Si bien la investigación temprana de IA se benefició de los procesadores de uso general, la creciente complejidad de los modelos modernos de IA ha requerido la búsqueda de hardware más especializado. Recientemente, Operai ha anunciado un movimiento significativo para desarrollar su primer chip IA interno, una innovación que promete superar los límites del rendimiento y la eficiencia de la IA.
Cosas clave para saber:
¿Qué desafíos enfrentan los sistemas de IA de hoy, qué ha desarrollado exactamente Openai (y otros) y cuáles podrían ser las implicaciones más amplias de estos chips de IA personalizados para el futuro de la investigación y la industria de la IA?
El desarrollo de la inteligencia artificial ha sido un viaje largo y arduo, con numerosos contratiempos y desafíos en el camino. A pesar de La promesa temprana de AIlos primeros experimentos estuvieron severamente limitados por el hardware con poco potencia que era Disponible en ese momento. Las demandas computacionales de los modelos de IA continuaron creciendo, pero las arquitecturas de procesadores existentes lucharon para mantenerse al día, obstáculos Eso afectó significativamente la tasa de progreso de la investigación.
Como el campo de La IA continuó evolucionando, la necesidad de un hardware más potente se hizo cada vez más evidente. Sin embargo, las opciones existentes no solo eran inadecuadas sino también ineficientes. Procesadores de uso general, que eran la norma al comienzo de la revolución de la IA, no pudieron Manee las demandas en rápido crecimiento de los modelos de IA complejos. La necesidad de hardware especializado se hizo claro, pero encontrar una solución demostró ser una tarea desalentadora.
Una de las primeras soluciones para el Limitaciones de los procesadores de uso general fue el uso de GPU. Mientras que las GPU no fueron diseñado específicamente Para las tareas de IA, su arquitectura masivamente paralela las hizo muy adecuadas para cierto Aplicaciones AI. Sin embargo, el uso de GPU llegó con la suya de desafíos, ya que su arquitectura no se optimizó para la IA y, por lo tanto, desperdició recursos significativos en las tareas que fueron no relevante a ai. Esta ineficiencia no solo limitado el rendimiento de las GPU en aplicaciones de IA pero también aumentó el costo general de usarlos.
El siguiente paso en el desarrollo del hardware de IA fue la introducción de silicio personalizado. Por Diseñando un chip específicamente para AIlos investigadores esperaban superar las limitaciones e ineficiencias del hardware existente. Sin embargo, el silicio personalizado también vino con una variedad de desafíos que dificultaron la implementación. El alto costo de diseño y fabricación de silicio personalizado lo hizo inaccesible para la mayoría de los investigadores, y los largos plazos de entrega para el desarrollo de chips personalizados hicieron difícil mantener el ritmo del campo de IA en rápida evolución.
En un movimiento hacia Reducir su dependencia únicamente de Nvidia para el hardware de inteligencia artificial, Abierta ai está desarrollando su primer chip de IA interno. Según los informes de Reuters, la compañía planea finalizar su diseño en unos pocos meses, con la fabricación llevar a cabo por Taiwan Semiconductor Company (TSCM) utilizando su tecnología de proceso de 3NM.
El desarrollo del chip, que se espera en el cuarto trimestre de 2022, verá a OpenAI utilizar el proceso TSMCS 3N, que tiene un tamaño de nodo de 3 nanómetros. El chip se utilizará principalmente para ejecutar AI algoritmos, e inicialmente se integrará en Infraestructura de Openai sobre una base experimental. Se espera que las versiones futuras del dispositivo tengan capacidades mejoradas a medida que continúa OpenAI continúa para desarrollar ambos sus capacidades de software y hardware.
La tecnología de proceso de 3 nanómetros de TSMC se encuentra entre los métodos de fabricación de chips más avanzados actualmente disponibles. La transición a la fabricación de 3NM permite una mayor densidad de transistores, mejorando la eficiencia energética y el rendimiento al tiempo que reduce la disipación de calor. Con OpenAI aprovechando esta tecnología de vanguardia, sus chips de IA personalizados podrían ofrecer optimizaciones específicas para las cargas de trabajo de aprendizaje automático.
Si bien la dependencia de OpenAI en TSMC marca una asociación estratégica, también refleja tendencias de la industria más amplias. Los competidores como Apple y Nvidia también están invirtiendo en gran medida en los procesos de fabricación de TSMC, lo que refuerza el dominio de la fundición en la informática de alto rendimiento. Sin embargo, las limitaciones de la cadena de suministro y los factores geopolíticos que rodean la fabricación de semiconductores podrían plantear desafíos para OpenAi a medida que escala su producción de chips de IA.
El movimiento de OpenAi viene como resultado de Los crecientes costos que enfrentan las empresas en la industria de la IAasí como el dependencia de productos nvidia. Como tal, muchos empresas están buscando diversificar sus capacidades de hardware, Y esto también está siendo visto en el desarrollo de hardware de IA personalizado por otras compañías.
La creciente dependencia de la industria de la IA de NVIDIA ha llevado a las empresas a explorar el desarrollo de chips personalizados, no solo para la reducción de costos sino también para el apalancamiento estratégico. Nvidia actualmente posee aproximadamente el 80% del mercado de chips de IA, lo que lo convierte en el proveedor dominante. Sin embargo, los gigantes de la computación en la nube como Microsoft, Google y Amazon han iniciado esfuerzos para reducir la dependencia de los proveedores de terceros invirtiendo en chips de IA patentados.
Para OpenAI, el desarrollo de un chip AI interno permite una integración más profunda entre hardware y software, potencialmente desbloqueando la eficiencia que no se puede lograr con GPU listas para usar. Las unidades de procesamiento de tensor de Google (TPU) y los chips de entrenamiento de Amazon ilustran cómo el silicio personalizado puede mejorar el rendimiento de la IA al tiempo que reduce los gastos operativos en los centros de datos a gran escala.
Sin embargo, la transición lejos de los proveedores de chips establecidos presenta desafíos. A diferencia de Nvidia, que tiene décadas de experiencia en la optimización del hardware de IA, el programa de desarrollo de chips de OpenAI todavía está en su infancia. La ejecución exitosa requerirá no solo la experiencia de fabricación, sino también la optimización de software a largo plazo para aprovechar completamente las ventajas de hardware personalizadas.
Uno de esos ejemplos es Google, que han desarrollado su propia gama de chips de IA. Estos dispositivos están acostumbrados a Modelos de IA de Google de Google, y han sido críticos en El éxito de los servicios de IA basados en la nube de Google.
Las chips MTIA de Google y MTIA sirven como puntos de referencia para cómo se puede integrar el silicio de IA personalizado en operaciones a gran escala. La arquitectura TPU de Google está optimizada específicamente para tareas de aprendizaje profundo, lo que le permite superar las GPU tradicionales en ciertas cargas de trabajo al tiempo que reduce el consumo de energía. Del mismo modo, los chips de IA internos de Meta tienen como objetivo mejorar la eficiencia en los procesos de capacitación e inferencia para modelos de idiomas grandes.
El enfoque de OpenAI difiere en que se espera que su chip de primera generación se despliegue en una escala más limitada, centrándose inicialmente en la inferencia en lugar de la capacitación a gran escala. Esto sugiere una entrada cautelosa pero estratégica en el espacio de hardware, reflejando cómo otras compañías de IA expandieron gradualmente sus iniciativas de chips antes de lograr la independencia a gran escala de NVIDIA.
Dada la inversión sustancial requerida para el desarrollo de chips de IA, estimado en más de £ 500 millones para una sola iteración, Openai necesitará navegar cuidadosamente los riesgos financieros y técnicos asociados con su hoja de ruta de hardware.
Sin embargo, desarrollar un chip AI no es una hazaña pequeña, y puede ser un proceso costoso. Un solo tapón de un chip puede costar millones de libras, y el tiempo necesario para diseñar y probar un chip es significativo. Además, no hay garantía de éxito, y una sola falla de diseño puede ver un proyecto abandonado.
La fabricación de un chip AI es un proceso complejo de varias etapas que requiere ingeniería precisa y una validación extensa. La fase de diseño inicial implica una rigurosa simulación y creación de prototipos para garantizar que la arquitectura satisfaga las demandas de las cargas de trabajo de IA. Una vez grabado, el chip debe someterse a una validación de silicio para identificar y rectificar posibles defectos de diseño.
Dados los altos costos asociados con un solo tapón, el éxito de OpenAI dependerá de si su primera iteración funciona según lo previsto. Si el diseño inicial requiere revisiones sustanciales, la Compañía puede enfrentar retrasos extendidos y tensión financiera adicional. Esta es una razón clave por la cual los gigantes tecnológicos como Apple y Microsoft iteran en múltiples generaciones de chips antes de lograr la viabilidad de producción completa.
Además, Operai también debe considerar el ecosistema de software que rodea su hardware. El dominio de Nvidia no es solo el resultado de sus chips, sino también la robustez de su pila de software CUDA. Para que Operai compite de manera efectiva, deberá asegurarse de que su chip de IA personalizado se integre sin problemas con los marcos de aprendizaje automático existentes, minimizando las brechas de compatibilidad para los desarrolladores.
El empuje hacia el desarrollo de chips internos para la IA, como la ser Desarrollado por Open AI, señala una nueva era en la evolución del hardware especializado. Como se discutió anteriormente, los chips de uso general han demostrado ser inadecuado para manejar los complejos cálculos requeridos por los modelos de IA modernos (las primeras raíces de la aceleración de IA). Si bien las GPU han sido una solución valiosa para acelerar los cálculos de IA, no son optimizado específicamente Para estas tareas, lo que lleva a recursos desperdiciados y un rendimiento reducido. El desarrollo de silicio personalizado, específicamente diseñado para acelerar los cálculos de IA complejos de manera eficiente, representa un paso significativo en el avance de el campo.
Creando sus propias chips de IA, Empresas como Open AI puede adaptar el hardware para satisfacer sus necesidades específicasasegurando la máxima eficiencia y rendimiento. Este enfoque hiperpecializado permite la reducción de Recursos desperdiciados, que permiten el desarrollo de modelos de IA más sofisticados que pueden abordar tareas complejas. La capacidad de adaptarse Rápidamente al panorama en evolución del campo AI también se vuelve más factible con el hardware personalizado, ya que las actualizaciones y modificaciones se pueden hacer más fácil y rápidamente con el enfoque tradicional de confiar en el hardware de uso general.
Mientras el desarrollo de Chips de IA internos presenta numerosos beneficiostambién presenta nuevos desafíos que deben abordarse. Uno del Las principales preocupaciones son el potencial para la creación de cuellos de botella en el ciclo de desarrollo. A medida que la demanda de modelos IA más complejos y potentes continúa creciendo la necesidad de hardware aún más avanzado se hace evidente. Si el desarrollo y la fabricación de dicho hardware no pueden mantener el ritmo de la rápida evolución del paisaje de IA, puede surgir un nuevo cuello de botella, obstaculizando el progreso del campo.
Independientemente de tales desafíos, la introducción de Los chips personalizados de Open AI es un excelente ejemplo de cómo las empresas se están moviendo hacia soluciones de silicio personalizadas para IA. Al desarrollar su propio hardware, las empresas pueden adaptar sus diseños para cumplir las necesidades específicas de sus sistemas de IA, reduciendo la cantidad de desperdiciado recursos, y mejorar el rendimiento general. Además el desarrollo por OpenAi de es First AI Chip demuestra cómo la industria está cambiando hacia un enfoque más personalizado para el hardware de IA.
Los chatbots de IA avanzan rápidamente y los probando hasta sus límites es lo que hago para vivir. El soneto Claude 4 de Anthrope y el chatgpt-4o de OpenAI son dos de las herramientas más inteligentes disponibles en este momento. Pero, ¿cómo se comparan realmente en el uso diario?
Para averiguarlo, le di a ambos modelos el mismo conjunto de 7 indicaciones; Cubriendo todo, desde narración de cuentos y productividad hasta apoyo emocional y pensamiento crítico.
“Escríbeme un resumen conciso de Misión imposible Personajes y tramas hasta la fecha ”, recientemente le pregunté a ChatGPT antes de atrapar la última entrada de franquicia. Se entregó. No necesitaba entender su código o conocer su conjunto de datos de capacitación. Todo lo que tenía que hacer era preguntar.
ChatGPT y otros chatbots impulsados por modelos de idiomas grandes, o LLM, son más populares que nunca. Los científicos están tomando nota. Las proteínas, los caballos de batalla moleculares de las células, mantienen nuestros cuerpos corriendo suavemente. También tienen un idioma propio. Los científicos asignan una letra abreviada a cada uno de los 20 aminoácidos que componen proteínas. Al igual que las palabras, las cadenas de estas letras se unen para formar proteínas de trabajo, su secuencia determina la forma y la función.
Inspirados en LLM, los científicos ahora están construyendo modelos de lenguaje de proteínas que diseñan proteínas desde cero. Algunos de estos algoritmos están disponibles públicamente, pero requieren habilidades técnicas. ¿Qué pasaría si su investigador promedio podría simplemente pedirle a una IA que diseñe una proteína con un solo mensaje?
El mes pasado, los investigadores dieron a Protein Design AI el tratamiento con chatgpt. De una descripción del tipo, estructura o funcionalidad de una proteína que está buscando, el algoritmo produce posibles candidatos. En un ejemplo, la IA, denominada pinal, hizo con éxito múltiples proteínas que podrían descomponer el alcohol cuando se analizó dentro de las células vivas. Puedes probarlo aquí.
Pinal es el último en un creciente conjunto de algoritmos que traducen el inglés cotidiano en nuevas proteínas. Estos diseñadores de proteínas entienden el lenguaje sencillo y la biología estructural, y actúan como guías para los científicos que exploran proteínas personalizadas, con poca experiencia técnica.
Es un “enfoque ambicioso y general”, el equipo internacional detrás de Pinal escribió en una preimpresión publicada en Biorxiv. La IA aprovecha el “poder descriptivo y la flexibilidad del lenguaje natural” para hacer que las proteínas de diseñador sean más accesibles para los biólogos.
Enfrentados contra los algoritmos de diseño de proteínas existentes, Pinal entendió mejor el objetivo principal de una proteína objetivo y aumentó las posibilidades de que funcionaría en las células vivas.
“Somos los primeros en diseñar una enzima funcional usando solo texto”, dijo Fajie Yuan, científica de IA de la Universidad de Westlake en China que dirigió el equipo. Naturaleza. “Es como la ciencia ficción”.
Las proteínas son los componentes básicos de la vida. Forman nuestros cuerpos, el metabolismo del combustible y son el objetivo de muchos medicamentos. Estas intrincadas moléculas comienzan a partir de una secuencia de “letras” de aminoácidos, que se unen entre sí y eventualmente se doblan en intrincadas estructuras 3D. Muchos elementos estructurales, un bucle aquí, un tejido o bolsillo allí, son esenciales para su función.
Los científicos han intentado durante mucho tiempo diseñar proteínas con nuevas habilidades, como enzimas que descomponen de manera eficiente los plásticos. Tradicionalmente, han personalizado las proteínas existentes para un cierto uso biológico, químico o médico. Estas estrategias “están limitadas por su dependencia de las plantillas de proteínas existentes y las limitaciones evolutivas naturales”, escribieron los autores. Los modelos de lenguaje de proteínas, en contraste, pueden soñar con un universo de nuevas proteínas sin ataduras de la evolución.
En lugar de absorber el texto, la imagen o los archivos de video, como LLMS, estos algoritmos aprenden el lenguaje de las proteínas entrenando en secuencias y estructuras de proteínas. ESM3 de EvolutionaryScale, por ejemplo, entrenó en más de 2.700 millones de secuencias de proteínas, estructuras y funciones. Los modelos similares ya se han utilizado para diseñar anticuerpos que luchan contra ataques virales y nuevas herramientas de edición de genes.
Pero estos algoritmos son difíciles de usar sin experiencia. Pinal, por el contrario, apunta al científico promedio-joe. Al igual que una cámara DSLR en Auto, el modelo “evita las especificaciones estructurales manuales”, escribió el equipo, lo que hace que sea más simple hacer su proteína deseable.
Para usar Pinal, un usuario le pide a la IA que construya una proteína con una solicitud de varias palabras clave, frases o un párrafo completo. En la parte delantera, la IA analiza los requisitos específicos en el aviso. En el back -end, transforma estas instrucciones en una proteína funcional.
Es un poco como pedirle a ChatGTP que le escriba una reseña de restaurante o un ensayo. Pero, por supuesto, las proteínas son más difíciles de diseñar. Aunque también están formados por “letras”, su forma final determina cómo (o si) funcionan. Un enfoque, denominado entrenamiento de extremo a extremo, traduce directamente un aviso en secuencias de proteínas. Pero esto abre la IA a un vasto mundo de secuencias potenciales, lo que hace que sea más difícil marcar las secuencias precisas de las proteínas de trabajo. En comparación con las secuencias, la estructura de proteínas, la forma 3D final, es más fácil para el algoritmo generar y descifrar.
Luego está el dolor de cabeza de los datos de entrenamiento. Aquí, el equipo recurrió a las bases de datos de proteínas existentes y usó LLM para etiquetarlas. El resultado final fue una vasta biblioteca de 1.700 millones de pares de texto proteico, en el que las estructuras de proteínas coinciden con descripciones de texto de lo que hacen.
El algoritmo completado utiliza 16 mil millones de parámetros, estas son las conexiones internas de una IA, para traducir el inglés simple al idioma de la biología.
Pinal sigue dos pasos. Primero traduce las indicaciones en información estructural. Este paso divide una proteína en elementos estructurales, o “fichas”, que son más fáciles de procesar. En el segundo paso, un modelo en idioma proteico llamado Saprot considera la intención del usuario y la funcionalidad de proteínas para diseñar secuencias de proteínas con mayor probabilidad de doblar en una proteína de trabajo que satisfaga las necesidades del usuario.
En comparación con los algoritmos de diseño de proteínas de última generación que también usan el texto como entrada, incluida ESM3, el pinal superó la precisión y la novedad, es decir, generar proteínas no conocidas por la naturaleza. Usando algunas palabras clave para diseñar una proteína, “la mitad de las proteínas de pinal exhiben funciones predecibles, solo alrededor del 10 por ciento de las proteínas generadas por ESM3 lo hacen”.
En una prueba, el equipo le dio a la IA un breve aviso: “Por favor, diseñe una proteína que sea una alcohol deshidrogenasa”. Estas enzimas descomponen el alcohol. De más de 1.600 proteínas candidatas, el equipo eligió los ocho más prometedores y las probó en células vivas. Dos rompieron con éxito el alcohol a temperatura corporal, mientras que otros fueron más activos a un sudor de 158 grados Fahrenheit.
Las indicaciones más elaboradas que incluían la función de una proteína y los ejemplos de moléculas similares, arrojaron candidatos a antibióticos y proteínas para ayudar a las células a recuperarse de la infección.
Pinal no es el único IA de texto a proteína. El Startup 310 AI ha desarrollado una IA denominada MP4 para generar proteínas a partir del texto, con los resultados que la compañía dice que podría beneficiar la enfermedad cardíaca.
El enfoque no es perfecto. Al igual que los LLM, que a menudo “alucinan”, los modelos de lenguaje de proteínas también sueñan secuencias poco confiables o repetitivas que reducen las posibilidades de un resultado final de trabajo. La redacción precisa de las indicaciones también afecta la estructura de proteína final. Aún así, la IA es como la primera versión de Dall-E: juega con ella y luego valida la proteína resultante usando otros métodos.
Un estudio publicado en la revista Tecnologías de educación e información Encuentra que los estudiantes que son más conscientes tienden a usar herramientas de IA generativas como ChatGPT con menos frecuencia, y que usar tales herramientas para tareas académicas se asocia con una mayor autoeficacia, un peor rendimiento académico y mayores sentimientos de impotencia. Los hallazgos destacan la dinámica psicológica detrás de la adopción de la IA y plantean preguntas sobre cómo puede dar forma al aprendizaje y la motivación de los estudiantes.
La IA generativa se refiere a sistemas informáticos que pueden crear contenido original en respuesta a las indicaciones del usuario. Los modelos de idiomas grandes, como ChatGPT, son un ejemplo común. Estas herramientas pueden producir ensayos, resúmenes, explicaciones e incluso simular la conversación, lo que los hace atractivos para los estudiantes que buscan ayuda rápida con tareas académicas. Pero su ascenso también ha provocado un debate entre los educadores, que están preocupados por el plagio, el aprendizaje reducido y el uso ético de la IA en las aulas.
“Ser testigo de la dependencia excesiva entre algunos de mis estudiantes en herramientas generativas de IA como ChatGPT me hizo preguntarme si estas herramientas tenían implicaciones para los resultados de aprendizaje a largo plazo de los estudiantes y su capacidad cognitiva”, dijo el autor de estudio Sundas Azeem, profesor asistente de gestión y comportamiento organizacional en la Universidad Szabist.
“Era particularmente evidente que para aquellas actividades y tareas en las que los estudiantes se basaban en herramientas generativas de IA, la participación y el debate en el aula fue considerablemente menor ya que las respuestas similares de estas herramientas aumentaron el acuerdo de los estudiantes sobre los temas de discusión. Con un compromiso reducido en la clase, estas observaciones provocaron mi preocupación si realmente se cumplían objetivos de aprendizaje.
“En el momento en que comenzamos este estudio, la mayoría de los estudios sobre el uso de la IA generativo por parte de los estudiantes estaban basados en la opinión o teóricos, explorando la ética del uso generativo de la IA”, continuó Azeem. “Los estudios que exploran el rendimiento académico rara vez consideran las calificaciones académicas (CGPA) para los resultados académicos, y también ignoraron las diferencias individuales como los rasgos de personalidad.
“A pesar del uso generalizado, no todos los estudiantes se basaron en el uso generativo de la IA por igual. Los estudiantes que de otro modo eran más responsables, puntuales y participativos en la clase parecían confiar menos en las herramientas generativas de IA. Esto me llevó a investigar si hubo diferencias de personalidad en el uso de estas herramientas. Esta brecha, acoplada con inquietudes enriquecidas sobre la equidad en el grado de la justicia y la integridad académica inspirada para este estudio”.
Para explorar cómo los estudiantes realmente se involucran con la IA generativa y cómo sus rasgos de personalidad influyen en este comportamiento, los investigadores encuestaron a 326 estudiantes universitarios de tres universidades principales en Pakistán. Los estudiantes se inscribieron en programas relacionados con los negocios y abarcaron de segundo a octavo semestre. Es importante destacar que el estudio utilizó un diseño de encuesta de tres ondas y retrasado en el tiempo para recopilar datos con el tiempo y minimizar los sesgos comunes en las respuestas autoinformadas.
En el primer momento, los estudiantes informaron sus rasgos de personalidad y sus percepciones de equidad en el sistema de calificación de su universidad. Específicamente, los investigadores se centraron en tres rasgos de personalidad del modelo Big Five: conciencia, apertura a la experiencia y neuroticismo. Estos rasgos fueron seleccionados debido a su relevancia para el rendimiento académico y el uso de la tecnología. Por ejemplo, los estudiantes concienzñosos tienden a ser organizados, autodisciplinados y orientados a los logros. La apertura refleja la curiosidad intelectual y la creatividad, mientras que el neuroticismo se asocia con ansiedad e inestabilidad emocional.
En el segundo punto, los participantes informaron con qué frecuencia usaban herramientas de IA generativas, especialmente ChatGPT, para fines académicos. En la tercera y última ola, los estudiantes completaron medidas que evaluaron su autoeficacia académica (cuán capaces se sintieron de tener éxito académicamente), su experiencia de impotencia aprendida (la creencia de que los esfuerzos no conducirán al éxito) e informaron su promedio acumulativo de calificaciones.
Entre los tres rasgos de personalidad estudiados, solo la conciencia estaba significativamente vinculada al uso de la IA. Los estudiantes que obtuvieron puntajes más altos en la conciencia tenían menos probabilidades de usar IA generativa para el trabajo académico. Este hallazgo sugiere que las personas concienzudas pueden preferir confiar en sus propios esfuerzos y están menos inclinados a tomar atajos, alineándose con investigaciones previas que demuestran que este rasgo de personalidad está asociado con la honestidad académica y el aprendizaje autodirigido.
“Nuestro estudio encontró que los estudiantes que son más conscientes tienen menos probabilidades de confiar en la IA generativa para tareas académicas debido a una mayor autodisciplina y tal vez también estándares éticos más altos”, dijo Azeem a PSYPOST. “Pueden preferir explorar múltiples fuentes de información y otras actividades de aprendizaje más cognitivamente atractivas como investigaciones y discusiones”.
Contrariamente a las expectativas, la apertura a la experiencia y el neuroticismo no se relacionó significativamente con el uso de IA. Si bien investigaciones anteriores han vinculado la apertura con una mayor disposición a probar nuevas tecnologías, los investigadores sugieren que los estudiantes con alto contenido de apertura también pueden valorar la originalidad y el pensamiento independiente, lo que potencialmente reduce su dependencia del contenido generado por IA. Del mismo modo, los estudiantes con un alto nivel de neuroticismo pueden sentirse incómodos con la precisión o la ética de las herramientas de IA, lo que lleva a la ambivalencia sobre su uso.
Los investigadores también examinaron cómo las percepciones de la justicia en la clasificación podrían dar forma a estas relaciones. Pero solo una interacción, entre la apertura y la equidad de calificación, fue marginalmente significativa. Para los estudiantes con alto contenido de apertura, percibir el sistema de calificación como justo se asoció con un menor uso de IA. Los investigadores no encontraron interacciones significativas que involucraban la conciencia o neuroticismo.
“Un hallazgo sorprendente fue que la justicia en la calificación solo influyó marginalmente en el uso generativo de la IA, y solo para la apertura del rasgo de personalidad a la experiencia, mostrando que, independientemente de la justicia de calificación, la IA generativa está ganando una popularidad generalizada”, dijo Azeem. “Esto es revelador, dado que habíamos anticipado que los estudiantes confiarían más en las herramientas generativas de IA con el objetivo de obtener calificaciones más altas, cuando la calificación percibió que la calificación era injusta. Además, mientras que las personas con una apertura a la experiencia de la experiencia son generalmente adoptantes de tecnologías que nuestro estudio no informó tales hallazgos”.
En términos más generales, los investigadores encontraron que un mayor uso de la IA generativa en las tareas académicas se asoció con varios resultados negativos. Los estudiantes que se basaron más en IA informaron una mayor autoeficacia académica. En otras palabras, se sintieron menos capaces de tener éxito por su cuenta. También experimentaron mayores sentimientos de impotencia aprendida, un estado en el que las personas creen que el esfuerzo es inútil y los resultados están fuera de su control. Además, un mayor uso de IA se vinculó con un rendimiento académico ligeramente más bajo medido por GPA.
Estos patrones sugieren que, si bien la IA generativa puede ofrecer conveniencia a corto plazo, su uso excesivo podría socavar el sentido de agencia de los estudiantes y reducir su motivación para participar profundamente con sus cursos. Con el tiempo, esta confianza podría erosionar el pensamiento crítico y las habilidades de resolución de problemas que son esenciales para el éxito a largo plazo.
Un análisis posterior reveló que el uso de IA generativo también medió el vínculo entre la conciencia y los resultados académicos. Específicamente, los estudiantes que eran más conscientes tenían menos probabilidades de usar IA, y este menor uso se asoció con un mejor rendimiento académico, una mayor autoeficacia y menos impotencia.
“Una conclusión clave para los estudiantes, los maestros, así como el liderazgo académico es el impacto de la dependencia de los estudiantes en las herramientas generativas de IA en sus resultados psicológicos y de aprendizaje”, dijo Azeem a PSYPOST. “Por ejemplo, nuestros hallazgos de que el uso generativo de la IA se asocia con una autoeficacia académica reducida y una mayor impotencia aprendida lo considera, ya que los estudiantes pueden comenzar a creer que sus propios esfuerzos no importan. Esto puede llevar a una agencia reducida cuando los estudiantes pueden creer que el éxito académico depende de las herramientas externas en lugar de la competencia interna. Como el uso excesivo de la AI generativa es la autoefficacia, los estudiantes pueden creer que su capacidad completa o desafiante los problemas sin problemas de los estudiantes en lugar de la ayuda de los estudiantes. Aprendedores pasivos, dudando en intentar tareas sin apoyo.
“Cuando se sienten menos control o dudan durante mucho tiempo, puede conducir a los hábitos de aprendizaje distorsionados, ya que pueden creer que la IA generativa siempre proporcionará la respuesta. Esto también puede hacer que las tareas académicas sean aburridas en lugar de desafiar, retraso aún más la resiliencia y el crecimiento intelectual. Nuestros hallazgos implican que la IA generativa está aquí aquí, su integración responsable en la academia a través de la formación de políticas, así como los maestros y el crecimiento intelectual es clave, nuestros hallazgos son clave.
“Nuestros hallazgos no respaldaron la idea común de que las herramientas generativas de IA ayudan a funcionar mejor académicamente”, explicó Azeem. “Esto tiene sentido dados nuestros hallazgos de que el uso generativo de la IA aumenta la impotencia aprendida. El rendimiento académico (indicado por CGPA en nuestro estudio) se basa más en las habilidades cognitivas individuales y el conocimiento de la materia, que puede afectar negativamente con una reducción de la autoeficacia académica reducida en exceso”.
El estudio, como todas las investigaciones, incluye algunas limitaciones. La muestra se limitó a estudiantes de negocios de universidades paquistaníes, lo que puede limitar la generalización de los hallazgos a otras culturas o disciplinas académicas. Los investigadores se basaron en medidas autoinformadas, aunque tomaron medidas para reducir el sesgo al separar las encuestas y usar escalas establecidas.
“Los datos autoinformados pueden ser susceptibles al sesgo de deseabilidad social”, señaló Azeem. “Además, si bien nuestro estudio siguió un diseño de tiempo de tiempo que permite la separación temporal entre la recopilación de datos, las instrucciones causales entre el uso generativo de la IA y sus resultados pueden mapear mejor a través de un diseño longitudinal. Del mismo modo, para diseñar las intervenciones y planes de capacitación necesarios, puede ayudar a futuros estudios a investigar las condiciones bajo las cuales el uso generativo de la IA lidera a los medios de aprendizaje más positivos y menos negativos”.
“A largo plazo, su objetivo es realizar estudios longitudinales que investiguen el desarrollo de los estudiantes a largo plazo, como la creatividad, la autorregulación y la empleabilidad en los semestres múltiples. Esto puede ayudar a cerrar las diferencias emergentes en la literatura con respecto al positivo versus los efectos dañinos de la IA generativa para los estudiantes. También tengo la intención de explorar otros rasgos motivacionales para que la personalidad sea de la personalidad, que puede influenciar la IA Generación. y razonamiento ético para el uso efectivo de IA generativo entre los estudiantes a largo plazo ”.
Los hallazgos plantean preguntas más grandes sobre el futuro de la educación en una era de IA accesible y poderosa. Si las herramientas generativas pueden completar muchas tareas académicas con un esfuerzo mínimo, los estudiantes pueden perder los procesos de aprendizaje que generan confianza, resistencia y pensamiento crítico. Por otro lado, las herramientas de IA también podrían usarse para apoyar el aprendizaje, por ejemplo, ayudando a los estudiantes a hacer una lluvia de ideas, explorar nuevas perspectivas o refinar sus escritos.
“Si bien nuestro estudio nos alarma a los posibles efectos adversos de la IA generativa para los estudiantes, la literatura también está disponible que respalda sus resultados positivos”, dijo Azeem. “Por lo tanto, a medida que las herramientas de IA se integran cada vez más en la educación, es vital que los responsables políticos, los educadores y los desarrolladores de EDTech vayan más allá de las opiniones binarias de la IA generativa como inherentemente bueno o malo. Creo que guiar el uso responsable de la IA generativa mientras mitigan los riesgos tienen la clave del aprendizaje mejorado”.
“Para ser específicos, la capacitación de instructor para diseñar actividades de aprendizaje acuáticas de AI puede ayudar a fomentar el pensamiento crítico. Estos pueden enfatizar la reflexión de los estudiantes alentando sobre el contenido generado por IA para abordar algunas cartas del uso generativo de IA en el aula. De la misma manera, la promoción de los sistemas de clasificación justos y transparentes es probable que se convierta en un mal uso. Con el uso no regulado y no regulado entre los estudiantes generativos entre los estudiantes de AI, los que se aprenden a los estudiantes de AI, lo que puede ser acelerado, se debe convertir en aceleración. Puede afectar las capacidades que la educación está destinada a desarrollar: la independencia, el pensamiento crítico y la curiosidad.
El estudio, “La personalidad se correlaciona del uso académico de la inteligencia artificial generativa y sus resultados: ¿Importa la justicia?”, Fue escrita por Sundas Azeem y Muhammad Abbas.
Remove.bg: La Revolución en la Edición de Imágenes que Debes Conocer
Cómo Comenzar a Utilizar ChatGPT: Una Guía Completa para Principiantes
Startups de IA en EE.UU. que han recaudado más de $100M en 2024
Cómo Empezar con Popai.pro: Tu Espacio Personal de IA – Guía Completa, Instalación, Versiones y Precios
Deepgram: Revolucionando el Reconocimiento de Voz con IA
Perplexity aplicado al Marketing Digital y Estrategias SEO
Curso de Inteligencia Artificial de UC Berkeley estratégico para negocios
Google Gemini: Guía Completa para Comenzar a usarlo y ganar tiempo en nuestras tareas diarias
Inside the OpenAI-DeepSeek Distillation Saga & Alibaba’s Most Powerful AI Model Qwen2.5-Max
De ChatGPT a mil millones de agentes
