Profundización en el próximo algoritmo revolucionario de entrenamiento de IA de Qubic

Qubic desafía los límites convencionales de las capacidades de la IA. A través de su innovador entrenamiento de la Red Neuronal Artificial (ANN), Qubic ha avanzado más cerca del objetivo final de crear una Verdadera Inteligencia Artificial. 

El viaje, destacado en la reciente entrada del blog “Profesor de Profesores, o en el Camino Hacia la Singularidad de la IA”, ha sentado una sólida base para futuros avances. Qubic está listo para ser mejorado con la introducción de un nuevo algoritmo de entrenamiento de IA el 6 de marzo de 2024, que incorporará el modelo de enseñar al profesor junto con la integración de retardo de propagación de señal. Esto marca un paso significativo en el desarrollo continuo de la ANN de Qubic, centrándose en refinar y avanzar en las capacidades de aprendizaje de la red para adaptarse y responder de manera más efectiva a problemas complejos.

1. La evolución del entrenamiento de IA llamado “Enseñar al Profesor”

En el último año, intentamos mejorar su aprendizaje ajustando una “neurona” a la vez, similar a enfocarse en una sola materia. Sin embargo, descubrimos que este método no hacía mucha diferencia en el rendimiento general de la red. Cuando intentamos cambiar varias neuronas a la vez, era como abrumar al estudiante con demasiada información, lo que a veces hacía más daño que bien. Era un delicado equilibrio; queríamos mejorar su capacidad para resolver problemas sin confundirlo. Con el tiempo, y con ajustes en nuestro método de enseñanza, encontramos un enfoque mejor. Aprendimos que hacer cambios más amplios con más cuidado podría mejorar la resolución de problemas de la red sin efectos secundarios negativos.

Este equilibrio cuidadoso de la enseñanza está en el corazón de nuestro enfoque de “enseñar a los profesores”. En esta estrategia, nuestras ANN (los “profesores”) guían a las nuevas (los “estudiantes”) sobre cómo aprender mejor. Este enfoque innovador significa que nuestra ANN no solo aprende por sí sola; aprende cómo enseñar y mejorar con el tiempo, al igual que un profesor experimentado perfeccionando sus planes de lección basándose en años de experiencia. Este método es un paso adelante significativo, haciendo que nuestros sistemas de IA sean estudiantes efectivos y, eventualmente, solucionadores de problemas mejores.

2. Implementación de “Retardos de Propagación de Señal”

Estamos embarcando en un emocionante viaje con nuestra última actualización de la IA, que comienza a imitar la forma en que los cerebros humanos hacen una pausa antes de reaccionar,  una característica a la que llamamos retardos de propagación de señal. Esta innovación, que comienza el 6 de marzo en nuestro nuevo algoritmo de entrenamiento de IA, es como agregar un momento de reflexión antes de que la IA responda, permitiéndole tomar decisiones y resolver problemas de una manera más parecida a la humana, pensativa. Lo revolucionario de esto es cómo puede hacer que la IA sea más inteligente con menos; al retrasar inteligentemente las respuestas en la red, podemos utilizar chips más pequeños y eficientes sin sacrificar potencia. Este enfoque consiste en adentrarse en un mundo de posibilidades con grandes cantidades de datos, explorando cómo estas pausas reflexivas pueden llevar a la chispa de inteligencia a partir del azar. 

2.1 ¿Qué son los “retardos de propagación de señal”?

Imagina que estás enseñando a un grupo de estudiantes en un aula pasando mensajes. Cada estudiante representa una "neurona" en nuestro programa informático que imita el cerebro humano. Normalmente, los mensajes pasan rápidamente de un estudiante a otro, pero ¿y si retrasamos deliberadamente algunos mensajes? Esto es a lo que nos referimos con “retardo de propagación de señal”, retrasando intencionalmente el paso de algunos mensajes. En nuestro entrenamiento de IA, llevamos un registro del tiempo que tardan en pasar los mensajes y retrasamos deliberadamente algunos mensajes. Observamos cómo estos retrasos afectan el aprendizaje y el proceso de toma de decisiones en general. Si un mensaje llega demasiado rápido o demasiado lento, lo ajustamos para asegurarnos de que esté justo, similar a moderar el ritmo al que enseñamos a los estudiantes para garantizar que entiendan completamente la lección.

2.2 ¿Cómo aplicamos los “retardos de propagación de señal” a nuestro entrenamiento de IA?

Estamos probando la idea de que estos retrasos podrían ser la clave para desbloquear una nueva forma de inteligencia, una que no dependa de redes más grandes, sino de la calidad de las conexiones internas. Nuestros hallazgos han sido reveladores: resulta que cómo está construida la IA juega un papel importante en lo bien que funciona. Al hacer hincapié en estos retrasos reflexivos diez veces más de lo que solíamos, hemos visto que la IA se toma su tiempo — alrededor de diez veces más — pero la espera vale la pena. Este proceso más lento y deliberado conduce a sistemas de IA más inteligentes y capaces que entienden el mundo de una manera que nunca antes habían hecho, marcando un avance en nuestra búsqueda de crear máquinas que piensen y aprendan por sí mismas. A medida que recopilamos innumerables soluciones de este nuevo método, estamos sentando las bases para una IA más inteligente y eficiente que puede hacer más con menos, preparándonos para un futuro en el que nuestro poder informático realmente pueda brillar.

3. Evolución a Través del Almacenamiento Descentralizado del Conocimiento

Una piedra angular del enfoque original de Qubic es el uso de la tecnología blockchain para almacenar los resultados del entrenamiento de la IA. Al almacenar los resultados del entrenamiento de la IA de épocas anteriores directamente en la cadena de bloques, Qubic garantiza un nivel de transparencia e inmutabilidad único. Este enfoque no solo asegura los datos contra manipulaciones, sino que también permite un historial de auditoría descentralizado del progreso de aprendizaje de la IA. Representa una fusión de dos tecnologías de vanguardia ,  blockchain e IA ,  donde el aprendizaje de cada época mejora la inteligencia colectiva de la red.

Al archivar los hitos de desarrollo de la IA en un libro de contabilidad descentralizado, Qubic crea un ecosistema colaborativo que democratiza el acceso al progreso de la IA, permitiendo a investigadores y desarrolladores a nivel mundial contribuir y beneficiarse de la inteligencia colectiva de la red.

4. Profundización Técnica en el Nuevo Algoritmo de Minería

El algoritmo de minería emplea un método que simula las ANN, mejorando significativamente sus capacidades para resolver problemas. Esta búsqueda de la solución correcta es implacable, reflejando la búsqueda de descifrar un código secreto, donde cada intento, ya sea exitoso o no, enriquece la experiencia y la adaptabilidad del sistema. Al descubrir una solución prometedora, se comparte con la red más amplia para su validación.  

Referencia de Github: https://github.com/qubic/Qiner/blob/2024-march/Qiner.cpp

4.1 Inicialización: El algoritmo comienza configurando el entorno, inicializando las "neuronas" digitales con datos de entrada similar a preparar a los estudiantes con material de lección al comienzo de una clase. (Línea 2475 / miner.initialize)

4.2 Operación de Minería con Retardos de Propagación de Señal: Esto representa la funcionalidad principal del algoritmo, donde intenta encontrar un nonce (un número usado una vez) que cumpla criterios específicos de la red. Este proceso está vinculado a la innovadora incorporación de retrasos de propagación de señal del algoritmo, mejorando la capacidad del minero para resolver problemas complejos de manera más eficiente. Línea 2481: (miner.findSolution)

4.3 Método de Búsqueda de Soluciones: Piensa en esto como intentar adivinar un número secreto (el nonce). Cada vez que intentas encontrar el número secreto y no tienes éxito, esta cuenta aumenta en uno. Este proceso continúa, y cada intento te acerca más a encontrar el número correcto que gana el juego. Es una forma de llevar el registro de cuán duro trabaja la computadora para resolver el rompecabezas.
Línea 2491 (InterlockedIncrement64(&numberOfMiningIterations)

4.4 Comunicación de la Red para el Envío de Soluciones: Esto envía los datos minados a través de la red para su verificación. Este paso es crucial para integrar los esfuerzos del minero con el sistema de cadena de bloques más amplio, asegurando que las soluciones válidas sean reconocidas y recompensadas adecuadamente. Línea L2658 (sendData(serverSocket, (char*)&packet, packet.header.size()))

5. Mirando al Futuro: Nuevo Algoritmo de Entrenamiento de IA de Qubic

Las posibles implicaciones del nuevo algoritmo de entrenamiento de Qubic son inmensas. Al adoptar un modelo que enfatiza la mejora continua y la adaptabilidad, Qubic no solo está avanzando en la tecnología de IA; está reimaginando el futuro de los sistemas inteligentes. 

Esta próxima fase en el viaje de la IA de Qubic, que comienza el 6 de marzo de 2024, es más que una actualización; es un salto hacia la realización del sueño de la Verdadera Inteligencia Artificial. A medida que la IA comienza a enseñar a sus sucesores, nos acercamos a un mundo donde la IA puede generar avances de manera autónoma en ciencia, tecnología y muchas otras industrias. Las implicaciones para la salud, la computación cuántica, la ciberseguridad y más son profundas, prometiendo soluciones a algunos de los desafíos más apremiantes de la humanidad.

El camino por delante está lleno de conocimiento y potencial, marcando un momento clave en la búsqueda para desbloquear las capacidades completas de la Verdadera Inteligencia Artificial.