El sueño de la Inteligencia Artificial

Otros expertos, como Ted Chiang, escritor de ciencia ficción, comparaba en The New Yorker los grandes modelos del lenguaje, como ChatGPT, con una imagen borrosa de internet que no siempre ofrece las respuestas precisas que se le piden porque trabaja con modelos puramente estadísticos del lenguaje y sus relaciones, pero sin entender los significados que esas relaciones encierran.

La razón es elemental: los sistemas funcionan igual de bien con lenguas imposibles, tales que los bebés no pueden adquirir, como con aquellas que estos adquieren rápidamente y casi por reflejo.

Entender la historia de la ciencia ficción es entender hacia dónde tenemos que mirar ahora que esos escenarios se están materializando… porque ya hemos estado en ellos, aunque sea solo a través de la imaginación.

Los transformers se incluyen en una categoría de sistemas con los que se busca, en los próximos años, pasar del desarrollo de inteligencias artificiales enfocadas y entrenadas para resolver tareas específicas, a otras que puedan aprender de forma no supervisada y, luego, adaptar con pequeñas modificaciones a cualquier otro propósito. Uno de los principales objetivos en estos momentos es desarrollar algoritmos generativos a los que se les pueda enseñar la parte más abstracta de conceptos generales y las relaciones que puedan existir entre ellos, para luego aplicarlos a casos concretos, como hace nuestro cerebro. Esto es, modelos base que se puedan adaptar a diferentes propósitos. Este tipo de modelos de inteligencia artificial generativa se llaman «fundacionales».

Un modelo del lenguaje debe ser capaz no solo de recordar, sino de comprender conjuntos de datos —frases, párrafos— cuyo significado es algo más que la suma de las palabras que los forman. Para eso hace falta un procesamiento de la información en paralelo con el que modelos anteriores no contaban. Es decir, en ­lugar de procesar cada palabra de una en una, era necesario que lo hicieran con todas a la vez. Había que encontrar otra manera de enseñar a estos sistemas.

EPAM (elementary perceiver and memorizer) durante su tesis de doctorado, tutelada por Herbert A. Simon. En 1983 Feigenbaum hizo una declaración de intenciones que se convirtió en el lema de toda esta etapa:74

El conocimiento es poder y la computadora es una amplificadora de ese poder. Nos encontramos en los albores de una nueva revolución informática. […] la de la transición del procesamiento de información al conocimiento, de computadoras que calcu­lan y almacenan datos a otras que razonan e informan. La inteligencia artificial está saliendo de los laboratorios y comienza a reclamar su lugar en los asuntos humanos.

Según la IA débil, el valor fundamental de los computadores en el estudio de la mente radica en que nos proporcionan una herramienta muy poderosa. Por ejemplo, nos permiten formular y poner a prueba hipótesis de manera más rigurosa y precisa. Sin embargo, de acuerdo con la IA fuerte, el computador no es una mera herramienta en el estudio de la mente, sino más bien, si se programa de forma adecuada, una mente en sí en el sentido de que puede, literalmente, comprender y manifestar otros estados cognitivos. En la IA fuerte, debido a que el computador programado tiene estados cognitivos, los programas no son meras herramientas que nos permiten poner a prueba explicaciones psicológicas; los programas son, en sí mismos, explicaciones.

John Searle fue uno de los que ilustró en su momento de manera más gráfica la que sigue siendo una de las grandes cuestiones —y limitaciones— de la inteligencia artificial. En el artícu­lo «Minds, brains and programs», publicado en la revista Behavioral and Brain Sciences —que luego ampliaría en forma del libro con el título Minds, ­brains and science en 1984—, plantea por primera vez el experimento mental de la habitación china. Este libro presenta un debate crucial: el de la inteligencia artificial débil, aquella restringida a cierto tipo de tarea o tareas, frente a la inteligencia artificial fuerte, o considerada inteligencia artificial general.

No obstante, ni fue el único ni el más implacable. Bastante más duro fue Hubert L. Dreyfus desde la Universidad de California, en Berkeley, donde trabajaba como profesor de Filosofía. Dreyfus se había interesado por la inteligencia artificial tras su paso por el MIT, lugar en el que también impartió clases.

La diferencia entre los árboles de decisión, de forma individual, y los bosques aleatorios es que estos últimos son conjuntos de los primeros, pero entrenados, como su propio nombre indica, con diferentes conjuntos de datos aleatorios y sin correlaciones entre sí.