La economía invisible de la IA, los desafíos de la supervisión automatizada y avances en predicción de proteínas

Economistas de instituciones académicas líderes y del Banco de Canadá documentaron un crecimiento sin precedentes de la economía de IA en Estados Unidos — aproximadamente 2.600% anualmente cuando se ajusta por mejoras de calidad — que permanece en gran medida invisible en las estadísticas convencionales del PIB. El crecimiento se concentra principalmente en el uso de sistemas de IA en lugar de infraestructura de centros de datos, lo que dificulta su captura mediante mediciones económicas tradicionales. Esta brecha en las métricas económicas plantea riesgos significativos para los formuladores de políticas que pueden subestimar la disrupción del mercado laboral y carecer de marcos adecuados para pronosticar el impacto económico de la IA. Investigadores del Instituto de Seguridad de IA del Reino Unido advierten que la supervisión automatizada de sistemas de IA presenta desafíos mucho mayores de lo que comúnmente se asume. Los errores cometidos por agentes de IA resultan difíciles de identificar por humanos, emergiendo de formas contraintuitivas dentro de contextos altamente correlacionados e involucrando potencialmente argumentos que los humanos no pueden evaluar. Para abordar estos desafíos, los investigadores proponen recrear proyectos de investigación desde puntos de control arbitrarios, probar la generalización en conjuntos de datos correlacionados y desarrollar protocolos de supervisión escalables que consideren las dinámicas de equipos humano-agente. Un esfuerzo colaborativo de Stanford, Salesforce Research y otras instituciones lanzó GPIC, un conjunto de datos que comprende 100 millones de imágenes con licencias permisivas disponibles para uso académico y comercial, alojadas en Hugging Face. El conjunto de datos, que abarca 200.000 ejemplos de validación y 1 millón de ejemplos de prueba, proporciona recursos esenciales para investigadores académicos y empresas emergentes que desarrollan sistemas de IA. En biología computacional, Biohub lanzó ESMFold2, compitiendo directamente con AlphaFold de DeepMind mediante un desempeño superior en múltiples puntos de referencia. El sistema combina ESMC, un modelo de lenguaje entrenado en 2.800 millones de secuencias de proteínas, con las capacidades de diseño de ESMFold2 para generar estructuras tridimensionales, y ESM Atlas, que cataloga representaciones de 6.800 millones de secuencias de proteínas y 1.100 millones de estructuras predichas — la aplicación de IA más grande en biología de proteínas hasta la fecha.