Pregunta: ¿Qué objetivo tiene la maquinaria?

Respuesta: Realizar de manera más rápida y perfecta, el trabajo que de otra forma se realizaría manualmente.

Pregunta: Entonces, ¿a quién debería pertenecer la maquinaria?

Respuesta: A los que realizan dicho trabajo, a los trabajadores…

Pregunta: ¿Quiénes son los creadores de esta maquinaria?

Respuesta: Los trabajadores, en la mayoría de los casos.

Pregunta: Entonces, ¿Por qué no utilizan los trabajadores la maquinaria en beneficio propio?

¡No hay respuesta!

- The Pioneer, 1833

Para recomendar nuevo contenido en Youtube, traducir textos, predecir el tiempo, para que los vehículos autónomos se conduzcan solos, prever cuándo se romperá una pieza en la industria o, últimamente, con la aparición de ChatGPT, la Inteligencia Artificial (IA) se emplea para crear prácticamente cualquier texto, o para responder a casi cualquier pregunta. Por lo menos sirve para todo eso, pero ¿qué es la Inteligencia Artificial? A raíz de la fascinación que la Inteligencia Artificial ha creado, a menudo se reflexiona en un sentido meramente técnico, se pregunta qué puede hacer, qué es, cómo funciona… No obstante, rara vez encontramos reflexión alguna acerca de la función que cumple en la sociedad actual. Por un lado, porque la máquina es máquina, pero por mucho que la analicemos hasta el último milímetro no encontraremos ni rastro de la función que cumple en el capitalismo. En este artículo trataré de encontrar respuestas a esas y a otras interrogantes, alejándome del sentido más técnico y filosófico, centrándome en la función que cumple la IA en el sistema capitalista, es decir, en la automatización.

MIRANDO ATRÁS

La IA es una herramienta de importancia decisiva para la automatización, y desde sus orígenes, ha estado íntimamente vinculado al Capital y al Estado. Hizo su primera aparición tras la Segunda Guerra Mundial, de la mano de las primeras tecnologías de automatización para el desarrollo industrial, con el objetivo de hacer frente a los trabajadores de industria organizados. En la década de 1960, al no cosechar los resultados esperados, la inversión sufrió una gran reducción, y llegó el llamado “invierno” de la IA. Entre 1970-1980 llegaron los sistemas expertos, que sirvieron para recoger y automatizar el conocimiento de trabajadores cualificados de diversos ámbitos a través de conversaciones largas [1]. Los investigadores de la época relacionaron directamente dichos sistemas a la automatización de los procesos de trabajo, sin adornarlos demasiado [1]. Estos sistemas servían para trabajos muy específicos, para ser utilizados en un ámbito específico, mientras no era tan sencillo amoldarlos a situaciones diversas. Para superar dichas limitaciones comenzaron a realizar numerosas investigaciones, con el objetivo de lograr sistemas más generales y adaptables, o dicho de otra manera, alcanzar la Inteligencia Artificial General (AGI, Artificial General Intelligence). Aunque esto no fue posible, por el impacto que los sistemas especializados tuvieron en la industria, comenzaron a aparecer los primeros estudios vinculados a la IA, con el propósito de llenar dicho vacío de conocimiento en la industria [2].

HOY EN DÍA

En la actualidad, hablar acerca de la IA significa hablar sobre el Aprendizaje Automático (AA), más concretamente sobre el Aprendizaje Profundo (Deep Learning). Cuando hablemos sobre la IA a lo largo de este artículo, estaremos, en la mayoría de los casos, hablando acerca de esto último. El objetivo del AA es sacar patrones partiendo de datos, para conseguir un algoritmo denominado “modelo” a partir de esos patrones. Un algoritmo es la descripción de los pasos que es necesario dar para solucionar un problema, algo imprescindible de querer automatizar dicha solución. En ocasiones, no tenemos ningún algoritmo, no conocemos la manera de solucionar el problema, pero si disponemos de información o datos relacionados con el problema. En esos casos, empleando la AA podemos conseguir directamente el algoritmo o lógica que se esconde tras esos datos (a este proceso se le da el nombre de entrenamiento), y, una vez hallado el  modelo, también puede ser empleado para conseguir la solución para datos nuevos. Ilustrémoslo con un ejemplo para que se entienda mejor: queremos poner en marcha un sistema que identifique si un tumor es benigno o maligno, que sea capaz de coger una imagen y clasificarlo. Para ello, necesitaremos en primer lugar imágenes de miles de tumores diagnosticados manualmente, la imagen, e indicar en cada uno de los casos si es benigno/maligno. De esa manera, sin tener conocimiento de la lógica que han empleado los médicos para clasificarlos a priori, se sacarán patrones de casos de un lado y del otro, y en el futuro, cuando llegue un nuevo caso, podrá utilizarse el conocimiento alcanzado a partir de los casos pasados a la hora de hacer la predicción.

Por lo tanto, deberíamos tener claro que la IA encuentra su base en los datos, que sin datos no es nada, y que, por lo tanto, se basa en el trabajo realizado por especialistas en ese campo en el pasado. Además, también existen ensayos para la automatización del AA: el AutoML o el Auto Labelling son ejemplo de ello [3][4].

Las innovaciones de los últimos años han capacitado a la IA para realizar trabajos cada vez más complejos, pero estos trabajos complejos precisan de muchos más datos y computadoras cada vez más potentes. Por lo tanto, esta posibilidad se reserva, casi exclusivamente, a las grandes tecnológicas.

HAMBRE DE DATOS

La necesidad creciente de computación debe entenderse de la mano del crecimiento de la cantidad de datos, ya que la cantidad de datos precisados crecerá notablemente en correlación directa con el nivel de complejidad del sistema deseado. Los grandes modelos de idiomas tan de moda últimamente (ChatGPT, Bard y demás) son muestra de la importancia que esto reviste. Para el entrenamiento de estos modelos se ha precisado de miles y miles de gigabytes de textos de calidad. Para entender cómo son estos conjuntos de datos, podemos utilizar CommonCrawl a modo de referencia, el cual almacena millones de gigas de datos a través de hacer copias de la mayoría de páginas web desde 2008 aproximadamente. Aquí entran millones de libros, millones de líneas de código, miles de artículos científicos y páginas de Wikipedia. En cualquier caso, la cantidad de datos no lo dice todo; es la calidad la que importa. Así las cosas, se han ido creando algunos otros bancos de datos de mayor calidad partiendo de los datos de CommonCrawl y su filtrado: C4, Red Pijama Datav2, o The Pile [5-7].

Conocedores de la importancia de los datos a la hora de crear modelos, las grandes tecnológicas han puesto en marcha plataformas para el recabado de datos, o bien han dirigido las redes sociales a cumplir esa función, que antes no tenían. El grupo Meta es entre otras cosas dueño de Instagram, Facebook y Whatsapp. Google, además del buscador, ha desarrollado las plataformas de Drive, Maps, Chrome, Youtube, Android, Gmail, Meet, Translate o Classroom, muchas de ellas totalmente gratuitas. Son los datos los que otorgan a estas empresas el distintivo de calidad, y la información sacada de sus plataformas resulta indispensable para adquirir ventaja en la competencia existente en la industria de la IA. En ese sentido, es especialmente llamativa y preocupante la tendencia que se ha impuesto en las escuelas, sean públicas o no: mientras se meten el caramelo de los servicios gratuitos en la boca, los Chromebook, Drive y Classroom (todos ellos de Google) se han convertido en el pan de cada día para el alumnado, y sus datos han pasado a ser propiedad de Google [8].

Pero tampoco es necesario ir a dichas plataformas para hablar de la creación de datos, ya que nuestro día a día se ha convertido en un enorme recabado de datos: con la geolocalización de los móviles, la utilización de redes sociales, el control en las carreteras (a través de cámaras, peajes, máquinas de OTA) o con las cada vez más habituales cámaras en las calles. Todo esto no es casualidad; la compilación de datos acarrea vigilancia, y cuando el beneficio tiene como eje dicha compilación, el Capital necesita vigilar. Por lo tanto, la IA y la vigilancia caminan de la mano.

CAPACIDAD DE COMPUTACIÓN

En ese sentido, la capacitación creciente de la IA debe situarse en la capacidad de ingerir estos datos y aprender de ellos. El aumento en la cantidad de datos necesarios, a su vez, acarrea el aumento de la capacidad de computación necesaria, y junto a esto los costes de entrenamiento. Aumentar dicha capacidad de computación significa la capacidad de hacer una mayor cantidad de operaciones por segundo, y en la producción de IA el mejoramiento de esta capacidad ha venido de la mano del empleo de las Unidades de Procesamiento de Gráficos (GPU, Graphics Processing Unit). Estos procesadores, que se utilizan habitualmente para juegos, han abierto la posibilidad de realizar millones de operaciones matriciales por segundo desde que se utilizaron por primera vez para el entrenamiento en 2012 [9].

La elaboración de modelos mejores para la realización de trabajos más complejos precisa de una GPU explotación de datos, y esto, al mismo tiempo, precisa de la utilización de más y más potentes GPUs. No hay posibilidad de construir un modelo de categoría mundial sin la capacidad de computación para ello, y, a día de hoy, esto tiene un coste millonario. Además, año a año, la cantidad de GPU necesaria y su capacidad crecen; por ello la generación de modelos punteros exige realizar constantemente grandes inversiones. Como la capacidad de hacerlas está reservada a las empresas gigantes, estas arriendan dichos recursos a empresas o grupos de investigación de menor tamaño a través de sus plataformas de la nube. En ese sentido, la gran mayoría de empresas o centros de investigación que crean modelos de IA tienen una dependencia directa hacia dichas plataformas y, por lo tanto, hacia las empresas a las que pertenecen dichas plataformas.

Los actores principales en el mercado de GPU son NVIDIA, Intel y AMD; no obstante, se calcula que el 70%del mercado está en manos de NVIDIA [10]. NVIDIA ha cuadruplicado sus beneficios en los últimos dos años y su cotización en bolsa ha aumentado un 200%en el 2023. Todos, empezando por los modelos más simples hasta aquellos más complejos, como ChatGPT o DALL.E, se entrenan con los GPU de NVIDIA. En el caso de los modelos más simples basta con un GPU; en los casos más punteros, en cambio, harán falta miles de los más potentes. Para el entrenamiento del GPT-4 (la versión actualizada de ChatGPT) se emplearon 25.000 NVIDIA A100 [11] durante 90-100 días. Para percatarnos de la dimensión de este entrenamiento: cada una de estas GPU (que son las mejores del mercado) cuesta alrededor de 20.000 dólares, mantener en funcionamiento semejante cantidad de ellas durante 100 días supone un gasto eléctrico inmenso, y no hace falta decir cuál es su impacto ecológico [12].

Para terminar, faltan por mencionar dos actores de gran importancia, ejemplo de la concentración de Capital que se da en esta industria. Por un lado, TSCM (Taiwan Semiconductor Manufacturing Co Ltd), encargada de la producción de todos los chips de NVIDIA. Las empresas como NVIDIA se limitan a diseñar los chips de las GPU, y por la complejidad que reviste este proceso, TSCM las produce. Como la gran mayoría de chips avanzados que se producen en el mundo las hace dicha empresa, la dependencia que todas estas empresas han desarrollado hacia TSCM es inmensa [13]. Por otro lado, tenemos a la empresa neerlandesa ASML, un nivel por debajo en la cadena de dicho proceso. Esta produce máquinas de litografía, y es gracias a su tecnología que TSCM es capaz de producir chips tan pequeños y modernos. Podría decirse que ASML es la empresa tecnológica más importante de toda Europa [14], ya que ha conseguido desarrollar una tecnología única en el mundo para la producción de microchips. Esto demuestra la dependencia que esta cadena tiene hacía una única empresa, y las consecuencias que esto puede acarrear a futuro. Además, nos brinda la posibilidad de sacar a relucir la base física y material de la IA.

INDUSTRIA DE LA IA

Tras haber abordado el apartado más físico, nos toca hacer un examen completo de la industria de la IA, para identificar la función de cada uno de los participantes y aclarar los vínculos existentes entre ellos. Dentro de esta industria se pueden identificar participantes de diversa índole: gigantes de la tecnología, las startups o los think tanks, entre otros. Los estados también encuentran su lugar en la industria, pero a eso llegaremos más tarde, a través de un pequeño examen del panorama internacional.

En primer lugar nos encontramos con las grandes tecnológicas, conocidas por todos: Google, Microsoft, Amazon, Meta… En lo que respecta a su función, podría decirse que crean dos tipos de mercancías basadas en la IA: las destinadas al consumo por una parte, y las que harán las veces de capital fijo en otras empresas, por otra parte. El ascenso de las plataformas de la nube (Amazon Web Services, Microsoft Azure, Google Cloud Platform o Alibaba Cloud, por mencionar las más importantes) es una muestra de esto último. Al crecer la fuerza computacional necesaria para realizar investigaciones acerca de la IA, a la mayoría de empresas les es imposible tener dicho hardware en propiedad, y, en su lugar, se lo toman en arriendo a estos proveedores. Por otro lado, este tipo de empresas compran las startup más atractivas. Muestra de ello son las 21 startup relacionadas con la IA compradas por Google entre 2010 y 2023. Entre ellas, la más conocida es Deepmind, comprada por una inversión de más de 500 millones de dólares en 2014.

En lo concerniente a las startup, podría decirse que existe una gran tendencia a crearlas en torno a la IA, en general a través de la inversión por capital riesgo. La cantidad de startup es muy cambiante, ya que muchas de ellas fracasan, y otras son compradas por las grandes empresas ya mencionadas, bien para beneficiarse de sus productos, o bien para eliminar a la competencia del mercado. Además, la gran mayoría de las startup que no son compradas ya se hallan vinculadas a dichas empresas de gran tamaño a nivel de infraestructura, ya que dependen de su tecnología o servicios. Está claro que cumplen una función central dentro de la industria, la de la innovación capitalista: sólo aquellas que sirvan (para crear beneficio) sobrevivirán.

Los think tank o gabinetes estratégicos son instituciones privadas de investigación, academias, financiadas en su mayoría por gobiernos y empresas privadas. Por ejemplo, empresas como Google acostumbran a cuidar mucho su imagen, y a menudo participan en este tipo de instituciones. Aunque dicen analizar las consecuencias de la IA en la sociedad, lo cierto es que mayormente solo sirven para su lavado de cara: para esconder su relación con la industria bélica o sus acciones en los países de la periferia y de esa manera presentarse al mundo como los portadores del desarrollo humano.

LA COMPETENCIA INTERNACIONAL

Como ya se ha mencionado, los estados también cumplen una parte muy importante en esta industria. Los Estados Unidos de América han sido hasta hace poco los que han llevado la batuta en este ámbito, ya que allí se encuentra el célebre Silicon Valley y de allí son muchas de las grandes tecnológicas. En los últimos años, en cambio, el panorama está cambiando drásticamente. El ámbito de la IA es estratégico para cualquier superpotencia del mundo, y sobre todo Estados Unidos y China se hallan sumidos en esta lucha. Tiene importancia militar, económica y médica, y sobre todo para presentarse como referente de cara al resto de países, ya que a menudo es el más rápido el que impone los estándares y las normas para su uso.

China presentó su Plan de Desarrollo para la Inteligencia Artificial en 2017, que tiene como objetivo convertir a China en líder de la industria de la IA para 2030. En la investigación, en los artículos científicos más referenciados y patentes se encuentra ya en primer lugar, y representa una referencia cada vez mayor para los investigadores. Además de eso, debemos tener en cuenta que China cuenta con una cantidad de robots superior a la suma de la cantidad de robots del resto de países, en un momento en el que la instalación de robots a nivel mundial ha crecido un 31%desde el 2021, lo cual es señal de que su apuesta no se limita a lo estrictamente académico.

En los EE.UU. se dedicaron 2.000 millones de dólares a la investigación de la IA en 2018. Entre 2018 y 2023, sin embargo, el presupuesto para la investigación y el desarrollo de la IA ha crecido un 228%, de 560 millones a 1.800 millones [16], y el de investigación y desarrollo de la IA para defensa tuvo un 26%de incremento entre 2022 y 2023. Este año se destinarán 1.100 millones de dólares a ese fin.

Esta lucha no está relacionada únicamente con la investigación y el desarrollo. Hace poco el presidente de los EE.UU. Joe Biden prohibía a las empresas americanas vender chips avanzados a China, en un intento de mantener su superioridad [17]. Esto último es algo que viene de lejos, y los dos países están intentando disminuir su dependencia hacia otros países, sobre todo en lo que respecta a la producción de semiconductores [18-22].

LAS VENTAJAS DEL CÓDIGO ABIERTO

Las grandes tecnológicas suelen tener que cuidar mucho su buen nombre, ya que dicen traer el desarrollo de la humanidad, y en los últimos años, también hay que asociar el buen nombre con la comunidad de código abierto. En lo que respecta a los programas y herramientas que se emplean para la IA, se podría decir que en su gran mayoría son de código abierto, esto es, que estas herramientas se hacen públicas, de tal manera que cualquiera puede utilizarlas. Más aún, desde que en el 2015 Google abriese TensorFlow, se ha venido manteniendo la tendencia de abrir la mayoría del software de esta industria para que la gente pueda utilizarlos y para que estos usuarios pongan su granito de arena mejorando la herramienta. Aunque los jefes de estos gigantes digan hacer esto con el objetivo de democratizar la IA, es evidente que esta práctica les beneficia enormemente. Convertir un software propio en estándar industrial se traduce en su uso por parte de millones de personas: la gente va a mejorar ese software sin pedir ningún pago a cambio, esto es, cierta empresa dispondrá de trabajadores gratuitos mejorando sus productos. Eso también dará a esa compañía la oportunidad de crear trabajadores potenciales para ella, ya que, a raíz de lo mencionado, dispondrá de personal especializado en su software. Además, dicha comunidad respaldará la importancia de ese software en una industria increíblemente cambiante. 

Esto también tiene una segunda consecuencia, y Google es el mejor ejemplo de ello. En los últimos años ha desarrollado unos procesadores denominados Tensor Processing Unit (TPU), unos chips específicamente creados para la Inteligencia Artificial. En cualquier caso, para poder exprimir al máximo estos chips, es recomendable utilizar el software de Google, esto es, utilizar el software de Google lleva a utilizar sus chips, y utilizar sus chips a utilizar su software. En pocas palabras, se emplea el código abierto como estrategia para dominar el mercado de la IA.

LA IA Y EL TRABAJO

En tanto herramienta de automatización, el trabajo es un ámbito a analizar de gran importancia. Debe ser analizado desde dos puntos de vista: la división del trabajo de los actores que trabajan en la producción de IA y sus condiciones de trabajo, por un lado, y el impacto que puede tener como herramienta de automatización, por otro.

Se puede encontrar una gran variedad de trabajos en la producción de la IA, pero por simplificar el asunto, los dividiremos en dos grupos: los trabajadores que crean o gestionan modelos y aquellas que preparan los datos para dichos modelos. Los primeros son los más conocidos entre nosotros, aquellos que se mencionan una y otra vez en las empresas tecnológicas y las universidades; científicos de datos, analistas de datos, ingenieras de datos… En general no cumplen ninguna función en específico, pero tienen como objetivo lograr un producto rentable a partir de ciertos datos. Suelen tener unos sueldos bastante altos, pues existe una mayor demanda que oferta y se trata de una industria de transformación rápida. En cualquier caso, tal y como explicaremos más tarde, existe una posibilidad real de automatizar estos trabajos. Al segundo grupo se le ha venido conociendo como el de los ghost worker o el de los trabajadores fantasma, ya que se dedican a realizar a mano aquel trabajo que el cliente piensa se hace automáticamente [23]. Estos se encargan del trabajo de preparar los tan preciados datos, esto es, limpiarlos, modificarlos o etiquetarlos. En general trabajan a través de plataformas como Amazon Mechanical Turk (MTurk), trabajan por horas, sin ningún tipo de contacto, y a cambio de salarios de miseria. El trabajo que estas trabajadoras realizan es imprescindible para que la industria brille; se precisa de millones de horas de trabajo totalmente precarias para que todo se presente de manera tan automática y bella, por mucho que la mayoría intente esconderlo. Por ejemplo, fue necesario contratar a 49.000 trabajadores a través de MTurk [24] para crear el banco de datos ImageNet, o que ChatGPT contratase a docenas de trabajadores en Kenia a través de una empresa llamada Sama, a cambio de dos dólares la hora, para que el ChatGPT no crease contenidos hirientes o insultantes, clasificando aquellas que fuesen perjudiciales (entre ellos había explicaciones muy gráficas tanto de abusos sexuales, como de asesinatos, suicidios y torturas) [25].

Hasta hace poco se pensaba que los primeros trabajos en automatizarse serían los más repetitivos, o tediosos, pero parece que ocurre al revés, y la verdad es que tiene sentido. Por una parte, el trabajo más repetitivo suele llevarse a cabo empleando mano de obra barata, lo que disminuye el interés hacia su automatización, ya que si el capitalista no ve opción de sacar beneficio, no realizará ninguna inversión. Por otra parte, sí que existe un interés por automatizar las tareas más técnicas, teniendo en cuenta que en general los trabajadores más técnicos son los que suelen recibir los sueldos más altos. A su vez, hay una gran cantidad de datos acerca de estos trabajos en Internet, y esto facilita mucho el proceso de automatización. Las investigaciones realizadas por los creadores de ChatGPT alegan que esta tecnología abriría las puertas a la automatización de los trabajos de traductoras, escritores, analistas financieros, matemáticas o diseñadores web, y también, aunque resulte irónico, el de los creadores de modelos de Inteligencia Artificial [26].

La sustitución de estos puestos de trabajo habituales por la Inteligencia Artificial debe analizarse de la mano del resto de trabajos precarios y repetitivos que se crearán en la economía global [27][28].

MIRANDO AL FUTURO: TENDENCIAS E HIPÓTESIS

No resulta sencillo adivinar las tendencias de cara al futuro, sobre todo si nos limitamos al sentido técnico. Hace dos años no hubiésemos sido capaces ni siquiera de oler el potencial de ChatGPT, y, por lo tanto, no empezaremos a hacer de adivinos ahora.

En cualquier caso, sí que hay qué concluir en el ámbito de la Inteligencia Artificial. Lo hemos examinado en términos de herramienta para la automatización y así hemos podido verlo en conjunción con dos tendencias del capitalismo: incitar la automatización de los trabajos técnicos y generar trabajos mecánicos precarios. Hemos visto que nuestras vidas se han convertido en un mecanismo más para la creación de datos para que después nos den los anuncios que nos interesen/gusten partiendo de esos datos. Hemos visto que el proceso de creación de esos modelos reproduce la miseria a través de mecanismos como MTurk, asignando los trabajos más humillantes a los sectores más proletarios. Además, hemos visto que también resulta insostenible a nivel ecológico: se crean modelos cada vez más grandes, una necesidad de computación mayor, un impacto ecológico mayor.

En cualquier caso, estas conclusiones no se reducen a la Inteligencia Artificial. No se trata de reclamar otro tipo de Inteligencia Artificial, ni siquiera de una queja que llama a frenar el progreso o a aumentar el control del Estado. La producción total de la Inteligencia Artificial se sitúa en el sistema capitalista, y no es posible apostar por otro tipo de Inteligencia Artificial diferente si no apostamos por un sistema de producción distinto.

Aquello que en el capitalismo crea destrucción, trabajo precario y miseria, podría, tal vez, crear algo distinto en una sociedad socialista. Organizar la automatización del trabajo con miras a tener más tiempo libre, no en la lógica del beneficio. Subordinar el potencial de la Inteligencia Artificial a las necesidades de la humanidad.

Para ello, no es suficiente con parar o frenar el desarrollo de la IA [29], no es suficiente con hacer boicot a esas empresas gigantes, o remar a favor de alternativas más éticas [30]. Es necesario, pero no es suficiente. No hay recetas mágicas, pero nuestros planteamientos deben partir de la totalidad, a alimentar, reforzar, la necesidad de superar el modo de producción capitalista. Subordinando (también) las capacidades técnicas a la revolución socialista.

REFERÉNCIAS GENERALES

Este artículo se ha basado especialmente en el libro Automation and Autonomy: Labour, Capital and Machines in the AI industry. En caso de querer profundizar más en el tema, se recomienda el libro The eye of the master eta Automation and the future of the work.

[1] E. A. Feigenbaum, P. McCorduck, y H. Penny, The Rise of the Expert Company. 1988.

[2] A. Roland, Strategic Computing: DARPA and the Quest for Machine Intelligence, 1983-1993. 2002.

[3] Grounded-SAM Contributors, “Grounded-Segment-Anything”. 6 de abril de 2023. [En línea]. Disponible en: https://github.com/IDEA-Research/Grounded-Segment-Anything

[4] Roboflow, “OpenAI vision API environments”. 7 de noviembre de 2023. [En línea]. Disponible en: https://github.com/roboflow/awesome-openai-vision-api-experiment

[5] L. Gao et al.,  “The Pile: An 800GB Dataset of Diverse Text for Language Modeling”. arXiv, 31 de diciembre de 2020. doi: 10.48550/arXiv.2101.00027.

[6] C. Raffel et al., “Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer”. arXiv, 19 de septiembre de 2023. Accedido: 15 de noviembre de 2023. [En línea]. Disponible en: http://arxiv.org/abs/1910.10683

[7] Together Computer, “RedPajama: an Open Dataset for Training Large Language Models”. octubre de 2023. [En línea]. Disponible en: https://github.com/togethercomputer/RedPajama-Data

[8] U. Apaolaza, “Google eta Hezkuntza Sailaren arteko hitzarmena argitaratu du EAEko aldizkari ofizialak”. [En línea]. Disponible en: https://www.argia.eus/albistea/google-eta-hezkuntza-sailaren-arteko-hitzarmena-argitaratu-du-eaeko-aldizkari-orokorrak

[9] A. Krizhevsky, I. Sutskever, y G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012.

[10] J. Ross, “Nvidia vs. AMD vs. Intel: Comparing AI Chip Sales”. [En línea]. Disponible en: https://www.visualcapitalist.com/nvidia-vs-amd-vs-intel-comparing-ai-chip-sales/

[11] S. M. Walker, “Everything we know about GPT-4”. [En línea]. Disponible en: https://klu.ai/blog/gpt-4-llm

[12] A. S. Luccioni, S. Viguier, y A.-L. Ligozat, “Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model”. arXiv, 3 de noviembre de 2022. Accedido: 16 de noviembre de 2023. [En línea]. Disponible en: http://arxiv.org/abs/2211.02001

[13] The Economist, “Taiwan’s dominance of the chip industry makes it more important”. [En línea]. Disponible en: https://www.economist.com/special-report/2023/03/06/taiwans-dominance-of-the-chip-industry-makes-it-more-important

[14] C. O’Grady y M. Kenyon, “How ASML became Europe’s most valuable tech firm”. [En línea]. Disponible en: https://www.bbc.com/news/business-64514573

[15] CBInsights, “The big tech company leading in AI acquisitions”. [En línea]. Disponible en: https://www.cbinsights.com/research/big-tech-ai-acquisitions/

[16] “SUPPLEMENT TO THE PRESIDENT’S FY 2023 BUDGET”. Noviembre de 2022. [En línea]. Disponible en: https://www.nitrd.gov/pubs/FY2023-NITRD-NAIIO-Supplement.pdf

[17] M. Toh y K. Tausche, “US escalates tech battle by cutting China off from AI chips”. [En línea]. Disponible en: https://edition.cnn.com/2023/10/18/tech/us-china-chip-export-curbs-intl-hnk/index.html

[18] J. A. Lewis, “China’s Pursuit of Semiconductor Independence”. [En línea]. Disponible en: https://www.csis.org/analysis/chinas-pursuit-semiconductor-independence

[19] Q. Liu, “China’s biggest chipmaker warns geopolitics is stoking global glut”. [En línea]. Disponible en: https://www.ft.com/content/30e61fb3-ac48-4ece-94fb-af0c3763d99c

[20] Reuters, “China’s semiconductor state fund invests $2 billion in memory chip firm”. [En línea]. Disponible en: https://www.reuters.com/technology/chinas-semiconductor-state-fund-invests-2-billion-memory-chip-firm-2023-10-31/

[21] D. Shepardson, “US reports big interest in $52 billion semiconductor chips funding”. [En línea]. Disponible en: https://www.reuters.com/technology/us-reports-big-interest-52-billion-semiconductor-chips-funding-2023-08-09

[22] S. Van Sloun, “U.S. Investment in Semiconductor Manufacturing: Building the Talent Pipeline”. [En línea]. Disponible en: https://www.cfr.org/blog/us-investment-semiconductor-manufacturing-building-talent-pipeline

[23] M. L. Gray y S. Suri, Ghost work: how to stop Silicon Valley from building a new global underclass. 2019.

[24] D. Gershgorn, “The data that transformed AI research—and possibly the world”. [En línea]. Disponible en: https://qz.com/1034972/the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world

[25] B. Perrigo, “OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic”. [En línea]. Disponible en: https://time.com/6247678/openai-chatgpt-kenya-workers/

[26] T. Eloundou, S. Manning, P. Mishkin, y D. Rock, “GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models”. arXiv, 21 de agosto de 2023. Accedido: 15 de noviembre de 2023. [En línea]. Disponible en: http://arxiv.org/abs/2303.10130

[27] A. Benanav, Automation and the Future of Work. 2020.

[28] D. Graeber, Bullshit Jobs: A Theory. 2018.

[29] Future of Life Institute, “Pause Giant AI Experiments: An Open Letter”, 22 de marzo de 2023. [En línea]. Disponible en: https://futureoflife.org/open-letter/pause-giant-ai-experiments/

[30] Mozilla Foundation, “Mozilla Joins Philanthropic Coalition, Vice President Harris to Support Public Interest AI”. [En línea]. Disponible en: https://foundation.mozilla.org/en/blog/mozilla-joins-philanthropic-coalition-vice-president-harris-to-support-public-interest-ai/