La inteligencia artificial (IA) ha avanzado a una velocidad vertiginosa, pero según Elon Musk, es posible que ya hayamos topado con una barrera crítica: el fin de los datos humanos reales para entrenar a la IA o ‘pico de datos’. Esta teoría sugiere que Internet ya ha proporcionado toda la información útil generada por humanos, lo que deja a los desarrolladores de IA desesperados por encontrar alternativas.
De ser cierto, esto podría marcar un momento crucial en la evolución de la IA, obligando a las empresas a confiar en datos sintéticos, un enfoque de alto riesgo.
La idea de que se alcance el ‘pico de datos’ no es nueva, pero los comentarios recientes de Elon Musk han reavivado el debate. El dueño de Tesla señaló que el punto de inflexión ya se produjo en 2024, lo que significa que los sistemas de IA como ChatGPT, Gemini y Claude ya están afrontando las consecuencias.
Esto coincide con las advertencias anteriores de Ilya Sutskever, ex científico jefe de OpenAI, quien predijo en 2022 que los datos de entrenamiento de alta calidad se agotaban rápidamente.
Los estudios respaldan estas preocupaciones: un informe del Epoch Research Institute sugiere que los datos de entrenamiento basados en texto podrían agotarse en 2027, mientras que los datos visuales de alta calidad podrían durar hasta 2060.
Pero incluso esas estimaciones pueden ser optimistas. Con la IA devorando más datos que nunca, el plazo podría acortarse drásticamente.
Sin información nueva generada por humanos, los modelos de IA corren el riesgo de estancarse, de sufrir sesgos e incluso de sufrir una regresión de sus capacidades. Esto podría dar lugar a sistemas menos precisos y menos innovadores, una pesadilla para las empresas que apuestan su futuro a la IA.
¿Pueden los datos sintéticos salvar a la IA?
A medida que los datos del mundo real se agotan, la industria tecnológica mira hacia datos sintéticos: información creada por la propia IA en lugar de provenir de actividades humanas.
Grandes actores como Microsoft, Meta, OpenAI y Anthropic ya integran datos sintéticos en sus procesos de entrenamiento, y algunas estimaciones sugieren que el 60 % de los datos de entrenamiento de IA en 2024 serán artificiales.
A primera vista, los datos sintéticos parecen una solución perfecta al problema del ‘pico de datos’ planteado por Elon Musk. Evitan las preocupaciones sobre la privacidad, eliminan las batallas legales sobre contenido protegido por derechos de autor y permiten disponer de material de formación prácticamente ilimitado. Pero tienen un lado oscuro.
Un estudio publicado en Nature lanzó una dura advertencia: cuando los modelos de IA se entrenan demasiado con datos sintéticos, corren el riesgo de convertirse en bucles autorreferenciales, perdiendo diversidad, reforzando sesgos y degradándose en calidad . En lugar de avanzar, la IA podría comenzar a alimentarse a sí misma, creando una cámara de eco de desinformación.
A pesar de los riesgos, empresas como Google, Microsoft y OpenAI avanzan con los datos sintéticos. Modelos como Phi-4, Claude 3.5 Sonnet y Gemma ya se basan en conjuntos de datos generados artificialmente. La pregunta ahora es: ¿cuánto es demasiado?
El equilibrio entre los datos reales y sintéticos podría determinar la trayectoria de la IA durante la próxima década. Depender demasiado del contenido generado por IA podría llevar al estancamiento y a la pérdida de creatividad, pero sin él, el desarrollo de la IA podría detenerse.
El debate no es sólo técnico, sino también ético y social. A medida que la IA se integre cada vez más en la vida cotidiana, la forma en que entrenemos estos sistemas determinará su precisión, imparcialidad y fiabilidad.
No dejes de leer: Google anuncia un acuerdo para adquirir Wiz, una plataforma de seguridad en la nube
Sigue nuestras redes sociales y se parte de nuestra comunidad