Más allá de los grandes modelos: por qué la IA necesita algo más que escalar para llegar a AGI

La idea de la inteligencia artificial general (máquinas que pueden Think, aprender y razonar tan bien como los humanos) ha cautivado a científicos, empresarios y escritores de ciencia ficción por igual. Líderes de la industria como Sam Altman de OpenAI y Demis Hassabis de Google DeepMind sugieren que AGI podría estar al alcance, impulsado por el escalamiento implacable de las redes neuronales. La idea es la siguiente: cuanto más grande es el modelo, más inteligente es la IA.

Pero una nueva encuesta de expertos en IA revela un creciente escepticismo sobre esta idea. Aunque los modelos de IA pueden generar textos fluidos, reconocer imágenes e incluso realizar tareas complejas de resolución de problemas, siguen estando por debajo de la inteligencia humana en aspectos clave. La mayoría de los investigadores de IA encuestados creen que el aprendizaje profundo por sí solo no es suficiente para alcanzar la AGI. En cambio, sostienen que la IA debe integrar el razonamiento estructurado y una comprensión más profunda de la causa y el efecto.

La becaria de IBM Francesca Rossi, ex presidenta de la Asociación del Avance para la Inteligencia Artificial, que publicó la encuesta, se encuentra entre los expertos que cuestionan si los modelos más grandes alguna vez serán suficientes. "Hemos logrado grandes avances, pero la IA todavía tiene dificultades con las tareas de razonamiento fundamental", dice Rossi a IBM Think. "Para acercarse a AGI, los modelos deben comprender realmente, no solo predecir".

Durante años, la investigación de la IA ha seguido en gran medida una única fórmula: más datos, modelos más grandes, mejores resultados. Este enfoque ha impulsado importantes avances en la IA generativa, con modelos como ChatGPT, Gemini y Claude alcanzando nuevos hitos en la capacidad conversacional.

Pero, como lo ve Rossi, simplemente hacer que las redes neuronales sean más grandes no resolverá las limitaciones más fundamentales de la IA: los LLM de hoy en día todavía tienen dificultades con el razonamiento lógico, la coherencia y la adaptabilidad. Producen textos fluidos, pero a veces se contradicen, cometen errores fácticos o no generalizan el conocimiento en todos los dominios. Y las debilidades se vuelven especialmente evidentes en áreas como las matemáticas u otros dominios donde la confiabilidad y la corrección son cruciales.

"Algunos modelos de IA ahora pueden resolver problemas complejos de olimpiadas matemáticas a nivel de medalla de oro", dice Rossi. “Pero al mismo tiempo, siguen fallando en la aritmética simple que cualquier estudiante de primaria podría manejar. Esa inconsistencia es una clara limitación de los enfoques actuales de aprendizaje profundo”.

El problema central, dice Rossi, es que, si bien las redes neuronales pueden reconocer patrones estadísticos, no entienden los conceptos de forma inherente. Pueden generar respuestas que suenan correctas, sin comprender realmente el significado detrás de ellas. Y sin una estructura explícita para la lógica y el razonamiento, la IA sigue siendo propensa a alucinaciones y a una toma de decisiones poco fiable.

Rossi y algunos otros investigadores creen que si alguna vez se logra AGI, no será solo a través del aprendizaje profundo. En cambio, será mediante la combinación de redes neuronales con razonamiento estructurado, mejorando su capacidad para pensar, adaptar y aplicar conocimientos en diferentes escenarios.

“Los humanos no solo confían en el instinto; también razonamos deliberadamente”, dice Rossi. “Reflexionamos, usamos reglas estructuradas y pensamos en problemas complejos. La IA podría beneficiarse de un equilibrio similar”.

IBM estuvo explorando esta idea a través de su proyecto de investigación en IA "Thinking Fast and Slow", inspirado en el trabajo del premio Nobel Daniel Kahneman sobre la cognición humana. El proyecto se centra en integrar una toma de decisiones rápida e intuitiva con un razonamiento más lento y deliberado.

"En nuestro proyecto, estamos explorando cómo la IA puede combinar el reconocimiento rápido de patrones con un razonamiento explícito basado en reglas", explica Rossi. "Por ejemplo, un modelo de lenguaje podría generar una respuesta, pero un componente de IA simbólica podría validar si la respuesta tiene sentido lógico".

Este enfoque híbrido podría ayudar a resolver uno de los mayores retos de la IA: su tendencia a generar respuestas seguras pero incorrectas. Al introducir el razonamiento estructurado, IBM está ayudando a que los sistemas de IA sean más confiables, interpretables y adaptables a tareas complejas del mundo real.

Si AGI no es solo una cuestión de hacer más grandes las redes neuronales, ¿qué se necesitará? Rossi cree que la IA debe desarrollar una comprensión más rica y estructurada del mundo, en lugar de depender únicamente de correlaciones estadísticas.

En la actualidad, los modelos de IA destacan en la producción de textos similares a los humanos. Pero en realidad no comprenden el mundo de manera profunda. Carecen de un modelo conceptual de la realidad, por lo que a menudo tienen dificultades cuando se les pide que apliquen el razonamiento a problemas desconocidos.

"Necesitamos Think más allá de simplemente escalar modelos y centrarnos en cómo funciona la inteligencia", dice Rossi. "Eso significa integrar diferentes enfoques, no solo hacer modelos más grandes".

Algunos investigadores argumentan que la IA debe aprender de múltiples tipos de datos, no solo de texto. La IA podría desarrollar una comprensión más amplia de la causa y el efecto al incorporar interacciones visuales, auditivas y del mundo real. Otros sugieren que la IA necesitará herramientas de razonamiento explícito, que le permitan aplicar la lógica en lugar de simplemente predecir respuestas probables.

Uno de los mayores debates en IA no es solo cómo lograr AGI, sino si AGI es un concepto útil. Algunos creen que la AGI surgirá gradualmente a medida que los sistemas de IA se vuelvan más capaces en diferentes dominios. Otros argumentan que la verdadera AGI (IA que puede Think, razonar y actuar completamente como un humano) aún está lejos.

Rossi es cauteloso con el término en sí. “Diferentes personas significan cosas diferentes cuando hablan de AGI”, dijo. "Si AGI implica reemplazo, creemos que la IA debería aumentar la inteligencia humana, no reemplazarla".