, Lumiere puede animar imágenes y convertirlas en vídeos.
• Generación estilizada: Lumiere puede crear vídeos con estilos específicos a partir de una sola imagen de referencia.
• Cinemagrafías: Lumiere puede animar regiones específicas de una imagen para crear escenas dinámicas, como un objeto concreto en movimiento mientras el resto de la escena permanece estático.
• Relleno de vídeo: puede modificar partes de un vídeo, por ejemplo, cambiar la ropa de las personas que aparecen o alterar los detalles del fondo.

El futuro ya está aquí#

El comienzo de 2024 también ha traído muchas innovaciones de IA que parecen sacadas de una película de ciencia ficción. Ahora se está trabajando en cosas que antes habríamos considerado imposibles. Con los siguientes descubrimientos, el futuro ya no parece tan lejano.

Neuralink de Elon Musk#

Neuralink, la empresa de Elon Musk, implantó con éxito su chip cerebral inalámbrico en una persona el 29 de enero de 2024. Se trata de un gran paso hacia la conexión de los cerebros humanos con los ordenadores. Elon Musk compartió que el primer producto de Neuralink, llamado «Telepathy», está en desarrollo.

Fig. 7. El implante de Neuralink

El objetivo es permitir que los usuarios, especialmente quienes han perdido la funcionalidad de alguna extremidad, controlen dispositivos sin esfuerzo con el pensamiento. Sus posibles aplicaciones van más allá de la comodidad. Elon Musk imagina un futuro en el que las personas con parálisis puedan comunicarse fácilmente.

El suelo HoloTile de Disney#

El 18 de enero de 2024, Walt Disney Imagineering presentó el suelo HoloTile. Se ha descrito como la primera plataforma de cinta de correr multidireccional del mundo para varias personas.

Fig. 8. Lanny Smoot, Imagineer de Disney, posa sobre su última innovación, el suelo HoloTile.

Puede moverse bajo cualquier persona u objeto, como si se tratara de telequinesis, para ofrecer una experiencia inmersiva de realidad virtual y aumentada. Puedes caminar en cualquier dirección y evitar colisiones mientras estás sobre él. El suelo HoloTile de Disney también se puede instalar en escenarios teatrales para bailar y moverse de formas creativas.

Vision Pro de Apple#

El 2 de febrero de 2024 salió al mercado el esperado visor Vision Pro de Apple. Incluye una serie de funciones y aplicaciones diseñadas para redefinir la experiencia de realidad virtual y aumentada. El visor Vision Pro se dirige a un público diverso al combinar entretenimiento, productividad e informática espacial. Apple anunció con orgullo que, en el momento de su lanzamiento, había más de 600 aplicaciones optimizadas para Vision Pro, desde herramientas de productividad hasta juegos y servicios de entretenimiento.

Devin de Cognition#

El 12 de marzo de 2024, Cognition lanzó Devin, un asistente de ingeniería de software. Devin es el primer intento del mundo de crear un ingeniero de software autónomo basado en IA. A diferencia de los asistentes de programación tradicionales, que ofrecen sugerencias o completan tareas concretas, Devin está diseñado para gestionar proyectos de desarrollo de software completos, desde la idea inicial hasta su finalización.

Puede aprender a utilizar nuevas tecnologías, crear y desplegar aplicaciones completas, encontrar y corregir errores, entrenar sus propios modelos, contribuir a proyectos de código abierto y bases de código de producción, e incluso encargarse de trabajos de desarrollo reales en sitios como Upwork.

Fig. 9. Comparación de Devin con otros modelos.

Devin se evaluó con SWE-bench, un exigente benchmark que pide a los agentes resolver incidencias reales de GitHub encontradas en proyectos de código abierto como Django y scikit-learn. Resolvió correctamente de principio a fin el 13,86 % de las incidencias, frente al 1,96 % del anterior modelo de última generación.

Otras menciones destacadas#

Han pasado tantas cosas que es imposible incluirlas todas en este artículo, pero aquí tienes algunas menciones honoríficas más.

• LATTE3D, de NVIDIA, anunciado el 21 de marzo de 2024, es un modelo de IA de texto a 3D que crea al instante representaciones 3D a partir de instrucciones de texto.
• El nuevo generador de texto a vídeo de Midjourney, anunciado por su director ejecutivo, David Holz, empezó a entrenarse en enero y se espera que se lance pronto.
• Para impulsar la revolución de los PC con IA, Lenovo lanzó el ThinkBook 13x con tecnología E Ink Prism y portátiles de alto rendimiento con IA el 8 de enero de 2024.

¡Mantente al día de las tendencias de IA con nosotros!#

A principios de 2024 se produjeron grandes avances en IA y varios hitos tecnológicos. Pero esto no es más que el comienzo de todo lo que puede hacer la IA. Si quieres conocer las últimas novedades en IA, Ultralytics te mantiene al día.

Echa un vistazo a nuestro repositorio de GitHub para conocer nuestras últimas aportaciones a la visión artificial y la IA. También puedes consultar nuestras páginas de soluciones para ver cómo se utiliza la IA en sectores como la fabricación y la sanidad.