Yoav Shoham
Qué puede medirse sobre el estado de la IA desde fuera de cualquier empresa individual — y cómo se ve el aumento por recuperación cuando no hace falta reentrenar nada.
La carrera de Shoham abarca varias eras de la IA: sistemas multiagente y teoría de juegos en el libro de texto del que fue coautor, y después un largo periodo presidiendo el Stanford AI Index, una medición anual del campo que se ha convertido en lo más parecido a una contabilidad oficial que tiene la industria. El artículo "In-Context Retrieval-Augmented Language Models" (2023, autor sénior) se sitúa dentro de la pila de AI21 pero se lee como un artículo de método: el aumento por recuperación funciona en LLM congelados con recuperadores listos para usar, sin entrenamiento conjunto, que es exactamente el régimen aplicable cuando no se puede abrir el modelo que se intenta mejorar. Las dos líneas —medir el campo y crear métodos que funcionan en el régimen de modelos cerrados— se encuentran en una posición que ai100 comparte: no se puede reivindicar una visión de nivel industrial sin admitir qué se puede medir y qué no.