¿Qué es una IA fuerte?

La IA fuerte 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 entradas y experiencias, progresando constantemente y mejorando sus habilidades con el tiempo.

Si bien los investigadores de IA tanto en la academia como en el sector privado invierten en la creación de inteligencia artificial general (AGI), hoy en día solo existe como un concepto teórico frente a una realidad tangible. Si bien se dijo que algunas personas, como Marvin Minsky, son demasiado optimistas sobre 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 fuertes. Hasta que las medidas de éxito, como la inteligencia y la comprensión, se definan explícitamente, tienen razón en esta creencia. Por ahora, muchos emplean la prueba 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 “Computing Machinery and Intelligence”. Originalmente conocido como el juego de imitación, la prueba evalúa si el comportamiento de una máquina se puede distinguir del de un humano. En esta prueba, hay una persona conocida como el "interrogador" que busca identificar una diferencia entre la salida generada por computadora y la generada por humanos a través de una seria 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 correctamente las respuestas humanas, entonces esto elimina a la máquina de ser categorizada como inteligente.

Si bien no existen pautas de evaluación establecidas para la prueba 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 computadora luego de 5 minutos. La prueba de Turing introdujo la aceptación general en torno a la idea de inteligencia artificial.

Sin embargo, la prueba de Turing original solo evalúa un conjunto de habilidades: salida de texto o ajedrez como ejemplos. La IA fuerte necesita realizar diversas tareas igualmente bien, lo que llevó al desarrollo de la prueba 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 emplea en la famosa competencia del Premio Loebner, en la que un juez humano adivina si el resultado fue creado por un humano o una computadora.

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 las computadoras nunca podrían hacer esto. En este extracto de su artículo, del sitio web de Stanford, resume bien su argumento,

"La computación se define puramente formal o sintácticamente, mientras que las mentes tienen contenidos mentales o semánticos reales, y no podemos pasar de lo sintáctico a lo semántico simplemente teniendo las operaciones sintácticas y nada más... Un sistema, yo, por ejemplo, no adquiriría una comprensión del chino simplemente siguiendo los pasos de un programa informático que simula el comportamiento de un hablante de chino (p.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 de chino.

Si bien la persona dentro de la sala pudo proporcionar la respuesta correcta empleando un libro de frases de idiomas, seguía sin hablar ni entender chino; era solo una simulación de comprensión a través de la combinación de preguntas o afirmaciones con las respuestas adecuadas. Searle argumenta que la IA fuerte requeriría una mente real para tener conciencia o comprensión. El argumento de la habitación china ilustra las fallas en 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 la entrada del usuario o jugar ajedrez. Puede realizar un tipo de tarea, pero no ambas, mientras que la IA fuerte puede realizar diversas funciones y, finalmente, aprender 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 entrada 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 automóviles autónomos y los asistentes virtuales, como Siri, son ejemplos de IA débil.

Si bien no existen ejemplos claros de inteligencia artificial fuerte, el campo de la IA está innovando rápidamente. Surgió otra teoría de IA, conocida como superinteligencia artificial (ASI), súper inteligencia o súper IA. Este tipo de IA supera a la IA fuerte en inteligencia y capacidad humanas. Sin embargo, la Super IA sigue siendo puramente especulativa, ya que aún no hemos logrado ejemplos de IA fuerte.

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

• Ciberseguridad: La inteligencia artificial asumirá más funciones en las medidas de ciberseguridad de las organizaciones, incluida la detección de filtraciones, el monitoreo, la inteligencia de amenazas, la respuesta a incidentes y el análisis de riesgos.
  
  
• Entretenimiento y creación de contenido: Los programas de informática ya están mejorando cada vez más en la producción de contenido, ya sea redacción, poesía, juegos de video 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: Los algoritmos de predicción fortalecerán la IA, abarcando desde aplicaciones en predicciones meteorológicas y bursátiles hasta, aún más interesantes, predicciones del comportamiento humano. Esto también plantea preguntas sobre los sesgos implícitos y la IA ética. Algunos investigadores de IA en la comunidad de IA están presionando para que se establezcan un conjunto de reglas antidiscriminatorias, que a menudo se asocian con el hashtag #responsibleAI.

Los términos inteligencia artificial, aprendizaje automático y aprendizaje profundo a menudo se emplean en el contexto equivocado. Estos términos se emplean con frecuencia para describir la IA fuerte, 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. Se relaciona con la tarea similar de usar equipos para comprender la inteligencia humana, pero la IA no tiene que ajustarse a los métodos biológicos observables".

El aprendizaje automático o machine learning es un subcampo de la inteligencia artificial. Los modelos tradicionales (no profundos) de machine learning requieren más intervención humana para segmentar los datos en categorías (es decir, a través del aprendizaje de características).

El aprendizaje profundo también es un subcampo del machine learning, que intenta imitar la interconexión del cerebro humano mediante redes neuronales o neural networks. Sus neural networks 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 poderoso, como GPU o TPU. Los algoritmos de aprendizaje profundo se asocian en mayor medida con la IA a nivel humano.

Para profundizar en los matices entre estas tecnologías, consulte "AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference?”.

El aprendizaje profundo puede manejar bien problemas complejos y, como resultado, se emplea en muchas tecnologías innovadoras y emergentes en la actualidad. Los algoritmos de aprendizaje profundo se han aplicado en una variedad de campos. Estos son algunos ejemplos:

• Vehículos autónomos: Google y Elon Musk nos demostraron que los vehículos autónomos son posibles. Sin embargo, los vehículos 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, deberá superar el obstáculo humano de la adopción, ya que las encuestas indican que muchos conductores no están dispuestos a usarla.
  
  
• 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 la entrada en algo con lo que la computadora pueda trabajar.
  
  
• Reconocimiento de patrones: El uso de redes neuronales mejora el reconocimiento de patrones en diversas aplicaciones. Al descubrir patrones de puntos de datos útiles, la IA puede filtrar información irrelevante, trazar correlaciones útiles y mejorar la eficiencia del cálculo de big data que los seres humanos suelen pasar por alto.
  
  
• Programación informática: La IA débil ha tenido cierto éxito en la producción de texto significativo, 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: Categorizar imágenes puede llevar mucho tiempo cuando se realiza manualmente. No obstante, las adaptaciones especiales de redes neuronales profundas, como DenseNet, que conecta cada capa a todas las demás capas de la neural network, han hecho que el reconocimiento de imágenes sea mucho más preciso.
  
  
• Recomendaciones contextuales: Las aplicaciones de aprendizaje profundo pueden tener mucho más en cuenta el contexto al hacer recomendaciones, incluidos los patrones de comprensión del lenguaje y las predicciones de comportamiento.
  
  
• Comprobación de hechos: La Universidad de Waterloo acaba de lanzar una herramienta que puede detectar noticias falsas verificando la información de los artículos comparándola con otras fuentes de noticias.