El desarrollo de un modelo de inteligencia artificial (IA) pionero para señales físicas ha capturado la atención en el ámbito tecnológico y científico por su potencial para comprender y predecir fenómenos físicos diversos con un único modelo. Este enfoque innovador, propuesto por un equipo de investigadores de Archetype AI, busca crear un modelo de fundamentos de IA capaz de generalizar a través de múltiples dominios y aplicaciones físicas sin depender del conocimiento previo de leyes físicas.
Aprovechando un enfoque fenomenológico, los investigadores han logrado entrenar un modelo usando 0.59 mil millones de muestras de diversas mediciones de sensores, desde corrientes eléctricas hasta flujos de fluidos y sensores ópticos. Este modelo se ha mostrado competente en la codificación y predicción de comportamientos físicos, abarcando desde el movimiento mecánico hasta la termodinámica sin haber sido entrenado específicamente en estos casos.
Entre los experimentos más destacados realizados para validar este modelo se incluyen experimentos de cinemática y termodinámica, así como el análisis de sistemas complejos, como el uso de electricidad a nivel doméstico y el comportamiento de transformadores eléctricos. Los resultados mostraron que el modelo es capaz de hacer inferencias de manera directa sobre procesos físicos no vistos durante el entrenamiento, exhibiendo capacidades de inferencia sin shots (zero-shot skills).
El modelo se contrastó exitosamente con otros modelos entrenados de manera específica, demostrando que puede desempeñarse igual de bien o mejor en la representación y caracterización de procesos físicos reales. Esta versatilidad proviene de la arquitectura propuesta, que combina un modelo de base con decodificadores fenomenológicos livianos que pueden ajustarse para generar soluciones específicas de aplicación, como el pronóstico de trayectorias en sistemas complejos.
Por ejemplo, los experimentos demostraron que este modelo AI es capaz de predecir comportamientos complejos en sistemas como transformadores eléctricos y osciladores armónicos, destacándose por su habilidad para anticipar tanto el comportamiento pasado como el futuro de estos sistemas.
Concluyendo, el avance de un modelo unificado de IA para interpretar señales físicas ofrece una oportunidad formidable para aplicar esta tecnología en una variedad de campos, desde la mejora de la eficiencia energética hasta el descubrimiento científico impulsado por datos. Este enfoque también subraya la posibilidad de establecer una analogía con modelos de lenguaje robustos, que capturan la estructura subyacente del lenguaje, y sugieren que es posible hacer lo mismo con procesos físicos en el mundo real.