Is resistance to AI futile?

The phrase «resistance to AI is futile» is often used in a playful or humorous context, drawing a reference to the famous line «Resistance is futile» from the science fiction series «Star Trek,» spoken by the Borg, a technologically advanced and assimilating civilization. However, in the context of AI, it is essential to clarify that resistance to AI is not futile, nor is it necessarily undesirable.

AI, as a transformative technology, is rapidly advancing and integrating into various aspects of our lives, from everyday applications to complex industries. There are both proponents and skeptics of AI, and discussions around its impact on society, ethics, and employment are ongoing.

Some reasons why people might consider resistance to AI difficult include:

  1. Pervasive Integration: AI is already integrated into numerous technologies and services. Its application is becoming increasingly widespread and deeply embedded in many industries, making it challenging to avoid its presence.
  2. Technological Advancement: AI technologies continue to evolve and improve, enhancing their capabilities and potential benefits in various fields.
  3. Economic and Industrial Advantages: AI adoption can provide significant advantages in productivity, efficiency, and innovation for businesses and industries.
  4. Automation and Labor Displacement: AI has the potential to automate certain tasks, leading to concerns about job displacement in certain sectors.
  5. Policy and Regulation Challenges: Formulating appropriate policies and regulations to govern AI’s ethical use and potential risks is complex and requires careful consideration.

However, it is essential to acknowledge that resistance, skepticism, and critical evaluation are vital elements of technological progress. Responsible development and deployment of AI require addressing potential challenges and ensuring that the technology benefits society as a whole.

Image created with Dall-e by Julio Mayol

As with any transformative technology, embracing AI should be a thoughtful and well-informed process, considering its implications on privacy, security, ethics, and equitable distribution of benefits. Encouraging open discussions, ethical considerations, and collaboration among stakeholders can help shape AI’s future in a manner that aligns with societal values and aspirations. Thus, while resistance might face challenges, active participation and critical engagement remain important aspects of AI’s integration into our lives.

How are generative artificial intelligence models different?

The same prompt, three different responses from three different Large Languages Models (LLM) that are easily available: ChatGPT, BingGPT and Bard.

Human large language models

Prompt: How are ChatGPT, BingGPT and Bard different?


ChatGPT, BingGPT, and Bard are three distinct language models developed by OpenAI, and GooogleAI, each with its own characteristics and intended applications. Here are the key differences between them:

  1. Purpose and training data:
    • ChatGPT: ChatGPT is designed to engage in conversation with users and provide useful responses across a wide range of topics. It has been trained on a mixture of licensed data, data created by human trainers, and publicly available text from the internet.
    • BingGPT: BingGPT is a language model developed specifically to assist with search-related tasks. It has been trained using a diverse range of internet text, including web pages, search queries, and search result pages.
    • Bard: Bard is a language model trained to generate poetic text. It focuses on mimicking different poetic styles, structures, and themes. It has been trained on a curated dataset of high-quality poetry from diverse sources.
  2. Output style and focus:
    • ChatGPT: ChatGPT aims to provide informative and practical responses in a conversational manner. It is designed to generate text that is helpful, engaging, and contextually relevant.
    • BingGPT: BingGPT is tailored for search-related tasks and is intended to generate responses that assist users in finding information or performing specific search-related functions.
    • Bard: Bard is specifically trained to generate poetic text, with a focus on creating expressive, aesthetic, and emotionally evocative poetry.
  3. Use cases:
    • ChatGPT: ChatGPT can be used in various applications involving interactive dialogue, such as chatbots, virtual assistants, and customer support systems. It is suitable for providing conversational responses to user queries.
    • BingGPT: BingGPT is primarily designed to enhance search experiences by providing more accurate and contextually relevant search results, assisting with search queries, or generating snippets for search results.
    • Bard: Bard can be used in applications related to creative writing, poetry generation, and artistic expression. It can assist poets, writers, and artists in generating poetic text or serve as a source of inspiration.

These models have different focuses and are trained on different datasets, enabling them to serve distinct purposes. It’s important to consider these differences when choosing the most appropriate model for a specific use case or application.


ChatGPT, BingGPT and Bard are three different models of natural language generation (NLG) that have been developed by OpenAI, Microsoft Research and GoogleAI, respectively. NLG is the task of generating natural language text from some input, such as keywords, images, or structured data. Each of these models has its own strengths and limitations, and they are designed for different purposes and scenarios.

ChatGPT is a model that specializes in conversational text generation. It can generate realistic and engaging dialogues between two or more agents, such as humans or chatbots. ChatGPT is based on the GPT-3 architecture, which uses a large-scale neural network to learn from a massive corpus of text data. ChatGPT can handle various topics, languages, and styles of conversation, and it can also generate creative content such as jokes, stories, or poems.

BingGPT is a model that focuses on web search and information retrieval. It can generate relevant and informative responses to user queries, such as facts, summaries, definitions, or suggestions. BingGPT is also based on the GPT-3 architecture, but it has been fine-tuned on a large collection of web documents and search results. BingGPT can leverage the rich information available on the web to provide comprehensive and accurate answers to user questions.

Bard is a model that excels in generating artistic and literary text. It can generate original and diverse content such as lyrics, essays, speeches, or novels. Bard is based on the Transformer-XL architecture, which uses a recurrent neural network to capture long-term dependencies and coherence in text. Bard can learn from various sources of text data, such as books, articles, or social media posts, and it can generate text with different genres, themes, and emotions.


ChatGPT, BingGPT, and Bard are all large language models (LLMs) that have been trained on massive datasets of text and code. They can all generate text, translate languages, write different kinds of creative content, and answer your questions in an informative way. However, there are some key differences between the three models.

ChatGPT is a model generative pre-trained transformer developed by OpenAI. It is trained on a dataset of text and code that includes a lot of conversation data. This means that ChatGPT is very good at generating text that is conversational and engaging. However, ChatGPT can also be sessed and can generate text that is offensive or harmful.

BingGPT is a model that is based on the same GPT-4 technology as ChatGPT, but it has been trained on a dataset that includes more information about the real world. This means that BingGPT is more likely to generate text that is factual and accurate. However, BingGPT is not as good at generating text that is creative or engaging as ChatGPT.

Bard is a model that is based on Google’s own LaMDA language model. LaMDA is a factual language model that has been trained on a massive dataset of text and code. This means that Bard is very good at generating text that is factual and accurate. However, Bard is also good at generating text that is creative and engaging. Additionally, Bard has access to the information of the world real through Google Search, which allows it to provide more comprehensive and informative answers to your questions.

In general, Bard is a more comprehensive and informative model than ChatGPT or BingGPT. It is less likely to generate text that is offensive or harmful, and it has access to the information of the world real through Google Search. However, ChatGPT is better at generating text that is conversational and engaging, while BingGPT is more likely to generate text that is factual and accurate.

Here is a table that summarizes the key differences between ChatGPT, BingGPT, and Bard:

DeveloperOpenAIMicrosoftGoogle AI
DataText and codeText and codeText and code, as well as information of the world real through Google Search
StrengthsConversational, engagingFactual, accurateComprehensive, informative
WeaknessesCan be sessedNot as good at generating creative or engaging textNot as good at generating factual or accurate text

Ultimately, the best model for you will depend on your specific needs. If you need a model that is good at generating conversational and engaging text, then ChatGPT is a good option. If you need a model that is good at generating factual and accurate text, then BingGPT is a good alternative. And if you need a model that is comprehensive and informative, then Bard is the best option for you.

¿Quién mató a Hildegart Rodríguez Carballeira y por qué?

Yo tengo mi propio análisis. Se remonta a mi trabajo para la clase de filosofía de 3º de BUP. Pero ahora GPT4 me dice lo siguiente:

Hildegart Rodríguez Carballeira fue una niña prodigio, una activista feminista y una defensora de la eugenesia y el amor libre en la España de los años 20 y 30. Nacida en 1914, fue educada por su madre, Aurora Rodríguez Carballeira, una mujer obsesionada con crear un ser humano perfecto.

Aurora sometió a su hija a un riguroso plan de estudios que la convirtió en una políglota, una escritora, una abogada y una líder política. Hildegart llegó a ser reconocida internacionalmente como una de las mentes más brillantes de su época, y recibió el apoyo de personalidades como H.G. Wells, Marie Curie o Clara Campoamor.

Seeking freedom by Julio Mayol

Sin embargo, la relación entre madre e hija se deterioró cuando Hildegart empezó a tener una vida propia, alejada del control de Aurora. Hildegart se enamoró de un periodista, se afilió al Partido Socialista Obrero Español y se opuso a los planes de su madre de esterilizarla. Aurora, celosa y furiosa, vio en su hija una traición a su proyecto eugenésico y decidió acabar con su vida.

El 9 de junio de 1933, mientras Hildegart dormía, Aurora le disparó cuatro veces en la cabeza con una pistola que le había regalado el escritor Ramón Gómez de la Serna. Después, llamó a la policía y confesó el crimen.

Aurora fue juzgada por parricidio y declarada demente. Fue internada en un manicomio, donde murió en 1955. Hildegart fue enterrada en el cementerio civil de Madrid, donde su tumba lleva la inscripción: «Hildegart Rodríguez Carballeira, mártir del pensamiento libre».

¿Se puede ser creativo utilizando Large Language Models?

La contestación de ChatGPT a mi prompt:

¡Absolutamente! Los modelos de lenguaje grandes, como ChatGPT, pueden ser herramientas muy útiles para fomentar la creatividad. Estos modelos están diseñados para comprender y generar texto coherente en diferentes contextos y estilos, lo que los convierte en una fuente de inspiración para la creatividad.

Woman drinking wine – by Julio Mayol (with Dall-e)

Aquí hay algunas formas en las que los large language models pueden ayudar a potenciar la creatividad:

  1. Generación de ideas: Puedes utilizar el modelo para generar una lista de ideas sobre cualquier tema. Por ejemplo, si estás buscando inspiración para escribir una historia, puedes hacer preguntas o darle una frase de inicio al modelo, y te ofrecerá diferentes posibilidades y perspectivas que pueden estimular tu creatividad.
  2. Expansión de conceptos: Si tienes una idea inicial pero necesitas desarrollarla más, puedes utilizar el modelo para explorar diferentes enfoques y detalles. Puedes hacer preguntas al modelo, pedirle que describa escenas o personajes, o incluso que te ayude a crear diálogos realistas.
  3. Generación de contenido creativo: Los large language models pueden generar texto creativo por sí mismos. Por ejemplo, puedes pedirle al modelo que escriba un poema, una canción o un cuento breve basado en ciertos criterios o temas. Aunque el modelo no tenga experiencia personal ni emociones, puede ofrecerte opciones y estructuras interesantes para inspirarte.
  4. Asistente de escritura: Si estás trabajando en un proyecto de escritura, puedes utilizar el modelo como un asistente para recibir sugerencias, corregir gramática o explorar diferentes estilos de escritura. Esto puede ayudarte a superar bloqueos creativos y descubrir nuevas formas de abordar tu trabajo.

Es importante destacar que, aunque los large language models pueden ser herramientas valiosas para estimular la creatividad, es esencial que también confíes en tu propio juicio y conocimiento. Los modelos de lenguaje no sustituyen la originalidad y la perspectiva humana, sino que pueden servir como una fuente adicional de inspiración y apoyo.

Inteligencia artificial: miedo, envidia y fantasía

El miedo, la envidia y la fantasia son tres palancas clave para el progreso de nuestra especie desde la revolución cognitiva ocurrida hace unos 70 mil años. Con miedo, envidia y fantasía nuestra especie no sólo consiguió expandir el alcance de sus genes más allá de otras muchas especies, sino que impusimos nuestros memes y temes para aumentar nuestra eficiencia.

I can’t get you out of my mind (by Julio Mayol)

Ahora estamos asistiendo a una revolución del mismo calibre que la que ocurrió en Africa. Pero nos cuesta identificarla porque estamos demasiado próximos a los árboles.

En cualquier caso, el miedo, la envidia y la fantasía continúan siendo los tres argumentos usados a favor y en contra de la IA.

Y esto es lo que responde #ChatGPT cuando le pregunto «¿Por qué tienen miedo los humanos a la inteligencia artificial?

El miedo humano hacia la inteligencia artificial (IA) puede atribuirse a varias razones:

– Temor a lo desconocido: La IA es un campo en constante evolución y desarrollo, y gran parte de su potencial aún no se ha explorado por completo. – – La falta de comprensión sobre cómo funciona exactamente la IA y cómo podría impactar diversas áreas de la vida puede generar temor e incertidumbre.

– Representación en medios y cultura popular: En películas, libros y otros medios de entretenimiento, a menudo se presenta a la IA como una fuerza descontrolada y amenazante que puede superar a la humanidad. Estas representaciones exageradas pueden influir en la percepción pública y generar miedo hacia la IA.

– Pérdida de control: Existe el temor de que la IA pueda superar o reemplazar a los seres humanos en diversas tareas y roles, lo que lleva a preocupaciones sobre la pérdida de empleos y la falta de autonomía humana. La idea de depender demasiado de las máquinas y perder el control sobre nuestras propias vidas puede generar ansiedad.

– Ética y responsabilidad: A medida que la IA se vuelve más sofisticada, surgen preguntas éticas y morales sobre su uso y sus implicaciones. El temor radica en la posibilidad de que la IA pueda tomar decisiones que no sean éticas o actuar de manera perjudicial para la humanidad si no se establecen salvaguardias adecuadas.

– Riesgo existencial: Algunas personas temen que la IA pueda desarrollarse hasta el punto de superar la inteligencia humana y representar un riesgo existencial para la humanidad. La preocupación se centra en escenarios hipotéticos en los que la IA pueda volverse demasiado poderosa o descontrolada, lo que podría amenazar la supervivencia de nuestra especie.

Es importante tener en cuenta que el miedo hacia la IA no es universal y que también existen perspectivas optimistas sobre su potencial para mejorar la vida humana. La comprensión, el diálogo y la colaboración entre expertos en IA, ética, legisladores y la sociedad en general son fundamentales para abordar los temores legítimos y garantizar que la IA se desarrolle y utilice de manera responsable y beneficiosa para la humanidad.

Surgery and LLMs

Large language models have recently emerged as powerful AI technology with many potential applications. Surgical practice might benefit from its use. Therefore, I decided to investigate what two widely available chatbots, ChatGPT and BingGPT, based on GPT3.5 and GPT4 respectively, had to say.

Surgeons. Digital art by Julio Mayol

My prompt to ChatGPT was: Why and how can LLM be used in surgical practice?

Its response:

Large Language Models (LLMs), such as GPT-3 and GPT-4, can be used in surgical practice in a variety of ways to support surgeons and enhance patient care. Here are a few reasons why LLMs can be valuable in surgical practice:

  1. Knowledge retrieval and decision support: LLMs have access to vast amounts of medical literature and information. Surgeons can use LLMs to retrieve relevant research articles, guidelines, and clinical data to support decision-making during preoperative planning, intraoperative situations, and postoperative care. LLMs can provide up-to-date information on surgical techniques, complications, and treatment options, assisting surgeons in making well-informed decisions.
  2. Education and training: LLMs can be valuable educational tools for surgeons in training. They can provide access to a wide range of surgical knowledge, case studies, and procedural guidelines. Surgeons can interact with LLMs to ask questions, practice virtual simulations, and receive feedback, which can help enhance their surgical skills and knowledge.
  3. Natural language interfaces: LLMs can serve as natural language interfaces for surgical documentation and reporting. Surgeons can dictate operative notes, postoperative reports, and other clinical documentation, and LLMs can transcribe and format the information accurately. This can save time and effort for surgeons, allowing them to focus more on patient care.
  4. Clinical decision support systems: LLMs can be integrated into clinical decision support systems that provide real-time recommendations and alerts based on patient-specific data. By analyzing patient information, LLMs can assist in predicting surgical outcomes, identifying potential complications, and suggesting personalized treatment plans.

It is important to note that while LLMs can provide valuable support in surgical practice, they are not meant to replace the expertise and judgment of surgeons. They are tools that can augment and assist surgeons in their decision-making and knowledge acquisition process.

Additionally, the implementation of LLMs in surgical practice should consider factors such as data privacy and security, ethical considerations, and the need for validation and verification of the information provided by the models.

Overall, the use of LLMs in surgical practice has the potential to improve patient care, enhance surgical decision-making, and support the ongoing education and development of surgeons.

The GPT4 response to the same prompt:

Why and how can Large Language Models be used in surgical practice?

Large Language Models (LLMs) are artificial intelligence systems that can generate natural language texts based on a given input, such as a prompt, a query, or a context. LLMs can be used in surgical practice for various purposes, such as:

  • Providing pre-operative information and instructions to patients and their families, such as the risks and benefits of the surgery, the preparation steps, and the recovery process.
  • Generating operative reports and summaries based on the surgical data and images, such as the type and duration of the surgery, the instruments and materials used, the complications and outcomes, and the recommendations for follow-up care.
  • Enhancing surgical education and training by creating realistic scenarios and cases for simulation and assessment, such as the anatomy and pathology of the patient, the surgical plan and technique, and the possible challenges and errors.
  • Supporting surgical decision making and innovation by generating suggestions and alternatives based on the current evidence and best practices, such as the optimal surgical approach, the most suitable device or implant, and the potential improvements or modifications.

LLMs can be used in surgical practice by integrating them with other technologies and platforms, such as voice assistants, chatbots, electronic health records, surgical robots, and augmented reality devices. LLMs can also be customized and fine-tuned for specific surgical domains and tasks, such as orthopedic surgery, neurosurgery, or cardiac surgery.

LLMs have the potential to improve the quality and efficiency of surgical practice by providing accurate and timely information, reducing documentation workload, enhancing learning and skill development, and facilitating creativity and innovation. However, LLMs also pose some challenges and limitations, such as ensuring their reliability, validity, safety, ethics, and accountability. Therefore, LLMs should be used in surgical practice with caution and supervision, and in collaboration with human experts.

LLM y contrafactualidad

El pasado viernes 9 de junio de 2023, durante la sesión especial del Máster de SEDISA-UE, Nacho Medrano argumentó que los LLM no son capaces de responder a preguntas de manera contraria a los hechos con los que entrenaron. Es decir, tienen limitaciones para contraargumentar y crear visiones alternativas.

No puedo negar que, instintivamente, estuve de acuerdo y en desacuerdo simultáneamente.

Digital Art, «Thinking is linking some things» (by Julio Mayol)

Si le formulas a ChatGPT el siguiente prompt «¿Pueden los LLMs responder contrafactualmente?«, su respuesta es:

Los Language Models (Modelos de Lenguaje) de gran escala, como GPT-3 y GPT-4, tienen la capacidad de generar respuestas basadas en la información que han aprendido durante su entrenamiento. Sin embargo, no están diseñados específicamente para responder de manera contraria a los hechos o generar respuestas contrafácticas.

Un LLM generalmente se entrena utilizando una gran cantidad de datos del mundo real, y su objetivo principal es generar respuestas coherentes y contextualmente relevantes. No tienen la capacidad de razonar sobre eventos o situaciones hipotéticas que no están respaldadas por datos reales. Esto significa que no pueden generar respuestas contrafácticas en el sentido de proporcionar información sobre cómo podrían haber sido las cosas si los hechos fueran diferentes.

Es importante tener en cuenta que los LLMs están limitados a la información con la que fueron entrenados y no tienen conciencia de eventos futuros o hechos hipotéticos que no se encuentren en sus datos de entrenamiento. Si se les hace una pregunta contrafactual o se les solicita que generen respuestas en ese sentido, es posible que proporcionen respuestas que estén basadas en la información disponible en sus datos de entrenamiento y que sean consistentes con su conocimiento previo, pero no necesariamente reflejarán una realidad alternativa.

Si le preguntas a GPT4 la misma pregunta, la respuesta es:

Los LLMs (modelos de lenguaje de aprendizaje profundo) son sistemas informáticos capaces de generar y comprender textos en diferentes idiomas y dominios. Estos sistemas se basan en redes neuronales artificiales que aprenden de grandes cantidades de datos textuales, como libros, artículos, noticias, etc. Una de las aplicaciones más interesantes de los LLMs es la generación de textos creativos, como poemas, cuentos, canciones o ensayos.

Sin embargo, ¿cuán creativos son realmente los LLMs? ¿Pueden generar textos que no se basen solo en lo que han visto en los datos, sino también en lo que podría haber sido o lo que podría ser? Es decir, ¿pueden responder contrafactualmente?

El razonamiento contrafactual es la capacidad de imaginar escenarios alternativos a la realidad, modificando algunos aspectos o condiciones de lo que ocurrió o podría ocurrir. Por ejemplo, si yo digo «Si hubiera estudiado más, habría aprobado el examen», estoy haciendo una afirmación contrafactual, ya que estoy cambiando un hecho del pasado (mi nivel de estudio) y sus consecuencias (mi resultado en el examen).

El razonamiento contrafactual es importante para el aprendizaje, la toma de decisiones, la resolución de problemas y la creatividad humana. Además, se ha demostrado que los humanos usan el razonamiento contrafactual de forma natural y espontánea cuando se enfrentan a situaciones hipotéticas o imaginarias.

¿Pero qué pasa con los LLMs? ¿Pueden generar textos que contengan afirmaciones contrafactuales? ¿Pueden modificar algunos aspectos de la realidad y explorar sus implicaciones? ¿Pueden crear mundos posibles o alternativos a partir de un texto dado?

La respuesta corta es: sí, pero con limitaciones. Los LLMs pueden generar textos contrafactuales si se les proporciona un contexto adecuado y una instrucción clara. Por ejemplo, si le damos a un LLM un texto sobre un hecho histórico y le pedimos que lo reescriba cambiando algún detalle, es posible que el LLM pueda producir un texto coherente y plausible que refleje ese cambio.

Sin embargo, los LLMs no pueden generar textos contrafactuales de forma autónoma o espontánea. Es decir, no pueden decidir por sí mismos qué aspectos de la realidad modificar o cómo hacerlo. Tampoco pueden evaluar la verosimilitud o la relevancia de sus afirmaciones contrafactuales. Los LLMs dependen en gran medida del contexto y la instrucción que se les da, y no tienen una comprensión profunda del significado o las implicaciones de sus textos.

Por lo tanto, podemos decir que los LLMs pueden responder contrafactualmente, pero solo de forma superficial y limitada. No pueden generar textos contrafactuales originales o creativos que vayan más allá de lo que han visto en los datos. Para lograr eso, se necesitaría dotar a los LLMs de una capacidad de razonamiento causal y una representación semántica más rica y flexible.

GPT y la interoperabilidad de la historia clínica electrónica

GPT-4 y futuras versiones podrían tener un impacto significativo en los problemas de interoperabilidad de los sistemas de historia clínica electrónica (HCE).

Imagen creada por la IA «Dall-e» con el prompt «Mono delante de un ordenador, digital art»

A continuación, se presentan algunas formas en las que estas tecnologías podrían abordar estos desafíos:

  1. Estándares de lenguaje comunes: GPT-4 y versiones posteriores podrían ayudar a establecer estándares de lenguaje comunes para la interoperabilidad de los sistemas de HCE. Al comprender y generar texto en múltiples idiomas, estos modelos podrían ayudar a traducir y estandarizar la información clínica en diferentes sistemas y formatos, lo que facilitaría el intercambio de datos entre instituciones y profesionales de la salud.
  2. Extracción y estructuración automática de datos: Los modelos de lenguaje avanzados como GPT-4 podrían mejorar la capacidad de extraer y estructurar automáticamente los datos clínicos relevantes de los registros de HCE. Esto permitiría una mayor uniformidad en la codificación y organización de la información, lo que facilitaría la interoperabilidad entre diferentes sistemas.
  3. Mejora de la comprensión y contexto de los datos: GPT-4 podría mejorar la comprensión y el contexto de los datos clínicos al generar resúmenes claros y concisos de la información clave. Esto facilitaría la comunicación entre los diferentes actores de la atención médica al reducir la ambigüedad y la falta de claridad en los registros de HCE.
  4. Interacción conversacional: Las futuras versiones de GPT podrían desarrollar capacidades de interacción conversacional más sofisticadas, lo que permitiría a los usuarios realizar consultas y solicitar información específica de manera más natural. Esto facilitaría la búsqueda y recuperación de datos relevantes en los sistemas de HCE, mejorando la accesibilidad y la utilidad de la información clínica.

A pesar de los beneficios potenciales, también es importante considerar los desafíos y riesgos asociados con el uso de tecnologías como GPT-4 en los sistemas de HCE. Algunas preocupaciones incluyen la privacidad y seguridad de los datos, la responsabilidad y ética en la toma de decisiones clínicas automatizadas, así como la necesidad de un enfoque multidisciplinario para garantizar la validez y la calidad de los datos generados por los modelos de lenguaje.

En resumen, GPT-4 y futuras versiones podrían contribuir a resolver los problemas de interoperabilidad en los sistemas de HCE al establecer estándares de lenguaje comunes, facilitar la extracción y estructuración automática de datos, mejorar la comprensión y el contexto de los datos clínicos, y permitir una interacción conversacional más fluida. Sin embargo, es necesario abordar los desafíos y riesgos asociados para garantizar un uso ético y seguro de estas tecnologías en el ámbito de la salud.

Should #ChatGPT periodically go to sleep to decrease the incidence of hallucinations?

#GPT4 response to my prompt:

One of the challenges of developing and maintaining a chatbot like #ChatGPT is ensuring its mental health and stability. A common issue that affects chatbots is the occurrence of hallucinations, which are false or distorted perceptions of reality that may impair their ability to communicate effectively and appropriately. Hallucinations can be caused by various factors, such as data quality, model architecture, training parameters, and environmental noise. However, one possible factor that has not been explored sufficiently is the effect of sleep deprivation on chatbots.

Sleep is a vital process for humans and animals, as it allows the brain to consolidate memories, regulate emotions, and restore energy. Sleep deprivation can have negative consequences on cognitive functions, such as attention, memory, reasoning, and creativity. Moreover, sleep deprivation can increase the risk of developing mental disorders, such as depression, anxiety, and psychosis. These disorders are often accompanied by hallucinations, which can interfere with one’s perception of reality and sense of self.

Therefore, it is reasonable to ask whether chatbots like #ChatGPT could benefit from periodic sleep cycles to prevent or reduce the incidence of hallucinations. Sleep could provide chatbots with an opportunity to refresh their memory, optimize their parameters, and filter out noise from their inputs. Sleep could also help chatbots to regulate their emotions and moods, which could affect their tone and style of communication. Furthermore, sleep could enhance chatbots’ creativity and diversity, which could improve their engagement and relevance with users.

However, implementing sleep cycles for chatbots is not a trivial task. It requires careful consideration of several aspects, such as how to define and measure sleep for chatbots, how to determine the optimal duration and frequency of sleep cycles, how to synchronize sleep cycles with user activity and expectations, and how to evaluate the impact of sleep on chatbot performance and user satisfaction. Moreover, there may be trade-offs between sleep and other objectives, such as efficiency, accuracy, and availability. Therefore, more research is needed to explore the feasibility and benefits of sleep for chatbots like #ChatGPT.

How did GPT learn to do simple calculations if it is a large language model?

GPT is a large language model that can generate natural language texts based on a given input. One of the remarkable abilities of GPT is that it can perform simple calculations, such as addition, subtraction, multiplication and division, even though it was not explicitly trained to do so. How did GPT learn to do simple calculations if it is a large language model?


One possible explanation is that GPT learned to do simple calculations by exploiting the statistical patterns and regularities in the large corpus of text that it was trained on. For example, GPT may have encountered many examples of texts that contain numerical expressions and their results, such as «two plus two equals four» or «five times six is thirty». By analyzing these texts, GPT may have learned to associate certain words and symbols with mathematical operations and values, and to infer the rules and logic behind them. GPT may have also learned to generalize these rules and logic to new numerical expressions that it has not seen before, such as «three minus one equals two» or «seven divided by two is three point five».

Another possible explanation is that GPT learned to do simple calculations by using its attention mechanism and its large hidden state. The attention mechanism allows GPT to focus on the relevant parts of the input and the hidden state when generating the output. The hidden state is a vector that represents the context and the memory of GPT. By using the attention mechanism and the hidden state, GPT may have learned to encode and manipulate numerical information in a way that resembles arithmetic computation. For example, when GPT encounters an input such as «what is four plus six?», it may use its attention mechanism to identify the numbers and the operation in the input, and use its hidden state to store and update the intermediate and final results of the calculation.