🔬 Un equipo de King’s College London, la Universidad Noruega de Ciencia y Tecnología y el Centro Internacional Abdus Salam probó una forma de evitar el «colapso de modelo»: añadir un solo dato creado por humanos al entrenamiento. El estudio, publicado el 14 de mayo en Physical Review Letters, probó la idea con modelos pequeños.
La urgencia viene de una preocupación: algunos expertos creen que faltarán datos humanos de alta calidad a finales de 2026. El problema surge cuando un modelo nuevo aprende con datos creados por modelos anteriores. Según el artículo, ese entrenamiento en bucle cerrado puede borrar detalles raros, suavizar diferencias entre generaciones y empujar a la IA hacia respuestas cada vez más pobres.
Para entender el proceso, el equipo no trabajó con grandes modelos de lenguaje, sino con modelos más pequeños de «familias exponenciales», una clase de distribuciones de probabilidad. Esa escala les permitió estudiar el «por qué» y el «cómo» del colapso. Al introducir un único dato externo hecho por humanos en un conjunto sintético, el colapso no apareció en ese marco.
Yasser Roudi, profesor de sistemas desordenados en King’s College London, lo describe como un anclaje a una «verdad de base»: algo verificable de forma independiente. Un ejemplo sería entrenar un clasificador de imágenes con una imagen real, clasificada por una persona, en vez de usar solo contenido creado o etiquetado por IA.
✅ Esto apunta a una regla simple para los sistemas de IA: no cortar el vínculo con datos humanos verificables. Pero el límite es clave: el colapso no se ha observado aún en un sistema desplegado en el mundo real, y el resultado procede de modelos pequeños. El siguiente paso será probar si el mismo principio aguanta en modelos más grandes y complejos.
Fuente: livescience.com
