Escribe Anton Korinek en F&D – La IA puede estar en una trayectoria que superará a la humana inteligencia; Debemos estar preparados

La inteligencia artificial (IA) avanza rápidamente y el ritmo del progreso se ha acelerado en los últimos años. ChatGPT, lanzado en noviembre de 2022, sorprendió a los usuarios al generar texto y código de calidad humana, traducir idiomas sin problemas, escribir contenido creativo y responder preguntas de manera informativa, todo a un nivel nunca antes visto.

Sin embargo, en el fondo, los modelos básicos que subyacen a la IA generativa han avanzado rápidamente durante más de una década. La cantidad de recursos computacionales (o, en resumen, “cómputo”) utilizados para entrenar los sistemas de IA más avanzados se ha duplicado cada seis meses durante la última década. Lo que pueden hacer los principales modelos de IA generativa de hoy en día era impensable hace solo unos años: pueden ofrecer importantes ganancias de productividad para los principales consultores del mundo, para los programadores e incluso para los economistas (Korinek 2023).

Conjeturas sobre la aceleración de la IA

Los recientes avances en inteligencia artificial han llevado a los principales investigadores a proyectar que el ritmo del progreso actual no solo puede ser sostenido, sino que incluso puede acelerarse en los próximos años. En mayo de 2023, Geoffrey Hinton, un informático que sentó las bases teóricas del aprendizaje profundo, describió un cambio significativo en su perspectiva: “De repente he cambiado mi opinión sobre si estas cosas van a ser más inteligentes que nosotros”. Conjeturó que la inteligencia artificial general (AGI, por sus siglas en inglés), la IA que posee la capacidad de comprender, aprender y realizar cualquier tarea intelectual que un ser humano pueda realizar, puede realizarse en un lapso de 5 a 20 años.

Algunos investigadores de IA se muestran escépticos. Estas perspectivas divergentes reflejan una enorme incertidumbre sobre la velocidad del progreso futuro, si el progreso se está acelerando o puede llegar a estancarse. Además, nos enfrentamos a una incertidumbre significativa sobre las implicaciones económicas más amplias de los avances en IA y la posible relación entre beneficios y daños de aplicaciones de IA cada vez más sofisticadas.

A un nivel fundamental, la incertidumbre también se relaciona con preguntas profundas sobre la naturaleza de la inteligencia y las capacidades del cerebro humano. El gráfico 1 muestra dos perspectivas que compiten entre sí sobre la distribución de la complejidad de las tareas laborales que puede realizar el cerebro humano.

El Panel 1 ilustra una perspectiva, que las capacidades del cerebro humano para resolver tareas cada vez más complejas no tienen límites. Esto se alinea con nuestra experiencia económica desde la Revolución Industrial: a medida que avanza la frontera de la automatización, los humanos han automatizado tareas simples (tanto mecánicas como cognitivas) y han reasignado a los trabajadores para realizar más de las tareas más complejas restantes, es decir, se han movido a la cola derecha de la distribución de complejidad ilustrada en el gráfico. Una extrapolación directa sugeriría que este proceso continuará a medida que la IA avance y automatice un número creciente de tareas cognitivas.

Otra perspectiva, ilustrada en el panel 2 del Gráfico 1, sostiene que existe un límite superior a la complejidad de las tareas que el cerebro humano puede realizar. La teoría de la información sugiere que el cerebro humano es una entidad computacional, que procesa constantemente una gran cantidad de datos. Las entradas del cerebro incluyen percepciones sensoriales (imágenes, sonidos y sensaciones táctiles, entre otras) y sus salidas se manifiestan como acciones físicas, pensamientos y respuestas emocionales. Incluso las facetas complejas que nos hacen humanos, como las emociones, la creatividad y la intuición, pueden verse como resultados computacionales, que surgen de intrincadas interacciones de circuitos neuronales y reacciones bioquímicas. Aunque estos procesos son muy elaborados e implican complejidades que no comprendemos del todo, esta perspectiva sugiere que existe un límite superior definitivo para la complejidad de las tareas que el cerebro humano puede realizar.

Las dos perspectivas tienen implicaciones dramáticamente diferentes para el alcance potencial de la automatización futura. A partir de 2023, el cerebro humano es el dispositivo informático más avanzado en lo que respecta a la capacidad de realizar una amplia gama de tareas intelectuales de manera robusta. Sin embargo, si la segunda perspectiva resulta ser correcta, los sistemas modernos de IA se están poniendo al día rápidamente. De hecho, muchas medidas de la complejidad computacional de los modelos básicos de vanguardia ya se acercan a las del cerebro humano. La complejidad computacional de los cerebros humanos está limitada por la biología, y la capacidad del cerebro para transmitir información a otras entidades inteligentes (humanos o IA) está limitada por la lenta velocidad de transmisión de información de nuestros sentidos y nuestro lenguaje. Sin embargo, los sistemas de IA continúan avanzando rápidamente y pueden intercambiar información a velocidades significativamente más rápidas.

Preparación para múltiples escenarios

Los economistas han observado durante mucho tiempo que la forma óptima de lidiar con la incertidumbre es utilizar un enfoque de cartera. Dadas las perspectivas marcadamente diferentes sobre el progreso futuro de la IA por parte de expertos de renombre mundial, no sería prudente poner todos los huevos en la misma canasta y formular planes económicos para un solo escenario. En cambio, la incertidumbre sobre cómo será el futuro debería motivarnos a cubrir nuestras apuestas y participar en un análisis cuidadoso de una variedad de escenarios diferentes que pueden materializarse, desde los negocios como de costumbre hasta la posibilidad de AGI. Además de hacer justicia al nivel de incertidumbre prevaleciente, la planificación de escenarios hace que las oportunidades y los riesgos potenciales sean tangibles y nos ayuda a desarrollar planes de contingencia y estar preparados para múltiples resultados posibles.

A continuación se presentan tres escenarios tecnológicos que abarcan una amplia gama de posibles resultados a los que los responsables de la política económica deben prestar atención:

Escenario I (tradicional, business as usual): Los avances en IA aumentan la productividad y automatizan una serie de tareas laborales cognitivas, pero también crean nuevas oportunidades para que los trabajadores afectados pasen a nuevos puestos de trabajo que son, en promedio, más productivos que aquellos de los que fueron desplazados. Esta vista está encapsulada en el panel 1 del Gráfico 1.

Escenario II (línea de base, AGI en 20 años): Durante los siguientes 20 años, la IA avanza gradualmente hasta el punto de AGI, lo que resulta en su capacidad para realizar todas las tareas de trabajo humano al final del período, devaluando el trabajo (Susskind, de próxima publicación). Esto correspondería a la perspectiva de la capacidad intelectual finita capturada por el panel 2 del gráfico 1, junto con la suposición de que se necesitarían 20 años para que las tareas cognitivas más complejas fueran accesibles para la IA.

Escenario III (agresivo, AGI en cinco años): Este escenario replica el Escenario II, pero en un cronograma más agresivo, de modo que el AGI con todas las consecuencias asociadas para el trabajo se alcanzaría dentro de cinco años.

Aunque no estoy muy seguro, en el momento de escribir este artículo, estimo que cada uno de estos escenarios tiene una probabilidad superior al 10 por ciento de materializarse. Para tener en cuenta la incertidumbre y prepararse adecuadamente para el futuro, creo que los responsables de la formulación de políticas deberían tomarse en serio cada uno de estos escenarios, realizar pruebas de estrés sobre el desempeño de nuestros marcos de política económica y financiera en cada escenario y, cuando sea necesario, reformarlos para garantizar que sean adecuados.

Los tres escenarios tienen el potencial de conducir a resultados económicos marcadamente diferentes en una amplia gama de indicadores, incluido el crecimiento económico, los salarios y los rendimientos del capital, la sostenibilidad fiscal, la desigualdad y la estabilidad política. Además, exigen reformas de nuestras redes de seguridad social y sistemas tributarios y afectan la conducción de la política monetaria, la regulación financiera y las estrategias industriales y de desarrollo.

Korinek y Suh (2023) analizan las implicaciones de los escenarios descritos para la producción y los salarios en un modelo macroeconómico dominante de automatización. Los resultados de los tres escenarios se ilustran en el gráfico 2, en el que la trayectoria del producto para cada escenario se muestra en el lado izquierdo y la trayectoria de los salarios competitivos del mercado en el lado derecho.

Destacan tres ideas principales:

En primer lugar, mientras que el crecimiento continúa a lo largo de la trayectoria a la que estamos acostumbrados en décadas pasadas en el escenario conservador de “negocios como de costumbre”, el crecimiento del producto en los dos escenarios de AGI es mucho más rápido, ya que la escasez de mano de obra ya no es una limitación para el producto.

En segundo lugar, los salarios aumentan inicialmente en los tres escenarios, pero solo mientras la mano de obra sea escasa. Se desploman cuando la economía está cerca de alcanzar el AGI.

En tercer lugar, el despegue de la producción y el colapso de los salarios en los dos escenarios de AGI están impulsados por la misma fuerza: la sustitución de la mano de obra escasa por máquinas comparativamente más abundantes. Esto sugiere que debería ser posible diseñar instituciones que compensen a los trabajadores por sus pérdidas de ingresos y garanticen que los beneficios de los AGI conduzcan a una prosperidad compartida.

El gráfico 2 ilustra los contornos generales de cómo los cambios tecnológicos sin precedentes pueden afectar a la macroeconomía, pero se entiende mejor como una ilustración de posibilidades que como una predicción precisa. Se aplica una larga lista de advertencias. En primer lugar, el modelo que subyace en el gráfico se presenta en una economía eficiente en la que la mano de obra obtiene rendimientos competitivos. Una serie de factores pueden ralentizar el despliegue de la AGI en comparación con lo que es tecnológicamente posible, desde las fricciones organizativas, las regulaciones y las limitaciones a la acumulación de capital, como los cuellos de botella en la cadena de suministro de chips, hasta las decisiones sociales sobre la implementación de la AGI. Incluso cuando es tecnológicamente posible reemplazar a los trabajadores, la sociedad puede optar por mantener a los seres humanos en ciertas funciones, por ejemplo, como sacerdotes, jueces o legisladores. Los trabajos “nostálgicos” resultantes podrían sostener la demanda de mano de obra humana a perpetuidad (Korinek y Juelfs, de próxima aparición).

Para determinar a qué escenario de IA se parece más el futuro a medida que se desarrollan los acontecimientos, los responsables de la formulación de políticas deben supervisar los indicadores adelantados en múltiples ámbitos, teniendo en cuenta que todos los esfuerzos por predecir el ritmo del progreso se enfrentan a una enorme incertidumbre. Los indicadores útiles abarcan los puntos de referencia tecnológicos, los niveles de inversión que fluyen hacia el desarrollo de la IA, la adopción de tecnologías de IA en toda la economía y las tendencias macroeconómicas y del mercado laboral resultantes. Los puntos de referencia tecnológicos ofrecen la medida más directa de qué tan bien los sistemas de IA realizan una amplia gama de tareas laborales. Los niveles de inversión, como la inversión en investigación y desarrollo, talento y chips informáticos, capturan la cantidad de nuestros recursos que fluyen hacia el desarrollo de la IA. Los indicadores de la creciente adopción de la IA en todos los sectores de la economía captarían si los sistemas resultantes se despliegan de manera útil en la práctica. Por último, las implicaciones macroeconómicas acabarían haciéndose visibles en las estadísticas de productividad y en las tendencias del mercado laboral.

El seguimiento de estas señales complementarias permite a los responsables de la formulación de políticas adaptar las respuestas políticas a las realidades de la IA a medida que se manifiestan. Pero debemos seguir siendo humildes: es probable que el futuro nos sorprenda.

Las trayectorias económicas marcadamente diferentes que implican los tres escenarios descritos anteriormente subrayan la importancia de desarrollar marcos de políticas adaptativas que puedan responder ágilmente a medida que se desarrolla el futuro. Los responsables de la formulación de políticas deben someter a pruebas de resistencia a las instituciones existentes en función de cada escenario y reformarlas cuando sea necesario para garantizar su resiliencia. Esto puede implicar medidas graduales, como la reforma de los sistemas tributarios y la ampliación de las redes de seguridad social, o nuevos programas, como la introducción de pequeñas rentas básicas que puedan ampliarse cuando sea necesario.

Los responsables de la formulación de políticas deben encargar a los equipos de expertos la planificación iterativa de escenarios para ayudarles a actualizar periódicamente sus puntos de vista sobre cómo evolucionan las probabilidades de los distintos escenarios. Aceptar la incertidumbre a través de un enfoque adaptable y basado en escenarios nos permitirá maximizar los beneficios y mitigar los riesgos en el ámbito económico de la continua evolución de la IA.

ANTON KORINEK profesor en el Departamento de Economía y en la Escuela de Negocios Darden de la Universidad de Virginia. Es líder de economía de la IA en el Centro para la Gobernanza de la IA, investigador asociado en la Oficina Nacional de Investigación Económica e investigador en el Centro de Investigación de Política Económica.

About The Author