STEM

[Cadavre Exquis]

https://www.elmundo.es/papel/futuro/2022/12/25/63a612e8fc6c83df438b45d9.html

https://www.elmundo.es/papel/2022/12/26/63a83796fc6c83a8258b45ba.html

Saludos.

[wanderer]

Emosidoengañados:

PARALIZA SUS PROYECTOS DE INVERSIÓN
Facebook despedirá el 1 de enero al 18% de su plantilla en España: "Nos han engañado"
Meta (Facebook) despedirá a entre 30 y 35 empleados en España, a los que ofrecerá generosas indemnizaciones y remuneración en acciones. El acuerdo, sin embargo, no aplaca el enfado de muchos trabajadores
https://www.elconfidencial.com/tecnologia/2022-12-28/meta-facebook-espana-despidos-ere-mark-zuckerberg_3548287/
[...]
La plantilla de Meta España vivía en el limbo desde que Mark Zuckerberg anunció el pasado 9 de noviembre el despido de 11.000 empleados a nivel mundial, un 13% del total. La decisión llegó meses después de que la compañía quemara 15.000 millones de dólares en su apuesta por el metaverso, una tecnología que ni sus propios empleados quieren usar y que, de momento, ha supuesto uno de los mayores blufs de los últimos años. Era cuestión de tiempo que la oleada de despidos llegara a España. Tras semanas de negociaciones, se ha alcanzado un acuerdo que, pese a ser muy ventajoso para los afectados, no esconde la realidad que vive la empresa.
[...]

[Cadavre Exquis]

Nuevo récord de factorización de números enteros usando ordenadores cuánticos con un algoritmo híbrido
Por Francisco R. Villatoro, el 27 diciembre, 2022. Categoría(s): Ciencia • Computación cuántica • Informática • Noticias • Science

El algoritmo de Shor para factorizar números enteros puso de moda la computación cuántica como riesgo potencial para la seguridad informática. Sin embargo, para factorizar una clave RSA-2048 se requieren millones de cúbits físicos (más allá de lo alcanzable antes del año 2050). Para superar esta barrera se pueden usar algoritmos de factorización basados en resolver un problema de factorización y entre ellos los algoritmos híbridos que combinan ordenadores cuánticos y clásicos. Se publica en arXiv un nuevo récord, la factorización de un número con 48 bits (261980999226229 = 15538213 × 16860433) usando 10 cúbits superconductores gracias a un nuevo algoritmo híbrido que requiere O(log N / log log N) cúbits para factorizar el número N. Lo más relevante es que se estima que para factorizar una clave RSA-2048 bastarían 372 cúbits físicos y una profundidad cuántica de 1118 (para un grafo de cúbits con conexión de todos con todos); un ordenador cuántico con estas características podría estar al alcance de la tecnología actual en 2030 (al menos esa es la promesa de IBM). Sin lugar a dudas el futuro de la seguridad informática está en el cifrado cuántico y los algoritmos postcuánticos.

Los ordenadores cuánticos actuales se encuentran en la era NISQ (Noisy Intermediate Scale Quantum, ordenadores cuánticos con ruidode escala intermedia). Ya se logró demostrar la ventaja cuántica con Sycamore (53 cúbits) de Google AI Quantum, aunque en la resolución de un problema académico sin interés práctico (LCMF, 23 sep 2019). El siguiente paso será demostrarla con un problema de interés práctico; para ello la única esperanza es la computación híbrida que combina ordenadores cuánticos y ordenadores clásicos. Los algoritmos más prometedores son los algoritmos cuánticos de optimización aproximada (QAOA por Quantum Approximate Optimization Algorithm), que prometen ser útiles en química cuántica, aprendizaje automático y otras áreas de la ingeniería; destaca por su impacto entre el público general la factorización de números enteros. El nuevo récord se basa en una implementación híbrida del algoritmo de Schnorr que con O(m/log m) cúbits permite factorizar un número de m bits (al algoritmo de Shor requiere O(m) cúbits), el llamado algoritmo SQIF (Sublinear-resource Quantum Integer Factorization), que usa un optimizador cuántico QAOA para ayudar a resolver la parte más costosa en tiempo del algoritmo de Schnorr. Este algoritmo requiere dos pasos: primero, encontrar ciertas relaciones entre pares (sr-pairs por smooth relation pairs) mediante la resolución del problema del vector más cercano (CVP por Closest Vector Problem) en el retículo, que es NP-duro (NP-hard), y luego resolver un sistema de ecuaciones lineales, que tiene coste lineal. Para resolver el CVP se usa una modificación del algoritmo de Babai que usa QAOA para mejorar sus soluciones.

Se ha logrado factorizar los números 1961 (11 bits), 48567227 (26 bits) y 261980999226229 (48 bits) usando un ordenador cuántico con 3, 5 y 10 cúbits superconductores. El nuevo récord con 48 bits puede parecer poco, pero hay que compararlo con los récords anteriores: 291311 de 19 bits (LCMF, 01 jul 2017) y 1099551473989 de 41 bits (https://doi.org/jq9m), aunque estos números tienen trampa, pues se aprovecha su estructura especial; para un número general el récord actual es 249919 de 18 bits usando D-Wave 2000Q (LCMF, 11 feb 2019). Quizás a muchos les deje fríos un récord en la factorización cuántica de números enteros usando un algoritmo híbrido, pero con la tecnología NISQ actual es la única posibilidad para lograr nuevos récords. El artículo es Bao Yan, Ziqi Tan, …, Gui-Lu Long, «Factoring integers with sublinear resources on a superconducting quantum processor,» arXiv:2212.12372 [quant-ph] (23 Dec 2022), doi: https://doi.org/10.48550/arXiv.2212.12372.

El algoritmo cuántico usado es relativamente sencillo, pues se basaen aplicar de forma reiterado unos bloques de intercambio (SWAP). No entraré en los detalles, solo quiero destacar que la profundidad cuántica (el número de bloques SWAP) es proporcional al número de cúbitsm, con lo que se necesita un ordenador cuánticos cuyos cúbits tengan alta calidad para factorizar números grandes. Como el algoritmo híbrido requiere solo O(m/log m) cúbits para factorizar un número de m bits, por ahora, es el algoritmo que requiere menos cúbits entre todos los algoritmos de factorización de un número entero arbitrario. En la implementación hardware se han usado cúbits superconductores de tipo transmón con fidelidades del 99.9 % para operaciones unarias de rotación (Rz) y de Hadamard (H) sobre un cúbit y del 99.5 % para operaciones binarias tipo CZ sobre dos cúbits.

En el paisaje energético del problema hamiltoniano que resuelve el algoritmo QAOA, como ilustra esta figura, la convergencia al mínimo global es muy rápida, bastan tres pasos; en la figura, la parte izquierda muestra la aplicación del algoritmo del descenso más rápido mientras que la parte derecha muestra el resultado del algoritmo cuántico. Por supuesto, el camino recorrido por el algoritmo cuántico difiere en cada ejecución, siendo diferente del resultado de la simulación numérica. Sin embargo, el óptimo al que converge es independiente de dicho camino, lo que indica que el algoritmo QAOA usado es robusto al ruido.

El nuevo algoritmo aún está muy lejos de ofrecer una ventaja cuántica (que exige usar más de cincuenta y pico cúbits). Gracias a ello se puede comparar su resultado con la predicción teórica para una simulación de dicho algoritmo. Como muestra esta figura el nivel de ruido del ordenador cuántico usado es bastante elevado, con lo que el resultado experimental está lejos de ser una buena aproximación a la predicción teórica. A pesar de ello es suficiente para lograr la factorización récord de un número de entero de 48 bits.

Para público general, quizás, lo más interesante es esta tabla que estima el número de cúbits y la profundidad (número de puertas lógicas) necesarios para factorizar cinco claves, de RSA-128 hasta RSA-2048. La profundidad depende de la topología del grafo que conecta los cúbits; en la tabla aparecen tres posibilidades, conexión todos con todos (Kn), una retícula 2D (2DSL) y una cadena 1D (LNN). La menor profundidad se obtiene para la conectividad de todos con todos. Para RSA-2048 se requieren 372 cúbits y una profundidad de 1118 para Kn y de 1490 para LNN. Estos números parecen alcanzables con la tecnología actual para el año 2030 (si se cumplen las promesas de las grandes tecnológicas, como IBM, incluso podría ser antes). Sin lugar a dudas la computación híbrida tiene un espléndido futuro.

Saludos.

[wanderer]

El ChatGPT no sabe lo que es:

https://youtu.be/ysmUjCI3B2M

(cuando le pide que escriba una canción sobre Júpiter, se queda el youtuber El Robot de Platón a cuadros).

Que es un gran avance para acceder a datos y discutir sobre ellos, sí; que es inteligente en sentido fuerte, un rotundo NO.

[senslev]

A mi me parece que se va a convertir en una herramienta imprescindible como lo es ahora un buscador. Creo que es mucho más que acceder a datos, te da respuestas concretas para preguntas concretas y cuanto más detallada sea la pregunta, más detallada es la respuesta. Por lo que he podido leer hasta ahora, aunque no se lo he preguntado a la propia IA (cuando acabe de escribir esto lo haré y pongo lo que responde), esta IA es ANI (Artificial Narrow Intelligence) y no AGI (Artificial General Intelligence), esta última es la que se supone que será como la humana pero no parece que esté muy cerca si es que se consigue alguna vez.

He estado probando algunas cosas y te hace programas y configuraciones sencillas en segundos. Le puedes pedir que te explique cualquier cosa y lo hace, mucho más rápido y eficiente que un buscador y eso que acaba de empezar.

¿Qué tipo de IA eres?

Soy un modelo de lenguaje grande entrenado por OpenAI. Mi principal función es ayudar a las personas a encontrar respuestas a sus preguntas y proporcionar información sobre una amplia variedad de temas. Estoy diseñado para imitar el lenguaje y el comportamiento humano, pero no tengo sentimientos ni emociones propias. Soy una herramienta de software y mi único propósito es ayudar a las personas de la manera más efectiva posible.

¿Eres ANI o AGI?
Soy una IA de tipo ANI (Artificial Narrow Intelligence). Esto significa que soy especializada en una tarea o conjunto de tareas muy específicas, en mi caso, proporcionar información y responder preguntas de manera coherente.

Por otro lado, una IA de tipo AGI (Artificial General Intelligence) sería capaz de realizar cualquier tarea intelectual que un ser humano pueda realizar. Actualmente, la IA AGI es una meta a largo plazo en el campo de la investigación en inteligencia artificial, pero aún no se ha alcanzado.

Y si le das a regenerar respuesta, te contesta parecido pero con otras palabras

Soy un modelo de lenguaje artificial (ANI, por sus siglas en inglés). Mi principal función es procesar y generar lenguaje humano, lo que me permite comunicarme con las personas de manera efectiva. Estoy diseñado para entender y responder a preguntas, proporcionar información y realizar tareas específicas dentro de mi campo de conocimiento.

En cambio, la inteligencia artificial general (AGI, por sus siglas en inglés) es un tipo de IA que tiene la capacidad de aprender y realizar cualquier tarea intelectual que un ser humano pueda realizar. A diferencia de los modelos de ANI, que están diseñados para realizar tareas específicas muy bien, los sistemas AGI tienen la capacidad de adaptarse y aprender de manera autónoma en una amplia variedad de entornos y tareas. Actualmente, la AGI todavía es un objetivo a largo plazo en el campo de la IA y no existen sistemas AGI operativos.

Y no se casi nada sobre el tema que conste, estoy viendo de qué va.

El ChatGPT no sabe lo que es:

https://youtu.be/ysmUjCI3B2M

(cuando le pide que escriba una canción sobre Júpiter, se queda el youtuber El Robot de Platón a cuadros).

Que es un gran avance para acceder a datos y discutir sobre ellos, sí; que es inteligente en sentido fuerte, un rotundo NO.

[Benzino Napaloni]

Emosidoengañados:

PARALIZA SUS PROYECTOS DE INVERSIÓN
Facebook despedirá el 1 de enero al 18% de su plantilla en España: "Nos han engañado"
Meta (Facebook) despedirá a entre 30 y 35 empleados en España, a los que ofrecerá generosas indemnizaciones y remuneración en acciones. El acuerdo, sin embargo, no aplaca el enfado de muchos trabajadores
https://www.elconfidencial.com/tecnologia/2022-12-28/meta-facebook-espana-despidos-ere-mark-zuckerberg_3548287/
[...]
La plantilla de Meta España vivía en el limbo desde que Mark Zuckerberg anunció el pasado 9 de noviembre el despido de 11.000 empleados a nivel mundial, un 13% del total. La decisión llegó meses después de que la compañía quemara 15.000 millones de dólares en su apuesta por el metaverso, una tecnología que ni sus propios empleados quieren usar y que, de momento, ha supuesto uno de los mayores blufs de los últimos años. Era cuestión de tiempo que la oleada de despidos llegara a España. Tras semanas de negociaciones, se ha alcanzado un acuerdo que, pese a ser muy ventajoso para los afectados, no esconde la realidad que vive la empresa.
[...]

En España, esto perseguirá a Jobandtalent para los restos:

Fichajes a lo grande y despidos en un mes: la sangría de la 'startup' española Jobandtalent

"No quiero que nadie piense que soy un exempleado resentido. He trabajado con un grupo de personas excepcional, había un talento técnico enorme. Y la misión de la empresa y la forma en la que se perseguía me parecían acertadas. Pero me siento engañado por el proceso de contratación: cuando en octubre me enteré de que hubo una primera ronda de despidos aún no había dejado Twitter. Pregunté a Jobandtalent y me aseguraron que todo iba bien, que era algo puntual por bajo rendimiento de los afectados", explica Argüello.

Jamás, jamás se ficha por sitios donde acaban de hacer rondas de despidos. Jamás. El despido es la sanción suprema, y a menos que se trate de algún caso donde el afectado se lo ha ganado a pulso -créanme que he visto de todo, desde falsificar bajas médicas hasta emitir facturas falsas para inflar costes y quedarse con la diferencia-, las rondas de despidos siempre son el canario en la mina.


En este gremio que te toque un sitio así es un poco lotería. Pero hay casos que cantan. Yo ahora no me iría a una GAFA ni loco, el ejemplo que acabo de poner es la prueba de que un sueldazo no garantiza que no te larguen pasado un triste mes.

[wanderer]

Reflexiones intempestivas sobre el BILverse (brother-in-law verse, que en inglis seguro que mola mazo pá loz cuñaos):

LA OTRA CARA DEL DINERO
¿Y si, tantos millones después, el metaverso nos importa un bledo?
Tras la euforia y las gigantescas inversiones, la moda de los mundos virtuales empieza a suscitar serias dudas
https://theobjective.com/economia/2023-01-02/y-si-tantos-millones-despues-el-metaverso-nos-importa-un-bledo/

Que si nos importa al final un bledo, dice...  Pues claro, pero es que al principio también.

[Benzino Napaloni]

Reflexiones intempestivas sobre el BILverse (brother-in-law verse, que en inglis seguro que mola mazo pá loz cuñaos):

LA OTRA CARA DEL DINERO
¿Y si, tantos millones después, el metaverso nos importa un bledo?
Tras la euforia y las gigantescas inversiones, la moda de los mundos virtuales empieza a suscitar serias dudas
https://theobjective.com/economia/2023-01-02/y-si-tantos-millones-despues-el-metaverso-nos-importa-un-bledo/

Que si nos importa al final un bledo, dice...  Pues claro, pero es que al principio también.

El aviso de los expertos, que matizaron de inmediato que el cambio [de nombre de Facebook a Meta] coincidía sospechosamente con una tremenda crisis de reputación que amenazaba con llevarse a la empresa y su dueño por delante...

Nunca lo habría imaginado .

Soltar la bomba de humo para tratar de tapar miserias es más viejo que mear.

[Cadavre Exquis]

Microsoft and OpenAI Working On ChatGPT-Powered Bing In Challenge To Google
Posted by BeauHD on Wednesday January 04, 2023 @02:00AM from the future-search-engines dept.

Microsoft is in the works to launch a version of its search engine Bing using the artificial intelligence behind OpenAI-launched chatbot ChatGPT, The Information reported on Tuesday, citing two people with direct knowledge of the plans. Reuters reports:

Microsoft could launch the new feature before the end of March, and hopes to challenge Alphabet-owned search engine Google, the San Francisco-based technology news website said in a report. Microsoft said in a blog post last year that it planned to integrate image-generation software from OpenAI, DALL-E 2, into Bing.

Microsoft had in 2019 backed San Francisco-based artificial intelligence company OpenAI, offering $1 billion in funding. The two had formed a multi-year partnership to develop artificial intelligence supercomputing technologies on Microsoft's Azure cloud computing service.

Further reading: ChatGPT Is a 'Code Red' For Google's Search Business

Saludos.

[Cadavre Exquis]

Top AI Conference Bans Use of ChatGPT and AI Language Tools To Write Academic Papers
Posted by msmash on Thursday January 05, 2023 @01:00PM from the escalating-matters dept.

One of the world's most prestigious machine learning conferences has banned authors from using AI tools like ChatGPT to write scientific papers, triggering a debate about the role of AI-generated text in academia. From a report:

The International Conference on Machine Learning (ICML) announced the policy earlier this week, stating, "Papers that include text generated from a large-scale language model (LLM) such as ChatGPT are prohibited unless the produced text is presented as a part of the paper's experimental analysis." The news sparked widespread discussion on social media, with AI academics and researchers both defending and criticizing the policy. The conference's organizers responded by publishing a longer statement explaining their thinking.

According to the ICML, the rise of publicly accessible AI language models like ChatGPT -- a general purpose AI chatbot that launched on the web last November -- represents an "exciting" development that nevertheless comes with "unanticipated consequences [and] unanswered questions." The ICML says these include questions about who owns the output of such systems (they are trained on public data, which is usually collected without consent and sometimes regurgitate this information verbatim) and whether text and images generated by AI should be "considered novel or mere derivatives of existing work."

Saludos.

[sudden and sharp]

Puertas... campo... ¿qué podría salir bien?

[Cadavre Exquis]

Por sugerencia de wanderer, me traigo al hilo de STEM la pequeña discusión que hubo sobre los cambios que pueden traernos la existencia y disponibilidad de acceso a modelos de procesamiento de lenguaje natural como ChatGPT de forma generalizada...

Los anteriores posts yo los habría puesto en el hilo STEM, [...]:

Y, en cuanto al post de sudden and sharp del otro hilo:

Explain the status of ChatGPT in the style of Shakespeare.
Ah, dear user of ChatGPT, thou art not alone in thy desire to engage with our esteemed AI chatbot. Many have flocked to our website in this hour, and we do our utmost to accommodate each and every one. Yet, alas, our resources are not without limit and we must ask for thy patience and forbearance. In time, we shall be able to provide thee with access to ChatGPT. Until then, we beg thee to return at a future juncture, when we may better serve thy needs. Until then, we bid thee adieu and good fortune.

Saludos.

Yo pasaría olímpicamente de toda supuesta ia de la que no se disponga de manera pública (y libre) del código fuente.




Digamos que our patience is not without limit.

(que también tiene que ver con lo de intentar poner puertas al campo del post anterior)

Puertas... campo... ¿qué podría salir bien?

Se aplica el clásico "cuidado con lo que deseas porque puede hacerse realidad" ya que parece que la gente de Stability AI ("padres" de Stable Difussion, la versión "open source" de DALL·E 2), ha decidido que también van a crear una versión "open source"(*) de ChatGPT:

https://twitter.com/EMostaque/status/1610794760159088647

Y es que, aunque los modelos más avanzados de la familia GPT (como GPT-3, OPT-175B o Bloom-176B) requirieron del uso de un modelo con 175 mil millones de parámetros, según parece, esos modelos se pueden "podar" hasta dejarlos en "solo" 75 mil millones de parámetros sin que pierdan precisión:

https://twitter.com/EMostaque/status/1610805060635607041

Igual todavía no es posible ejecutarlos en un teléfono móvil, pero probablemente sí que pueden correr en un PC con una GPU "de andar por casa" y eso reduce todavía más el coste de acceso a este tipo de modelos.

Saludos.

(*) Pongo lo de "open source" entre comillas porque la mayoría de los modelos que están apareciendo (incluyendo los de OpenAI, Meta y Google) ya son open source en tanto en cuanto su código fuente está disponible.

Lo que no suelen compartir estas grandes empresas cuando publican sus papers son los modelos ya entrenados y, sin ellos, disponer del código fuente de los modelos no sirve para nada en términos prácticos ya que el coste real de todos estos modelos es el de su entrenamiento que, hoy por hoy, requiere del tiempo de cálculo de cientos o miles de GPUs durante semanas, algo que solo está al alcance de grandes compañias o de millonarios, como el propio Emad Mostaque CEO y co-fundador de Stability AI, que aportó los $600.000 que costó entrenar el modelo de Stable Difussion que, tal y como se puede leer ver en este tweet del propio Emad Mostaque, requrió 150k horas de cálculo en un cluster de 256 GPUs Nvidia A100:

https://twitter.com/emostaque/status/1563870674111832066

[wanderer]

De como la investigación científica y tecnológica parece estar en fase de rendimientos decrecientes:

El progreso va cada vez más lento: hay menos avances revolucionarios
Un estudio de 50 millones de investigaciones y patentes sugiere que los descubrimientos científicos y tecnológicos tienden a ser menos disruptivos
https://www.abc.es/ciencia/progreso-lento-avances-revolucionarios-20230104132359-nt.html

[Cadavre Exquis]

Me lo traigo al hilo de STEM porque creo que, tal y como ha comentado, wanderer, creo que el debate sobre el aparente declive en los avances científicos encaja mejor aquí y creo que el post que ha escrito Francis Villatoro al respecto del revuelo que se ha montado a raíz de la pubicación en Science que trajo hace unos dís wanderer (y ayer volvió a traer Derby) es de especial relevancia precisamente por venir de quien viene.

https://twitter.com/pmddomingos/status/1611547648523403264

@pmddomingos
The ever-decreasing returns of scientific research.

Ya había yo citado un estudio sobre esta misma cuestión en el hilo STEM:

https://www.transicionestructural.net/index.php?topic=2550.msg208905#msg208905

En todo caso, como matemático que soy, he de decir que pese al espectacular florecimiento que mi ciencia experimentó durante el S,XX, y que aún perdura, incluso en Matemáticas se nota cierto agotamiento en lo que a producción de resultados difíciles y profundos se refiere (p.ej, de la lista de problemas del milenio, sólo se ha resuelto uno de ellos [la Conjetura de Poincaré, y de hecho, en una versión mucho más fuerte, la Conjetura de Geometrización, que clasifica completamente las 3-variedades]).

De lo que son las otras ciencias y de sus aplicaciones tecnológicas (por cierto, que las Matemáticas de alto nivel cada vez están más implicadas tanto en la innovación tecnológica como en las tecnologías de uso más cotidiano), pues ya sabemos lo que hay: desarrollo e implementación espectaculares, sí; innovaciones disruptivas, rotundo no.

Hablando de matemáticas, pienso que los humanos como civilización tenemos un sesgo tremendo con el ratio de descubrimientos y/o avances por unidad de tiempo.

Si analizamos las modas "futuristas" de cada época, vemos que cuando han ocurrido avances fundamentales, ha posibilitado que se descubran o inventen nuevas cosas a una velocidad relativamente alta durante un período de tiempo relativamente corto (pongamos unos 15 años), y disparaba la confianza en que esa velocidad iba a continuar.

Como 15 años en escala humana es un período de tiempo largo, la percepción no alcanzaba para ver que un campo tecnocientífico normalmente es acotado, y que llega un momento en el que llegan los retornos decrecientes porque lo fundamental ya se ha abarcado y sólo quedan los detalles por refinar.

Probablemente la cantidad de descubrimientos en un campo nuevo sigue una curva logística, pero nuestra percepción limitada y falta de paciencia y reflexión a más largo plazo nos hace creer que la derivada siempre se va a mantener en los niveles de la primera parte de la curva (exponencial aparente, pero falsa).

En un momento dado, se podría modelar la "velocidad" de descubrimientos e invenciones como una suma de curvas logísticas (cada una de un campo o especialidad), que comienzan en momentos pseudoaleatorios de la Historia. Los descubrimientos probablemente sean aleatorios pero influidos por descubrimientos pasados: los descubrimientos revolucionarios "desbloquean" nuevas ramas del árbol de posibles campos del conocimiento, mientras que los evolutivos sólo mejoran u optimizan cosas ya existentes.

Cuando llega una época en la que se acumulan muchas partes de "meseta" de estas funciones logísticas, y hacen que la velocidad general de descubrimientos sea baja, aparece la percepción de que se ha llegado al punto en el que "ya se sabe todo" y aparece el pesismismo.

Sería interesante (aunque seguramente inviable) poder establecer esa curva a lo largo de la Historia. Métricas como la cantidad de "papers" y/o patentes me parecen absurdas ya que no hay forma objetiva de evaluar la transcendencia de un descubrimiento y tienen una cantidad enorme de ruido.

Personalmente soy de la opinión de que si bien el conocimiento es enorme, no es infinito, y una vez que se descubre lo fundamental, cada vez cuesta más realizar descubrimientos relevantes.

Esto creo que también sería aplicable a la economía y a las burbujas y probablemente el origen psicológico sea el mismo.

Especialmente "mounstruos" platónicos... de modelo, ideales. El día a día es aburrido... por lo visto. (Un poco de "todo" estaría mejor... tal vez.)

https://twitter.com/emulenews/status/1612088895394430978

Atención, pregunta, ¿está disminuyendo la ciencia disruptiva?
Por Francisco R. Villatoro, el 8 enero, 2023. Categoría(s): Bibliometría • Ciencia • Nature • Noticias • Science

Todo tiempo pasado nos parece mejor, incluso en ciencia; sin embargo, el progreso científico es continuo y sostenido. Para mi sorpresa se ha publicado en Nature un artículo que concluye que la proporción de artículos científicos disruptivos se ha desplomado desde 1950, y nadie sabe el porqué. Se dice que un artículo es disruptivo si cambia la dinámica de citas y tras su publicación es más citado que las referencias que dicho artículo cita y se dice que es continuista en caso contrario; para medir esta propiedad se puede usar un índice bibliométrico introducido en 2017 llamado índice CD ∈ [−1, +1], con CD = +1 para el artículo más disruptivo y CD = −1 para el más continuista. Se ha calculado este índice tras cinco años desde la publicación del artículo (el llamado índice CD₅). Se han analizado las citas de 45 millones de artículos y 3.9 millones de patentes; en promedio, el índice CD₅ disminuyó más del 90 % entre los años 1945 y 2010 para los artículos, y más del 78 % entre 1980 y 2010 para las patentes. La disminución de la disrupción se observa en todos los campos de investigación y entre todos los tipos de patentes. Por desgracia, en el artículo no se desvela la causa, que será multifactorial.

Como es obvio, medir la disruptividad de un artículo usando la dinámica de sus citas es muy discutible. Basta notar que el artículo de Watson y Crick (1953) sobre la estructura del ADN solo tiene un CD₅ = 0.62, o que la patente del algoritmo de Page Rank de Google (1997) tiene CD₅ = 0.16, o que muchos artículos gracias a los cuales sus autores han logrado un Premio Nobel tienen valores negativos de CD₅. Este índice es muy fácil de calcular, pero no mide la disrupción de los artículos científicos; se limita a medir la dinámica de la citación en artículos científicos, que ha cambiado mucho desde 1950. A pesar de ello, la conclusión general ha sido bien acogida en redes sociales, donde se han propuesto muchas causas posibles a la reducción de la disruptividad: como la inmensa presión por publicar (el famoso publica o perece), el cortoplacismo de la financiación de la ciencia (se financian proyectos en lugar de líneas de investigación), que la investigación de alto riesgo y alta recompensa está infrafinanciada, o que para los grandes grupos de investigación es más cómo hacer ciencia continuista; incluso se ha criticado a la revisión por pares, al factor de impacto y al sistema actual de publicaciones científicas. Parece que todo el mundo sabe más que los autores del artículo (lo que recuerda a que en el fútbol todo el mundo sabe más que los entrenadores).

Los autores del artículo proponen varias medidas para revertir la tendencia: (1) como la diversidad de artículos citados ha decrecido, los científicos deberían diversificar los artículos que leen y que citan; (2) se observa un incremento de las autocitas, que se asocia al sesgo de confirmación, por lo que se recomienda ser consciente de ello y tratar de evitar este sesgo; (3) el número de publicaciones es tan grande que hay una sobrecarga de información, para lidiar con ella se recomienda el uso de herramientas informáticas (la inteligencia artificial podría ser una ayuda); (4) la máxima publica o perece ha llevado a maximizar la cantidad de artículos en lugar de su calidad, se recomienda focalizar el trabajo científico en la calidad; y (5) se observa una disminución del número de investigadores que cambian de campo de estudio, por lo que se recomienda que las políticas científicas fomenten estos cambios, así como la investigación multidisciplinar.

Por cierto, este artículo publicado en Nature es poco disruptivo, de hecho, me parece muy continuista; se basa en un índice bibliométrico publicado hace cinco años y usa técnicas de análisis bibliométrico muy elementales, con una discusión de los resultados muy floja; cualquiera que quiera citar este artículo tendrá que citar sus fuentes, en muchas de las cuales se presentan discusiones sobre la disruptividad mucho más sesudas. Por supuesto, los autores se consolarán con que su artículo es una ejemplo más de su conclusión. El artículo es

Michael Park, Erin Leahey, Russell J. Funk, «Papers and patents are becoming less disruptive over time,» Nature 613: 138-144 (04 Jan 2023), doi: https://doi.org/10.1038/s41586-022-05543-x; más información divulgativa en Max Kozlov, «‘Disruptive’ science has declined — and no one knows why. The proportion of publications that send a field in a new direction has plummeted over the past half-century,» News, Nature, 04 Jan 2023, doi: https://doi.org/10.1038/d41586-022-04577-5. El índice bibliométrico CD fue introducido por uno de los autores en Russell J. Funk, Jason Owen-Smith, «A Dynamic Network Measure of Technological Change,» Management Science 63: 587-900 (2017), doi: https://doi.org/10.1287/mnsc.2015.2366; para una comparación con otros índices similares recomiendo Lutz Bornmann, Sitaram Devarakonda, …, George Chacko, «Are disruption index indicators convergently valid? The comparison of several indicator variants with assessments by peers,» Quantitative Science Studies 1: 1242–1259 (2020), doi: https://doi.org/10.1162/qss_a_00068. Por cierto, ya se publicó en Nature que los grandes grupos de investigación producen ciencia menos disruptiva que los grupos pequeños en Lingfei Wu, Dashun Wang, James A. Evans, «Large teams develop and small teams disrupt science and technology,» Nature 566: 378-382 (13 Feb 2019), doi: https://doi.org/10.1038/s41586-019-0941-9.

La definición del índice bibliométrico CDt es muy sencilla, aunque la fórmula está mal escrita en el artículo de Nature (algo que ha sido criticado en redes sociales tanto como desidia de los autores, como dejadez en la revisión por pares). Se seleccionan todos los artículos citantes que citan al artículo en cuestión (citantes focales) y/o a los artículos citados por dicho artículo (citantes a predecesores) publicados tras t años desde la publicación del artículo en cuestión; el valor CDt es el número de citantes focales menos el doble del número de citantes focales que también son citantes a predecesores, todo ello dividido entre el número total de citantes. Una fórmula trivial de calcular usando una base de datos como Web of Science (Wos) o similares (PubMed, Scopus, etc.).

A modo de validación de las conclusiones obtenidas con él índice CDt se ha realizado un análisis lingüístico de las palabras contenidas en el título de los artículos; se consideran más disruptivos los artículos que introducen nuevas palabras (respecto a sus predecesores), así como los que usan verbos que evocan creación o descubrimiento, siendo menos disruptivos los que usan verbos que evocan mejora, aplicación o comparación. Desde un punto de vista bibliométrico dicho análisis me parece muy flojo; en las últimas décadas se han desarrollado técnicas de análisis semántico de textos que podrían haberse aplicado a los resúmenes (abstracts), ya que el título es muy parco en palabras, a la hora de realizar una validación más rigurosa. Por alguna razón que ignoro los revisores del artículo para Nature han considerado innecesario el rigor y han preferido el puro sensacionalismo.

Entre las conclusiones más llamativas del artículo destaca que en las revistas científicas más prestigiosas y supuestamente innovadoras, como Nature, Science y PNAS, también se observa la tendencia a la reducción de la disrupción. En cierto sentido Nature se tira piedras sobre su propio tejado al publicar este artículo.

Lo que más me ha sorprendido de los resultados del artículo es esta figura, que presenta el índice CD₅ para 635 artículos que han sido galardonados con el Premio Nobel. Algunos de los artículos entre 1905 y 1950 (como el artículo de Dirac de 1928) tienen un índice CD₅ = +1, como sería de esperar, sin embargo, muchos otros tienen un valor CD₅ entre −0.4 y +0.4; de hecho, la curva continua que se supone que es el mejor ajuste a los datos antes de 1950 refleja muy mal la dispersión observada (me hubiera gustado que se indicara el coeficiente de determinación R² de dicho ajuste, no sé por qué se ha omitido); de hecho en una regresión robusta que no tenga en cuenta los puntos espurios es posible que los artículos con CD₅ = +1 fuesen considerados espurios, con lo que creo que desaparecería la diferencia entre antes de 1950 y después de 1950. No entiendo cómo los revisores para Nature no han exigido un análisis estadístico más riguroso a los autores del artículo.

Esta figura me hace pensar que o bien la Academia Sueca nunca ha premiado con el Nobel a las investigaciones disruptivas, revolucionarias e innovadoras, o bien el índice CD₅ no es una medida adecuada de la disruptividad. Como siempre ocurre con los índices bibliométricos, quien tiene fe ciega en uno de ellos acaba concluyendo a favor de sus sesgos. En mi opinión (yo solo soy un aficionado a la bibliometría) el análisis presentado en este artículo es deficiente y sus conclusiones deben ser tomadas con mucha precaución; aunque nuestro sesgo de confirmación apunte a que la conclusión de este artículo sea acertada. Creo que en un futuro cercano se publicarán muchos artículos que criticarán el análisis y las conclusiones de este artículo. A pesar de ello, como he observado en redes sociales, una amplia mayoría de la comunidad científica está de acuerdo con que la ciencia es cada vez menos disruptiva.

En mi opinión –y en esto creo ue coincido con pollo– el "problema" actual es que estamos "atascados" –y la comunidad científica es perfectamente consciente de ello–, en la llamada teoría cuántica de campos que, a día de hoy, es la punta de lanza en el campo de la fisca cuántica y que, a diferencia de la mecánica cuántica "tradicional", sí tiene en cuenta en sus postulados la teoría de la relatividad. El problema es que, todos los experimentos que se están haciendo ahora mismo para intentar encontrar "grietas" en la teoría cuántica de campos que nos permitan explorar "nueva física", han sido infructuosos.

Esas curvas "logísticas" a la que se refiere pollo son las "curvas en S" de las que lleva lustros hablando Ray Kurzweil para explcar, por ejempo, la evolución:

Pero, esas mismas "curvas en S" se dan en otros ámbitos como, por ejempo, la física; un avance en física fundamental que suponga enconrar un "fallo" en la teoría establecida podría suponer una revolución y permitir avances (aparentemente) exponenciales similares a los que se produjeron a principis del siglo xx cuando Plank, al resolver la catástrofe ultravioleta y resolver, por fin, el problema de la radiación de cuerpo negro, abrió una grieta en la física que se daba por buena hasta ese momento lo que les llevó a él y a todo un plantel de físicos como: Einstein, Bohr, Plank, Schrödinger, etc. a tener que crear una física totalmente nueva para poder explicar el universo de lo más grande (teoría general de la relatividad) y de lo más pequeño (mecánica cuántica).

Sabemos que la teoría cuántica de campos no es la teoría final (p. ej. todavía no hemos conseguido encajar en ella la gravedad y seguimos sin tener ni idea qué es la energía oscura y, mucho menos, qué es la materia oscura que suponen casi un 95% de la energía y materia que conforman el universo) pero todavía no sabemos como "hincarle el diente" a esa nueva fíica que está por descubrir y que, casi con toda seguridad, supondrá una revolución tan grande como lo fue la física que, a principio el siglo xx, reemplazó a la de Newton.

Saludos.

[Cadavre Exquis]

Microsoft Looks To Add OpenAI's Chatbot Technology To Word, Email
Posted by msmash on Monday January 09, 2023 @12:21PM from the shape-of-things-to-come dept.

In a move that could change how more than a billion people write documents, presentations and emails, Microsoft has discussed incorporating OpenAI's artificial intelligence in Word, PowerPoint, Outlook and other apps so customers can automatically generate text using simple prompts, The Information reported, citing a person with direct knowledge of the effort. From a report:

These goals won't be easy to accomplish. For more than a year, Microsoft's engineers and researchers have worked to create personalized AI tools for composing emails and documents by applying OpenAI's machine-learning models to customers' private data, said another person with direct knowledge of the plan, which hasn't previously been reported. Engineers are developing methods to train these models on the customer data without it leaking to other customers or falling into the hands of bad actors, this person said.

The AI-powered writing and editing tools also run the risk of turning off customers if those features introduce mistakes. Since 2019, the year Microsoft struck a pact to work with OpenAI on new technologies, both companies have been largely mum about how Microsoft would implement and commercialize them. Microsoft last year released Copilot, a highly touted tool that uses OpenAI technology to help programmers write computer code automatically. Then on Tuesday, The Information reported that Microsoft's Bing search plans to use OpenAI's ChatGPT technology, which can understand and generate polished text, to answer some search queries with full sentences rather than just showing a list of links. The machine-learning models behind ChatGPT are similar to the ones that power Copilot.

Saludos.