Laboratorio SOFAIR (Science of Fundamental AI Research) — liderado por UCL

Dirigido por el profesor David Barber en la UCL, en colaboración con las universidades de Cambridge, Oxford y Edimburgo, la misión de SOFAIR es desarrollar nuevas tecnologías de IA de código abierto que puedan ejecutarse en hardware ampliamente disponible, incluyendo ordenadores de consumo ordinarios . El laboratorio reúne a investigadores de ciencias de la computación, matemáticas, estadística y neurociencia para diseñar arquitecturas de IA fundamentalmente nuevas, abordando directamente problemas actuales como la generación de respuestas incorrectas por parte de los sistemas de IA .

Laboratorio BOLD (British Open-ended Learning and Discovery) — liderado por Oxford

Dirigido por el profesor asociado Jakob Foerster en Oxford, junto con la UCL y otros socios, BOLD pretende repensar cómo la IA aprende del mundo, pionera en nuevos enfoques que permitan a la IA aprender sin necesidad de una potencia de cálculo centralizada masiva . En lugar de limitarse a escalar los métodos existentes, explorará nuevos paradigmas de aprendizaje, con el objetivo de construir una IA más eficiente, más abierta y mejor alineada con las necesidades humanas .

La estrategia: eficiencia frente a escala

Toda la iniciativa es una alternativa deliberada al enfoque de "más grande es mejor" de las grandes empresas tecnológicas estadounidenses . La estrategia no es gastar más que las empresas tecnológicas más grandes en datos y computación, sino superarlas en innovación en eficiencia, apertura y accesibilidad .

• Menores costes mediante la eficiencia fundamental: En lugar de intentar competir en escala, los laboratorios apuntan a cambios fundamentales en cómo funciona la IA, haciéndola más barata de ejecutar y accesible para muchas más organizaciones .
• IA de código abierto e independiente del hardware: SOFAIR construirá modelos de código abierto que funcionen en hardware ampliamente disponible, reduciendo la necesidad de infraestructura especializada y costosa .
• Reducción de la dependencia de centros de datos centralizados: El trabajo de BOLD sobre aprendizaje descentralizado pretende reducir la dependencia de la infraestructura remota de centros de datos propiedad de grandes proveedores .
• Capacidad soberana del Reino Unido: El ministro de IA, Kanishka Narayan, declaró que la iniciativa fortalece la experiencia británica "en casa" y "reduce la dependencia de otros" . El profesor David Barber afirmó explícitamente que SOFAIR "reducirá la dependencia del reducido número de proveedores de modelos, impulsando la soberanía del Reino Unido" .
• Acceso para pequeñas empresas y servicios públicos: Al hacer que la IA sea más barata y fácil de adoptar, los laboratorios pretenden abrir la IA a pequeñas empresas, servicios públicos e investigadores de todo el Reino Unido que actualmente no pueden permitirse sistemas de IA de primer nivel .

En resumen, el Reino Unido está siguiendo un camino de IA soberana, abierta y eficiente, con el potencial de remodelar cómo se construye y despliega la IA, no construyendo el modelo más grande, sino uno que casi cualquier persona pueda ejecutar.

Laboratorio SOFAIR (Science of Fundamental AI Research) — liderado por UCL

Dirigido por el profesor David Barber en la UCL, en colaboración con las universidades de Cambridge, Oxford y Edimburgo, la misión de SOFAIR es desarrollar nuevas tecnologías de IA de código abierto que puedan ejecutarse en hardware ampliamente disponible, incluyendo ordenadores de consumo ordinarios . El laboratorio reúne a investigadores de ciencias de la computación, matemáticas, estadística y neurociencia para diseñar arquitecturas de IA fundamentalmente nuevas, abordando directamente problemas actuales como la generación de respuestas incorrectas por parte de los sistemas de IA .

Laboratorio BOLD (British Open-ended Learning and Discovery) — liderado por Oxford

Dirigido por el profesor asociado Jakob Foerster en Oxford, junto con la UCL y otros socios, BOLD pretende repensar cómo la IA aprende del mundo, pionera en nuevos enfoques que permitan a la IA aprender sin necesidad de una potencia de cálculo centralizada masiva . En lugar de limitarse a escalar los métodos existentes, explorará nuevos paradigmas de aprendizaje, con el objetivo de construir una IA más eficiente, más abierta y mejor alineada con las necesidades humanas .

La estrategia: eficiencia frente a escala

Toda la iniciativa es una alternativa deliberada al enfoque de "más grande es mejor" de las grandes empresas tecnológicas estadounidenses . La estrategia no es gastar más que las empresas tecnológicas más grandes en datos y computación, sino superarlas en innovación en eficiencia, apertura y accesibilidad .

• Menores costes mediante la eficiencia fundamental: En lugar de intentar competir en escala, los laboratorios apuntan a cambios fundamentales en cómo funciona la IA, haciéndola más barata de ejecutar y accesible para muchas más organizaciones .
• IA de código abierto e independiente del hardware: SOFAIR construirá modelos de código abierto que funcionen en hardware ampliamente disponible, reduciendo la necesidad de infraestructura especializada y costosa .
• Reducción de la dependencia de centros de datos centralizados: El trabajo de BOLD sobre aprendizaje descentralizado pretende reducir la dependencia de la infraestructura remota de centros de datos propiedad de grandes proveedores .
• Capacidad soberana del Reino Unido: El ministro de IA, Kanishka Narayan, declaró que la iniciativa fortalece la experiencia británica "en casa" y "reduce la dependencia de otros" . El profesor David Barber afirmó explícitamente que SOFAIR "reducirá la dependencia del reducido número de proveedores de modelos, impulsando la soberanía del Reino Unido" .
• Acceso para pequeñas empresas y servicios públicos: Al hacer que la IA sea más barata y fácil de adoptar, los laboratorios pretenden abrir la IA a pequeñas empresas, servicios públicos e investigadores de todo el Reino Unido que actualmente no pueden permitirse sistemas de IA de primer nivel .

En resumen, el Reino Unido está siguiendo un camino de IA soberana, abierta y eficiente, con el potencial de remodelar cómo se construye y despliega la IA, no construyendo el modelo más grande, sino uno que casi cualquier persona pueda ejecutar.