2024 comienza con una ola de IA generativa

Claude 3 de Anthropic

Anthropic lanzó Claude 3 el 14 de marzo de 2024. El modelo Claude 3 se presenta en tres versiones: Opus, Sonnet y Haiku, cada una de las cuales sirve a diferentes mercados y propósitos. Haiku, el modelo más rápido, está optimizado para respuestas rápidas y básicas. Sonnet equilibra velocidad e inteligencia y está orientado a aplicaciones empresariales. Opus, la versión más avanzada, ofrece una inteligencia y un razonamiento incomparables y es ideal para tareas complejas y para alcanzar los mejores resultados.

Claude 3 cuenta con numerosas funciones avanzadas y mejoras:

• Conversaciones multilingües mejoradas: Habilidades mejoradas en idiomas como el español, el japonés y el francés.
  ‍
• Funciones de visión avanzadas: Capaz de manejar varios formatos visuales.
  ‍
• Rechazos minimizados: Muestra una mayor comprensión con menos negativas innecesarias, lo que indica una mejor comprensión contextual.
  ‍
• Ventana de contexto ampliada: Ofrece una ventana de contexto de 200K, pero es capaz de procesar entradas de más de 1 millón de tokens en función de las necesidades del cliente.

‍

DBRX de Databricks

Databricks DBRX es un LLM abierto de propósito general lanzado por Databricks el 27 de marzo de 2024. DBRX obtiene muy buenos resultados en varias pruebas comparativas, como comprensión del lenguaje, programación y matemáticas. Supera a otros modelos establecidos siendo aproximadamente un 40% más pequeño que modelos similares.

‍

DBRX se entrenó utilizando la predicción de la siguiente palabra con una arquitectura de mezcla de expertos (MoE) de grano fino, y por eso podemos ver mejoras significativas en el rendimiento del entrenamiento y la inferencia. Su arquitectura permite al modelo predecir con mayor precisión la siguiente palabra de una secuencia consultando a un conjunto diverso de submodelos especializados (los "expertos"). Estos submodelos son buenos manejando distintos tipos de información o tareas.

Gemini 1.5 de Google

El 15 de febrero de 2024, Google presentó Gemini 1.5, un modelo de IA multimodal y eficiente desde el punto de vista computacional que puede analizar gran cantidad de datos de texto, vídeo y audio. El último modelo es más avanzado en términos de rendimiento, eficiencia y capacidades. Una característica clave de Gemini 1.5 es su gran avance en la comprensión de contextos largos. El modelo es capaz de manejar hasta un millón de tokens de forma consistente. Las capacidades de Gemini 1.5 también se deben a una nueva arquitectura basada en MoE.

‍

Estas son algunas de las características más interesantes de Gemini 1.5:

• Manejo de datos mejorado: Permite la carga directa de PDF de gran tamaño, repositorios de código o vídeos de larga duración como avisos. El modelo puede razonar a través de modalidades y texto de salida.
  ‍
• Carga de múltiples archivos y consultas: Ahora los desarrolladores pueden cargar varios archivos y hacer preguntas.
  ‍
• Puede utilizarse para diferentes tareas: Está optimizado para adaptarse a diversas tareas y muestra mejoras en áreas como matemáticas, ciencias, razonamiento, multilingüismo, comprensión de vídeo y código.

Sora de OpenAI 

OpenAI, creador de ChatGPT, anunció el 15 de febrero de 2024 un modelo de aprendizaje profundo de texto a vídeo de última generación llamado Sora. Sora es un generador de texto a vídeo capaz de generar vídeos de un minuto de duración con gran calidad visual a partir de indicaciones textuales del usuario. 

Por ejemplo, eche un vistazo a la siguiente pregunta. 

"Un precioso mundo de papel de un arrecife de coral, plagado de coloridos peces y criaturas marinas". 

Y aquí tienes un fotograma del vídeo de salida. 

‍

La arquitectura de Sora lo hace posible combinando modelos de difusión para la generación de texturas y modelos de transformación para la coherencia estructural. De momento, solo han tenido acceso a Sora los miembros del equipo rojo y un grupo selecto de artistas visuales, diseñadores y cineastas para conocer los riesgos y obtener su opinión. 

Estabilidad Difusión estable de AI 3 

Stability AI anunció la llegada de Stable Diffusion 3, un modelo de generación de texto a imagen, el 22 de febrero de 2024. El modelo mezcla la arquitectura de transformadores de difusión y el ajuste de flujos. Aún no han publicado un documento técnico, pero hay algunas características clave a tener en cuenta.

‍

El último modelo de Stable Diffusion ofrece un mayor rendimiento, calidad de imagen y precisión en la creación de imágenes con múltiples sujetos. Stable Diffusion 3 también ofrecerá una variedad de modelos que van de 800 millones a 8.000 millones de parámetros. Permitirá a los usuarios elegir en función de sus necesidades específicas de escalabilidad y detalle.

Lumiere de Google 

El 23 de enero de 2024, Google lanzó Lumiere, un modelo de difusión de texto a vídeo. Lumiere utiliza una arquitectura llamada Space-Time-U-Net, o STUNet para abreviar. Esta arquitectura ayuda a Lumiere a entender dónde están las cosas y cómo se mueven en un vídeo. De este modo, puede generar vídeos fluidos y realistas.

‍

Con la capacidad de generar 80 fotogramas por vídeo, Lumiere está superando los límites y estableciendo nuevos estándares de calidad de vídeo en el espacio de la IA. Estas son algunas de las características de Lumiere:

• De imagen a vídeo: A partir de una imagen y una indicación, Lumiere puede animar imágenes para convertirlas en vídeos.
  ‍
• Generación estilizada: Lumiere puede crear vídeos con estilos específicos utilizando una sola imagen de referencia.
  ‍
• Cinemagraphs: Lumiere puede animar regiones específicas dentro de una imagen para crear escenas dinámicas, como un objeto concreto que se mueve mientras el resto de la escena permanece estática.
  ‍
• Video Inpainting: Puede modificar partes de un vídeo, como cambiar el atuendo de las personas que aparecen en él o alterar detalles del fondo.

Neuralink de Elon Musk

Neuralink, de Elon Musk, implantó con éxito su chip cerebral inalámbrico en un ser humano el 29 de enero de 2024. Se trata de un gran paso hacia la conexión del cerebro humano con los ordenadores. Elon Musk adelantó que el primer producto de Neuralink, llamado "Telepathy", está en fase de desarrollo. 

‍

El objetivo es que los usuarios, sobre todo los que han perdido la funcionalidad de sus extremidades, puedan controlar dispositivos sin esfuerzo a través de sus pensamientos. Las aplicaciones potenciales van más allá de la comodidad. Elon Musk imagina un futuro en el que las personas con parálisis puedan comunicarse fácilmente.

Suelo HoloTile de Disney 

El 18 de enero de 2024, Walt Disney Imagineering presentó el HoloTile Floor. Ha sido bautizado como el primer suelo multipersona omnidireccional del mundo. 

‍

Puede moverse por debajo de cualquier persona u objeto como si fuera telequinesis para una experiencia inmersiva de realidad virtual y aumentada. Se puede caminar en cualquier dirección y evitar colisiones mientras se está sobre él. El HoloTile Floor de Disney también puede colocarse en escenarios teatrales para bailar y moverse de forma creativa.

Visión Pro de Apple

El 2 de febrero de 2024 salieron al mercado los esperados auriculares Vision Pro de Apple. Cuenta con una serie de funciones y aplicaciones diseñadas para redefinir la experiencia de la realidad virtual y aumentada. Los auriculares Vision Pro se dirigen a un público muy diverso y combinan entretenimiento, productividad y computación espacial. Apple anunció con orgullo que más de 600 aplicaciones, desde herramientas de productividad hasta juegos y servicios de entretenimiento, se optimizaron para Vision Pro en su lanzamiento.

Devin de Cognition

El 12 de marzo de 2024, Cognition lanzó un asistente de ingeniería de software llamado Devin. Devin es el primer intento del mundo de crear un ingeniero de software autónomo. A diferencia de los asistentes de codificación tradicionales, que ofrecen sugerencias o completan tareas específicas, Devin está diseñado para gestionar proyectos completos de desarrollo de software, desde el concepto inicial hasta su finalización. 

Puede aprender nuevas tecnologías, crear y desplegar aplicaciones completas, encontrar y corregir errores, entrenar sus propios modelos, contribuir a bases de código de código abierto y de producción, e incluso aceptar trabajos de desarrollo reales de sitios como Upwork. 

‍

Devin fue evaluado en SWE-bench, una exigente prueba que pide a los agentes que resuelvan problemas reales de GitHub encontrados en proyectos de código abierto como Django y scikit-learn. Resolvió correctamente el 13,86% de las incidencias de extremo a extremo, frente al 1,96% del estado del arte anterior.