¿Qué es una IA sólida?

La IA sólida tiene como objetivo crear máquinas inteligentes que sean indistinguibles de la mente humana. Pero al igual que un niño, la máquina de IA tendría que aprender a través de aportaciones y experiencias, progresando constantemente y mejorando sus capacidades con el tiempo.

Aunque los investigadores de IA del sector académico y privado invierten en la creación de inteligencia artificial general (IAG), hoy solo existe como un concepto teórico frente a una realidad tangible. Mientras que algunas personas, como Marvin Minsky, han sido citadas por ser demasiado optimistas en cuanto a lo que podríamos lograr en unas pocas décadas en el campo de la IA; otros dirían que ni siquiera se pueden desarrollar sistemas de IA sólida. Hasta que las medidas del éxito, como la inteligencia y la comprensión, no se definan explícitamente, tienen razón en su creencia. Por ahora, muchos utilizan el Test de Turing para evaluar la inteligencia de un sistema de IA.

Alan Turing desarrolló la prueba de Turing en 1950 y la analizó en su artículo “Maquinaria computacional e inteligencia”. Originalmente conocido como el juego de la imitación, la prueba evalúa si el comportamiento de una máquina puede distinguirse del de un humano. En esta prueba, hay una persona conocida como el "interrogador" que busca identificar una diferencia entre los resultados generados por ordenador y los generados por humanos a través de una serie de preguntas. Si el interrogador no puede distinguir de forma fiable las máquinas de los sujetos humanos, la máquina pasa la prueba. Sin embargo, si el evaluador puede identificar las respuestas humanas correctamente, entonces la máquina no se categoriza como inteligente.

Si bien no existen pautas de evaluación establecidas para el Test de Turing, Turing especificó que un evaluador humano solo tendrá un 70 % de posibilidades de predecir correctamente una conversación humana frente a una generada por ordenador transcurridos 5 minutos. El Test de Turing introdujo una aceptación general en torno a la idea de inteligencia artificial.

Sin embargo, el Test de Turing original solo evalúa un conjunto de habilidades: la producción de texto o el ajedrez, por ejemplo. Una IA sólida necesita realizar diferentes tareas con la misma eficacia, lo que lleva al desarrollo de el Test de Turing extendida. Esta prueba evalúa el rendimiento textual, visual y auditivo de la IA y lo compara con el resultado generado por humanos. Esta versión se utiliza en el famoso concurso del Premio Loebner, en el que un juez humano adivina si el resultado fue creado por un humano o por un ordenador.

El argumento de la habitación china fue creado por John Searle en 1980. En su artículo, analiza la definición de comprensión y pensamiento, afirmando que los ordenadores nunca serían capaces de hacer esto. En este extracto de su artículo, del sitio web de Stanford, se resume bien su argumento:

"La computación se define puramente de manera formal o sintáctica, mientras que las mentes tienen contenidos mentales o semánticos reales, y no podemos pasar de lo sintáctico a lo semántico simplemente con las operaciones sintácticas y nada más... Un sistema, yo por ejemplo, no adquiriría un entendimiento del chino solo por seguir los pasos de un programa de computadora que simulara el comportamiento de un hablante de chino (pág. 17)".

El argumento de la habitación china propone el siguiente escenario:

Imagine a una persona, que no habla chino, sentada en una habitación cerrada. En la habitación, hay un libro con reglas, frases e instrucciones del idioma chino. Otra persona, que habla chino con fluidez, pasa notas escritas en chino a la habitación. Con la ayuda del libro de frases del idioma, la persona dentro de la sala puede seleccionar la respuesta adecuada y devolvérsela al hablante chino.

Aunque la persona dentro de la sala pudo dar la respuesta correcta utilizando un libro de frases del idioma, todavía no habla ni entiende chino; era solo una simulación de comprensión a través de preguntas o afirmaciones coincidentes con las respuestas adecuadas. Searle argumenta que la IA sólida requeriría una mente real para tener conciencia o comprensión. El argumento de la habitación china ilustra los defectos de la prueba de Turing, demostrando las diferencias en las definiciones de inteligencia artificial.

La IA débil, también conocida como IA estrecha, se centra en realizar una tarea específica, como responder preguntas basadas en las aportaciones del usuario o jugar al ajedrez. Puede realizar una sola tarea, pero no ambas, mientras que la IA sólida puede realizar una variedad de funciones y, finalmente, enseñarse a sí misma a resolver nuevos problemas. La IA débil se basa en la interferencia humana para definir los parámetros de sus algoritmos de aprendizaje y proporcionar los datos de entrenamiento relevantes para garantizar la precisión. Mientras que la intervención humana acelera la fase de crecimiento de la IA fuerte, no es necesaria y, con el tiempo, desarrolla una conciencia similar a la humana en lugar de simularla, como la IA débil. Los coches autónomos y los asistentes virtuales, como Siri, son ejemplos de IA débil.

Aunque no hay ejemplos claros de inteligencia artificial sólida, el campo de la IA avanza rápidamente. Ha surgido otra teoría de la IA, conocida como superinteligencia artificial (ASI), superinteligencia o superIA. Este tipo de IA supera a la IA sólida en inteligencia y capacidad humanas. Sin embargo, la superIA todavía es puramente especulativa, ya que aún no hemos logrado ejemplos de IA sólida.

Dicho esto, hay campos en los que la IA desempeña un papel más importante, como:

• Ciberseguridad: la inteligencia artificial asumirá más funciones en las medidas de ciberseguridad de las organizaciones, incluida la detección de infracciones, la monitorización, la inteligencia de amenazas, la respuesta a incidentes y el análisis de riesgos.
  
  
• Entretenimiento y creación de contenidos: los programas de informática ya son cada vez mejores en la producción de contenidos, ya sean textos publicitarios, poesía, videojuegos o incluso películas. La aplicación de IA de generación de texto GBT-3 de OpenAI ya está creando contenido que es casi imposible de distinguir de la copia escrita por humanos.
  
  
• Reconocimiento y predicción del comportamiento: losalgoritmos de predicción fortalecerán la IA, desde aplicaciones en predicciones meteorológicas y bursátiles hasta, las aún más interesantes, predicciones del comportamiento humano. Esto también plantea cuestiones en torno a los sesgos implícitos y la IA ética. Algunos investigadores de IA de la comunidad de IA están presionando para definir un conjunto de reglas antidiscriminatorias, que a menudo se asocian con el hashtag #responsibleAI.

Los términos inteligencia artificial, machine learning y deep learning se utilizan a menudo en el contexto equivocado. Estos términos se utilizan con frecuencia para describir la IA sólida, por lo que vale la pena definir cada término brevemente:

La inteligencia artificial, definida por John McCarthy, es "la ciencia y la ingeniería de hacer máquinas inteligentes, especialmente programas informáticos inteligentes. Está relacionada con la tarea similar de utilizar ordenadores para comprender la inteligencia humana, pero la IA no tiene por qué limitarse a métodos que sean biológicamente observables".

El machine learning es un subcampo de la inteligencia artificial. Los modelos clásicos (no profundos) de machine learning requieren más intervención humana para segmentar los datos en categories (es decir, mediante el aprendizaje de características).

El deep learning es también un subcampo del machine learning, que intenta imitar la interconexión del cerebro humano mediante redes neuronales. Sus redes neuronales están formadas por capas de modelos, que identifican patrones dentro de un conjunto de datos determinado. Aprovechan un gran volumen de datos de entrenamiento para aprender con precisión, lo que posteriormente exige un hardware más potente, como GPU o TPU. Los algoritmos de deep learning se asocian en mayor medida con la IA a nivel humano.

Para leer más sobre las diferencias matizadas entre estas tecnologías, lea "IA vs. machine learning vs. deep learning vs. redes neuronales: ¿cuál es la diferencia?”

El deep learning puede gestionar bien problemas complejos y, como resultado, se utiliza en muchas tecnologías innovadoras y emergentes en la actualidad. Los algoritmos de deep learning se han aplicado en diversos campos. Estos son algunos ejemplos:

• Coches autónomos: Google y Elon Musk nos han demostrado que los coches autónomos son posibles. Sin embargo, los coches autónomos requieren más datos de entrenamiento y pruebas debido a las diversas actividades que deben tener en cuenta, como ceder el derecho de paso o identificar escombros en la carretera. A medida que la tecnología madure, tendrá que superar el obstáculo humano de la adopción, ya que las encuestas indican que muchos conductores no están dispuestos a utilizarla.
  
  
• Reconocimiento de voz: el reconocimiento de voz, como los chatbots de IA y los agentes virtuales, es una parte importante del procesamiento del lenguaje natural. La entrada de audio es mucho más difícil de procesar para una IA, ya que muchos factores, como el ruido de fondo, los dialectos, los impedimentos del habla y otras influencias, pueden dificultar mucho que la IA convierta los datos introducidos en algo con lo que el ordenador pueda trabajar.
  
  
• Reconocimiento de patrones: el uso de redes neuronales mejora el reconocimiento de patrones en varias aplicaciones. Al descubrir patrones de puntos de datos útiles, la IA puede filtrar la información irrelevante, establecer correlaciones útiles y mejorar la eficacia del cálculo de big data que los seres humanos normalmente pasan por alto.
  
  
• Programación informática: la IA débil ha tenido cierto éxito en la producción de textos significativos, lo que ha llevado a avances en la codificación. Recientemente, OpenAI lanzó GPT-3, un software de código abierto que puede escribir código y programas informáticos simples con instrucciones muy limitadas, lo que lleva la automatización al desarrollo de programas.
  
  
• Reconocimiento de imágenes: la categorización de imágenes puede llevar mucho tiempo cuando se hace manualmente. Sin embargo, las adaptaciones especiales de las redes neuronales profundas, como DenseNet, que conecta cada capa con todas las demás capas de las redes neuronales, han hecho que el reconocimiento de imágenes sea mucho más preciso.
  
  
• Recomendaciones contextuales: las aplicaciones de deep learning pueden tener mucho más en cuenta el contexto a la hora de hacer recomendaciones, incluidos los patrones de comprensión del lenguaje y las predicciones de comportamiento.
  
  
• Verificación de hechos: La Universidad de Waterloo lanzó recientemente una herramienta que puede detectar noticias falsas verificando la información en los artículos comparándola con otras fuentes de noticias.