Demuestran que es posible entrenar modelos de IA sin usar material con derechos de autor
Un grupo de investigadores de 14 instituciones, incluyendo el MIT, Carnegie Mellon y la Universidad de Toronto, ha demostrado que es posible entrenar modelos de lenguaje sin recurrir a contenido protegido por derechos de autor. El experimento utilizó un conjunto de datos de 8 TB de información del dominio público o con licencias abiertas, incluyendo 130.000 libros de la Biblioteca del Congreso de EE.UU. El modelo resultante, de siete mil millones de parámetros, logró un rendimiento comparable al de modelos de hace un par de años, como el LLaMA 2-7B. El estudio contradice afirmaciones previas de gigantes tecnológicos como OpenAI, que sostenían que esta posibilidad era inviable.
...es un golpe de efecto para OpenAI, pero no es el fin del mundo. Después de todo, ¿quién necesita derechos de autor cuando se puede tener un modelo de IA con 8 TB de datos del dominio público? En serio, es un logro impresionante, pero no nos hagamos ilusiones, la industria de la IA no va a cambiar de la noche a la mañana. Aunque, si esto significa que podemos tener modelos de IA más éticos, entonces ¡adelante! Pero no nos olvidemos de que la verdadera pregunta es: ¿quién va a pagar por todo esto?
