Las herramientas de investigación de IA como OpenAI o1 han alcanzado niveles de puntuación en pruebas que cumplen o superan las puntuaciones de aquellos que poseen títulos de doctorado en ciencias y en varios otros campos. Estas herramientas de IA generativa utilizan modelos de lenguaje grandes que incluyen investigación y conocimiento en muchas disciplinas. Cada vez más, se utilizan para la ideación de proyectos de investigación y búsquedas de literatura. Las herramientas están generando ideas interesantes para los investigadores a las que es posible que no se hayan expuesto en años anteriores.
El campo académico ha enfatizado durante mucho tiempo el estudio de investigación de una sola disciplina. Ofrecemos títulos en disciplinas individuales; los miembros de la facultad suelen ser nombrados en un solo departamento, escuela o facultad; y en su mayor parte, nuestras revistas académicas revisadas por pares están en una sola disciplina, aunque a veces aceptan artículos de campos estrechamente asociados o aliados. Las disertaciones se basan más comúnmente en una sola disciplina. Aunque las subvenciones de investigación son cada vez más multidisciplinarias y priorizan la búsqueda de soluciones prácticas, un gran número sigue centrado en un campo de estudio.
El problema es que a medida que avanzamos en nuestro conocimiento y experiencia en la aplicación en un campo, podemos desconocer desarrollos importantes en otros campos que impactan directa o indirectamente en el estudio de nuestra disciplina elegida. La innovación no siempre es un avance de un solo propósito y línea recta. Con mayor frecuencia hoy en día, la innovación proviene de la integración del conocimiento de campos dispares como la sociología, la ingeniería, la ecología y los desarrollos ambientales, y la comprensión en expansión de la física cuántica y la computación cuántica. Hasta hace poco, no teníamos una manera eficiente de identificar e integrar conocimientos y perspectivas de campos que, a primera vista, parecen no estar relacionados.
El futurista y innovador de IA, Thomas Conway de Algonquin College of Applied Arts and Technology, aborda este tema en “Aprovechando el Poder de Muchos: Un Enfoque Multi-LLM para la Integración Multidisciplinaria”:
“En medio de la urgencia de desafíos globales cada vez más complejos, la necesidad de enfoques integradores que trasciendan los límites disciplinarios tradicionales nunca ha sido tan crítica. El cambio climático, las crisis de salud globales, el desarrollo sostenible y otros problemas urgentes demandan soluciones de conocimiento y experiencia diversos. Sin embargo, combinar de manera efectiva las ideas de múltiples disciplinas ha sido durante mucho tiempo un obstáculo significativo en la academia y la investigación.”
“La Metodología de Promoción Iterativa Multi-LLM (MIPM) emerge como una solución transformadora a este desafío. MIPM ofrece un marco estructurado pero flexible para promover y mejorar la investigación, la revisión por pares y la educación multidisciplinarias. En su núcleo, MIPM aborda el problema fundamental de combinar de manera efectiva perspectivas disciplinarias diversas para llevar a una síntesis e innovación genuinas. Su potencial transformador es un faro de esperanza frente a desafíos globales complejos.”
Incluso al integrar herramientas y técnicas de investigación de IA, nosotros mismos y nuestra sociedad en general estamos cambiando. Muchos de los modelos de lenguaje de vanguardia comunes que impulsan las herramientas de investigación son multidisciplinarios por naturaleza, aunque algunos están diseñados con fortalezas en campos específicos. Sus respuestas a nuestras indicaciones son multidisciplinarias. La respuesta a nuestras indicaciones de seguimiento iterativo puede llevarnos a campos y áreas de experiencia de los que no estábamos previamente conscientes. Las respuestas no provienen únicamente de un experto en una sola disciplina, libro u otro recurso. Proceden de un enorme modelo de lenguaje que abarca disciplinas, idiomas, culturas y milenios.
Al integrar estas herramientas, naturalmente nos daremos cuenta de nuevas perspectivas y desarrollos emergentes generados por campos que están fuera de nuestro conocimiento, formación y experiencia diarios. Esto ampliará nuestras perspectivas más allá de los campos de nuestro estudio formal. A medida que la calidad de nuestras herramientas de investigación basadas en IA se expande, su impacto en la investigación no puede ser exagerado. Nos llevará en nuevas direcciones y perspectivas más amplias, descubriendo el potencial de nuevos conocimientos, informados por múltiples disciplinas. Un ejemplo reciente es Storm, una herramienta de lluvia de ideas desarrollada por el equipo del Laboratorio Asistente Virtual Abierto de Stanford (OVAL):
“Las tecnologías centrales del sistema STORM&Co-STORM incluyen el soporte de Búsqueda Bing y GPT-4o mini. El componente STORM genera de manera iterativa esquemas, párrafos y artículos a través de preguntas y respuestas multidireccionales entre ‘expertos en LLM’ y ‘anfitriones de LLM’. Mientras tanto, Co-STORM genera mapas mentales interactivos dinámicos a través de diálogos entre múltiples agentes, asegurando que ningún dato sea pasado por alto por el usuario. Los usuarios solo necesitan ingresar una palabra clave de tema en inglés, y el sistema puede generar un texto largo de alta calidad que integra información de múltiples fuentes, similar a un artículo de Wikipedia. Al experimentar el sistema STORM, los usuarios pueden elegir libremente entre los modos STORM y Co-STORM. Dado un tema, STORM puede producir un texto largo de alta calidad estructurado en 3 minutos. Además, los usuarios pueden hacer clic en ‘Ver el proceso de BrainSTORMing’ para ver el proceso de lluvia de ideas de diferentes roles de LLM. En la sección ‘Descubrir’, los usuarios pueden consultar artículos y ejemplos de chat generados por otros académicos, y también se pueden encontrar artículos personales y registros de chat en la barra lateral ‘Mi Biblioteca’.”
Más información sobre Storm está disponible en https://storm.genie.stanford.edu/.
Una de las preocupaciones planteadas por los escépticos en este punto del desarrollo de estas herramientas de investigación es la seguridad de las indicaciones y los resultados. Pocos son conscientes de las oportunidades para sistemas cerrados o sin conexión y incluso los chats temporales de ChatGPT. En el caso de OpenAI, puedes iniciar un chat temporal tocando la versión de ChatGPT que estás utilizando en la parte superior de la aplicación GPT y seleccionando chat temporal. Esto lo hago comúnmente al usar el Asesor eduAI de Ray. OpenAI dice que en el modo de chat temporal los resultados “no aparecerán en el historial, se usarán o crearán memorias, ni se utilizarán para entrenar nuestros modelos. Por motivos de seguridad, podemos conservar una copia durante un máximo de 30 días.” Podemos anticipar que este tipo de protecciones serán ofrecidas por otros proveedores. Esto puede proporcionar una seguridad adecuada para muchas aplicaciones.
Una mayor seguridad puede ser proporcionada instalando una instancia independiente de la base de datos y el software de LLM en una computadora sin conexión que mantenga los datos completamente desconectados de internet o cualquier otra red, asegurando un nivel de protección sin igual. Los modelos de lenguaje pequeños y medianos están proporcionando resultados impresionantes, acercándose y en algunos casos superando el rendimiento del modelo de vanguardia mientras almacenan todos los datos localmente, sin conexión. Por ejemplo, el año pasado Microsoft introdujo una línea de modelos SLM y medianos:
“La experiencia de Microsoft al enviar copilotos y permitir a los clientes transformar sus negocios con IA generativa utilizando Azure AI ha destacado la creciente necesidad de modelos de diferentes tamaños a lo largo de la curva de calidad-coste para tareas diferentes. Los modelos de lenguaje pequeños, como Phi-3, son especialmente adecuados para:
Ambientes con recursos limitados, incluyendo escenarios de inferencia en dispositivos y sin conexión.Escenarios con límites de latencia donde los tiempos de respuesta rápidos son críticos.Casos de uso con restricciones de costos, especialmente aquellos con tareas más simples.”
A corto plazo encontraremos aplicaciones de búsqueda privadas llave en mano que ofrecerán resultados aún más impresionantes. El trabajo continúa para aumentar rápidamente las respuestas multidisciplinarias a la investigación sobre un número cada vez mayor de temas de investigación apremiantes.
Las herramientas de investigación de IA en constante evolución ahora nos están proporcionando respuestas de múltiples disciplinas. Estos resultados nos llevarán a participar en estudios multidisciplinarios que se convertirán en un catalizador de cambio en toda la academia. ¿Comenzarás a considerar estudios de investigación interdisciplinarios y a involucrar a tus colegas de otros campos para unirse a ti en proyectos de investigación?