Collin Burns es un speedcuber estadounidense e investigador de inteligencia artificial. Obtuvo reconocimiento internacional por primera vez como adolescente por su excepcional habilidad para resolver el cubo de Rubik, estableciendo un récord mundial en 2015. Posteriormente, Burns pasó a una carrera en la alineación de la IA, contribuyendo al desarrollo de puntos de referencia de evaluación para modelos de lenguaje grandes.
Carrera en el speedcubing
La carrera competitiva de Burns en el speedcubing alcanzó su punto máximo a mediados de la década de 2010. En 2014, estableció un récord continental norteamericano de 5.93 segundos para el cubo 3×3×3. Ese mismo año, en el campeonato nacional de Estados Unidos 2014, derrotó al entonces campeón del mundo, Feliks Zemdegs, marcando una victoria significativa en el deporte.
El 25 de abril de 2015, Burns logró su hazaña más notable: un récord mundial de resolución única de 5.25 segundos. La resolución ocurrió en una competición celebrada en el instituto Central Bucks West, en Doylestown, Pensilvania. Tenía 15 años y utilizó un cubo 3×3×3 de la marca YuXin. Su tiempo fue 0.3 segundos más rápido que el récord mundial anterior de 5.55 segundos, establecido por Mats Valk. El récord de Burns se mantuvo durante aproximadamente siete meses, hasta que Lucas Etter resolvió el cubo en 4.90 segundos el 21 de noviembre de 2015.
Transición a la investigación en IA
Tras su carrera en el speedcuber, Burns centró su atención en actividades académicas e investigación en inteligencia artificial. Se involucró en el campo de la alineación de la IA, que estudia cómo garantizar que los sistemas de IA avanzados se comporten de acuerdo con las intenciones y valores humanos.
En 2020, Burns colaboró con Dan Hendrycks y otros investigadores para desarrollar el conjunto de referencia Massive Multitask Language Understanding (MMLU). MMLU es un conjunto de datos diseñado para evaluar los conocimientos y las capacidades de razonamiento de los modelos de lenguaje largos en una amplia gama de disciplinas, desde humanidades hasta campos STEM. Este conjunto de referencia se ha convertido en una herramienta estándar para evaluar el rendimiento de modelos desarrollados por organizaciones como OpenAI, Anthropic y Google DeepMind.
Contribuciones a la evaluación de la IA
El conjunto de referencia MMLU, co-creado por Burns, aborda la necesidad de métodos de evaluación robustos en el campo de rápido avance de Large language model los modelos de lenguaje largos]. Prueba los modelos en tareas que requieren tanto conocimientos factuales como razonamiento en múltiples pasos, proporcionando una medida más completa de la capacidad que los conjuntos de referencia anteriores. El desarrollo de MMLU ha influido en la investigación posterior sobre la evaluación de modelos y la seguridad, incluidos los esfuerzos en Reinforcement Learning from AI Feedback (RLAIF) el RLHF y otras técnicas de alineación.
El trabajo de Burns se sitúa en la intersección de Machine learning el aprendizaje automático y la seguridad de la IA, un campo que ha ganado prominencia as elaprendizaje de los modelos se vuelven más poderosos. Sus contribuciones forman parte de un movimiento más amplio dentro de la comunidad de la IA para garantizar que los sistemas no solo sean capaces, sino también alineados con los objetivos humanos.
Vida personal y legado
La doble carrera de Burns destaca una combinación rara de habilidades: destreza de primera clase en el speedcubering y rigor analítico en la investigación de IA. Su récord en el speedcubering seguirá siendo un hito notable en la historia del deporte, y su trabajo posterior en el MMLU ha tenido un impacto duradero en cómo se evalúan los modelos de IA.
A mediados de la década de 2020, Burns sigue activo en la investigación de alineación de la IA, contribuyendo a los esfuerzos en curso para garantizar que los sistemas de IA avanzados sean seguros y beneficiosos. Su trayectoria desde la competición de cubos hasta la investigación de IA sirve como ejemplo de cómo talentos diversos pueden converger para enfrentar desafíos tecnológicos complejos.