El futuro de la tecnología y su impacto en la sociedad
Mapeo de hubs tecnológicos y centros de datos
Arrancamos el post de esta semana con un mapeo de los mayores centros de talentos tecnológicos en EE. UU. y Canadá. Los mercados de talentos tecnológicos de primer nivel suelen caracterizarse por un nivel sustancial de logros educativos y una concentración significativa de personas jóvenes. Cuarenta y cinco de los 50 principales mercados de talentos tienen un nivel educativo superior a los promedios nacionales. Concretamente, el sector tecnológico sigue siendo uno de los principales empleadores de trabajadores altamente calificados en América del Norte, con más de siete millones de trabajadores.
Los principales hubs tecnológicos se encuentran en San Francisco, Nueva York y Toronto. No obstante este tipo de mapeos nos permite observar la tendencia del desarrollo y evolución de estos hubs tecnológicos.
Algo que va de la mano con el potencial de desarrollo de un hub tecnológico es la cercanía a un centro de datos, esto se debe a la latencia.
La latencia es el tiempo que tarda un paquete de datos en viajar desde un punto a otro de una red. La latencia es importante para aplicaciones que requieren una respuesta rápida, como juegos en línea, transmisión de video y comercio electrónico.
Los centros de datos son buenos para la latencia porque están ubicados cerca de los usuarios finales. Esto significa que los datos tienen que viajar una distancia más corta, lo que reduce la latencia. Además, los centros de datos suelen contar con redes de alta velocidad que pueden transportar datos rápidamente.
Hoy en día, se estima que existen más de 8.000 centros de datos en el mundo. Dado que los centros de datos necesitan mucha energía, a menudo al menos 100 MW para cada centro, lo que hace que el consumo de energía sea una de las mejores formas de medir el tamaño total del mercado.
Aquí te dejo otro mapa con los mayores mercados de centros de datos por consumo eléctrico.
La importancia del código abierto para la co-innovación
En la era de la inteligencia artificial, la información se recopila y procesa automáticamente a gran escala. Sin embargo, traducir eso en innovación es un desafío. En este artículo, se explica que al abrir conjuntos de datos y códigos fuente informáticos puede ayudar a resolver el problema. Compartir información acelera el ritmo de la co-innovación, facilitando la investigación y el estudio inter y multidisciplinarios, así como ampliando y propagando el conocimiento científico y los resultados de la investigación.
Tecnologías emergentes: NFT e IA
La tecnología blockchain tiene mucho potencial, pero su asociación con las criptomonedas y los tokens no fungibles (NFT) puede afectar de manera negativa la percepción de la población sobre sus usos positivos en finanzas, gobiernos y cadenas de suministro por mencionar tan sólo algunos ejemplos.
En septiembre del año pasado saltó la noticia que el 95% de los NFT no vale nada, esto era una consecuencia de la propia sobre especulación de las partes interesadas.
Pero como les comentaba al inicio, los tokens no fungibles (NFT), que actúan como certificados de autenticidad en una red pública de blockchain, han revolucionado el concepto de propiedad al proporcionar un registro seguro e inmutable de los activos digitales. Su mercado ha ido creciendo de manera constante y ahora ofrecen oportunidades para diversas industrias. En este artículo se destacan las oportunidades y desafíos del uso de NFT como herramienta de marketing, extrayendo cuatro ideas de las iniciativas de marketing pioneras de la industria del fútbol.
Parte de la bajada del interés por los NFT y en general de las tecnologías basadas en blockchain fue la entrada de chatGPT, la mayor parte de inversión de I+D se fueron del blockchain al desarrollo de aplicaciones basadas en chatGPT (basadas en LLM) así como las de ia generativa.
Un reciente estudio muestra que, cuando se les plantea un rompecabezas lógico que exige razonamiento sobre el conocimiento de los demás y sobre contrafactuales, los modelos de lenguaje grande (LLM) muestran un patrón de fracaso distintivo y revelador. El LLM funciona perfectamente cuando se le presenta la redacción original del rompecabezas disponible en Internet, pero funciona mal cuando se cambian detalles incidentales, lo que sugiere una falta de comprensión verdadera de la lógica subyacente. Los autores señala que sus hallazgos no restan valor al considerable progreso en las aplicaciones del aprendizaje automático de los bancos centrales a la gestión de datos, el análisis macro y la regulación/supervisión. Sin embargo, sugieren que se debe tener precaución al implementar LLM en contextos que exigen un razonamiento riguroso en el análisis económico.
Por último, pero no por ello menos importante, siempre es recomendable darle seguimiento al avance de la IA, y cómo la llevan los reguladores. En este artículo nos brinda un pantallazo general sobre el estado de la regulación de la IA alrededor del mundo (no de manera exhaustiva).
Hasta aquí el post del día de hoy y recuerda que puedes seguirme en X (antes Twitter) y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas.
Cómo citar esta entrada del Blog:
Zorrilla-Salgador, J.P. (2024). El futuro de la tecnología y su impacto en la sociedad. Blog El Analista Económico-Financiero, 22/01/2024. Recuperado de [link post]
También te puede interesar: Repositorio con recursos sobre machine learning, blockchain, computación cuántica, deep tech, innovación y evaluación de impacto.
Comentarios