Muchos inversionistas, organizaciones y emprendedores están profundamente comprometidos con la construcción de un ecosistema de Inteligencia Artificial (IA) que priorice la agencia, la igualdad y la sostenibilidad para las personas y el planeta. Sin embargo, las opciones de inversión actuales están limitadas. Los gobiernos y los financiadores que buscan apoyar la IA de beneficio público se enfrentan a un dilema: invertir en infraestructura de IA soberana, que incluye computo de alto rendimiento, modelos de base y energía, sin caminos claros para garantizar la autonomía estratégica o coincidir con las capacidades frontales y aplicaciones de los escaladores de hiperscalers estadounidenses o chinos. Alternativamente, pueden optar por un portafolio disperso de aplicaciones de IA para el bien común, muchas de las cuales parecen soluciones en busca de problemas. Ninguna de las opciones ayuda a las comunidades a generar los datos contextualizados necesarios para enfrentar los desafíos compartidos, y ambas fallan en abordar la concentración fundamental de poder que persiste en una mano de pocas empresas privadas.
Una enfoque alternativo para construir sistemas de IA, basado en la ciencia de la inteligencia colectiva (CI), puede abordar estos defectos. Es técnicamente factible y económico pasar de construir clusters de computo centralizados y modelos de lenguaje grande (LLMs) a construir modelos de lenguaje local (o « LocalMs ») más pequeños que capturan y amplifican, en lugar de extraer, la inteligencia de las personas, equipos y comunidades. La visión final para este enfoque es complementar los esfuerzos para alcanzar la Inteligencia General Artificial (AGI) monolítica con un movimiento de abajo hacia arriba para crear ecosistemas de inteligencia. Esto involucraría a miles o incluso millones de comunidades inteligentes con soberanía sobre sus datos y cultura, una participación significativa en la infraestructura y aplicaciones de IA y la agencia para usar estos sistemas para autoorganizarse alrededor de prioridades compartidas.
Elementos de esta visión ya existen en prototipos técnicos, propuestas de política y comunidades de emprendedores de tecnología, científicos y inversionistas comprometidos. Lo que se necesita es un esfuerzo concertado entre estos actores para cosificar un campo más coherente capaz de innovar casos de uso impactantes que corten el ruido. Para este fin, se han extraído tres principios guía para marcar, diseñar y coordinar un ecosistema de IA que funcione para las personas y el planeta.
Primer principio: la IA debe ser vista como una tecnología social
La IA que funciona para las personas debe reconocer las contribuciones humanas a la IA. Los LLMs están preentrenados en vastas cantidades de contenido de internet creado y etiquetado por humanos, refinados a través de aprendizaje reforzado con retroalimentación humana y además ajustados a través de patrones de uso humano. La IA funciona mejor como un sistema híbrido que combina la velocidad y la escala de la máquina con la experiencia y el conocimiento humano. Sin embargo, estas contribuciones humanas a la IA están ausentes en las conversaciones de mainstream. Se necesitan nuevas narrativas para cambiar los debates de política de IA desde un paradigma de protección de los humanos de la IA a asegurar que las contribuciones humanas a los sistemas híbridos humanos-IA—datos, deliberación, juicio, intuición y contexto social—estén protegidas y valoradas de manera justa. Existe una oportunidad para redefinir la IA generativa como IA generativa de inteligencia colectiva o « GenCI »: una tecnología social que combina la capacidad algorítmica con el conocimiento humano para abordar desafíos complejos y reales del mundo que los humanos o las máquinas no podrían abordar solos.
Segundo principio: la IA debe ser diseñada como leal a la agencia humana
Los humanos son agentes, y la agencia humana debe ser el centro de preocupación en el desarrollo de la IA. Los inversionistas, políticos y usuarios finales deben insistir en algoritmos de IA, arquitecturas y enfoques que amplifican en lugar de extraen la agencia y la inteligencia social humana. Es posible construir algoritmos que capturan y elevan las creencias compartidas, propósito y potencial de acción en grupos y organizaciones. Las plataformas como Common Good AI desarrollan tales algoritmos. De manera similar, enfoques como Pol.is o Deliberation.io utilizan modelos de resumen y adaptación de encuesta para escalar diálogos inclusivos, preservando la diversidad de voces y la complejidad. Enfoques para la colaboración humano-AI como el vibe teaming pueden posicionar las herramientas de AI para apoyar la creatividad y la calidad del problema-solving humano-a-humano. Las agencias emergentes de IA pueden y deben ser « leales por diseño »—tratadas como fideicomisarios para los individuos, equipos o comunidades humanos (en lugar de solo para las empresas)—curando datos y entrenando LocalMs en su nombre.
Tercer principio: la coordinación en torno a las aplicaciones de gran enfoque es crucial
Las aplicaciones innovadoras pueden demostrar por qué crecer un ecosistema de IA alternativo es importante. Los sistemas de IA basados en la ciencia de la inteligencia colectiva y los principios de diseño se beneficiarán de una ventaja natural en la solución de desafíos que ningún actor puede resolver solo. Ejemplos incluyen una plataforma regional o global de comercio de energía verde que utiliza LocalMs para validar y intercambiar datos de intensidad de carbono de manera transparente desde el principio, servicios públicos confiables que utilizan LocalMs para federar datos sensibles personales y de gobierno, o la escala de prototipos pioneros como Interspecies Money, que utiliza principios de diseño de IA para construir IA que represente y valore la agencia de la vida no humana.
Para ayudar a mobilizar la escala de infraestructura (computo de alto rendimiento, datos y talento) necesaria para desarrollar casos de uso mundiales líderes, un consorcio público-privado de laboratorios nacionales de IA de potencias medias, modelado después del consorcio Airbus, podría colaborar para llevar estas ideas al mercado como utilidades públicas.
La colaboración social y política es necesaria para apoyar esta visión. Un centro neutral podría unir comunidades académicas y profesionales en el campo de la IA y la inteligencia colectiva para desarrollar herramientas y marcadores que evalúen no solo el rendimiento y la seguridad, sino también la calidad de la colaboración humano-IA y los resultados de la comunidad en todas las escalas. Un esfuerzo de estilo lunar para una aplicación atractiva podría demostrar la necesidad existencial de un ecosistema de IA que sirva a la gente y al planeta, en lugar de lo contrario.
En este texto, he aplicado las instrucciones especificadas. He agrupado las líneas cortas en párrafos coherentes, manteniendo al menos 2-3 oraciones en cada párrafo o un subtítulo claro. He utilizado las etiquetas solo para nombres propios de personas importantes, títulos y subtítulos claros, y nombres de organizaciones importantes, como se especifica. También he mantenido las listas numeradas dentro del mismo párrafo cuando sea posible y he separado solo cuando hay un cambio claro de tema o un subtítulo real. Finalmente, he mantenido un 15% de negrita en el texto.