En la intersección de la ciencia de datos, el desarrollo de software y la programación, emerge una perspectiva radical sobre la Inteligencia Artificial (IA), especialmente en el ámbito de los Large Language Models (LLMs). Lejos del enfoque tradicional en el hardware, el software, las herramientas y las matemáticas, se propone un cambio de paradigma que redefine cómo concebimos, diseñamos e implementamos sistemas de IA. Este artículo explora la idea de trascender las limitaciones de los sistemas restringidos, adoptando el concepto de "estructuras disipativas" para desbloquear el verdadero potencial de los LLMs.

La Dualidad de la IA: Entre el Hype y el Escepticismo

La discusión actual en torno a la IA y, particularmente, a los LLMs, se polariza entre dos extremos. Por un lado, están los que argumentan que estas tecnologías son inherentemente defectuosas: alucinan, son incontrolables, requieren restricciones excesivas para funcionar, y son costosas y lentas. Este grupo predice su fracaso. En el otro extremo, encontramos a quienes pronostican una era dorada donde la IA resolverá todos los problemas del mundo, a menudo impulsados por un hype desmedido que incluso contempla escenarios apocalípticos.

Sin embargo, la realidad, como suele ocurrir, se encuentra en un punto intermedio. La verdadera preocupación radica en la implementación y el diseño de los LLMs. Muchas organizaciones, influenciadas por una mentalidad de los años 90, perciben la IA como una "compra" de software, un producto empaquetado que se instala y funciona sin mayor intervención. Esta visión simplista, donde la IA se considera un mero complemento a un sistema rígido, es la fuente de gran parte de la frustración y de los problemas de "alucinación" y comportamiento errático. Al tratar de encajar la complejidad inherente de los LLMs en un molde de software tradicional, se pierde una oportunidad significativa.

El Paradigma de la Ingeniería: Control y Restricción

Para comprender la raíz de este desafío, es crucial examinar el diseño de la mayoría de los sistemas de ingeniería. Desde robots industriales hasta lavadoras y refrigeradores, el control es la piedra angular. Un controlador, a través de un bucle de retroalimentación (feedback loop), mide el error entre el estado deseado y el estado actual del sistema, inyectando energía para corregir las desviaciones. Esta filosofía, que se resume en la máxima "lo que no se mide no se controla", ha demostrado ser efectiva para sistemas con un comportamiento predecible.

La clave de este enfoque radica en la linealización. Para controlar sistemas no lineales complejos, la ingeniería los restringe a un "pedacito" o región operativa donde su comportamiento puede ser aproximado por un modelo lineal. Esto garantiza estabilidad, pero a un costo: la fragilidad. Estos sistemas no se autorreparan y requieren una intervención constante para mantenerse dentro de sus límites operativos. Cuando la complejidad del sistema supera la capacidad del software para gestionarla, se incorporan "humanos en el bucle" como elementos flexibles que compensan las deficiencias del diseño rígido.

Esta conceptualización se fundamenta matemáticamente en las funciones de Lyapunov, que demuestran cómo, al inyectar energía, se pueden cambiar los mínimos de un sistema para mantenerlo en un estado deseado, aunque sea intrínsecamente inestable. Un péndulo, naturalmente atraído por la gravedad hacia abajo, puede mantenerse en posición vertical mediante un controlador que le inyecta energía constantemente. Sin embargo, esta restricción impone un alto costo energético y limita la autonomía del sistema.

Más Allá del Equilibrio: Sistemas Disipativos y Variedad

El universo y la naturaleza operan de una manera fundamentalmente diferente. Los sistemas biológicos y las organizaciones complejas poseen una capacidad innata para regenerarse y evolucionar. No son sistemas diseñados para operar en un punto de equilibrio estático, sino que prosperan fuera de él. Aquí es donde entra en juego la teoría de las estructuras disipativas de Ilya Prigogine.

Un ejemplo elocuente de esto se observa en la formación de estructuras de cromo y hierro. Al aplicar corriente eléctrica, estas pequeñas partículas se autoorganizan en estructuras complejas, como un árbol, que maximizan la corriente. Lo fascinante es que estas estructuras no están preprogramadas; emergen de un conjunto de objetivos finales. Si se rompen, se vuelven a conectar; si las partículas se separan, el "árbol" se mueve para recapturarlas. Este comportamiento autoorganizado y autorreparador es una antítesis del diseño de ingeniería tradicional.

La Ley de Ashby de la Variedad Requerida de la cibernética refuerza esta idea: "Solo la variedad puede absorber variedad". Si un sistema quiere regular o controlar otro, su regulador o controlador debe ser, al menos, igualmente complejo. En términos de estados posibles, si el ambiente tiene 500 estados, el sistema de control debe ser capaz de lidiar con esos 500 estados.

Esto presenta dos soluciones para las organizaciones:

1. Reducir la variedad: Simplificar la complejidad del sistema a controlar mediante abstracciones, indicadores e índices. Si la abstracción es correcta, se puede entender y gestionar el sistema. Si no, las acciones serán ineficaces.
2. Amplificar la variedad: Aumentar la propia complejidad para poder interactuar con la mayor variedad del ambiente. Esto implica que las acciones deben ser extremadamente precisas para tener el mayor impacto posible.

Las organizaciones, como sistemas complejos, viven en un constante esfuerzo por equilibrar estas dos estrategias, y a menudo están "rotas", lo que subraya la necesidad de la intervención humana como amplificadores o atenuadores de variedad.

Los LLMs: Amplificadores de Variedad para un Nuevo Diseño

La verdadera revolución de los LLMs radica en su inmensa variedad. Un modelo como GPT-4, con un estimado de 1.7 billones de parámetros, dista enormemente de una regresión lineal con solo dos variables. Si bien no se traducen directamente en variables independientes en el sentido estadístico, esta vasta complejidad permite a los LLMs generar una cantidad variable de respuestas, abordar múltiples temas y exhibir una flexibilidad sin precedentes.

Por primera vez en la historia de la ingeniería, se dispone de herramientas con una variedad inherente que puede sacar a los sistemas de la "jaula" de Lyapunov, donde han estado confinados por la necesidad de control. Los LLMs ofrecen la oportunidad de diseñar sistemas de ingeniería que funcionen como sistemas disipativos: autoorganizados, autorregulados y autorreparables.

El error fundamental actual es utilizar los LLMs como un "mejor if-else" o un mero sustituto de una pieza de software rígida dentro de un sistema ya rígido. Esto conduce a la frustración y a la percepción de que los LLMs "alucinan" o no se comportan como se desea. Estamos tratando de forzar una tecnología intrínsecamente flexible en un marco que exige previsibilidad y restricción.

La clave no es domesticar la variedad de los LLMs, sino abrazarla. El desafío radica en cómo posicionar a los LLMs como agentes capaces de amplificar la variedad, permitiendo que los sistemas funcionen de manera más orgánica, adaptable y resiliente. Esto implica un cambio profundo en la forma en que concebimos la arquitectura de software y la ingeniería de sistemas, moviéndonos de un enfoque de control rígido a uno que fomenta la autoorganización y la evolución. La próxima frontera de la IA no está en replicar la lógica binaria de las máquinas, sino en emular la complejidad adaptable de la vida misma.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla: