Noticias
Next Step Forward In Human-AI Collaboration Showcased Via OpenAI’s ChatGPT Canvas Add-In
Upping the ante on human-AI collaboration is happening right now as evidenced by latest OpenAI … [+]
getty
In today’s column, I examine the latest advancements in human-AI collaboration and explain how these amazing capabilities will materially impact your everyday use of generative AI and large language models (LLMs). To illustrate these advancements, I highlight the newly widely released OpenAI ChatGPT specialized add-in known as Canvas which has garnered a great deal of media attention, deservedly so.
A key takeaway is that if you haven’t heard about, seen, or used these innovative AI-based collaboration tools, you are in for quite a surprise. In some mind-bending respects, this might cause you to rethink your use of AI and gain a fresh perspective on what generative AI can achieve.
The bottom line is that it isn’t about what AI can do for you, but what you and AI can do together.
Let’s talk about it.
This analysis of an innovative AI breakthrough is part of my ongoing Forbes column coverage on the latest in AI including identifying and explaining various impactful AI complexities (see the link here). For my coverage of the top-of-the-line ChatGPT o1 model and its advanced functionality, see the link here and the link here.
The Grand Act Of Collaboration
I’d like to start with the nature of human-to-human collaboration, after which we’ll shift to human-AI facets entailing collaboration.
When you collaborate with a fellow human, the overall notion is that you intend to work together to accomplish some kind of task or endeavor. For example, suppose you’ve drafted a memo at work and a co-worker has offered to review the draft with you. They are a handy second pair of eyes. The co-worker might spot some portions of your memo that could use rewording. Maybe the co-worker will identify missing content that ought to be added. Etc.
One means to collaborate on the review of the memo would be to go back and forth via email such that you email a first draft to them, the co-worker edits it and returns the revised draft to you, and so on. This series of cycles via email is bound to be somewhat sluggish and not the easiest or preferred way to do things. In a sense, it is very hard to have a proverbial “meeting of the minds” when you are emailing successive drafts to each other.
You’ve undoubtedly undertaken that kind of awkward and frustrating activity and realized by the school of hard knocks that it isn’t especially streamlined.
Sad face.
There Is A Better Way To Collaborate
What would be a better form of collaboration?
Ideally, you’d like to do the review in real-time and allow each of you to immediately showcase on a referent draft the precise changes or issues you have with the writing. There would be one document that both of you have direct access to. Either one of you can highlight or point out passages that might require modification. Changes can be made quickly and visually evident to each of you. All eyes are seeing the same thing.
Voila, your collaboration becomes a true semblance of collaboration.
There are three main factors about this:
- (1) Communication. You want to make communication as frictionless as possible and as immediate as possible.
- (2) Coordination. You want to ensure that coordination during the process is smooth and aids the effort rather than getting in the way of things.
- (3) Task. You want to keep the task that is at hand as evident or at front and center as feasible to ensure that both of you are seeing the same things at the same time.
Happy face.
Conventional Generative AI And Collaboration
Shifting gears, let’s dive into the kind of human-AI collaboration that you experience in conventional generative AI. You will see in a moment how the above precepts come into play in an AI context. Hang in there.
Here’s a dialogue that you might typically have with any of the major generative AI apps.
- My entered prompt: “Here is a memo that I’ve drafted, and I want you to carefully read it. I aim to get your feedback and possibly have you suggest or even make changes to the draft. We are to do this together. Don’t just summarily make changes. I want this to be collaborative.”
- Generative AI response: “I understand. I’ve reviewed the draft. The second line in the first paragraph is rough to read and I recommend it be improved. In the third paragraph, the last several lines do not seem to fit with the topic at hand. Are you sure that those lines belong in the memo?”
- My entered prompt: “I’m looking at the second line of the first paragraph and I think it reads really well. What about that line bothers you? In terms of my third paragraph, those several lines that you are criticizing are completely sensible to me, and if you look at the fifth paragraph of the memo, I think it will be sensible to you too. Please take that into account.”
That’s a rather common interaction when conversing with generative AI on a matter such as figuring out some possible edits for a drafted piece of content.
I have a question for you about the above dialogue.
Does the dialogue seem particularly conducive to acting collaboratively?
On the one hand, you could say that the generative AI is doing a useful job of offering insights into the draft. However, the person interacting with the AI must go back and forth about which line and which wording is at issue. Trying to proceed in this way is arduous and likely exasperating.
There must be a better way to accomplish this.
Newer Form Of Human-AI Collaboration
Suppose that we redid the interface that is involved in this human-AI collaboration.
Rather than a Q&A dialogue that is a sequence of back-and-forth iterations about something that is out of view, let’s open a second view or window that sits adjacent to the prevailing interaction. This second view will showcase the drafted memo. Thus, the person can see the draft and the AI can highlight which lines and which words are being discussed.
Furthermore, the view of the draft can be highlighted by the human, doing so to emphasize to the AI what portions the person wants the generative AI to focus on. Nice.
Let’s up the ante and allow the human and the AI to make changes directly on the draft memo. Either one can do so, freely, immediately, and with the attention of the other. The draft at this juncture is being displayed in the second view and persistently stays there as the dialogue between the human and the AI takes place.
Changes are immediately displayed. If the human makes a change, it is apparent what change was made because it is directly in the text, rather than cumbersomely describing the change that the user was thinking of making. Likewise, the AI can make a change in the draft, visually so, and the user sees exactly what change the AI was mentioning.
I hope that you can sufficiently envision what this new setup for human-AI collaboration looks like.
The premise is that whatever body of text that you and the AI are conversing about can be displayed in a second view, during which it is actively available for changes by either party. No longer do you need to waste time and effort trying to convey to the generative AI what you want to change, nor does the AI need to indirectly describe what the AI suggests being changed.
It is one editable view that is commonly shared by both.
Boom, drop the mic.
When Human-AI Collaborations Improves At Scale
I realize that the idea of having a shared editable view for human-AI interaction seems at an initial consideration to be an obvious addition for generative AI. Some cynics are bound to exhort that this isn’t worth much of a hullabaloo.
Well, first of all, haters are going to hate. Secondly, yes, the approach of having a shared editable view is something that has been worked on in AI labs, but there hasn’t been that big of a commercial widespread availability of this kind of structure. Doing this at scale is a game changer.
When I say at scale, imagine that millions upon millions of people might end up using this type of human-AI interface.
How so?
OpenAI has now made available on a widespread basis their relatively new add-in known as Canvas and it works seamlessly with the widely and wildly popular ChatGPT. There are reportedly over 300 million weekly active users of ChatGPT. At this juncture, they will soon have or might already have Canvas available to them due to this expanded release (note that Canvas was available on a limited or beta basis for the last few months).
Canvas provides the second-view capability that I’ve been describing.
It Is Here And Now And In The Future Too
Your dialogue with ChatGPT sits to the left and the second view sits to the right.
The dialogue proceeds and meanwhile, the second view is jointly able to be explored and edited. Can you visualize in your mind’s eye what this looks like? I realize this might be hard to envisage in your head. Consider visiting the official OpenAI web page that shows how Canvas works or search on any reputable social media site for videos posted by people who have been making use of Canvas.
An interesting question is how many people will opt to use Canvas.
Some users of ChatGPT might not grasp what Canvas is or can do, therefore they won’t invoke it. Others might know that Canvas is there, but for various reasons don’t want to lean into it. This is one of those new pieces of functionality that will likely take time for people to get accustomed to using.
My prediction is that eventually, the use of a second-view approach will be commonplace for most generative AI apps. Users will expect it. Rather than the feature being a novelty, it will be a must-have piece of functionality. Indeed, other AI makers already have such capabilities in the works and like anything else in this highly competitive AI marketplace, every AI vendor will have to stay at the leading edge or fade into oblivion.
Expect too that variations and advancements in this type of capability are going to rapidly emerge. What kinds of amplifications? If two views are good, maybe allowing for three views is even better. Perhaps four views, five views, or as many as you like (some number of n-views). There will be a Darwinian process of variations proffered, some of which people will actively relish, and others that they won’t, ultimately winnowing to what people, by and large, want to have available.
Intriguing Questions Of Sensibility
There are fascinating behavioral ramifications. Allow me a moment to examine some aspects that maybe don’t immediately come to mind on this capability. Get ready to think outside the box.
Who should initiate the use of a shared editable view?
Your first thought might be that of course the human decides whether to engage the capability. Humans are supposed to be in charge of AI. Period, end of story.
Hold on for a moment.
Suppose a person using generative AI doesn’t perchance realize they could benefit by using a second-view collaborative feature. Maybe the idea of doing so doesn’t pop into their head. Or perhaps they are unfamiliar with the feature and don’t realize how it can help.
We might allow the generative AI to automatically initiate the second view. It goes like this. A user is carrying on a normal dialogue with AI. At some point, the person indicates they need to write a quick message to tell someone that foul weather is expected in their area. Based on that comment, the generative AI could discern that the user intends to write a message, which is a suitable circumstance for invoking the second-view capability.
Voila, the AI does so.
In the case of OpenAI’s Canvas, the AI researchers wrestled with this kind of automatic invoking of the capability. They have established their AI to do so but realize that users might get irked. How so? If the invoking happens too much, a user might become steamed and feel like the AI is overplaying its hand. A gentle touch is needed for the AI to discern how often to take such actions. This is one of those parameter-setting aspects.
Another Sensibility Puzzler
Here’s another puzzler.
Suppose the generative AI examines a draft that is jointly being worked on with a user and computationally determines that the draft needs an utter overhaul. The draft as it sits currently is a mess and contains fragmented sentences, misspells, and otherwise is a piece of writing travesty.
Should the AI take the bull by the horns and summarily rewrite the entire draft?
You’ve certainly experienced this same aspect in real-life-based human-to-human collaborations. The person you are collaborating with announces in a loud voice that your draft is a pile of junk. They then grab it from you and proceed to rewrite the whole thing. You sit there, perhaps in mild shock, watching the other person opt to redo your hard work.
Admittedly, sometimes you are perfectly fine with the other person taking charge. One issue is that if this is supposed to be a learning experience, such as writing something for a class at school, numerous AI ethical questions arise, see my coverage at the link here.
OpenAI researchers did some handwringing on the same issue related to Canvas. How far should the AI go in doing a rewrite? Should the AI proceed on this or only if the user requests it? Even if the user requests the action, will it be the proper thing to do such that the AI has now essentially written the content rather than the human?
This is a heady matter that society in general is going to need to figure out, including whether new AI laws are needed to deal with these human-AI ethical dilemmas, see my discussion at the link here.
Coding Of Software Is In This Same Realm
Changing to another angle on this, let’s brainstorm on how else a second-view capability could be utilized.
For those who write software, they probably already use some form of code editing tool that assists in composing and testing code. In that sense, they are familiar with a second-view approach. Few of those second-view capabilities do much in terms of actively devising and testing the code, and not often in a highly collaborative way (notice to trolls, yes, some tools will do so – I’m not saying that this doesn’t exist).
OpenAI has set up Canvas to enable software coding, which is in addition to performing collaborations on text composition such as writing memos, stories, essays, narratives, poems, and so on. The software side includes being able to run your code and having the AI examine testing results to then give suggestions on where bugs might be or otherwise make the code better.
An allied topic I’ve covered in other postings is whether we are headed toward the demise of software engineers as a profession, whereby AI does all needed coding from A to Z. The AI comes up with the code, tests it, and rolls it out. Away goes the job of human efforts of writing code and developing systems. Should you be worried if you are a programmer? See my analysis at the link here.
Human-AI Collaboration Is A Moving Target
We are just in the early days of human-AI collaboration as it pertains to the use of generative AI and LLMs.
Imagine that you are using generative AI and have an article that you are writing. The article is to contain text, various figures, graphics, suitable images, and maybe have audio and video attached too. The use of a second-view or shall we say n-view is going to accommodate all modes or mediums. The AI isn’t going to only help with the text composition. All the components will be shown in some number of allied views, and you and the AI will work hand-in-hand to compose, edit, refine, and finalize it. For the latest on text-to-video, see my discussion at the link here.
The entire kit-and-kaboodle.
This seems quite exciting. And it is. Meanwhile, we need to ask hard questions about authorship, copyrights and Intellectual Property (IP) rights, plagiarism, and other bleaker sides of these AI advances.
We must keep from going over our skis, as they say these days.
A final remark for now.
Charles Darwin famously made this assertion about collaboration: “In the long history of humankind (and animal-kind, too) those who learned to collaborate and improvise most effectively have prevailed.” This suggests that we are smart to pursue human-AI collaboration. That is going to be our future, and there’s no turning back the clock.
Hopefully, we will be smart enough to keep human-AI collaboration in proper check and avert the dreaded existential risks that lurk within that weighty proposition. Should we collaboratively discuss this with AI, or might that be a bridge too far?
Time will tell.
Noticias
Movimiento de Windsurf de $ 3B de OpenAI: la verdadera razón detrás de su empuje de código AI empresarial
Únase a nuestros boletines diarios y semanales para obtener las últimas actualizaciones y contenido exclusivo sobre la cobertura de IA líder de la industria. Obtenga más información
La carrera entre los gigantes de IA ha cambiado por completo. Openai, la compañía que durante los últimos años establece en gran medida la agenda en inteligencia artificial, ahora se encuentra en una carrera de alto riesgo para defender su territorio y conquistar nuevas fronteras, particularmente la codificación con AI. La adquisición reportada de Windsurf, un entorno de desarrollo integrado nativo de AI (IDE), por $ 3 mil millones, una enorme suma considerando que Windsurf solo tiene $ 40 millones en ingresos anualizados, refleja la urgente necesidad de OpenAi de contrarrestar grandes desafíos de Google y anthópico y asegurar una posición dominante en el agente emergente AI World.
Específicamente, la maniobra subraya dos imperativos para OpenAI: primero, la necesidad de armar el ecosistema de desarrolladores vitales con capacidades de codificación superiores, y segundo, para ganar la batalla más amplia y definitoria para convertirse en la interfaz principal para un futuro formado por agentes autónomos de IA.
Operai está en el pie trasero en este momento, y necesita este trato.
El nuevo panorama competitivo: Operai juega defensa
Para los tomadores de decisiones técnicas empresariales, el paisaje de IA es un tablero de ajedrez. Mientras que Operai cuenta con una base de usuarios masiva para CHATGPT, alcanzando los 700-800 millones de usuarios activos después de los recientes lanzamientos de características de imágenes, su liderazgo en la IA empresarial de vanguardia, particularmente para los desarrolladores, se ha disipado notablemente en los últimos meses.
Este cambio es evidente en el ámbito de la codificación asistida por AI. Google, con su destreza de infraestructura y la cabeza de Géminis Josh Woodward, ha estado actualizando agresivamente sus modelos Gemini, incluida la reciente actualización de Gemini 2.5 Pro, con un enfoque claro en mejorar las habilidades de codificación. Este modelo encabeza los puntos de referencia clave. Anthrope, también, ha realizado significados incursiones con su serie Claude, con modelos como el soneto Claude 3.5 y el nuevo soneto Claude 3.7 que se convierten en valores predeterminados en plataformas de codificación de IA populares como Cursor, y generalmente se ha considerado un líder en ofertas de codificación empresarial en general. Y las nuevas plataformas de codificación (Windsurf, Cursor, RepliS, Levable y varias otras) son donde los desarrolladores están recurriendo cada vez más para generar código a través de indicaciones de alto nivel dentro de un entorno agente.
Irónicamente, Operai fue el primer jugador en defender las LLM para codificar. En 2021, por ejemplo, entrenó en el código público de GitHub y ayudó a GitHub a lanzar Copilot, y también lanzó una API de Codex, que convirtió el lenguaje natural en código. Quizás sin darse cuenta aplazando a Microsoft y Github en el área de aplicaciones de codificación, ahora se está encontrando detrás.
Esta presión competitiva es un impulsor principal detrás de la valoración de $ 3 mil millones para Windsurf, un acuerdo que, según los informes, se acuerda, pero aún no está cerrado. La valoración de Windsurf refleja la necesidad estratégica en lugar de los rendimientos financieros inmediatos, y sería la adquisición más grande de OpenAI hasta la fecha.
Para los tomadores de decisiones técnicas empresariales, este empuje entre Openai, Google y Anthrope dictará la estabilidad futura de la plataforma, las hojas de ruta y las posibilidades de integración cruciales.
Los ajustes estratégicos de OpenAI últimamente también incluyen su estructura corporativa y su alianzas. Recientemente anunció un cambio hacia una estructura de empresa de beneficios público, después de intentar un traslado a una estructura con fines de lucro. Además, Operai ya no puede confiar únicamente en su relación históricamente estrecha con Microsoft y su subsidiaria de codificación GitHub. La CEO de Microsoft, Satya Nadella, fomenta cada vez más un enfoque de “jardín abierto”, apoyando iniciativas como el protocolo A2A (agente a agente) lanzado por Google y el Protocolo de contexto del modelo abierto (MCP). Esta dinámica en evolución significa que OpenAI debe asegurar sus propios canales directos al ecosistema del desarrollador.
La carrera armamentista de codificación: por qué Windsurf es una apuesta multimillonaria
La carrera para dominar la codificación asistida por AI-no se trata realmente de la tecnología, aunque la tecnología de Windsurf es impresionante. Se trata más de capturar el flujo de trabajo del desarrollador, que se está convirtiendo rápidamente en el aspecto más monetizable de la tecnología LLM actual. Los codificadores están utilizando estas herramientas de agentes de codificación (cursor, windsurf y similares) para escribir código, sentarse allí durante horas al día y construir un código real que se pueda implementar. Es probable que esto sea mucho más valioso que las interacciones ocasionales del consumidor.
Y es donde Windsurf entra en la foto. Fundada por Varun Mohan y Douglas Chen, la compañía comenzó como exafunción en 2021, centrándose en la utilización e inferencia de GPU, antes de pivotar en 2022 a las herramientas de desarrolladores de IA, y finalmente lanzó el editor de Windsurf. Windsurf se distinguió temprano al estar entre los primeros en enviar un IDE totalmente agente, con innovaciones como la compresión de contexto en el tiempo de inferencia y la fragmentación de AST. Sus características destacadas incluyen “Cascade”, un sistema que proporciona una conciencia de contexto profundo en una base de código completa para cambios coherentes en múltiples archivos, y “flujos”, diseñado para la colaboración de IA en tiempo real donde la IA entiende y se adapta activamente al trabajo continuo del desarrollador. (Este podcast con Mohan, publicado la semana pasada, proporciona un buen contexto en torno a la historia y la estrategia de Windsurf).
Mientras que Operai posee un inmenso talento de ingeniería y recientemente ha reforzado su destreza de codificación internamente, incluida la liberación de su propia CLI Codex, la adquisición de Windsurf ofrece velocidad y un punto de apoyo establecido. Como Sam Witteveen, un desarrollador de agentes de IA independiente, dijo en nuestra reciente conversación de videocast sobre estos últimos movimientos: “No es la tecnología que están comprando, están comprando una base de usuarios aquí. Realmente necesitan tener un punto de apoyo bueno y fuerte para asumir el cursor y, lo que es más importante, para enfrentar a Anthrope y Google”.
Según los informes, Windsurf, que tiene “varios cientos de miles de usuarios activos diarios” según su CEO, está ganando terreno con grandes empresas que tienen bases de código complejas de millones, un segmento crucial para OpenAI. Este enfoque en la implementación de grado empresarial y el manejo de grandes bases de código puede diferenciar Windsurf de competidores como Cursor, que, a pesar de una impresionante valoración de ~ $ 300 millones y una valoración de $ 9 mil millones, se rumorea que enfrenta una mayor rotación a medida que los desarrolladores buscan soluciones de despliegue más robustas.
Una adquisición de Windsurf podría permitir a OpenAi saltar ciclos de desarrollo interno, crucial en lo que muchos ven como una situación de aceleración de la tierra. Se indica un movimiento hacia la gestión de proyectos, la depuración y los entornos de desarrollo más completos, integrando capacidades de razonamiento avanzado como las que se ven en el modelo O1 de OpenAI (con sus trazas de razonamiento) directamente en el principal juego de herramientas del desarrollador.
El Gran Premio: Convertirse en el punto de partida para un mundo agente
Sin embargo, el intenso enfoque en las herramientas de codificación es simplemente un frente en una competencia mucho mayor: la carrera para convertirse en la interfaz principal para un mundo de IA cada vez más agente. Claro, se trata de ayudar a los desarrolladores a escribir código de manera más eficiente. Pero se trata más de ser dueño del punto de partida para donde los consumidores, desarrolladores y trabajadores de conocimiento empresarial orquestan tareas complejas a través de agentes de IA.
La masa base de usuarios de ChatGPT de OpenAI proporciona una ventaja de distribución significativa. La integración de las capacidades similares a Windsurf podría transformar el CHATGPT en una “página de inicio” más convincente para una amplia gama de tareas de agente. Sin embargo, Google presenta un desafío formidable aquí. Si bien su enfoque para las interfaces de IA (Google.com, Vertex AI, AI Studio, Agentspace, la aplicación Gemini) puede parecer fragmentado, también representa múltiples apuestas estratégicas en un mercado naciente.
La pregunta para los líderes empresariales es cómo se verá este “punto de partida agente”. ¿Será una interfaz única y dominante o un jardín más abierto de agentes especializados integrados en diversas aplicaciones, y accesible desde miles de lugares diferentes, desde Salesforce para CRM, Meta para las redes sociales y una miríada de otras plataformas de desarrolladores?
¿Se puede hacer el trabajo de agente desde en cualquier lugar? “[The] Code Stuff está a punto de hacer un cambio “, dijo el desarrollador de IA Witteveen.” La gente se está mudando a una cosa de agente en la que quizás resuelva un documento de requisito de producto completo, lo pones allí, y luego se apaga y se muele para poder básicamente tener una codificación de agente “. No está claro que debe haber un punto de partida singular.
De hecho, la carrera de líderes como OpenAi y Google para establecer un ‘punto de partida’ dominante se complica por el impulso simultáneo de la industria para la apertura. Notado May Habib, CEO de Writer: “Cuando todos intentan ser interoperables y abiertos, ¿qué significa realmente ganar esa capa superior?” Ella cuestionó en una conversación con VentureBeat. “Todos intentan ser ese punto de partida más alto”.
De cualquier manera, quien sea que “posee” un punto de partida tendrá que abrazar la apertura, dijo. El cambio hacia la codificación de agente, y un ecosistema abierto y extensible, ha sido subrayado por la adopción generalizada de MCP. Deepak Agarwal, director de IA en LinkedIn, en una conversación reciente con VentureBeat, calificada de MCP posiblemente el invento más importante últimamente. “Es como inventar el HTTP de AI”, dijo. Esta nueva apertura beneficia tanto a los codificadores tradicionales como a la nueva clase de “creadores” dentro de las empresas: expertos en dominios que pueden usar estas herramientas de agente para crear soluciones de software personalizadas sin experiencia en codificación. Pueden crear CRMS personalizados o sistemas de tareas tareas únicas adaptadas a sus necesidades específicas. Para las empresas, esto significa proporcionar entornos de caja de arena donde los empleados pueden descubrir, construir y eventualmente integrar estas soluciones impulsadas por la IA en sus flujos de trabajo.
Navegar por el tablero de ajedrez de IA: imperativos para los líderes empresariales
Para los tomadores de decisiones técnicas en la empresa, aquí hay algunas implicaciones:
- Estabilidad y confiabilidad de la plataforma: La intensa competencia y los cambios estratégicos (como la reestructuración corporativa de OpenAI) significan que las empresas deben evaluar la estabilidad y confiabilidad a largo plazo de sus plataformas de IA elegidas.
- La relación evolutiva de OpenAi-Microsoft: El movimiento de Microsoft hacia un “jardín abierto” y el soporte para protocolos de agentes multiplataforma (como A2A) significa que las empresas que dependen del ecosistema de Azure tendrán más opciones, pero también necesitan navegar un paisaje más complejo ya que OpenAI encuentra otros puntos de distribución como Windsurf.
- El surgimiento del desarrollo de la agente: La transición de la codificación asistida por AI a entornos de desarrollo verdaderamente agentes está ocurriendo. Los líderes deben preparar a sus equipos para herramientas que ofrecen razonamiento de varios pasos, conciencia de contexto en todo el proyecto y ejecución de tareas autónomas. Esto requiere fomentar habilidades en ingeniería rápida, orquestación de agentes y comprender las capacidades y limitaciones de estos nuevos sistemas.
- Abraza la caja de arena: A medida que las herramientas de IA se vuelven más poderosas y democratizadas, es crucial proporcionar entornos de sandbox seguros y gobernados para la experimentación. Esto permite a los equipos explorar el potencial de la IA de agente para crear soluciones personalizadas e impulsar la innovación sin comprometer los datos o sistemas empresariales. Esta caja de arena pronto puede incluir cualquier interfaz que finalmente se ocurra el dúo Operai-Windsurf (suponiendo que su acuerdo se presente), las ofertas de Google y decenas de otros.
Mira la inmersión completa en el nuevo ecosistema, con Sam Witteveen y yo, en nuestro podcast aquí:
Los bots de IA quieren ayudarlo con sus búsquedas en la web, así como con todo lo demás, y Claude es el último asistente de inteligencia artificial para obtener la capacidad de buscar información en línea, ya sea que sean los últimos titulares de noticias o los últimos precios de los dispositivos.
“Con la búsqueda web, Claude tiene acceso a los últimos eventos e información, lo que aumenta su precisión en las tareas que se benefician de los datos más recientes”, dice el desarrollador Anthrope. La función está disponible ahora en todos los planes pagados, y “llegará pronto” para los usuarios gratuitos.
Web Search es un tipo diferente de desafío para los modelos de IA, probando su capacidad de examinar y evaluar el contenido publicado en la web, en lugar de integrarse en sus datos de capacitación. Así es como se avanza Claude, y se compara con Google Gemini y Chatgpt.
Uso de la búsqueda web en Claude
Habilitar la función de búsqueda web.
Crédito: Lifehacker
Para dar acceso web a Claude, haga clic en el botón Sliders en el cuadro de solicitud y habilite el Búsqueda web Interruptor de palanca. El bot de AI se referirá a la web en general a medida que lo considera apropiado para su consulta, pero si desea asegurarse de que use información en línea como parte de su respuesta, incluya algo como “Buscar en la web” en su aviso.
Cuando se invoca una búsqueda en la web, Claude le notificará como parte de la respuesta, y generalmente tarda un poco más en regresar con una respuesta. Cuando aparece la respuesta, obtienes pequeños botones de citas al final de ciertas oraciones, para que sepa de dónde proviene la información. Haga clic en cualquier cita para saltar a ese sitio web en una nueva pestaña.
Puede ejecutar casi cualquier consulta que pueda escribir en Google, cubriendo todo, desde pronósticos meteorológicos y puntajes deportivos hasta inmersiones profundas en el historial de la música y ayudar a solucionar problemas de computadora. Como de costumbre, puede hacer un seguimiento con más preguntas sobre los resultados que Claude le ha dado.
Es fácil ver el potencial para que la IA voltee la forma en que buscamos en la web, en cómo ofrece una experiencia más natural y matizada que la lista estándar de enlaces en Google. Sin embargo, no está exento de problemas, no menos si estos bots de IA se pueden confiar y de dónde van a obtener su información si los seres humanos reales ya no tienen incentivos para publicar en la web.
Obtener la noticia del día
Elegir las noticias tecnológicas actuales.
Crédito: Lifehacker
Me encargué de que Claude me trajera los titulares de noticias tecnológicas del día, y de hecho realizó dos búsquedas web para asegurarse de que lo obtuviera todo. Leí las noticias de tecnología todos los días, y Claude hizo un buen trabajo, aquí: las historias eran en su mayoría nuevas, y en su mayoría relevantes, aunque los enlaces de citas tendían a ir a las páginas delanteras de los sitios de noticias, en lugar de artículos individuales.
Gemini estaba a la par de Claude, aunque logró vincularse a artículos específicos, no solo los centros de noticias. Casi cada resultado fue de los últimos días, tomado de una fuente de buena reputación, y relativamente significativa en el mundo de las noticias tecnológicas, aunque hubo algunas fallas: un nuevo teléfono Samsung en India, por ejemplo, que realmente no me importa.
A Chatgpt, y el Bot Operai fue probablemente el peor del lote cuando se trataba de devolver los resultados que me importaban de los sitios que son los más respetados en el espacio de noticias tecnológicas (aunque se podría argumentar que es una decisión subjetiva). Todavía estaba bien, pero preferí los resultados que obtuve de Claude y Gemini.
Cuando se le pidió que devolviera las últimas noticias de Lifehacker, Claude no pudo hacerlo, y ChatGPT acaba de enumerar los titulares de la página de inicio actual sin enlaces. Gemini en realidad me dio las últimas historias, completa con enlaces, así que funciona mejor aquí, aunque la mejor opción es probablemente solo para abrir Lifehacker en su navegador.
Verificación de hechos en línea
Claude sabe sus películas … o más bien, sabe consultar Wikipedia.
Crédito: Lifehacker
En la comprobación de hechos: probé a Claude con una pregunta de película a la que ya conozco la respuesta. ¿Cuántos Oscar fueron ganados por Uno voló sobre el nido del cuco? Obtuvo la respuesta correcta y el año correcto, y dio el contexto de que es solo la tercera película de la historia en obtener los cinco grandes premios de la Academia: Mejor director, Mejor Actor, Mejor Actriz, Mejor Película y el mejor guión adaptado (ver si puedes adivinar cuáles son las otras dos películas).
Gemini también obtuvo las respuestas y el contexto de la gran victoria. Sus fuentes cubrieron una variedad más amplia de sitios e incluso YouTube, mientras que Claude se pegó a Wikipedia y al sitio oficial de los Oscar. Dio una respuesta más corta y más breve que Claude, y no incluía información de antecedentes sobre tomas de taquilla.
¿Qué piensas hasta ahora?
En cuanto a CHATGPT, nuevamente logró armar una respuesta precisa, con el contexto útil sobre el éxito de los cinco grandes y las otras películas que han manejado la hazaña. Al igual que Claude, se pegó principalmente a Wikipedia, pero hizo algo que no Claude ni Gemini lo hicieron: incluía un video de YouTube de la presentación de Oscar mejor imagen.
Este tipo de búsquedas en la web no son particularmente exigentes. Las preguntas más complejas pueden plantear más problemas, especialmente si las respuestas no están disponibles y la IA se siente tentado a inventarlos. Intenté engañar a estos bots de IA para que pensara que Daniel Day-Lewis ganó dos Oscar al mejor actor en años consecutivos, pero los tres identificaron correctamente que esto nunca sucedió.
Claude no es muy útil para comprar en la web.
Crédito: Lifehacker
Las compras en línea podrían ser transformadas por AI. Si bien las personas reales siempre serán mejores que los bots para elegir las compras correctas, la IA puede raspar rápidamente y resumir las opiniones de los seres humanos reales y empaquetarlos en una interfaz limpia y amigable mientras toma un corte de las ventas. Es como tener un asistente inteligente con usted, sin necesidad de vadear a través de masas de información o resultados de búsqueda.
Le pedí a Claude que recomendara un regalo extravagante para mí, basado en deportes o películas, y buscó obedientemente páginas que enumeran los extravagantes deportes y regalos de películas. Le fue bien elegir algunas ideas, pero creo que esta es una consulta que podría haber corrido a través de Google sin preocuparme de la IA.
Géminis dio una respuesta más personalizada y de cambio. No proporcionó ningún enlace web en este caso, tal vez porque Google quiere mantenerlo en su principal motor de búsqueda para este tipo de consultas: a diferencia de Claude o ChatGPT, Google ya gana mucho dinero que los usuarios hacen clic en comprar enlaces de sus resultados de búsqueda de compras.
ChatGPT dio los resultados más útiles aquí, tal vez gracias a su reciente actualización de compras. Las fuentes que enumeró fueron similares a las que usaron Claude, pero proporcionó algunas selecciones superiores distintas, junto con precios y enlaces para comprarlos en la web. Más adelante, esta podría ser una de las formas en que Operai recupera parte de su dinero.
La búsqueda web claramente sigue siendo un trabajo en progreso para todas estas herramientas de IA. En algunos casos, funciona mejor que una búsqueda tradicional de Google, pero no siempre, y siempre existe el problema de cuán lejos puede confiar en estas respuestas seguras y pulidas sin verificar las fuentes originales de las que obtienen su información.
Divulgación: la empresa matriz de Lifehacker, Ziff Davis, presentó una demanda contra Operai en abril, alegando que infringió los derechos de autor de Ziff Davis en la capacitación y la operación de sus sistemas de IA.
Los chatbots de inteligencia artificiales como ChatGPT se están volviendo mucho más inteligentes, mucho más naturales y mucho más … como humanos. Tiene sentido: los humanos son los que crean los modelos de idiomas grandes que sustentan los sistemas de chatbots de IA, después de todo. Pero a medida que estas herramientas mejoran en “razonamiento” e imitan el discurso humano, ¿son lo suficientemente inteligentes como para aprobar la prueba de Turing?
Durante décadas, la prueba de Turing se ha mantenido como un punto de referencia clave en la inteligencia de máquinas. Ahora, los investigadores en realidad están poniendo a prueba LLM como ChatGPT. Si ChatGPT puede pasar, el logro sería un hito importante en el desarrollo de IA.
Entonces, ¿puede ChatGPT pasar la prueba de Turing? Según algunos investigadores, sí. Sin embargo, los resultados no son completamente definitivos. La prueba de Turing no es un simple pase/falla, lo que significa que los resultados no son realmente en blanco y negro. Además, incluso si ChatGPT podría pasar la prueba de Turing, eso puede no decirnos realmente cuán “humano” es realmente un LLM.
Vamos a desglosarlo.
¿Cuál es la prueba de Turing?
El concepto de la prueba de Turing es realmente bastante simple.
La prueba fue originalmente propuesta por el matemático británico Alan Turing, el padre de la informática moderna y un héroe para los nerds de todo el mundo. En 1949 o 1950, propuso el juego de imitación, una prueba de inteligencia de máquinas que desde entonces ha sido nombrada por él. La prueba de Turing implica que un juez humano tenga una conversación con un humano y una máquina sin saber cuál es cuál (o quién es quién, si crees en AGI). Si el juez no puede decir cuál es la máquina y cuál es la humana, la máquina pasa la prueba de Turing. En un contexto de investigación, la prueba se realiza muchas veces con múltiples jueces.
Por supuesto, la prueba no puede determinar necesariamente si un modelo de lenguaje grande es realmente tan inteligente como un humano (o más inteligente), solo si es capaz de pasar por un humano.
¿Los LLM realmente piensan como nosotros?
Los modelos de lenguaje grande, por supuesto, no tienen cerebro, conciencia o modelo mundial. No son conscientes de su propia existencia. También carecen de opiniones o creencias verdaderas.
En cambio, los modelos de idiomas grandes se capacitan en conjuntos de datos masivos de información: libros, artículos de Internet, documentos, transcripciones. Cuando un usuario ingresa el texto, el modelo AI usa su “razonamiento” para determinar el significado y la intención más probables de la entrada. Luego, el modelo genera una respuesta.
En el nivel más básico, los LLM son motores de predicción de palabras. Utilizando sus vastas datos de entrenamiento, calculan las probabilidades para el primer “token” (generalmente una sola palabra) de la respuesta utilizando su vocabulario. Repiten este proceso hasta que se genera una respuesta completa. Esa es una simplificación excesiva, por supuesto, pero mantengámoslo simple: las LLM generan respuestas a la entrada en función de la probabilidad y las estadísticas. Entonces, la respuesta de un LLM se basa en las matemáticas, no en una comprensión real del mundo.
Velocidad de luz mashable
Entonces, no, LLM no en realidad pensar en cualquier sentido de la palabra.
¿Qué dicen los estudios sobre ChatGPT y la prueba de Turing?
Joseph Maldonado / Mashable Composite por Rene Ramos
Crédito: Mashable
Ha habido bastantes estudios para determinar si ChatGPT ha aprobado la prueba de Turing, y muchos de ellos han tenido hallazgos positivos. Es por eso que algunos informáticos argumentan que, sí, modelos de idiomas grandes como GPT-4 y GPT-4.5 ahora pueden pasar la famosa prueba de Turing.
La mayoría de las pruebas se centran en el modelo GPT-4 de Openai, el que usa la mayoría de los usuarios de ChatGPT. Usando ese modelo, un Estudio de UC San Diego descubrieron que en muchos casos, los jueces humanos no pudieron distinguir GPT-4 de un humano. En el estudio, se consideró que GPT-4 era un humano el 54% del tiempo. Sin embargo, esto aún se quedó atrás de los humanos reales, que se consideró humano el 67% del tiempo.
Luego, se lanzó GPT-4.5, y los investigadores de UC San Diego Realizó el estudio nuevamente. Esta vez, el modelo de lenguaje grande se identificó como humano el 73% del tiempo, superando a los humanos reales. La prueba también encontró que el Llama-3.1-405b de Meta Meta pudo aprobar la prueba.
Otros estudios fuera de UC San Diego también han dado calificaciones de aprobación de GPT. Un 2024 Estudio de la Universidad de Reading de GPT-4 El modelo había creado respuestas para evaluaciones para llevar a casa para cursos de pregrado. Los alumnos de prueba no se les informó sobre el experimento, y solo marcaron una de las 33 entradas. ChatGPT recibió calificaciones anteriores al promedio con las otras 32 entradas.
Entonces, ¿son estos estudios? definitivo? No exactamente. Algunos críticos (y hay muchos) dicen que estos estudios de investigación no son tan impresionantes como parecen. Es por eso que no estamos listos para decir definitivamente que ChatGPT pasa la prueba de Turing.
Podemos decir que si bien los LLM de generación anterior como GPT-4 a veces pasan la prueba de Turing, los grados de aprobación se están volviendo más comunes a medida que los LLM se avanzan más. Y a medida que salen modelos de vanguardia como GPT-4.5, nos dirigimos rápidamente hacia modelos que pueden pasar fácilmente la prueba de Turing cada vez.
Operai en sí ciertamente imagina un mundo en el que es imposible distinguir a los humanos de la IA. Es por eso que el CEO de Operai, Sam Altman, ha invertido en un proyecto de verificación humana con una máquina de escaneo de globo ocular llamada Orbe.
¿Qué dice Chatgpt en sí mismo?
Decidimos preguntarle a ChatGPT si podía pasar la prueba de Turing, y nos dijo que sí, con las mismas advertencias que ya hemos discutido. Cuando planteamos la pregunta, “¿Puede Chatgpt pasar la prueba de Turing?” al chatbot Ai (usando el modelo 4o), nos dijo: “Chatgpt poder Pase la prueba de Turing en algunos escenarios, pero no de manera confiable o universal. “El chatbot concluyó:” Podría pasar la prueba de Turing con un usuario promedio en condiciones casuales, pero un interrogador determinado y reflexivo casi siempre podría desenmascararla “.
Imagen generada por IA.
Crédito: OpenAI
Las limitaciones de la prueba de Turing
Algunos científicos informáticos ahora creen que la prueba de Turing está desactualizada, y que no es tan útil para juzgar modelos de idiomas grandes. Gary Marcus, psicólogo estadounidense, científico cognitivo, autor y pronóstico popular de IA, lo resumió mejor en una publicación de blog reciente, donde escribió: “Como yo (y muchos otros) he dicho por añosLa prueba de Turing es una prueba de credulidad humana, no una prueba de inteligencia “.
También vale la pena tener en cuenta que la prueba de Turing se trata más de la percepción de inteligencia en lugar de actual inteligencia. Esa es una distinción importante. Un modelo como ChatGPT 4O podría pasar simplemente imitando el discurso humano. No solo eso, sino si un modelo de idioma grande pasa o no la prueba variará según el tema y el probador. ChatGPT podría simular fácilmente una pequeña charla, pero podría tener dificultades con las conversaciones que requieren una verdadera inteligencia emocional. No solo eso, sino que los sistemas de IA modernos se usan para mucho más que chatear, especialmente cuando nos dirigimos hacia un mundo de IA agente.
Nada de eso es decir que la prueba de Turing es irrelevante. Es un punto de referencia histórico ordenado, y ciertamente es interesante que los modelos de idiomas grandes puedan pasarlo. Pero la prueba de Turing no es el punto de referencia estándar de oro de la inteligencia de la máquina. ¿Cómo sería un mejor punto de referencia? Esa es otra lata de gusanos que tendremos que ahorrar para otra historia.
Divulgación: Ziff Davis, empresa matriz de Mashable, presentó en abril una demanda contra OpenAI, alegando que infringió los derechos de autor de Ziff Davis en la capacitación y la operación de sus sistemas de IA.
Temas
Inteligencia artificial
Inside the OpenAI-DeepSeek Distillation Saga & Alibaba’s Most Powerful AI Model Qwen2.5-Max
De ChatGPT a mil millones de agentes
-
Startups12 meses agoRemove.bg: La Revolución en la Edición de Imágenes que Debes Conocer
-
Tutoriales12 meses agoCómo Comenzar a Utilizar ChatGPT: Una Guía Completa para Principiantes
-
Recursos12 meses agoCómo Empezar con Popai.pro: Tu Espacio Personal de IA – Guía Completa, Instalación, Versiones y Precios
-
Startups10 meses agoStartups de IA en EE.UU. que han recaudado más de $100M en 2024
-
Startups12 meses agoDeepgram: Revolucionando el Reconocimiento de Voz con IA
-
Recursos12 meses agoPerplexity aplicado al Marketing Digital y Estrategias SEO
-
Recursos12 meses agoSuno.com: La Revolución en la Creación Musical con Inteligencia Artificial
-
Noticias10 meses agoDos periodistas octogenarios deman a ChatGPT por robar su trabajo
