El rol de la UNAM frente al país en el equilibrio de la balanza entre los peligros y beneficios de la inteligencia artificial-Reference-Cited by-同舟云学术

El rol de la UNAM frente al país en el equilibrio de la balanza entre los peligros y beneficios de la inteligencia artificial

Published:2024-06-21 Issue:10 Volume: Page:72-85
ISSN:2683-2968
Container-title:TIES, Revista de Tecnología e Innovación en Educación Superior
language:
Short-container-title:TIES

Author:

Serkin Leonid^ORCID,Paic Guy^ORCID,Coello Coello Carlos A.^ORCID

Abstract

En 2019, GPT-2 no podía contar de manera confiable hasta diez. Sólo cinco años después, los sistemas de inteligencia artificial (en adelante, IA) generativa pueden escribir software, asesorar sobre temas científicos y combinar el procesamiento de lenguaje e imagen para generar escenas fotorrealistas, acercándose más y más a la inteligencia de un humano. Tampoco cabe duda de que la IA encarna una dualidad de riesgos y beneficios para la sociedad. La pregunta importante, entonces, es qué significa en términos de consecuencias y qué se podría hacer a nivel de la Universidad Nacional para aprovechar los beneficios y tratar de gestionar los riesgos. El artículo tiene por objeto analizar el papel crucial que tiene la UNAM en el equilibrio de esta balanza, promoviendo un desarrollo y aplicación de la IA que sea ético, equitativo y lleno de beneficios para México y el mundo.

Publisher

Universidad Nacional Autonoma de Mexico

Reference63 articles.

1. Amazon Alexa, "What Is Conversational AI?" 2024. [En línea]. Disponible en: https://developer.amazon.com/en-US/alexa/alexa-skills-kit/conversational-ai.

2. Netflix Research, "Machine Learning" 2024. [En línea]. Disponible en: https://research.netflix.com/research-area/machine-learning.

3. Samsung SDS. "Vision API" 2024. [En línea]. Disponible en: https://www.samsungsds.com/en/ai-vision-api/vision-api.html.

4. T. B. Brown, B. Mann, N. Ryder, M. Subbiah, J. Kaplan, P. Dhariwal, A. Neelakantan, P. Shyam, G. Sastry, A. Askell, S. Agarwal, A. Herbert-Voss, G. Krueger, T. Henighan, R. Child, A. Ramesh, D. M. Ziegler, J. Wu, C. Winter, et al., "Language Models are Few-Shot Learners," 2020. [En línea]. Disponible en: https://doi.org/10.48550/arXiv.2005.14165.

5. J. Wei, Y. Tay, R. Bommasani, C. Raffel, B. Zoph, S. Borgeaud, D. Yogatama, M. Bosma, D. Zhou, D. Metzler, E. H. Chi, T. Hashimoto, O. Vinyals, P. Liang, J. Dean, y W. Fedus, "Emergent abilities of large language models," 2022. [En línea]. Disponible en: https://doi.org/10.48550/arXiv.2206.07682.