¿Qué es la inteligencia artificial general (AGI)?

La AGI se ha explorado activamente desde los primeros días de la investigación en IA. Aún así, no hay consenso dentro de la comunidad académica sobre qué calificaría exactamente como AGI o cuál es la mejor manera de lograrlo. Aunque el objetivo general de la inteligencia humana es bastante sencillo, los detalles son matizados y subjetivos. Por lo tanto, la búsqueda de AGI comprende el desarrollo tanto de un marco para comprender la inteligencia en las máquinas como de los modelos capaces de satisfacer ese marco.

El reto es tanto filosófico como tecnológico. Filosóficamente, una definición formal de AGI requiere tanto una definición formal de “inteligencia” como un acuerdo general sobre cómo esa inteligencia podría manifestarse en la IA. Tecnológicamente, la AGI requiere la creación de modelos de IA con un nivel de sofisticación y versatilidad sin precedentes, métricas y pruebas para verificar de forma fiable la cognición del modelo y la potencia informática necesaria para sostenerlo.

La noción de inteligencia “general”, o IA general, se entiende mejor en contraste con la IA limitada: un término que describe prácticamente toda la IA actual, cuya “inteligencia” se demuestra solo en dominios especializados.

El Proyecto de Investigación de Verano de Dartmouth sobre Inteligencia Artificial de 1956, que reunió a matemáticos y científicos de instituciones como Dartmouth, IBM, Harvard y Bell Labs, se considera el origen del término "inteligencia artificial". Como se describe en la propuesta, "el estudio [consistía] en proceder basándose en la conjetura de que todos los aspectos del aprendizaje o cualquier otra característica de la inteligencia pueden describirse con tanta precisión que se puede fabricar una máquina para simularlo".

Este floreciente campo de la "IA" buscaba desarrollar una hoja de ruta hacia máquinas que puedan pensar por sí mismas. Pero en las décadas siguientes, el progreso hacia una inteligencia similar a la humana en las máquinas resultó difícil de alcanzar.

Se avanzó mucho más en la búsqueda de máquinas informáticas que realizaran tareas específicas que normalmente requieren una inteligencia significativa en los humanos, como jugar al ajedrez, diagnósticos sanitarios, previsión o conducción de automóviles. Pero estos modelos, por ejemplo, los que impulsan coches autónomos, demuestran inteligencia solo dentro de sus dominios específicos.

En 2007, el investigador de IA Ben Goertzel popularizó el término "inteligencia general artificial" (IAG), por sugerencia del cofundador de DeepMind, Shane Legg, en un influyente libro del mismo nombre. A diferencia de lo que denominó "IA estrecha", una inteligencia artificial general sería un nuevo tipo de IA con, entre otras cualidades, "la capacidad de resolver problemas generales de una manera no restringida al dominio, en el mismo sentido que puede hacerlo un ser humano".

La AGI se refiere a una capacidad amplia a nivel humano en tareas y está fuertemente asociada con otros conceptos en machine learning. Una IA fuerte suele referirse a la conciencia o a una mente verdadera. La superinteligencia artificial supera la capacidad humana en prácticamente todas las tareas. Aunque estos conceptos se solapan bastante, cada uno es una concepción distinta de la IA por derecho propio.

La “IA fuerte”, un concepto que se debate ampliamente en la obra del filósofo John Searle, se refiere a un sistema de IA que demuestra conciencia y sirve principalmente como contrapunto a la IA débil. Aunque la IA fuerte suele ser análoga a la AGI (y la IA débil suele ser análoga a la IA limitada), no son meros sinónimos entre sí.

En esencia, mientras que la IA débil es simplemente una herramienta para ser utilizada por una mente consciente, es decir, un ser humano, la IA fuerte es en sí misma una mente consciente. Aunque normalmente se da a entender que esta conciencia implicaría una inteligencia correspondiente igual o superior a la de los seres humanos, la IA fuerte no se preocupa explícitamente del rendimiento relativo en diversas tareas. Los dos conceptos a menudo se confunden porque la conciencia suele considerarse un requisito previo o una consecuencia de la "inteligencia general".

A pesar de sus similitudes, la AGI y la IA fuerte describen en última instancia conceptos complementarios , en lugar de conceptos idénticos.

La superinteligencia artificial, como su nombre indica, constituye un sistema de IA cuyas capacidades generales superan con creces las de cualquier ser humano en cualquier tarea.

Conceptos como el aprendizaje por transferencia y el few-shot learning se discuten a menudo en relación con la AGI porque reflejan la capacidad de un sistema para aplicar conocimientos de una tarea a otra. Vale la pena señalar que podría decirse que ya hemos logrado una versión limitada de la inteligencia sobrehumana en varias ocasiones, en forma de un puñado de sistemas de IA que, aparentemente, superan a todos los humanos en la tarea o dominio específico para el que se diseñaron. Por ejemplo:

• AlphaFold supera a todos los científicos humanos en la predicción de la estructura 3D de una proteína a partir de una secuencia de aminoácidos.
  
  
• Deep Blue de IBM derrotó al campeón mundial Garry Kasparov en ajedrez en 1997.

• IBM® watsonx derrotó a los campeones de Jeopardy! Ken Jennings y Brad Rutter en 2013.
  
  
• AlphaGo (y su modelo sucesor, AlphaZero) es considerado el mejor jugador del mundo de Go.

Aunque el aprendizaje por transferencia ayuda a los modelos de IA actuales a generalizar tareas relacionadas, no es lo mismo que la inteligencia artificial general. Estos modelos podrían representar avances hacia la superinteligencia artificial, pero no han logrado una IA “general”. La IA, como tal, no puede aprender de forma autónoma nuevas tareas ni ampliar sus capacidades de resolución de problemas más allá de su ámbito estrictamente definido. Una verdadera ASI implicaría superioridad no solo en un dominio específico, sino en cualquier tarea que se espere que realice un humano.

La superinteligencia no es un requisito previo para la AGI. En teoría, un sistema de IA que demuestre conciencia y un nivel de inteligencia comparable al de un ser humano medio y corriente representaría tanto una AGI como una IA fuerte, pero no una superinteligencia artificial.

No hay consenso entre los expertos sobre qué debe calificarse exactamente como AGI, aunque se han propuesto muchas definiciones a lo largo de la historia de la informática. Estas definiciones generalmente se centran en la noción abstracta de inteligencia artificial, en lugar de los algoritmos específicos o modelos de machine learning que deben utilizarse para lograrlo.

En 2023, un artículo de Google Deepmindexaminó la literatura académica existente e identificó varias categorías de marcos para definir la inteligencia artificial general:

• El test de Turing: máquinas que pueden actuar de forma convincente como humanos
  
  
• IA fuerte: sistemas que poseen conciencia
  
  
• Analogías con el cerebro humano
  
  
• Rendimiento a nivel humano en tareas cognitivas
  
  
• Capacidad para aprender nuevas tareas
  
  
• Trabajo económicamente valioso
  
  
• Capacidades flexibles y generales
  
  
• "Inteligencia capaz artificial" (ACI)

Alan Turing, una figura fundamental en la historia de la informática teórica, publicó una de las primeras y más influyentes definiciones de inteligencia artificial en su artículo de 1950, "Computer Machinery and Intelligence". El núcleo de su argumento era que la inteligencia puede definirse por el comportamiento, en lugar de por cualidades filosóficas místicas. Reconociendo la dificultad de precisar definiciones firmes de conceptos como máquinas y pensamiento, Turing propuso una forma sencilla de solucionar el problema basada en un juego de mesa llamado Imitation Game.

La "prueba de Turing" es simple: un observador humano debe leer muestras de texto y determinar si fueron generadas por un humano o por una máquina. Turing propuso que si un humano no puede distinguir entre el output del programa y el output de otro humano, se puede decir que el programa demuestra una inteligencia similar a la humana.

Críticas al test de Turing
A pesar de su monumental influencia, los informáticos actuales no consideran que el test de Turing sea una medida adecuada de la AGI. En lugar de demostrar la capacidad de las máquinas para pensar, la prueba a menudo simplemente destaca lo fácil que es engañar a los humanos.

Por ejemplo, en 1966 Joseph Weizelbaum creó un programa de chatbot llamado ELIZA que aplicaba reglas simples para transformar el lenguaje humano de la entrada de un usuario en una respuesta del chatbot. El primer programa que diseñó con este chatbot se llamó DOCTOR, diseñado para imitar a un psicoterapeuta rogeriano respondiendo de forma genérica o reformulando la entrada del usuario en forma de pregunta:

Humano: Mi novio me ha hecho venir.
ELIZA: ¿Su novio te ha hecho venir?
Humano: Dice que estoy deprimida la mayor parte del tiempo.
ELIZA: Siento oir que está deprimida.
Humano: Es verdad. Soy infeliz.
ELIZA: ¿Cree que venir aquí le ayudará a no ser infeliz?

Como explicó Weizelbaum en su obra de 1976, Computer Power and Human Reason, le "sorprendió ver lo rápido y profundamente que las personas que conversaban con DOCTOR se involucraban emocionalmente con el ordenador y con qué inequívoca antropomorfización". Señaló que incluso su secretaria, que lo vio trabajar en el programa durante meses y obviamente conocía su metodología simple, le pidió que abandonara la sala para tener privacidad cuando comenzó a conversar con él.¹ Este fenómeno se conoce como el efecto ELIZA.

Otra definición propuesta establece un listón más alto para la AGI: un sistema de IA que posee conciencia. Algunos investigadores relacionan la AGI con la conciencia o la autoconciencia, mientras que otros sostienen que la autoconciencia no es necesaria para el rendimiento a nivel humano. Sigue sin determinarse si la autoconciencia es necesaria para la inteligencia artificial general. Como dijo Searles: “Según una IA fuerte, el ordenador no es solo una herramienta para el estudio de la mente, sino que el ordenador debidamente programado es en realidad una mente”².

Searles fue autor de una destacada refutación filosófica de la capacidad del test de Turing para demostrar una IA fuerte en 1980. Describe a un angloparlante que no entiende absolutamente nada de chino, encerrado en una habitación llena de libros con símbolos chinos e instrucciones (en inglés) para manipular los símbolos. Sostiene que el angloparlante podría engañar a alguien en otra habitación haciéndole creer que sabe hablar chino simplemente siguiendo las instrucciones para manipular números y símbolos, a pesar de no entender los mensajes de la otra persona ni sus propias respuestas³.

Las décadas de debate en torno al argumento de la habitación china, resumidas en este artículo de la Enciclopedia de Filosofía de Stanford, demuestran la falta de consenso científico sobre la definición de “comprensión” y sobre si un programa de ordenador puede poseerla. Este desacuerdo, junto con la posibilidad de que la conciencia ni siquiera sea un requisito para un rendimiento similar al humano, convierte a la IA fuerte por sí sola en un marco poco práctico para definir la AGI.

Un enfoque intuitivo de la AGI, que tiene como objetivo replicar el tipo de inteligencia que (que sepamos) solo ha logrado el cerebro humano, es replicar el propio cerebro humano⁴. Esta intuición condujo a las redes neuronales artificiales originales, que a su vez han dado lugar a los modelos de deep learning que actualmente representan el estado del arte en casi todos los subcampos de la IA.

El éxito de las redes neuronales de deep learning, en particular los modelos de lenguaje de gran tamaño (LLM) y los modelos multimodales a la vanguardia de la IA generativa, demuestran los beneficios de inspirarse en el cerebro humano a través de redes autoorganizadas de neuronas artificiales. Sin embargo, muchos de los modelos de deep learning más capaces hasta la fecha utilizan arquitecturas basadas en transformadores, que por sí mismas no emulan estrictamente estructuras similares al cerebro. Esto sugiere que imitar explícitamente el cerebro humano podría no ser intrínsecamente necesario para lograr la AGI.

Un enfoque más holístico es simplemente definir la AGI como un sistema de IA que puede realizar todas las tareas cognitivas que las personas pueden hacer. Aunque esta definición es flexible e intuitiva, es ambigua: ¿qué tareas? ¿Qué personas? Esta ambigüedad limita su uso práctico como marco formal para la AGI.

La contribución más notable de este marco es que limita el enfoque de AGI a tareas no físicas. Al hacerlo, se ignoran capacidades como el uso de herramientas físicas, la locomoción o la manipulación de objetos, que a menudo se consideran demostraciones de "inteligencia física".⁵ Esto elimina nuevos avances en robótica como requisito previo para el desarrollo de AGI.

Otro enfoque intuitivo de la AGI, y de la propia inteligencia, es hacer hincapié en la capacidad de aprender, específicamente para aprender una gama tan amplia de tareas y conceptos como pueden los humanos. Esto se hace eco de lo que plantea Turing en “Computing Machinery and Intelligence”, donde especula que podría ser más prudente programar una IA con mentalidad infantil y someterla a un período de formación, en lugar de programar directamente un sistema informático como si fuera una mente adulta⁶.

Este enfoque está en desacuerdo con la IA limitada, que entrena explícitamente a los modelos para que realicen una tarea específica. Por ejemplo, incluso un LLM como el GPT-4 que aparentemente demuestre la capacidad de few-shot learning o incluso zero-shot learning en “nuevas” tareas se limita a funciones adyacentes a su tarea principal: predecir autorregresivamente la siguiente palabra de una secuencia.

Aunque los modelos de IA multimodal de última generación pueden realizar tareas cada vez más diversas, desde el procesamiento del lenguaje natural (PLN) hasta la visión artificial y el reconocimiento de voz, siguen estando limitados a una lista finita de habilidades básicas representadas en sus conjuntos de datos de entrenamiento. Por ejemplo, tampoco pueden aprender a conducir un coche. Una verdadera AGI sería capaz de aprender de nuevas experiencias en tiempo real, una hazaña poco destacable para los niños humanos e incluso para muchos animales.

El investigador de IA Pei Wang ofrece una definición de inteligencia artificial que es útil dentro de este marco: "la capacidad de un sistema de procesamiento de información para adaptarse a su entorno con conocimientos y recursos insuficientes".⁷

La IA abierta, cuyo modelo GPT-3 se atribuye el inicio de la actual era de la IA generativa tras el lanzamiento de ChatGPT, define la AGI en su carta fundacional como "sistemas altamente autónomos que superan a los humanos en el trabajo más valioso económicamente".⁸

Como señala el documento de DeepMind, esta definición omite elementos de la inteligencia humana cuyo valor económico es difícil de definir, como la creatividad artística o la inteligencia emocional. En el mejor de los casos, esos aspectos de la inteligencia pueden obtener valor económico de forma indirecta, como la creatividad que produce películas rentables o la inteligencia emocional que impulsa máquinas que realizan psicoterapia.

El enfoque en el valor económico también implica que las capacidades que componen la AGI solo pueden contarse si realmente se ponen en implementación en el mundo real. Si un sistema de IA puede rivalizar con los humanos en una tarea específica, pero es poco práctico implementarlo para esa tarea por razones legales, éticas o sociales, ¿puede decirse que “supera” a los humanos?

El documento de DeepMind también señala que OpenAI cerró su división de robótica en 2021, lo que implica que la replicación del trabajo físico, y las correspondientes implicaciones sobre el papel de la "inteligencia física" en AGI, no forman parte de esta interpretación del valor económico.

Gary Marcus, psicólogo, científico cognitivo e investigador de IA, definió la AGI como "una abreviatura de cualquier inteligencia... que sea flexible y general, con ingenio y fiabilidad comparables a (o más allá) de la inteligencia humana".⁹ Marcus propuso un conjunto de tareas de referencia destinadas a demostrar esa adaptabilidad y competencia general, similar a una implementación específica y práctica del marco de "tareas de aprendizaje".

Esta cuantificación de la AGI recuerda a un experimento mental propuesto por el cofundador de Apple, Steve Wozniak, quien preguntó: “¿Podría un ordenador hacer una taza de café?”. Wozniak señala que esta tarea aparentemente sencilla es en realidad bastante compleja: hay que ser capaz de caminar y de saber qué son las cocinas, saber cómo es una cafetera o un café e interactuar con cajones y armarios. En resumen, un humano debe basarse en toda una vida de experiencia para preparar una taza de café¹⁰.

En concreto, Marcus propuso un conjunto de 5 tareas de referencia que demostrarían la AGI si las realizara un único sistema de IA.¹¹

• Ver una película y entender a los personajes, sus conflictos y sus motivaciones.
  
  
• Leer una novela y responder preguntas de forma fiable, con perspectivas más allá del texto original, sobre la trama, los personajes, los conflictos y las motivaciones.
  
  
• Trabajar como un cocinero competente en una cocina arbitraria (similar a la referencia del café de Wozniak).
  
  
• Construir de forma fiable 10 000 líneas de código sin errores a partir de instrucciones en lenguaje natural, sin necesidad de improvisar código de bibliotecas existentes.
  
  
• Convertir pruebas matemáticas en lenguaje natural en forma simbólica.

Si bien este marco orientado a tareas introduce cierta objetividad muy necesaria en la validación de la AGI, es difícil ponerse de acuerdo sobre si estas tareas específicas cubren toda la inteligencia humana. La tercera tarea, trabajar como cocinero, implica que la robótica (y, por tanto, la inteligencia física) sería una parte necesaria de la AGI.

En 2023, el CEO de Microsoft IA y cofundador de DeepMind, Mustafa Suleyman, propuso el término "inteligencia capaz artificial" (ACI) para describir los sistemas de IA que pueden realizar tareas complejas, abiertas y de varios pasos en el mundo real. Más concretamente, propuso una "prueba de giro moderno" en la que se daría a una IA 100 000 USD de capital inicial y se le encargaría convertirlos en 1 millón de USD.¹² En términos generales, esto combina la noción de valor económico de OpenAI con el enfoque de Marcus en la flexibilidad y la inteligencia general.

Si bien es probable que esta referencia demuestre un ingenio genuino y una competencia interdisciplinaria, en términos prácticos, este encuadre de la inteligencia como un tipo específico de output es prohibitivamente limitado. Además, centrarse únicamente en los beneficios introduce importantes riesgos de alineación.¹³

Algunos investigadores, como Blase Agüera y Arcas y Peter Norvig, han argumentado que los LLM avanzados como Llama de Meta, GPT de Open IA y Claude de Anthropic ya han alcanzado la AGI. Postulan que la generalidad es el elemento clave de la AGI y que los modelos actuales ya pueden discutir una amplia gama de temas, realizar una amplia gama de tareas y procesar una amplia gama de entradas multimodales. "La 'inteligencia general' debe concebirse en términos de un cuadro de mandos multidimensional", postulan. "Ni una sola proposición de sí o no".¹⁴

Hay muchos detractores de esta postura. Los autores del artículo de DeepMind argumentan que la generalidad en sí misma no califica como AGI: debe ir acompañada de un cierto grado de rendimiento. Por ejemplo, si un LLM puede escribir código, pero ese código no es fiable, entonces esa generalidad "aún no tiene el rendimiento suficiente".

Yann LeCun, científico jefe de IA de Meta, ha afirmado que los LLM carecen de AGI porque no tienen sentido común: no pueden pensar antes de actuar, no pueden realizar acciones en el mundo real o aprender a través de la experiencia y carecen de memoria persistente y capacidad de planificación jerárquica.¹⁵ En un nivel más fundamental, LeCun y Jacob Browning han argumentado que "un sistema entrenado solo en el lenguaje nunca se aproximará a la inteligencia humana, incluso si se entrena desde ahora hasta la muerte térmica del universo".¹⁶

Goertzel y Pennachin afirman que existen al menos tres enfoques tecnológicos básicos para los sistemas AGI, en términos de algoritmos y arquitecturas de modelos.

• Emulación fiel del cerebro humano en software: perspectivas procedentes de la neurociencia siguen influyendo en la investigación sobre la AGI, incluso cuando las arquitecturas de los modelos no imitan directamente al cerebro. Dado que el cerebro humano es el único sistema del que tenemos conocimiento capaz de inteligencia general, una emulación casi perfecta del mismo produciría, en teoría, una inteligencia similar. Aunque las redes neuronales artificiales replican superficialmente los mecanismos básicos del cerebro, el funcionamiento real del cerebro es mucho más variado y sofisticado que los modelos actuales de deep learning. Más allá del desafío tecnológico de emular realmente el cerebro, este enfoque también requiere una mayor comprensión de las maquinaciones del cerebro que la que tenemos actualmente¹⁷.

• Una arquitectura de modelo novedosa, distinta tanto del cerebro como de las arquitecturas de IA limitada: este enfoque parte de la base de que el cerebro no es la única estructura propicia para la inteligencia general y que los enfoques existentes de IA limitada no pueden trascender sus limitaciones tecnológicas o conceptuales. Por lo tanto, la AGI requeriría un nuevo tipo de inteligencia artificial. Por ejemplo, LeCun ha propuesto prescindir de las arquitecturas de modelos de IA autorregresivos y otros modelos generativos y probabilísticos, en favor de los “Sistemas de IA orientados a objetivos” cuyos “modelos mundiales” aprenden más como lo hacen los animales y los niños.
  
  
• Un enfoque integrador, que sintetiza algoritmos de IA limitada: este enfoque es el objetivo de la mayoría de las iniciativas actuales del mundo real para lograr la AGI, que intentan unir el progreso aislado que se ha logrado en herramientas de IA limitadas, como los LLM, los modelos de imágenes y los agentes de aprendizaje reforzado. Los modelos multimodales actuales podrían considerarse pasos intermedios en este camino. Estos enfoques integradores suelen utilizar un modelo de “agente” central —a menudo un LLM— para guiar un proceso de toma de decisiones y automatizar la delegación de subtareas a modelos especializados.

Las predicciones sobre el futuro de la IA siempre conllevan un alto grado de incertidumbre, pero casi todos los expertos coinciden en que será posible a finales de siglo y algunos estiman que podría suceder mucho antes.

En 2023, Max Roser, de Our World in Data, escribió un resumen de las previsiones de AGI para resumir cómo ha evolucionado el pensamiento de los expertos sobre la previsión de AGI en los últimos años. En cada encuesta se preguntó a los encuestados (investigadores de IA y machine learning) cuánto tiempo pensaban que llevaría alcanzar un 50 % de posibilidades de inteligencia a nivel humano. El cambio más significativo de 2018 a 2022 es la creciente certeza de los encuestados de que la AGI llegaría dentro de 100 años.

Sin embargo, cabe destacar que esos tres estudios se llevaron a cabo antes del lanzamiento de ChatGPT y el inicio de la era moderna de la IA generativa. El ritmo cada vez mayor de los avances en tecnología de IA desde finales de 2022, especialmente en los LLM y la IA multimodal, ha dado lugar a un entorno de previsión muy diferente.

En una encuesta de seguimiento más amplia realizada por Grace et al de 2778 investigadores de IA, realizada en octubre de 2023 y publicada en enero de 2024, los encuestados estimaron un 50 % de probabilidades de que "las máquinas sin ayuda superen a los humanos en todas las tareas posibles" para 2047—13 años antes de lo que los expertos predijeron en un estudio similar solo un año antes.

Pero como señala Roser, la investigación ha demostrado que los expertos en muchos campos no son necesariamente fiables a la hora de prever el futuro de su propia disciplina. Cita el ejemplo de los hermanos Wright, generalmente considerados los inventores del primer avión exitoso del mundo. En un discurso de aceptación del premio el 5 de noviembre de 1908 en el Aéro Club de France de París, se dice que Wilbur Wright proclamó: "Confieso que en 1901 le dije a mi hermano Orville que los hombres no volarían durante 50 años. Dos años después, estábamos haciendo vuelos".¹⁸

La inteligencia artificial es una categoría muy amplia que incluye cualquier sistema capaz de tomar decisiones o predicciones sin intervención humana, desde los fantasmas de Pac-Man hasta un LLM de última generación. La inteligencia general artificial se refiere específicamente a un sistema de IA con capacidades similares a las de los humanos (o mejores) que se generalizan en cualquier tarea.

No. La IA agéntica se refiere a sistemas que pueden planificar, realizar acciones y coordinar tareas de varios pasos, a menudo mediante el uso de herramientas o múltiples modelos. Aunque los sistemas de IA agéntica pueden ejecutar tareas de varios pasos para lograr objetivos específicos con una intervención humana limitada, suelen operar dentro de dominios y capacidades definidos.

La AGI, por el contrario, describe una forma hipotética de IA con inteligencia general a nivel humano que puede comprender, aprender, razonar y adaptarse a prácticamente cualquier tarea o dominio cognitivo. En términos simples, la IA agéntica se centra en la acción autónoma y la ejecución de objetivos, mientras que la AGI se centra en una inteligencia y adaptabilidad amplias y similares a las humanas.

Los modelos fundacionales pueden ayudar a habilitar la AGI, pero no son AGI en sí mismos. Los modelos fundacionales proporcionan la tecnología subyacente para los sistemas avanzados de IA mediante el aprendizaje de patrones a partir de conjuntos de datos masivos y el apoyo a una amplia gama de tareas. Aunque muchos expertos creen que los modelos fundacionales cada vez más capaces podrían formar un componente clave de la AGI, la mayoría de los investigadores están de acuerdo en que se necesitan capacidades adicionales, como el razonamiento fiable, la memoria a largo plazo, la comprensión del mundo real y el aprendizaje autónomo, antes de que se pueda desarrollar una verdadera AGI.

No, los LLM actuales no se consideran AGI. Aunque los modelos de lenguaje de gran tamaño pueden comprender y generar lenguaje, razonar en muchas materias y completar una amplia gama de tareas, siguen careciendo de la amplia adaptabilidad a nivel humano, la comprensión del mundo real y la capacidad general de resolución de problemas que suelen asociarse a la inteligencia general artificial (AGI). Sin embargo, los expertos continúan debatiendo si los LLM cada vez más capaces representan un camino hacia la AGI o una forma temprana de ella.

La AGI es un requisito previo para la superinteligencia artificial (ASI), pero la superinteligencia no es necesaria para la AGI. Un sistema de IA con inteligencia y habilidades idénticas a las de una persona promedio y corriente calificaría como AGI, pero no sería ASI.

No hay consenso. Algunos investigadores argumentan que la autoconciencia o conciencia es necesaria para una verdadera inteligencia artificial general, mientras que otros definen la AGI de forma más estricta como la inteligencia a nivel humano en todas las tareas, independientemente de si el sistema es autoconsciente o no. Este debate es una de las razones por las que la AGI sigue siendo difícil de definir y medir.

Dado que no existe un verdadero consenso sobre lo que exactamente se consideraría AGI, no hay una forma acordada de saber cuándo lo hemos alcanzado. Algunas referencias de rendimiento, como ARC-AGI, pretenden medir la AGI, pero la subjetividad involucrada hace poco probable que una referencia pueda proporcionar una prueba definitiva.