¿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 con respecto a exactamente qué calificaría como AGI o cómo lograrlo mejor. Aunque el objetivo general de la inteligencia similar a la 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 desafío es tanto filosófico como tecnológico. Desde un punto de vista filosófico, una definición formal de AGI requiere tanto una definición formal de “inteligencia” como un acuerdo general sobre cómo podría manifestarse esa inteligencia en la IA. Desde el punto de vista tecnológico, 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 confiable la cognición del modelo y la potencia informática necesaria para mantenerlo.

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

El Dartmouth Summer Research Project on Artificial Intelligence 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 [era] proceder con base en la conjetura de que cada aspecto del aprendizaje o cualquier otra característica de la inteligencia se puede describir con tanta precisión que se puede hacer una máquina para simularlo".

Este floreciente campo de la "IA" buscó 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 lograron avances mucho mayores en la búsqueda de máquinas informáticas que realicen tareas específicas que normalmente requieren una inteligencia significativa en los humanos, como jugar al ajedrez, diagnósticos de atención médica, forecasting o conducción de automóviles. Pero estos modelos, por ejemplo, los que impulsan automóviles autónomos, demuestran inteligencia solo dentro de sus dominios específicos.

En 2007, el investigador de IA Ben Goertzel popularizó el término "inteligencia general artificial" (AGI), 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 sin restricciones de dominio, en el mismo sentido que un ser humano puede”.

La AGI se refiere a la capacidad amplia a nivel humano en todas las tareas y está muy asociada con otros conceptos en machine learning. La IA fuerte generalmente se refiere 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 es generalmente análoga a la IAG (y la IA débil es generalmente análoga a la IA limitada), no son simples 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 por el rendimiento relativo en diversas tareas. Los dos conceptos a menudo se confunden porque la conciencia generalmente se considera un requisito previo o una consecuencia de la "inteligencia general".

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

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

Conceptos como el aprendizaje por transferencia y el aprendizaje few-shot a menudo se debaten en relación con la AGI porque reflejan la capacidad de un sistema para aplicar el conocimiento de una tarea a otra. Vale la pena señalar que posiblemente ya hemos logrado una versión limitada de la inteligencia superhumana en múltiples ocasiones, en forma de unos cuantos sistemas de IA que ostensiblemente superan a todos los humanos en la tarea o dominio específico para el que fueron diseñados. 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® Watson derrotó a los campeones de Jeopardy! Ken Jennings y Brad Rutter en 2013.
  
  
• AlphaGo (y su modelo sucesor, AlphaZero) es considerado el mejor actor mundial en Go.

Aunque el aprendizaje por transferencia ayuda a los modelos de IA a generalizar tareas relacionadas, no es lo mismo que la inteligencia artificial general. Estos modelos podrían representar avances hacia la superinteligencia artificial, pero no lograron una inteligencia artificial “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 de la AGI. En teoría, un sistema de IA que demuestre conciencia y un nivel de inteligencia comparable al de un ser humano común y corriente representaría tanto una AGI como una IA fuerte, pero no una superinteligencia artificial.

No hay consenso entre los expertos con respecto a qué debería calificar exactamente como AGI, aunque se han propuesto muchas definiciones a lo largo de la historia de la informática. Estas definiciones generalmente se enfocan en la noción abstracta de inteligencia artificial, en lugar de los algoritmos específicos o modelos de machine learning que deben usarse para lograrlo.

En 2023, un documento de Google Deepmindencuestó la literatura académica existente e identificó varias categorías de infraestructuras para definir la inteligencia artificial general:

• La prueba de Turing: máquinas que pueden actuar de manera 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 con capacidad 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 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 resultado del programa y el resultado de otro humano, se puede decir que el programa demuestra una inteligencia similar a la humana.

Críticas a la prueba de Turing
A pesar de su enorme influencia, los informáticos actuales no consideran que la prueba 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 manera genérica o reformulando la entrada del usuario en forma de pregunta:

Humano: Bueno, mi novio me hizo venir aquí.
ELIZA: ¿Tu novio te hizo venir aquí?
Humano: Dice que estoy deprimida la mayor parte del tiempo.
ELIZA: Lamento escuchar que estás deprimida.
Humano: Es verdad. No estoy contenta.
ELIZA: ¿Crees que venir aquí te ayudará a no ser infeliz?

Como explicó Weizelbaum en su trabajo de 1976, Computer Power and Human Reason, "le sorprendió ver cuán rápida y profundamente las personas que conversaban con DOCTOR se involucraron emocionalmente con la computadora y cuán inequívocamente la antropomorfizaron". 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 habitación para tener privacidad cuando comenzó a conversar con él.¹ Este fenómeno se conoce como efecto ELIZA.

Otra definición propuesta establece un estándar más alto para la AGI: un sistema de IA que posee conciencia. Algunos investigadores vinculan la AGI con la conciencia o la concientización, mientras que otros argumentan que la concientización no es necesaria para el rendimiento de tareas a nivel humano. Sigue sin resolverse si la concientización es necesaria para la inteligencia artificial general. Como lo expresó Searles, “según la IA fuerte, la computadora no es simplemente una herramienta para el estudio de la mente; más bien, la computadora programada adecuadamente es una mente”.² 

Searles fue autor de una destacada refutación filosófica de la capacidad de la prueba de Turing para demostrar una IA fuerte en 1980. Describe a un hablante de inglés sin ningún conocimiento de chino, encerrado en una habitación llena de libros de símbolos chinos e instrucciones (en inglés) para manipular los símbolos. Argumenta que un hablante de inglés podría engañar a alguien en otra habitación haciéndole creer que habla chino simplemente siguiendo las instrucciones para manipular números y símbolos, a pesar de no comprender los mensajes de la otra persona o ni siquiera sus propias respuestas.³

Las décadas de debate en torno al argumento de la sala china, resumidas en este artículo de la Stanford Encyclopedia of Philosophy , demuestran la falta de consenso científico sobre una definición de “comprensión” y si un programa de computadora puede poseerlo. Este desacuerdo, junto con la posibilidad de que la conciencia ni siquiera sea un requisito para un rendimiento similar al humano, hace que la IA fuerte por sí sola sea un marco poco práctico para definir la AGI.

Un enfoque intuitivo de la AGI, que busca replicar el tipo de inteligencia que (hasta donde sabemos) solo ha logrado el cerebro humano, es replicar el propio cerebro humano.⁴ Esta intuición llevó a las redes neuronales artificiales originales, que a su vez han dado lugar a los modelos de aprendizaje profundo que actualmente representan la vanguardia en casi todos los subcampos de la IA.

El éxito de las redes neuronales de aprendizaje profundo, particularmente los modelos de lenguaje grandes (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 autoorganizativas de neuronas artificiales. Sin embargo, muchos de los modelos de aprendizaje profundo más capaces hasta la fecha utilizan arquitecturas basadas en transformadores, que en sí mismas no emulan estrictamente estructuras similares al cerebro. Esto sugiere que imitar explícitamente el cerebro humano podría no ser inherentemente 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. Si bien 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 esta infraestructura es que limita el enfoque de la 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 inteligencia misma, es enfatizar la capacidad de aprender,específicamente para aprender una gama tan amplia de tareas y conceptos como los humanos puedan. 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 periodo de educación, en lugar de programar directamente un sistema informático como si fuera una mente adulta.⁶

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

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

El investigador de IA Pei Wang ofrece una definición de inteligencia de máquina 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 a menudo se acredita con el inicio de la era actual de la IA generativa tras el lanzamiento de ChatGPT, define la AGI en su carta como "sistemas altamente autónomos que superan a los humanos en la mayoría del trabajo económicamente más valioso".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 manera 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 comprenden la AGI solo se pueden contar si realmente se ponen en despliegue en el mundo real. Si un sistema de IA puede rivalizar con los humanos en una tarea específica, pero no es práctico desplegarlo realmente para esa tarea por razones legales, éticas o sociales, ¿se puede decir 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 implicaciones correspondientes sobre el papel de la "inteligencia física" en la AGI, no forman parte de esta interpretación del valor económico.

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

Esta cuantificación de la AGI es una reminiscencia de un experimento mental propuesto por el cofundador de Apple, Steve Wozniak, quien preguntó: “¿Podría una computadora hacer una taza de café?”. Wozniak señala que esta tarea aparentemente simple es en realidad bastante compleja: uno debe poder caminar para saber qué son las cocinas, saber cómo sería una máquina de café o un café e interactuar con cajones y gabinetes. En resumen, un ser humano debe recurrir a toda una vida de experiencia solo para preparar una taza de café.¹⁰

Específicamente, Marcus propuso un conjunto de 5 tareas de punto de referencia que demostrarían la AGI si fueran realizadas por un solo sistema de IA.¹¹

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

Si bien esta infraestructura orientada a tareas introduce cierta objetividad muy necesaria en la validación de 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 lo tanto, la inteligencia física) sería una parte necesaria de la AGI.

En 2023, el director ejecutivo (CEO) de Microsoft IA y cofundador de DeepMind, Mustafa Suleyman, propuso el término "inteligencia artificial capaz" (ACI) para describir los sistemas de IA que pueden realizar tareas complejas, abiertas y de varios pasos en el mundo real. Más específicamente, propuso una "Prueba de giro moderno" en la que una IA recibiría 100 000 USD de capital inicial y se le asignaría la tarea de convertirlo en 1 millón de dólares.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 este punto de referencia probablemente demuestre ingenio genuino y competencia interdisciplinaria, en términos prácticos, este encuadre de la inteligencia como un tipo específico de resultado económico es prohibitivamente estrecho. Además, centrarse únicamente en el beneficio 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 AI 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 pensarse en términos de una tabla de puntuación multidimensional”, postulan. “Ni una sola propuesta de sí o no”.¹⁴

Hay muchos detractores de esta posición. 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 confiable, entonces esa generalidad "aún no tiene el rendimiento suficiente".

Yann LeCun, científico jefe de IA de Meta, ha declarado 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 incorporada y carecen de memoria persistente y capacidad para la 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 por calor 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 cercana del cerebro humano en software: los conocimientos de la neurociencia continúan influyendo en la investigación de la AGI, incluso cuando las arquitecturas de modelos no imitan directamente al cerebro. Dado que el cerebro humano es el único sistema que conocemos que es capaz de tener inteligencia general, una emulación casi perfecta de él teóricamente produciría una inteligencia similar. Aunque las redes neuronales replican superficialmente los mecanismos básicos del cerebro, el funcionamiento real del cerebro es mucho más variado y sofisticado que los modelos actuales de aprendizaje profundo. Más allá del desafío tecnológico que supone emular verdaderamente el cerebro, este enfoque también requiere una mayor comprensión de su funcionamiento de la que poseemos actualmente.¹⁷

• Una arquitectura de modelo novedosa, distinta tanto del cerebro como de arquitecturas de IA limitada: este enfoque asume que el cerebro no es la única estructura propicia para la inteligencia general y que los enfoques existentes para la IA limitada no pueden trascender sus limitaciones tecnológicas o conceptuales. Por tanto, la AGI requeriría un nuevo tipo de inteligencia artificial. Por ejemplo, LeCun ha propuesto no realizar arquitecturas de modelos de IA autorregresivas y otras generativas y probabilísticas en favor de los “sistemas de IA Impulsados por objetivos” cuyos “modelos de mundo” aprenden más como lo hacen los animales y los niños.
  
  
• Un enfoque integrador, sintetizando algoritmos de IA limitada: este enfoque es el de la mayoría de las iniciativas actuales del mundo real para lograr la AGI, intentando unir el progreso aislado que se ha logrado en herramientas de IA limitada como LLM, modelos de imagen y agentes de aprendizaje por refuerzo. Los modelos multimodales actuales podrían considerar pasos intermedios en este camino. Estos enfoques integradores suelen utilizar un modelo central de “agente”, a menudo un LLM, para navegar por 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 para finales de siglo y algunos estiman que podría suceder mucho antes.

En 2023, Max Roser de Our World in Data fue autor de un resumen de pronósticos de la AGI para resumir cómo ha evolucionado el pensamiento de los expertos sobre el forecasting de la AGI en los últimos años. En cada encuesta se preguntó a los encuestados (investigadores de IA y machine learning) cuánto tiempo creían 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, vale la pena señalar que esos tres estudios se realizaron antes del lanzamiento de ChatGPT y el comienzo de la era moderna de la IA generativa. El ritmo creciente de los avances en tecnología de IA desde finales de 2022, particularmente en los LLM y la IA multimodal, ha dado lugar a un entorno de forecasting 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 que los expertos predijeron en un estudio similar solo un año antes.

Pero, como señala Roser, la investigación demostró que los expertos en muchos campos no son necesariamente confiables cuando pronostican 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 en 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 vanguardia. La inteligencia general artificial se refiere específicamente a un sistema de IA con capacidades similares (o mejores) a las humanas que se generalizan a través de cualquier tarea.

No. La IA agéntica se refiere a sistemas que pueden planificar, actuar y coordinar tareas de varios pasos, a menudo mediante el uso de herramientas o múltiples modelos. Si bien los sistemas de IA agéntica pueden ejecutar tareas de varios pasos para lograr objetivos específicos con intervención humana limitada, generalmente operan 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 soporte de una amplia gama de tareas. Si bien 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 confiable, la memoria a largo plazo, la comprensión del mundo real y el aprendizaje autónomo, antes de que se pueda lograr una verdadera AGI.

No, los LLM actuales no se consideran AGI. Si bien los modelos de lenguaje grandes pueden comprender y generar lenguaje, razonar en muchos temas y completar una amplia gama de tareas, aún carecen de la amplia adaptabilidad a nivel humano, la comprensión del mundo real y la capacidad general de resolución de problemas típicamente asociados con la inteligencia artificial general (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 común y corriente calificaría como AGI, pero no sería ASI.

No hay consenso. Algunos investigadores argumentan que la concientización 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 consciente 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 exactamente qué calificaría como AGI, no existe una forma acordada de saber cuándo la hayamos alcanzado. Algunos puntos de referencia de rendimiento, como ARC-AGI, pretenden medir la AGI, pero la subjetividad involucrada hace poco probable que un punto de referencia individual pueda proporcionar una prueba definitiva.