La inteligencia artificial DeepSeek-R1, desarrollada en China, está diseñada para aprender de manera más efectiva gracias a un sistema de ‘recompensas’ que se otorgan por resolver problemas. Sin embargo, este enfoque depende de la intervención humana, lo que puede incrementar los costos y limitar su potencial de crecimiento.
Un equipo de investigadores y tecnólogos, entre quienes se encuentran responsables de la empresa que lanzó este modelo de IA, han evaluado sus capacidades y limitaciones. Los resultados de su análisis se publican hoy en la revista Nature.
Uno de los principales desafíos consiste en enseñar a los modelos de inteligencia artificial a razonar de manera similar a los humanos. Los investigadores han confirmado que los modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) están comenzando a demostrar ciertas habilidades de razonamiento, aunque este proceso requiere significativos recursos computacionales.
El modelo DeepSeek-R1 incorpora una fase de entrenamiento adicional bajo supervisión humana para mejorar el razonamiento. Además, utiliza un sistema de aprendizaje denominado ‘por refuerzo’ en lugar de depender únicamente de ejemplos humanos. Según los investigadores, este método reduce tanto los costos como la complejidad del entrenamiento.
Limitaciones de la versión actual
Pese a sus avances, el artículo publicado en Nature señala varias limitaciones de la versión actual de DeepSeek-R1. Entre ellas, se menciona la combinación de dos idiomas, el chino y el inglés, lo que implica que solo está optimizado para estos. También se ha observado que en ciertas tareas, como la ingeniería de software, el modelo no ha mostrado mejoras significativas.
Los expertos destacan que es fundamental que la investigación futura se enfoque en perfeccionar los procesos de ‘recompensa’, asegurando así la fiabilidad de los razonamientos y las tareas realizadas por esta IA.
Los investigadores han demostrado que el modelo tiene un buen desempeño en pruebas relacionadas con matemáticas, biología, física y química, además de en competiciones de programación. Esto indica que es posible entrenar a la IA para razonar con menor intervención humana, abriendo la puerta a la creación de modelos más potentes y económicos. Sin embargo, aún persisten muchos retos por superar.
