El progreso de la IA se ralentiza debido a un exceso de datos inútiles; hay demasiados.

Conclusión clave: para pasar de ChatGPT a robots “vivos”, no basta con grandes conjuntos de datos, sino con información de calidad y relevante.

Fortune destaca que la industria de IA está al borde de una nueva era – la inteligencia física y los modelos del mundo circundante. Tales sistemas deben poder orientarse en el espacio real: comportarse en la carretera, doblar ropa o ayudar en intervenciones quirúrgicas complejas. Para ello necesitan no solo datos “descargables”, sino conjuntos ricos y multifacéticos de información.

Por qué la calidad de los datos es crítica
1. Redundancia e inutilidad

En el auge de la IA surgieron numerosos startups (Scale AI, Surge AI, Mercor) que buscan recopilar la mayor cantidad posible de datos. Esto conduce a un acumulado enorme de archivos “vacíos” que no contribuyen al entrenamiento de modelos. Si los investigadores no pueden filtrarlos, el potencial de la IA física quedará desaprovechado.

2. Complejidad de tareas multidimensionales

Comprender un mundo complejo requiere aún más datos, pero estos son extremadamente difíciles de obtener. Por eso los ingenieros recurren a la modelación: crean reconstrucciones virtuales de escenarios reales para generar ejemplos de entrenamiento para robots y vehículos autónomos.

3. Riesgos de conjuntos de baja calidad

Datos deficientes pueden provocar resultados impredecibles. Un ejemplo es el abandono del soporte de OpenAI al videoprograma Sora: el modelo no manejaba la física, lo que impedía previsiones realistas.

Cómo abordar el problema
- Herramientas de limpieza

Los especialistas en aprendizaje automático necesitan tecnologías que eliminen automáticamente datos innecesarios, analicen, normalicen y corrijan los conjuntos. Esto permitirá extraer información valiosa del “ruido”.

- Enfoque en la calidad

Actualmente el factor limitante es la falta de datos de calidad. Las empresas que comprendan esto primero e inviertan en su recolección y procesamiento serán líderes en crear sistemas IA realmente funcionales.

Así, la transición de modelos textuales a robots capaces de operar en el mundo real no es posible sin un enfoque sistemático hacia la calidad de los datos de entrenamiento. Fortune subraya que este factor será decisivo para el futuro de la inteligencia física.