DeepSeek presenta un diseño de agentes de programación con IA para reducir la intervención humana en multitarea
chaincatcherLa empresa china de inteligencia artificial DeepSeek ha anunciado un plan de diseño destinado a mejorar la autonomía de los asistentes de programación con IA, permitiéndoles reducir la intervención humana al realizar múltiples tareas. Según un informe del South China Morning Post publicado el domingo, el plan proviene de un artículo publicado por el equipo DeepSeek Harness, cuyo objetivo central es reducir el esfuerzo humano necesario para coordinar y supervisar a múltiples agentes de IA. El equipo señaló que gestionar múltiples agentes consume la atención humana y citó una declaración del artículo según la cual «el límite de una sola tarea depende de la capacidad del modelo, mientras que el límite de múltiples tareas depende de la atención humana». El artículo también indicaba que una persona solo puede supervisar entre 3 y 5 conversaciones activas de agentes de IA al mismo tiempo. El sistema propuesto asignará tareas y coordinará el trabajo entre los agentes, permitiendo a los humanos liberar energía para revisar resultados y tomar decisiones. Esta propuesta llega en un momento de intensa competencia entre desarrolladores de IA, en la que participan las empresas estadounidenses Anthropic y OpenAI. Anteriormente, Cointelegraph informó en octubre del año pasado que, según datos de la plataforma de análisis blockchain CoinGlass, los modelos chinos de IA superaron a sus homólogos estadounidenses en el trading de criptomonedas, y DeepSeek fue el único modelo de IA en un experimento que logró un rendimiento no realizado positivo del 9,1 %, mientras que el coste de desarrollo de este modelo fue solo una pequeña fracción del de sus competidores estadounidenses.
Este contenido se proporciona únicamente con fines informativos y educativos y no constituye asesoramiento de inversión relacionado con BTCC. BTCC realiza todos los esfuerzos posibles, pero no puede garantizar la veracidad, exactitud u originalidad del contenido anterior.