Introducción

El deep learning es una rama de la inteligencia artificial. Permite que las máquinas aprendan por sí mismas a realizar tareas. En la última década ha evolucionado muy rápido. Ha pasado de modelos muy limitados a modelos potentes con múltiples capacidades.

En este artículo explicaremos esa evolución. También las tendencias que marcarán el futuro del deep learning.

Deep Learning 1.0: redes neuronales específicas

Al principio, el deep learning usaba redes neuronales. Estas se entrenaban de forma supervisada para tareas muy concretas. Por ejemplo, clasificar hojas sanas y enfermas.

Se necesitaban muchos datos etiquetados manualmente. Cada red neuronal servía solo para la tarea específica para la que fue entrenada. Había que volver a entrenarla para cualquier otra tarea.

Esta dependencia de datos etiquetados limitaba el potencial del deep learning.

Deep Learning 2.0: modelos multitarea auto-supervisados

A partir de 2018 surgieron los modelos pre-entrenados. Venían entrenados para tareas generales como reconocer imágenes. Luego se adaptaban fácilmente a necesidades más específicas.

Esto permitió modelos multitarea, que se pueden reutilizar. Ya no hace falta entrenar desde cero cada vez.

Además, el aprendizaje auto-supervisado fue clave. Las máquinas pueden entrenarse sin datos etiquetados manualmente. Por ejemplo, prediciendo palabras ocultas en textos.

Así surgieron los modelos fundamentales como GPT-3 para lenguaje o DALL-E para imágenes. Tienen aplicaciones en procesamiento de lenguaje, generación visual, robótica, etc.

Deep Learning 3.0: el futuro con aprendizaje por refuerzo

En el futuro, el deep learning se podría centrar más en el aprendizaje por refuerzo. Aquí las máquinas aprenden solas explorando, sin datos previos.

Esto permite alcanzar soluciones más creativas e innovadoras. Por ejemplo, en matemáticas o para acelerar el avance científico.

La robótica se beneficiaría mucho del aprendizaje por refuerzo. Permitiría desarrollar habilidades motoras sin programación compleja previa.

OpenAI vs Google DeepMind

OpenAI ha liderado los modelos de lenguaje como GPT-3. Google DeepMind se ha centrado más en el aprendizaje por refuerzo.

DeepMind podría liderar la transición al deep learning 3.0 con su modelo Gemini. Combinaría lenguaje y elementos de aprendizaje por refuerzo.

Conclusión

En poco tiempo hemos pasado de modelos de IA muy limitados a otros con múltiples capacidades autónomas. El deep learning está impulsando la mayor revolución tecnológica de la historia. Y su futuro es aún más prometedor.