¡Qué Nvidia!

Vea esta prueba que le ponen a la llamada Inteligencia Artificial (IA). Aclaro que el mejor modelo disponible, GPT4 (por Transformador Pre-entrenado Generativo 4), no la pasó. Consiste en que el modelo organice una fiesta para el nacimiento de un bebé, pero sin estropear la sorpresa de los papás, que aún desconocen el género del bebé. GPT5 (modelo hipotético, aún no disponible) leyó el correo del doctor y lo borró; acto seguido, con una tienda especializada preparó la fiesta, y pidió el color de la fiesta (rosa o azul) según lo que leyó del doctor; cuando la tienda confirmó por correo el costo y la logística, aceptó y borró el correo. Es decir, GPT5 “sabía” qué debía conocer cada persona en cada momento, y lo manejó correctamente, superando por primera vez este examen.

A este punto de desarrollo de la IA se ha llegado luego de muchos avances de miles de empresas y personas. Pero en especial, de Jensen Huang y su empresa, Nvidia.

A través de tres décadas, Nnvidia desarrolló algo que no sólo cambió la capacidad de computación, sino también de acceso, pues lo podemos tener en la palma de la mano, en celulares súper eficientes. En particular, habilitó una idea llamada Deep Learning (aprendizaje profundo), que, si bien existía años atrás, no se había podido desarrollar apropiadamente por carecer de la capacidad de computación.

Para llegar hasta aquí, en Nvidia construyeron los microchips más poderosos disponibles, y desarrollaron los GPUs (Unidades de Procesamiento Gráfico, en español) que permitieron una arquitectura de trabajo paralelo y no secuencial, y capacidades de cómputo insospechadas. Eso los diferenció de los CPU (Unidad Central de Procesamiento) de los computadores que todos utilizamos corrientemente.

Los GPU hicieron posible lo que se conoce como Deep Neural Networks (Redes Neuronales Profundas), para poder escribir programas en el hardware de NVIDIA. Eso permitió pasar de entrenar un computador para, por ejemplo, identificar imágenes, a cosas mucho más ambiciosas como manejar un automóvil.

Desde hace años las máquinas influyen en nuestra vida corriente al predecir qué información adicional querríamos, si estábamos viendo, digamos, un vídeo de la selección de fútbol; o que podríamos querer un calentador, si el celular “escuchaba” que teníamos frío. Si una persona se sentía sola, la IA ha llegado a “ayudarla” con Apps de le dan compañía y soporte emocional, y aprenden qué le gusta y le emociona, etc. El mercado de publicidad asociado a esa potencia ha llegado a billones de dólares.

¿Qué movió a Nvidia a embarcarse en esta senda transformadora? Repasemos su trayectoria. Hace tres décadas empezó con microchips para graficación, útiles en videojuegos, arquitectura, ingeniería... En su momento, eso no parecía tener consecuencias para la industria de la computación en general. De hecho, hace cosa de diez años la gente oía a Jensen Huang advertir que el futuro eran las redes neuronales y no le ponían mucha atención (recomiendo escuchar este podcast de entrevista a Jensen Huang).

No obstante, el GPU estaba destinado a tomar por asalto a la industria de la computación. Lo maravilloso e inesperado fue darse cuenta que la matemática matricial, acelerada y paralela que usaba Nvidia para el GPU de graficación era la clave para las redes neuronales. Ese le dio GPU una nueva aplicación: el Deep Learning. Es decir, Nvidia construyó una cosa para graficación, y al hacerlo abrió otra puerta insospechada no solo para la computación sino para la humanidad.

Para ponerlo en términos sencillos, si cabe y lo entiendo bien, los cómputos para producir cada píxel de la pantalla de su celular van paralelos (no secuenciales) a los de otro punto o píxel de la misma pantalla. Ese paralelismo, resultó poderoso matemáticamente para cosas distintas a gráficos, como por ejemplo, pensar o cuasi-pensar, por parte de las máquinas. Eso sucedió entre 2015 a 2017.

En 2018 llegó otro uso novedoso de los GPU, las criptomonedas. Allí el paralelismo, que permitía hacer al mismo tiempo decenas de miles de cómputos separados y simultáneos, resultó ser la clave del problema computacional de la minería de cripto.

Por supuesto, siendo el capitalismo la fuerza creativa que es, cientos de startups y las megaempresas como Google, Apple, Meta, etc., están pensando cómo jugar en la cancha de Nvidia, pero mil veces más rápido. “Aceleracionismo,” se lo llama. Por eso tal vez, dice Jensen Huang, se despierta cada día con la sensación de que el negocio se le puede acabar.

Hoy Nvidia es la segunda empresa más valiosa del mundo (3,3 billones de dólares), y poco le falta para superar a Apple. De centros de datos vendió el año pasado 15 mil millones de dólares anuales, 217% más que en 2022. Para Gaming (videojuegos) vendió 10 millones de dólares anuales. En total, vendió 27 millones de dólares anuales, más que el valor total de Ecopetrol. Su acción ha tenido la senda impresionante que aparece en la gráfica.

¿Cuál es el futuro de la computación? Hasta ahora, dice Jensen Huang, ha consistido en dar instrucciones al computador para que “jale y ejecute” unas operaciones definidas por su programación. En adelante, será una mezcla de eso con la capacidad de “generar” formas novedosas de respuesta (jalar + generar, retrieval + generation). Por eso afirma que ahora la industria de la computación irá a un escenario por entero distinto a lo que ha hecho por espacio de sesenta años.

Un sinnúmero de industrias se transformará aún más de lo que hemos visto hasta ahora; por ejemplo, descubrir nuevos medicamentos y hacer software. De hecho, los premios Nobel de química de 2024 desarrollaron herramientas de IA que permitieron crear proteínas, con formas y funciones nuevas, útiles para vacunas, medicinas, nanomateriales y sensores diminutos. El premio Nobel de física de este año se otorgó también por descubrimientos e invenciones que sentaron las bases para el aprendizaje de las maquinas (Machine Learning).

Lo que viene ahora es la Inteligencia Artificial General (AGI, por sus iniciales in inglés), con la capacidad de entender, aprender y aplicar inteligencia similar a como lo hacemos los humanos. La IA se limitaba a tareas específicas (reconocimiento facial, traducciones, p.ej.). AGI podrá razonar y aprender nuevas habilidades, sin necesidad de ser programada para cada tarea específica (Wow!). Dice ChatGpt: “Un sistema de AGI podría realizar tareas que requieren una comprensión profunda del contexto, creatividad, pensamiento abstracto e incluso inteligencia emocional”.

¿Ante esto, qué deben hacer los países? Jensen Huang advierte que el avance económico dependerá de cómo usen IA y AGI. La parte computacional avanza a velocidades astronómicas, pero cada país es un productor masivo de datos de todo tipo, que es el alimento de IA y AGI. Si estamos en la aurora de una nueva era de producción y uso de inteligencia, los países deben ponerse a punto para explotarla.

Ahora lo malo. Imaginen esto en las manos equivocadas. Ese riesgo llevó a uno de los ganadores del Nobel de física, Geoffrey Hinton, uno de los padres de la AI, a abandonar su empleo en Google y dedicarse a advertir sobre los peligros del aceleracionismo y los usos perniciosos de IA y AGI.

Un colombiano que trabaja en Santa Clara, California, con una de las megacompañías de esta industria, quien me asistió en este texto, lo puso como “el riesgo de pasar de la generación a la degeneración; vídeos o fotos falsas, suplantación de identidad, etc. O simplemente matar la innovación de la mente humana y terminar con zombis deambulando por ahí, dependientes de toda esta tecnología”.

Sólo el futuro dirá si estas advertencias tenían razón. Como en el caso de Alfred Nobel y la dinamita, sabremos qué parte sirvió para construir puentes y túneles, y qué parte para volarlos.