La inteligencia artificial (IA) ha visto un crecimiento y avance masivos en la última década. Sistemas impresionantes como DeepMind AlphaGo que vencen a campeones mundiales en juegos complejos generan mucha emoción sobre el potencial de la IA. Sin embargo, si bien la IA de hoy puede igualar o incluso superar las capacidades humanas en tareas específicas y estrechas, el verdadero aprendizaje profundo como el que poseen los humanos sigue siendo esquivo.

La IA actual todavía está lejos de tener la inteligencia flexible y bien redondeada de las personas. Dominar el juego Go involucra mucha sofisticación, pero es solo un desafío estrecho. Las situaciones del mundo real implican complejidades dinámicas y multifacéticas que la IA de hoy no puede manejar. Para lograr la inteligencia humana, también llamada inteligencia artificial general (AGI), las barreras clave para el aprendizaje profundo aún deben superarse.

Contenidos:Inteligencia artificial general

¿Qué es exactamente el aprendizaje profundo y por qué importa?

El aprendizaje profundo es un tipo particular de aprendizaje automático basado en redes neuronales artificiales con muchas capas. Lo “profundo” en el aprendizaje profundo se refiere a las múltiples capas de estas redes neuronales que permiten aprender conceptos y patrones abstractos de enormes conjuntos de datos.

El aprendizaje profundo ha impulsado gran parte del progreso reciente en campos como la visión por computadora, el reconocimiento de voz y el procesamiento del lenguaje natural. Por ejemplo, el aprendizaje profundo impulsa tecnologías como vehículos autónomos, traducción automática, reconocimiento facial y asistentes digitales como Siri y Alexa.

“El aprendizaje profundo es el motor detrás de la inteligencia artificial, lo que permite tecnologías que interpretan imágenes y voz, hacen recomendaciones y comprenden el lenguaje”. – Jensen Huang, CEO de Nvidia

Sin embargo, si bien el aprendizaje profundo ha permitido grandes avances en aplicaciones de IA estrechas, tiene límites significativos en comparación con la inteligencia humana:

• Los sistemas están entrenados para tareas muy específicas en lugar de para competencias generales. Una IA puede dominar el juego Go pero no tener habilidades básicas de razonamiento.
• Carecen de la flexibilidad y la adaptabilidad que los humanos demuestran de manera intuitiva. Pequeños cambios fuera de los datos de entrenamiento estrechos hacen que el rendimiento se desplome.
• Hay poca explicabilidad: a menudo no entendemos por qué las IA toman decisiones particulares. Su razonamiento es inescrutable.
• Los modelos de aprendizaje profundo tienen dificultades para transferir conocimientos y aprendizajes entre diferentes tareas. Los humanos aplican hábilmente el conocimiento de forma amplia.

Para que la IA alcance una inteligencia más amplia y general como la de las personas, aún faltan capacidades cognitivas clave:

• Razonamiento abstracto dinámico en muchos dominios
• Acumulación de sentido común y conocimiento general del mundo
• Transferencia de aprendizaje sin problemas entre tareas
• Desarrollo de modelos explicativos de causalidad detrás de las observaciones
• Adaptarse a situaciones nuevas y desconocidas y aprender de forma independiente sin supervisión humana

En otras palabras, la IA de hoy es competente en tareas estrechas y bien definidas, pero aún carece de la flexibilidad y las competencias generales características de la inteligencia humana. Progresar de la IA estrecha a la inteligencia artificial general requerirá cruzar algunas fronteras formidables en la investigación del aprendizaje profundo.

IA estrecha versus inteligencia general

Examinemos con más detalle las capacidades de la IA de hoy versus lo que se necesita para una inteligencia más humana general. Esto resalta las brechas que aún quedan.

Éxitos de IA estrechos

No cabe duda de que el aprendizaje automático y las redes neuronales profundas han permitido enormes avances en nichos especializados. Por ejemplo:

• La visión por computadora IA como DeepMind AlphaFold puede predecir estructuras proteicas complejas con alta precisión, una bendición para la investigación médica.
• La IA de procesamiento de lenguaje natural como GPT-3 de OpenAI puede generar texto sorprendentemente humano para ensayos, historias y artículos cuando se le da un prompt.
• Los asistentes de IA como Alexa, Siri y Google Assistant pueden entender comandos de voz, responder preguntas y ayudar con tareas básicas.
• Los motores de recomendación de contenido aprovechan el aprendizaje profundo para sugerir videos, productos e información relevantes adaptados a los intereses individuales.
• La IA se acerca al rendimiento de los radiólogos para interpretar ciertas exploraciones médicas para el diagnóstico.

Sin embargo, estos éxitos representan picos de rendimiento estrechos limitados a tareas específicas. No indican sistemas de IA generalmente capaces.

Límites de la IA actual

Si bien la IA actual puede igualar o incluso superar las capacidades humanas para ciertas tareas restringidas, los sistemas tienen dificultades con:

• Conocimiento amplio: los humanos tienen vastas reservas de conocimiento general del mundo acumulado a través de la experiencia que la IA carece.
• Sentido común: simple para los humanos pero muy difícil para la IA, como saber que los objetos no desaparecen espontáneamente.
• Abstracción: manipular ideas conceptuales en lugar de solo ejemplos concretos.
• Generalización: adaptar conceptos aprendidos a diversos contextos y tareas.
• Transferencia de aprendizaje: aprovechar y construir sobre el conocimiento adquirido en lugar de esencialmente comenzar de cero en cada nueva tarea.
• Explicación: proporcionar razones intuitivas para las conclusiones en lugar de solo correlaciones estadísticas.
• Razonamiento: pensar lógicamente a través de relaciones causa-efecto en lugar de solo reconocimiento de patrones.
• Robustez: pequeños cambios en los datos de entrada o el entorno pueden descarrilar los sistemas de IA, mientras que la cognición humana es mucho más flexible.

En esencia, la IA de hoy sobresale en tareas estrechas y bien definidas, pero aún carece de la flexibilidad dinámica y las competencias generales características de la inteligencia humana.

Requisitos para un aprendizaje amplio y profundo

Para que la IA logre un verdadero aprendizaje profundo y una inteligencia más humana general, aún se requieren capacidades clave que incluyen:

• Sentido común: los vastos hechos implícitos y convenciones sociales que los humanos acumulan a través de la experiencia.
• Causalidad: modelar y razonar sobre mecanismos causa-efecto en el mundo.
• Transferencia de aprendizaje: transferir conocimiento entre tareas y contextos sin problemas.
• Abstracción: manipular fluidamente tanto información concreta como conceptual.
• Aprendizaje no supervisado: descubrir patrones y conceptos sin etiquetado o guía humana.
• Modelos de conocimiento general del mundo: codificar amplios conocimientos sobre objetos, agentes, metas, economía, cultura, etc.
• Memoria: codificar, almacenar, recuperar y conectar conocimientos y experiencias previas a lo largo del tiempo.
• Creatividad: recombinar ideas de forma novedosa y hacer saltos mentales.
• Lenguaje: dominar la complejidad y el matiz de la comunicación lingüística.

Estas capacidades más generales se acercan a desbloquear el aprendizaje profundo flexible y transversal característico de la inteligencia humana. Desarrollar una IA que integre este conjunto de competencias sigue siendo extremadamente difícil.

Principales fronteras en investigación de aprendizaje profundo

Lograr una inteligencia artificial general exige avances importantes en investigación en varias áreas clave. Aquí exploramos las fronteras y enfoques de vanguardia.

Aprendizaje no supervisado

Casi todos los grandes logros de la IA hasta la fecha se basan en el aprendizaje supervisado a partir de datos de entrenamiento meticulosamente etiquetados. Los humanos anotan penosamente millones de ejemplos como imágenes, textos o audio con etiquetas relevantes para que los algoritmos de aprendizaje automático puedan extraer patrones.

Pero etiquetar manualmente suficientes datos para enseñar a la IA todo el conocimiento multifacético que los humanos poseen implícitamente es completamente inviable dado la escala y complejidad del mundo real. Además, el aprendizaje supervisado socava la flexibilidad ya que los sistemas se limitan a clases preestablecidas.

Los métodos de aprendizaje no supervisado que permiten a la IA encontrar estructuras y patrones en datos no etiquetados son mucho más prometedores. Este aprendizaje autodirigido se alinea con cómo los humanos adquieren sentido común: a través de la exploración autónoma en lugar de la instrucción programada explícitamente.

Desenmarañar entornos complejos sin guías o maestros es tremendamente más difícil. Pero superar este desafío es fundamental para la inteligencia artificial general escalable. Algunas tecnologías prometedoras de aprendizaje no supervisado que los investigadores están explorando:

Redes Generativas Antagónicas

Las GAN involucran dos redes neuronales en competencia: una que genera datos sintéticos que imitan datos reales y otra que discrimina entre datos reales y falsos, bloqueadas en una “carrera armamentista” antagónica para mejorarse mutuamente. A medida que aumenta la calidad de la generación, la discriminación se vuelve más difícil. Las GAN pueden producir datos artificiales muy realistas.

Autoencoders

Los autoencoders son redes neuronales que codifican las entradas en representaciones compactas de menor dimensión y luego intentan reconstruir la entrada original a partir de esa representación. Esto fuerza a la red a capturar solo las características y semánticas más relevantes. Útil para la reducción de dimensionalidad de datos y la detección eficiente de características.

Aprendizaje auto-supervisado

En lugar de confiar en el etiquetado humano, los sistemas se entrenan resolviendo tareas previas que requieren inferir alguna parte oscurecida de la entrada a partir del resto, como predecir palabras aleatoriamente enmascaradas en una oración. Esto expone la estructura subyacente.

Aprendizaje por refuerzo

Los agentes aprenden mediante interacciones de prueba y error con entornos dinámicos. El agente elige acciones y recibe comentarios sobre esas elecciones en lugar de ejemplos etiquetados. Esto puede llevar a comportamientos que logran metas.

Avanzar en el aprendizaje no supervisado es fundamental para crear sistemas de IA que desarrollen una verdadera comprensión del mundo a través del descubrimiento autónomo en lugar de conjuntos de datos etiquetados restringidos.

💡Permitir que los sistemas de IA aprendan sin supervisión o etiquetado humano es fundamental para la inteligencia general escalable.

Transferencia de aprendizaje

Los humanos aplican hábilmente el conocimiento adquirido en un dominio para acelerar el aprendizaje en dominios completamente nuevos. Por ejemplo, aprender francés te ayuda a aprender español más rápido. En contraste, los sistemas de IA de hoy se entrenan en una tarea muy específica, digamos identificar gatos. Pero ese aprendizaje no se transfiere a identificar perros, lo que requiere un nuevo entrenamiento completo.

La transferencia de aprendizaje permitiría a la IA construir de forma acumulativa sobre el conocimiento existente y extrapolar de forma inteligente en lugar de esencialmente comenzar de cero en cada nueva tarea. La rápida adaptación a través de la transferencia es fundamental para la inteligencia general.

Algunas técnicas prometedoras de transferencia de aprendizaje que los investigadores están explorando:

Aprendizaje multitarea

Los sistemas se entrenan simultáneamente en múltiples tareas y conjuntos de datos, lo que obliga a extraer representaciones más flexibles aplicables a diferentes dominios.

Meta aprendizaje

El sistema aprende a aprender de manera eficiente: aprende a actualizarse y adaptarse rápidamente a nuevas tareas y entornos en función de solo unos pocos ejemplos.

Redes modulares

Dividir los sistemas en módulos reutilizables centrados en capacidades específicas que se pueden combinar y componer de varias maneras para diferentes tareas.

Permitir que el aprendizaje profundo se transfiera sin problemas entre tareas es clave para escalar la IA hasta la inteligencia general. Sin transferencia, cada bit de aprendizaje permanecerá aislado. La transferencia permite la acumulación en conocimiento integrador.

💡Permitir la transferencia sin problemas del aprendizaje entre tareas y contextos es esencial para la inteligencia flexible general.

Razonamiento de sentido común

eral de sentido común.

Los humanos tienen un vasto repositorio de “sentido común” cotidiano que acumulamos a través de la experiencia de la vida. Esto nos permite razonar ampliamente sobre el mundo de maneras flexibles aprovechando la intuición sobre física, psicología, cultura, etc.

En contraste, los sistemas de IA actuales interpretan los datos de entrada de manera muy literal, ajenos a suposiciones, implicaciones y contextos obvios que cualquier humano reconocería al instante. Por ejemplo:

• Un sistema dijo incorrectamente que un hongo se puede usar para sujetar papel porque carecía del sentido común de que los hongos son objetos ligeros, no pesados.
• Una IA pensó que un príncipe dándole un zapato a Cenicienta implicaba que tenía un fetiche por los pies en lugar de comprender las costumbres sociales en torno al matrimonio.

Para lograr un razonamiento más humano, los investigadores trabajan para inculcar diferentes tipos de sentido común en los sistemas de IA:

Sentido común físico

Comprensión intuitiva de objetos y mecánicas cotidianas: que los objetos son sólidos, caen si no tienen soporte, el agua moja.

Sentido común social

Principios básicos de las relaciones e interacciones humanas: que las personas tienen deseos, emociones y motivaciones que impulsan su comportamiento. Las personas tienen diversas personalidades y preferencias.

Sentido común temporal

Entender que los eventos se desarrollan en el tiempo con causas y efectos. Saber que las metas generalmente involucran tomar una serie de pasos con dependencia y precedencia entre los pasos.

Grandes bases de conocimiento como ConceptNet y WebChild buscan codificar los innumerables hechos que comprenden el sentido común humano en un formato utilizable por la IA. Integrar estos datos de manera eficiente con los algoritmos de aprendizaje sigue siendo un desafío activo.

💡Dotar a la IA de los hechos y convenciones implícitos que les vienen naturalmente a los humanos es esencial para permitir un razonamiento gen

Memoria y representación del conocimiento

La inteligencia humana depende en gran medida de la memoria. Nuestras mentes almacenan vastos tesoros de conocimiento acumulados durante años que pueden recuperarse y combinarse de manera flexible según sea necesario para la percepción, la planificación, el aprendizaje y la resolución de problemas.

En contraste, los sistemas de IA actuales tienen capacidades de memoria mínimas. Confían predominantemente en el reconocimiento de patrones en datos inmediatos o conjuntos de datos de entrenamiento restringidos. Esto lastra el aprendizaje acumulativo a lo largo de escalas de tiempo más largas que el episodio de entrenamiento.

Para desarrollar una inteligencia más humana, los investigadores están explorando arquitecturas que incluyen:

Máquinas de Turing neuronales

Redes neuronales acopladas con bancos de memoria externos direccionables que se pueden escribir y leer según el contexto. Esto desacopla el almacenamiento de memoria del procesamiento.

Memoria temporal jerárquica

Sistemas que imitan el procesamiento en capas de la neocorteza y la capacidad de codificar secuencias basadas en el tiempo. Cada nivel aprende conceptos más sofisticados construidos sobre representaciones más simples de niveles inferiores.

Redes relacionales

Redes que aprenden dinámicamente asociaciones entre entidades como personas, lugares, cosas, eventos y conceptos. Esto imita cómo la memoria humana conecta conocimientos relacionados.

Aprendizaje continuo

Sistemas que acumulan conocimiento y representaciones durante largos períodos de tiempo en lugar de entrenarse en conjuntos de datos fijos durante breves episodios supervisados. Esto permite integrar y transferir el aprendizaje.

Una representación y recuperación robustas de memorias relevantes para los contextos actuales es fundamental para la inteligencia artificial general. Si bien las redes neuronales profundas tienen memoria limitada, los nuevos enfoques que eliminan esta restricción muestran potencial.

💡Desarrollar una codificación, almacenamiento y recuperación más humanos del conocimiento expandirá la capacidad de aprendizaje.

Razonamiento y explicabilidad

Un límite persistente del aprendizaje profundo basado en datos es la falta de interpretabilidad del modelo: la lógica detrás de las decisiones es opaca. Esto es problemático para la comprensión científica y la confianza.

Por ejemplo, un sistema de IA puede clasificar imágenes con precisión pero carece de cualquier capacidad para explicar qué de las imágenes condujo a esas clasificaciones. Simplemente reconoce patrones estadísticos. El proceso de razonamiento es inescrutable.

Los humanos también aprovechan un razonamiento lógico más estructurado que compara hipótesis, sopesa evidencias, combina amplios conocimientos generales con observaciones para derivar conclusiones justificadas. Construimos modelos explicativos del por qué suceden las cosas.

Para progresar hacia una AGI, los investigadores están explorando enfoques para hacer que el razonamiento de la IA sea más comprensible, incluyendo:

Sistemas simbólicos

IA simbólica que representa el conocimiento como abstracciones estructuradas como lógica, grafos, reglas, ontologías, etc. Esto permite un razonamiento formal explicable a diferencia de la caja negra de las redes neuronales.

Sistemas híbridos

Integrar IA conexionista como el aprendizaje profundo con IA simbólica para lograr las fortalezas de ambos: reconocimiento de patrones estadísticos y razonamiento lógico. Los sistemas que combinan redes neuronales con bases de conocimiento accesibles son prometedores.

Razonamiento causal

Los modelos causales representan relaciones funcionales entre variables, lo que permite simular intervenciones y predecir sus efectos. Esto permite comprender las causas detrás de las observaciones.

Minería de argumentos

Extraer automáticamente la estructura de los argumentos realizados en textos: afirmaciones, premisas, tipos de razonamiento. Esto ayuda a enseñar una construcción y análisis crítico de argumentos más humanos.

Una mayor capacidad de razonamiento y explicabilidad producirá tecnología de IA con mayor transparencia, confiabilidad y alineación con los valores humanos.

💡Avanzar en el razonamiento y la explicabilidad producirá IA que realmente comprenda sus decisiones y acciones.

El largo camino por recorrer

Si bien la IA de hoy ha logrado resultados impresionantes en tareas particulares estrechas, la gran visión de una inteligencia artificial general flexible y de nivel humano sigue estando lejana. Se deben cumplir tremendos desafíos en aprendizaje no supervisado, transferencia de aprendizaje, razonamiento, sentido común, memoria y más para realizar este objetivo.

Pero el notable progreso de la última década mantiene vivas las esperanzas de que la eventual creación de sistemas de IA capaces de un aprendizaje más amplio, general y explicable es posible. La inversión sostenida y la investigación en equipos interdisciplinarios de científicos de vanguardia continúan llevándonos lentamente pero seguramente en la dirección correcta.

El potencial futuro

Tener éxito en el avance de la IA hasta la inteligencia general de nivel humano podría permitir beneficios fantásticos, incluyendo:

• Asistentes digitales mucho más capaces y asequibles
• Automatización de trabajos peligrosos y tediosos
• Educación y tratamiento médico personalizados
• Aceleración del descubrimiento científico
• Nuevo arte y entretenimiento
• Traducción fluida entre idiomas y culturas

Pero también deben gestionarse cuidadosamente riesgos importantes como el desplazamiento laboral, las violaciones de la privacidad y los objetivos desalineados a través de políticas y supervisión. El camino por delante exigirá tanta sabiduría como ingenio técnico.

Principios rectores

Ciertos principios pueden ayudar a guiar la investigación y el desarrollo de la inteligencia artificial general:

• Apertura: investigación realizada de manera transparente en colaboración entre instituciones públicas, privadas, gubernamentales y académicas cuando sea razonable para una supervisión responsable.
• Mejora humana, no reemplazo: la AGI como asistente para el florecimiento humano en lugar de buscar replicar y reemplazar a las personas. Preservar la agencia y la dignidad humanas.
• Beneficencia: incorporar marcos éticos como las leyes de la robótica de Isaac Asimov para garantizar que los sistemas ayuden, no dañen, a los humanos.
• Cuidado: precaución, evaluación de riesgos y monitoreo meticulosos dado la profundidad de la AGI realizada.

Al tener cuidadosamente en cuenta estos principios, podremos atravesar las fronteras por delante de manera responsable y cosechar los frutos de manera ética.

Reflexiones finales

La creación de una inteligencia artificial general promete ser un largo viaje lleno de desafíos y riesgos. Pero el potencial de transformación positiva de la condición humana motiva la perseverancia. Con diligencia y sabiduría, aún podemos construir sistemas capaces de aprendizaje profundo que eleven a la humanidad. Pero no hay atajos. Paso a paso, el progreso avanza.

Conclusión: Inteligencia artificial general

Si bien la IA actual logra un rendimiento sobrehumano en tareas estrechas, los sistemas carecen del aprendizaje profundo flexible y transversal característico de la inteligencia humana. Se requerirán avances importantes en investigación en áreas como aprendizaje no supervisado, transferencia de aprendizaje, razonamiento, sentido común y memoria para que la IA alcance la inteligencia artificial general de nivel humano. Este sigue siendo un objetivo distante pero digno que requiere una colaboración sostenida entre instituciones públicas y privadas. Si los investigadores permanecen en el camino, tal vez algún día la IA pensará tan amplia, intuitiva e introspectivamente como las personas.

¡Me encantaría conocer sus pensamientos y comentarios sobre esta larga lectura! Por favor, deje sus comentarios a continuación. ¡Y muchas gracias por leer hasta el final!

Si te gusta esta temática, puedes encontrar más artículos sobre inteligencia artificial en nuestro blog.