Latam-GPT es una iniciativa regional de inteligencia artificial en América Latina diseñada para crear un modelo de lenguaje grande que refleje idiomas, culturas y historias locales. El proyecto, coordinado por el Centro Nacional de Inteligencia Artificial de Chile (CENIA), tiene como objetivo llevar a la región desde el consumo digital hasta la creación de inteligencia artificial. Latam-GPT se está construyendo con aproximadamente 50 mil millones de parámetros, comparable a GPT-3.5, y se basa en un corpus de más de 8 terabytes de texto recopilado de más de 30 instituciones en América Latina. Esta iniciativa plantea la pregunta de si América Latina puede pasar de ser un importador de tecnología a un arquitecto de tecnología.
El enfoque técnico de Latam-GPT implica un camino intermedio entre construir un modelo desde cero y afinar modelos existentes. El modelo multilingüe de lenguaje grande de código abierto de Suiza (LLM) demuestra la viabilidad de la inteligencia artificial soberana, que se alinea con los intereses estratégicos nacionales, las normas legales y éticas, las prioridades culturales y las necesidades de seguridad. Sin embargo, este enfoque requiere una inversión pública sostenida, una coordinación institucional fuerte y una capacidad centralizada.
Afinar modelos existentes ofrece una alternativa más pragmática. Técnicas como «ajuste de cabeza» y Adaptación de Rango Bajo (LoRA) permiten modificaciones al capa final del modelo o la inserción de módulos pequeños y entrenables en las capas internas del modelo, respectivamente. Estos métodos moldean el comportamiento sin reconstruir el sistema. Por ejemplo, un Latam-GPT base con adaptadores LoRA podría afinarse para el slang regional y las rutinas específicas de cada país, adaptando un modelo de código abierto a contextos locales con menos potencia de cómputo y en un plazo más corto.
Sin embargo, afinar hereda las suposiciones fundamentales del modelo base, incluidas las estrategias de tokenización, las mecánicas de atención y los sesgos culturales incorporados. Un modelo entrenado principalmente en texto en inglés puede tener dificultades con la complejidad morfológica del español o la riqueza contextual de los idiomas indígenas, independientemente de la sofisticación del afinamiento.
La aproximación de CENIA equilibra la cobertura global con la especificidad regional al entrenar en datos regionales mientras aprovecha una arquitectura multilingüe. Construido sobre LlaMA 3, el modelo se basa en un corpus que abarca más de 1.500 idiomas. Este enfoque aborda la dimensión cultural de la inteligencia artificial, donde los modelos de lenguaje codifican valores y visiones del mundo. Los modelos de inteligencia artificial globales a menudo fallan en contextos locales, como se ve en respuestas desafinadas en español regional y la lectura incorrecta de acrónimos locales.
El corpus de entrenamiento de Latam-GPT incluye no solo español y portugués sino también idiomas indígenas, cada uno con estructuras gramaticales distintas. Esto representa obstáculos computacionales más allá de la expansión del vocabulario. La lógica federada de Latam-GPT reconoce la diversidad institucional de la región, proporcionando una base compartida que puede afinarse para prioridades nacionales. Este modelo de código abierto estará disponible al público, reflejando tanto la necesidad como la elección estratégica.
A pesar de su ambición, Latam-GPT enfrenta obstáculos estructurales. La economía de la atención requiere actualizaciones constantes y refinamiento, lo que demanda una inversión sostenida. El problema de la fuga de talentos, donde investigadores de inteligencia artificial migran a oportunidades mejor remuneradas en el Norte Global, plantea un desafío significativo. La adopción de usuarios también presenta un clásico dilema del huevo y la gallina, requiriendo apoyo institucional y un ecosistema regional.
Latam-GPT prueba si la inteligencia artificial puede funcionar como infraestructura pública, gestionada para beneficio colectivo en lugar de beneficio privado. Esto incluye aplicaciones en educación, salud y preservación cultural. Varias municipalidades chilenas están probando Latam-GPT para reducir las tasas de abandono escolar y mejorar los servicios de salud pública. Los datos de entrenamiento regionales del modelo deberían hacerlo más efectivo que las alternativas globales para comprender contextos locales.
El camino adelante para Latam-GPT implica soberanía pragmática, asegurando una representación significativa de la diversidad completa de la región, incluidos pueblos indígenas, comunidades migrantes y grupos marginados. El éxito del modelo se medirá no solo en parámetros o métricas de rendimiento, sino en su contribución al desarrollo. Si Latam-GPT ayuda a los maestros en la Colombia rural o a los funcionarios en la Ciudad de México hacer su trabajo mejor, habrá tenido éxito.
Finalmente, la soberanía de la inteligencia artificial de América Latina depende de la voluntad política de invertir en el desarrollo tecnológico a largo plazo y la capacidad institucional para sostenerlo. Latam-GPT ofrece un comienzo prometedor, pero la verdadera prueba está por delante. El objetivo es construir inteligencia artificial que sirva a las necesidades y contextos de América Latina, en lugar de simplemente igualar las capacidades de Silicon Valley.
