Muchos inversionistas, organizaciones y emprendedores están profundamente comprometidos con la construcción de un ecosistema de Inteligencia Artificial (IA) que priorice agencia, equidad y sostenibilidad para las personas y el planeta. Sin embargo, las opciones de inversión actuales son 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 de EE.UU. o China. 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 retos compartidos, y ambas fallan en abordar la concentración fundamental de poder que persiste en una mano de empresas privadas.
Una aproximación alternativa para construir sistemas de IA, basada en la ciencia de la inteligencia colectiva (IC), puede abordar estos defectos. Ahora 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 esta aproximación es complementar los esfuerzos para lograr 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, equidad significativa en la infraestructura y aplicaciones de IA y agencia para usar estos sistemas para autogestionarse 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 coser juntos 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 pre-entrenados en vastos tesoros 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 escala de la máquina con la experiencia y 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 proteger a 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 re-marcar la IA generativa como IA generativa de inteligencia colectiva o “GenCI”: una tecnología social que combina capacidad algorítmica con conocimiento humano para abordar retos complejos, 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 nuancia. Enfoques para el equipamiento humano-AI como el equipamiento de vibra pueden posicionar las herramientas de IA para apoyar la creatividad y la calidad del problema-solución humano-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 esencial
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 IC y los principios de diseño se beneficiarán de una ventaja natural en la solución de retos 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 de manera transparente datos de intensidad de carbono desde el principio, servicios públicos confiables de IA 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 IC 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 de IA de potencias medias, modelado después del consorcio Airbus, podría colaborar para llevar estas ideas al mercado como utilidades públicas.
Robust social and policy collaboration es necesario 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 seguido las instrucciones especificadas. He agrupado las líneas cortas en párrafos coherentes, mantenido las listas numeradas dentro del mismo párrafo cuando sea posible, y he aplicado la negrita solo en los nombres de personas importantes, títulos claros y nombres de organizaciones importantes. También he mantenido un 15% de negrita en el texto. No he agregado etiquetas HTML adicionales y solo he usado y .