La Inteligencia Artificial (IA) es una rama transformadora de la informática que se centra en la creación de máquinas y sistemas inteligentes que puedan realizar tareas que normalmente requieren inteligencia humana. Mediante el entrenamiento, los sistemas de IA aprenden a partir de grandes cantidades de datos, lo que les permite razonar, tomar decisiones y operar de forma independiente. El interés en este campo ha explotado en 2023 y continúa evolucionando a una velocidad tremenda, dando forma no solo a cómo interactuamos con la tecnología, agilizando procesos y desbloqueando nuevas posibilidades, sino también a la forma en que los humanos interactuamos entre nosotros.
De este modo, con la IA, es el software quien efectúa tareas para ayudar a las personas con habilidades similares a la inteligencia humana, como el aprendizaje, la percepción, el razonamiento y la toma de decisiones. La IA se ha convertido en un aspecto crucial de la tecnología moderna, con aplicaciones que van desde asistentes virtuales y coches autónomos hasta diagnósticos médicos y toma de decisiones automatizada.
Como veremos más adelante, la IA ya se aplica en múltiples sectores, como salud, finanzas, transporte o educación, entre otros y se emplea para resolver problemas complejos, automatizar procesos empresariales, mejorar la experiencia del cliente y acelerar la innovación.
El concepto moderno de Inteligencia Artificial comenzó a tomar forma en el siglo XX. Alan Turing, un pionero en este campo y el genio que decodificó la máquina Enigma de los nazis, propuso la idea de que las máquinas podrían pensar. En 1948, Turing trabajó en el Manchester Mark I y Mark II, sentando las bases para el desarrollo de la IA y diseñó otra máquina hipotéticamente capaz de jugar al ajedrez, pero que no llegó a materializar como el “ajedrecista” de Torres Quevedo, por lo que tuvo que jugar contra ella utilizando cálculos de cómo la máquina habría decidido actuar. Alan Turing siguió trabajando y en 1951, estos prototipos ya producían música. Alan Turing propuso el concepto de "máquina de Turing", que sería capaz de resolver problemas igual o mejor que un ser humano.
La Inteligencia Artificial (IA) es una disciplina fascinante y en constante evolución que se entrelaza con la historia de la tecnología y la informática. Nuestro artículo de hoy abarca desde sus inicios históricos hasta las aplicaciones contemporáneas, pasando por sus éxitos, fracasos y diversas ramas, incluyendo las perspectivas futuras como la Inteligencia Artificial Generativa (GenAI).
Existen varios tipos de inteligencia artificial, y en general suele dividirse la IA en dos tipos: la IA débil, que se ocupa de realizar tareas específicas y con la cual ya estamos bastante familiarizados, y la IA fuerte o general, la cual sería una IA que, potencialmente en el futuro, igualaría o excedería las capacidades humanas.
La Inteligencia Artificial Débil también se le conoce como Inteligencia Artificial Estrecha (o ANI por sus siglas en inglés “Artificial Narrow Intelligence”) y se enfoca en realizar tareas específicas y limitadas. En la práctica se asemeja bastante a todos los procesos de ingeniería y tecnología con los que ya estamos familiarizados desde hace décadas. Son ejemplos de la IA débil o estrecha los asistentes virtuales, el reconocimiento facial y los filtros de spam. Todas estas aplicaciones se basan básicamente en dos técnicas:
Aprendizaje Automático o Machine Learning, que es un tipo de ANI que se enfoca en aprender de los datos y mejorar su rendimiento en una tarea específica. Ejemplos de aprendizaje automático son los sistemas de recomendación y los chatbots.
Aprendizaje Profundo o Deep Learning, que es un tipo de aprendizaje automático que utiliza redes neuronales artificiales para aprender de los datos y mejorar su rendimiento en una tarea específica. Ejemplos de aprendizaje profundo son el reconocimiento de imágenes y el procesamiento del lenguaje natural.
La AGI (Artificial General Intelligence) se refiere al tipo de inteligencia artificial más discutido en los últimos tiempos (y más temido por muchos) y que, de ser desarrollado, poseería habilidades cognitivas y competencias similares a las de los seres humanos, permitiéndole abordar una amplia variedad de tareas y problemas con flexibilidad e intuición, desde operaciones matemáticas a predicciones o generación de lenguaje. En otras palabras, la AGI tendría la capacidad de aprender y adaptarse de manera autónoma a nuevos desafíos y situaciones, sin necesidad de ser programada específicamente para cada uno de ellos. A diferencia de la IA débil o estrecha, que se limita a completar tareas específicas, como reconocer imágenes, traducir textos y documentos o jugar juegos, la AGI podría superar muchos de estos límites y convertirse en una verdadera "inteligencia artificial general" capaz de realizar una amplia gama de actividades cotidianas que requieren razonamiento abstracto y comprensión humana. La AGI es el objetivo final fundacional de empresas como OpenAI todavía se encuentra en etapa experimental y se considera una meta futura de la investigación en IA.
Imagen 1 - Robots película Star Wars, ejemplo de IA (Cortesía de Bing Image Creator)
“Como desarrollador, no creo que nos lleve inmediatamente a AGI o situaciones aterradoras.”
Manuel Herranz, CEO
Pues, básicamente, porque se trataría de una inteligencia humana generalizada en una máquina, lo cual significa que el sistema podría potencialmente realizar cualquier tarea que un ser humano pueda hacer, de modo escalable. Los miedos sobre su desarrollo tienen que ver sobre el hecho de si esta tecnología puede o debe ser desarrollada por las 7 u 8 empresas en el mundo que tienen la capacidad computacional para desarrollarla o, por el contrario, debe ser una herramienta de código abierto, lo cual acarrearía otro tipo de problemas al hacer accesible una tecnología muy potente a cualquier tipo de mano. La AGI tendría repercusiones en muchos aspectos, entre ellos el educativo y universitario, por ejemplo. Curiosamente, ninguna universidad ha participado en el desarrollo de las primeras inteligencias artificiales conversacionales como ChatGPT o rivales de código abierto como Llama de META, Mistral en Francia, Claude, etc.
Imagen 2 - Logos grandes líderes en IA
Las personas que se preocupan por si la IA representa un riesgo existencial para los humanos, una de las preocupaciones fundadoras de OpenAI, temen que tales capacidades puedan conducir a una IA deshonesta. Las preocupaciones de seguridad podrían surgir si se permite que dichos sistemas de IA establezcan sus propios objetivos y comiencen a interactuar con un mundo físico o digital real de alguna manera.
Pero si bien la capacidad matemática (véase la polémica sobre Q* de OpenAI) podría acercarnos un paso más a los sistemas de IA más potentes, resolver este tipo de problemas matemáticos no indica el nacimiento de una superinteligencia. Como desarrollador, no creo que nos lleve inmediatamente a AGI o situaciones aterradoras. También es muy importante subrayar qué tipo de problemas matemáticos está resolviendo la IA.
Y aunque estas exageraciones pueden ser un gran ejercicio de relaciones públicas, estos ciclos dañan más que hacen bien al distraer a las personas de los problemas reales y tangibles en torno a la Inteligencia Artificial. Los rumores sobre un poderoso nuevo modelo de IA también podrían ser un objetivo propio masivo para el sector tecnológico contrario a la regulación. La UE, por ejemplo, está muy cerca de finalizar su amplia Ley de Inteligencia Artificial. Una de las mayores peleas en este momento entre los legisladores es si dar a las compañías tecnológicas más poder para regular modelos de IA de vanguardia por su cuenta.
El Consejo de OpenAI fue diseñado como el interruptor de desconexión interno a la compañía y mecanismo de gobernanza de la empresa para evitar el lanzamiento de tecnologías dañinas. El drama de la sala de juntas de la semana pasada ha demostrado que el resultado final siempre prevalecerá en estas empresas. También hará más difícil argumentar por qué las propias empresas no deben autorrregular la investigación en IA.
Como hemos dicho, la AGI es diferente de las Inteligencias Artificiales estrechas, como los asistentes virtuales o los sistemas de visión por computadora, que están diseñados para realizar solo una tarea específica. En cambio, la AGI tiene un amplio rango de habilidades y capacidades cognitivas que incluirían inputs sensoriales del mundo real para ofrecer respuestas de modo inmediato similares a las humanas y que pueden incluir:
Procesamiento del lenguaje natural: la capacidad de comprender (NLU) y generar texto y voz (NLG) en diferentes idiomas.
Resolución de problemas: la capacidad de resolver problemas complejos utilizando algoritmos, lógica y razonamiento.
Reconocimiento visual: la capacidad de identificar objetos, personas, animales, etc., y entender su contexto.
Robótica: la capacidad de controlar robots y hacer que realicen tareas específicas.
Toma de decisiones: la capacidad de tomar decisiones basadas en información y evidencia.
Interacción social: la capacidad de interactuar con otros seres humanos o sistemas de manera efectiva y apropiada para negociar, filtrar, por medio de asistentes o gemelos digitales.
Memoria: la capacidad de almacenar e invertir conocimientos y experiencias.
Creatividad: incluso las primeras versiones de ChatGPT, Bard, Llama2, StableDiffusion para imagen y otras distribuciones ofrecen enormes capacidades creativas, utilizables para marketing, traducción, resumen de información, comparativa, con lo que las industrias creativas pueden verse muy afectadas ya que competirán con la enorme capacidad de generar nuevas ideas y soluciones innovadoras.
Inteligencia emocional: la capacidad de reconocer y gestionar emociones propias y ajenas.
Meta-learning: la capacidad de aprender a aprender y mejorar constantemente.
La AGI está siendo investigada y desarrollada por científicos y empresarios en todo el mundo, y aunque no hay un modelo completamente funcional todavía, existen algunos proyectos y iniciativas que están trabajando en esta dirección. Algunos ejemplos son:
DeepMind: Un proyecto de Google que está trabajando en la creación de una IA general que pueda superar varios juegos de mesa, como Go y StarCraft, y también está investigando en aplicaciones médicas y de otras áreas.
Bard: Modelo de lenguaje entrenado por Google que ha demostrado ser capaz de realizar varias tareas de procesamiento del lenguaje natural, como la clasificación de texto y la generación de respuestas. Google lleva tiempo trabajando en el campo y ha liberado varias versiones anteriores de BERT, por ejemplo, enfocándose sobre todo en su aplicación a las búsquedas de Internet.
OpenAI: Organización sin fines de lucro que busca fomentar la investigación y el desarrollo de la IA ética y responsable, y cuenta con proyectos como el GPT-3, que es un modelo de generación de texto avanzado.
La mayoría de listados que uno puede encontrar en Internet y que listan empresas dedicadas a una AGI son en realidad listado de empresas que trabajan en la IA estrecha. La AGI es un campo de investigación muy activo y prometedor que podría tener un impacto significativo en muchos aspectos de nuestra vida cotidiana y en la sociedad en general. La AGI aún no se ha logrado.
La IA se basa en tres componentes fundamentales: el aprendizaje automático, el procesamiento de lenguaje natural y la visión por computadora. El elemento que siempre ha faltado en toda Inteligencia Artificial ha sido la capacidad de actualizarse y tomar decisiones inmediatas en base a sensores que aporten información del mundo real. Veamos, resumidamente, cómo hemos llegado al punto pre-AGI (según dicen) en el que nos encontramos a finales de 2023.
La IA se desarrolla a partir de la imitación de los procesos de inteligencia humana mediante la creación y la aplicación de algoritmos. Este enfoque algorítmico ha sido el centro en el avance y desarrollo de la tecnología. Por ello nunca hemos de olvidar que la historia de la IA es un esfuerzo colaborativo que continúa evolucionando con la investigación y el desarrollo en curso. A medida que nos acercamos a nuevas fronteras en la IA, no olvidemos los esfuerzos colectivos y las contribuciones que nos han traído hasta aquí.
La idea de máquinas inteligentes se remonta a mitologías antiguas, concretamente al griego Aristóteles (384-322 a. C.) quien describía un conjunto de reglas que regían una parte del funcionamiento de la mente para obtener conclusiones racionales. Bastante más tarde, Ctesibio de Alejandría (250 a. C.) construyó la primera máquina conocida capaz de autocontrolarse de acuerdo a condiciones externas, un regulador del flujo de agua (racional pero sin razonamiento).
En 1315, el mallorquín Ramon Llull elaboró la idea de que el razonamiento podía ser efectuado de manera artificial en su libro Ars magna y cinco siglos más tarde, en 1840 Ada Lovelace, la única hija legítima de Lord Byron, previó la capacidad de las máquinas para ir más allá de los simples cálculos y aportó una primera idea de lo que sería el software y algoritmo para ser procesado por esas máquinas. El inventor español Leonardo Torres Quevedo, responsable de patentes del dirigible que Inglaterra y Francia utilizaron contra el zepelín alemán, además de la primera máquina capaz de jugar al ajedrez nació en 1852 y murió al poco de iniciarse la Guerra Civil española en 1936. Es considerado también como uno de los padres de la inteligencia artificial y España tiene un programa de contratación de doctores universitarios (PhD) en su nombre.
Ahora bien, el concepto moderno de Inteligencia Artificial comenzó a tomar forma en el siglo XX. Alan Turing, un pionero en este campo y el genio que decodificó la máquina Enigma de los nazis, propuso la idea de que las máquinas podrían pensar. En 1948, Turing trabajó en el Manchester Mark I y Mark II, sentando las bases para el desarrollo de la IA y diseñó otra máquina hipotéticamente capaz de jugar al ajedrez, pero que no llegó a materializar como el “ajedrecista” de Torres Quevedo, por lo que tuvo que jugar contra ella utilizando cálculos de cómo la máquina habría decidido actuar. Alan Turing siguió trabajando y en 1951, estos prototipos ya producían música. Alan Turing propuso el concepto de "máquina de Turing", que sería capaz de resolver problemas igual o mejor que un ser humano.
Durante los albores (1950s-1960s) de esta ciencia, los principales objetivos de la IA eran desarrollar programas que pudieran simular ciertas tareas cognitivas humanas, como el reconocimiento de patrones o la resolución de problemas.
Uno de los primeros hitos en el desarrollo de la IA fue la creación de la prueba de Turing, propuesta por Alan Turing en 1950. Esta prueba implica evaluar la capacidad de una máquina para exhibir un comportamiento inteligente equivalente al de un humano. Turing propuso que si una computadora pudiera comunicarse con un humano de tal manera que el humano no pudiera distinguirla de otro humano, indicaría la presencia de inteligencia artificial.
Sin embargo, el término "Inteligencia Artificial" no apareció hasta la década de 1956, cuando Dartmouth College organizó una reunión interdisciplinaria de estudiantes y académicos entre los que destacaba John McCarthy, para discutir la posibilidad de crear sistemas computacionales capaces de pensar y aprender como los seres humanos. Fue en esta conferencia donde se acuñó el término "Inteligencia Artificial". Este evento marcó el inicio formal de la IA como un campo de estudio académico. Tanto John McCarthy como Marvin Minsky fueron cofundadores del MIT y concretamente el MIT Computer Science and Artificial Intelligence Laboratory.
Fue durante esa década cuando se desató un ciclo de enormes expectativas en todos los ámbitos, como la traducción automática, por ejemplo, cuya investigación fue congelada a raíz del Informe ALPAC. Los primeros logros significativos en la IA se produjeron en la década de 1960, con el surgimiento de la "teoría del juego" y la introducción de algoritmos heurísticos y planificación estratégica para ayudar a las máquinas a tomar decisiones racionales en entornos ambiguos y desconocidos. Fue en esta década de 1960, cuando el campo de la IA cobró impulso con el desarrollo de sistemas expertos. Estos son programas que capturan el conocimiento y la experiencia de expertos humanos en un dominio específico y lo utilizan para resolver problemas complejos. Un ejemplo notable fue el desarrollo del sistema Dendral, que podía identificar la estructura química de una molécula basándose en sus datos espectrales.
Pero también existieron frustradas tentativas fallidas de crear sistemas capaces de aprender, recordar y razonar como los seres humanos. Es decir, los llamados "problemas de la IA clásica". Desde entonces, la IA ha experimentado varias olas de excitación y enormes expectativas y “bajón” debido a los numerosos altibajos de los resultados obtenidos. Hoy día, la IA sigue siendo un área de investigación dinámica y prometedora, cuya evolución continúa gracias a la fusión de diversas disciplinas y tecnologías emergentes, como el aprendizaje profundo, la visión artificial, la inteligencia cognitiva y la robotótica, entre otras.
Durante las décadas de 1970 y 1980, la investigación en IA se centró en desarrollar máquinas que pudieran aprender y adaptarse a nueva información, desarrollándose técnicas de aprendizaje automático mediante las cuales los investigadores comenzaron a desarrollar métodos para que las máquinas aprendiesen de los datos y mejorasen su rendimiento a través de la experiencia, en lugar de depender únicamente de reglas predefinidas. Uno de los logros notables de este período fue el desarrollo de la retropropagación, un método para entrenar redes neuronales a través del descenso de gradiente. Durante esta década se crearon de algoritmos de aprendizaje automático como k-NN, SVM, árboles de decisión, etc.
Sin embargo, en la década de 1980 y principios de la de 1990, se dio un período de escepticismo hacia la IA llamado "el invierno de la IA", durante el cual disminuyó la financiación e interés en el campo debido a la falta de resultados prácticos y las limitaciones del poder de computación disponible y los datos.
Sin embargo, arrancados ya los años 80, se avanzó en las técnicas de Procesamiento del Lenguaje Natural y la IA se centró en este área, lográndose avances significativos en la comprensión del lenguaje humano, gracias a la implementación de modelos de aprendizaje profundo y las primeras primitivas redes neuronales. Ejemplos de este período son el trabajo de Yoshua Bengio en el aprendizaje de lingüística y el desarrollo del modelo de lenguaje NLTK.
No fue hasta finales de la década de 1990 y principios de la de 2000 que la IA comenzó a experimentar un resurgimiento con el desarrollo de computadoras más potentes, conjuntos de datos más grandes y algoritmos más avanzados. Este período vio el auge de algoritmos de aprendizaje automático, como los árboles de decisión y las máquinas de vectores de soporte, que podían aprender de grandes cantidades de datos para hacer predicciones o clasificar información.
A partir de los 2000 volvemos a experimentar en creciente interés motivados por nuevas propuestas estadísticas y el creciente peso del reconocimiento de patrones. A modo de ejemplo, el motor de traducción automática Moses se liberó en 2011 y fue una pieza fundamental en la creación de sistemas como el primer Google Translate por parte de Franz Och o Bing Translator por parte de Chris Wendt. Pangeanic lanzó su primera plataforma de traducción automática de documentos PangeaMT con reentrenamiento en 2011.
En el siglo XXI, la IA se está integrando cada vez más en diversas industrias y aspectos de nuestra vida diaria. La aparición del Deep Learning o aprendizaje profundo y el desarrollo de redes neuronales más sofisticadas, como las redes neuronales convolucionales (ConvNet) y las redes neuronales recurrentes (RNN) ha representado un gran salto hacia adelante en la IA. Estos avances fueron dos innovaciones clave desde mediados de la década de los 2010, y permitieron aplicaciones como la visión por ordenador, el reconocimiento de voz y amplios avances en traducción automática. Paralelamente, desde ese momento observamos el renacimiento de la IA cuántica (2010s-presente): La IA cuántica es una área emergente que busca combinar la teoría de la informática cuántica con la inteligencia artificial. Los investigadores esperan que la IA cuántica permita crear modelos de aprendizaje más rápidos y eficientes, así como solucionar problemas complejos en campos como la medicina, la física y la criptografía.
La IA ha tenido períodos de altas expectativas seguidos de "inviernos de IA", donde las limitaciones tecnológicas y teóricas han frenado su desarrollo. Ya hemos mencionado el informe ALPAC, que en los años 50 congeló toda investigación sobre traducción automática, la cual ni se consideraba área digna de atención en los ambientes académicos. Se consideraba poco menos que un chiste, algo inalcanzable. Ello supuso décadas de retraso en la investigación sobre las capacidades del lenguaje como herramienta para la creación de sistemas de IA.
1997 marcó un hito importante pues fue ese año cuando el Deep Blue de IBM venció al campeón mundial de ajedrez, Garry Kasparov. Pese a mantener que el equipo de IBM manipulaba el algoritmo por las noches para perfeccionarlo en las jugadas del día siguiente, y de tratarse de un hecho aislado, este evento demostró el potencial de la IA en superar habilidades humanas específicas, pero veamos cómo se ha ido desarrollando a lo largo de los últimos años. Desde 2010 hasta la fechas podemos destacar varios hechos que afectan a la IA.
Ataques adversariales: Como la IA se vuelve cada vez más común en la vida cotidiana, surgió una nueva amenaza: los ataques adversariales. Estos ataques implican modificar deliberadamente los datos de entrada para engañar a los modelos de aprendizaje automático, lo que puede tener consecuencias catastróficas en aplicaciones críticas como la visión por computadora y la robótica. Para abordar esto, los investigadores desarrollan estrategias de defensa contra estos ataques.
Explicabilidad e interpretabilidad: Dado que la IA se vuelve cada vez más importante, es fundamental entender cómo funcionan los modelos de aprendizaje automático. Por lo tanto, se enfatiza cada día más la capacidad de explicabilidad y la interpretabilidad de los modelos, con el objetivo de garantizar que los usuarios confíen en ellos y puedan entender sus decisiones.
Consideraciones éticas: Al mismo tiempo que avanza la IA, surgen preguntas éticas importantes sobre su uso. Se discuten temas como la privacidad, la justicia social, la búsqueda de beneficios financieros y la responsabilidad moral. Los investigadores y los profesionales de la industria buscan abordar estas cuestiones mediante la creación de políticas y regulaciones. La UE ha demostrado su preocupación por la privacidad y las implicaciones y consecuencias de una IA no regulada, legislando con normativas que han marcado hitos mundiales como el RGPD y, recientemente, la AI Data Act. Los Estados Unidos también han reaccionado rápidamente y bajo la presidencia de J. Biden, han establecido una regulación incluso más estricta, supuestamente, que la europea, la “AI Bill of Rights”.
Estados Unidos no es conocido por su afán regulatorio, pero se está produciendo un aumento de la legislación relacionada con la IA tanto a nivel federal como estatal. A nivel federal, la Oficina de Política Científica y Tecnológica de la Casa Blanca ha identificado cinco principios para guiar el diseño, uso y despliegue de sistemas automatizados para proteger al público estadounidense en la era de la inteligencia artificial.
Esta iniciativa pretende garantizar que los sistemas automatizados, especialmente los utilizados en ámbitos sensibles como la justicia penal, el empleo, la educación y la sanidad, se adapten a su finalidad, proporcionen un acceso significativo para su supervisión, incluyan formación para las personas que interactúan con el sistema e incorporen consideraciones humanas para las decisiones adversas o de alto riesgo. Además, se pide que se informe públicamente sobre los procesos de gobernanza humana y su eficacia.
A nivel estatal, se ha producido un aumento significativo de las propuestas de leyes relacionadas con la IA en EE.UU., y muchos estados incluyen normativas sobre IA como parte de leyes más amplias sobre privacidad del consumidor. Estas leyes regulan la IA y la toma de decisiones automatizada permitiendo a los usuarios optar por no participar en la elaboración de perfiles y exigiendo evaluaciones de impacto. Algunos estados también han propuesto grupos de trabajo para investigar la IA y han expresado su preocupación por el impacto de la IA en servicios como la asistencia sanitaria, los seguros y el empleo.
No es probable que Estados Unidos apruebe una amplia ley nacional sobre IA en los próximos años. En su lugar, es probable que la legislación se centre en medidas menos controvertidas y específicas, como la financiación de la investigación en IA y la seguridad infantil en IA. Este enfoque descentralizado puede dar lugar a un mosaico de normas sobre IA a nivel federal y estatal.
Andrew Maas, fundador de varias startups de IA explica que hace unos años, los ejecutivos (CTO / CIO) no impulsaban la transformación empresarial. En 2023, son el epicentro de la transformación.
En segundo lugar, la tecnología de IA actual generaliza mucho mejor a diferentes casos de uso empresarial. Hace unos años, la personalización del modelo era costosa y requería una experiencia técnica significativa. En tercer lugar, en 2022 y 2023 proliferan y existen muchas más herramientas: existe una gran cantidad de herramientas y tecnologías para integrar la IA en los flujos de trabajo. Antes había muy pocas opciones, y ahora … puede que haya demasiadas, con un paisaje que cambia cada pocas semanas, con avances por doquier.
Por ello, a la hora de elegir los casos de uso de la IA, deben aplicarse los mismos principios generales que al evaluar otras tecnologías.
Empecemos por el resultado (el QUÉ) e retrocedamos hasta el CÓMO.
Evaluemos las tecnologías con un grupo específico de usuarios avanzados.
Tengamos en cuenta los factores humanos, ya que el cambio de comportamiento suele ser el mayor obstáculo para la transformación.
No obstante, actualmente no contamos con los algoritmos o incluso las arquitecturas adecuadas para poder resolver problemas matemáticos de manera fiable usando IA. El aprendizaje profundo y los Transformers, que es lo que utilizan los modelos de lenguaje, son excelentes para reconocer patrones, pero eso solo no es suficiente para elevar el estado actual de la IA a una AGI. Mi opinión, como desarrollador, y en ello coincido con la mayoría de académicos, es que la matemática es un referente para el razonamiento. Una máquina que sea capaz de razonar sobre matemáticas, podría, en teoría, aprender a realizar otras tareas que se basen en información existente, como escribir código informático o extraer las principales conclusiones (y las secundarias) de un artículo de noticias. La matemática es un desafío particularmente difícil porque requiere que los modelos de IA tengan la capacidad de razonar y de entender realmente con qué están tratando. Dicho esto, resolver problemas matemáticos propios de la escuela primaria es muy, muy diferente de empujar los límites de nuestros conocimientos matemáticos al nivel de un premio Nobel en matemáticas.
La investigación en aprendizaje automático se ha centrado en resolver problemas de la escuela primaria, pero los sistemas de IA de última generación aún no han resuelto completamente este desafío. Algunos modelos de IA fallan en problemas matemáticos realmente simples, pero luego pueden sobresalir en problemas realmente difíciles. OpenAI ha desarrollado, por ejemplo, herramientas dedicadas que pueden resolver problemas difíciles planteados en competiciones para los mejores estudiantes de matemáticas en la escuela secundaria, pero estos sistemas solo superan a los humanos ocasionalmente.
Un sistema de IA generativa que pudiera hacer matemáticas de manera fiable necesitaría tener un entendimiento muy sólido sobre definiciones concretas de conceptos particulares que pueden volverse muy abstractos. Muchos problemas matemáticos también requieren algún nivel de planificación a lo largo de múltiples pasos. De hecho, Yann LeCun, científico jefe de IA en Meta, publicó en X y LinkedIn a finales de Noviembre que él cree que Q* es probablemente un "intento de OpenAI de planificación". Simplemente el hecho de que estemos discutiendo esta hipótesis, nos aleja enormemente de la primera oleada de startups de Inteligencia Artificial de 2015/2016, muy enfocada en la resolución de problemas mediante algoritmos (IA débil).
Si este es el camino hacia una AGI, una comprensión más profunda de las matemáticas podría verdaderamente abrir aplicaciones para ayudar a la investigación científica y la ingeniería, por ejemplo. La capacidad de generar respuestas matemáticas podría ayudarnos a desarrollar una mejor tutoría personalizada, o ayudar a los matemáticos a hacer álgebra más rápido o resolver problemas más complicados.
Esta tampoco es la primera vez que un nuevo modelo ha provocado una exageración de AGI. En 2022 se decía las mismas cosas sobre Google DeepMind’s Gato, un modelo de IA generalista que puede jugar videojuegos de Atari, subtitular imágenes, chatear y apilar bloques con un brazo robótico real. En aquel entonces, algunos investigadores de IA afirmaron que DeepMind estaba al borde de AGI debido a la capacidad de Gato de hacer muchas cosas diferentes bastante bien. Pero en realidad estábamos ante la misma máquina de exageración, simplemente en un laboratorio de IA diferente.
La Inteligencia Artificial ha recorrido un largo camino desde sus primeros conceptos hasta convertirse en una fuerza transformadora en la sociedad moderna. A través de sus éxitos y fracasos, esta demostrando un potencial impresionante para mejorar nuestras vidas y desafiar nuestras percepciones sobre lo que las máquinas pueden hacer. Mirando hacia el futuro, la IA no solo va a continuar evolucionando en términos de capacidad técnica, sino que también deberá abordar desafíos éticos y sociales significativos. La GenAI (la IA aplicada a la generación de texto, imagen o sonidos) representa un nuevo horizonte en esta evolución, abriendo un mundo de posibilidades creativas y técnicas. Como sociedad, debemos estar preparados para guiar esta evolución de manera responsable y asegurarnos de que la IA beneficie a la humanidad en su conjunto.
No existe sector, más allá de los trabajos manuales, que se libre de ser afectado por la inteligencia artificial. Incluso ciertos trabajos manuales como conducir un taxi, el reparto de mercancías, de compras o comida puede automatizarse (total o parcialmente). Ello va a tener repercusiones en el mundo del trabajo, de las relaciones laborales, de cómo los humanos nos interrelacionamos unos con otros.
La inteligencia artificial (IA) se está utilizando en una amplia gama de sectores y puede ser una excelente herramienta para mejorar el proceso de trabajo y la productividad en muchos campos. Sin embargo, la automatización de trabajos que implique la eliminación de empleos es una temática compleja y abarca muchos aspectos. Algunas empresas en las que la gestión de conocimiento, traducción o programación forman parte clave de su cartera de servicios y productos ya han empezado a recortar plantillas, tan solo 12 meses después del lanzamiento de ChatGPT.
En primer lugar, la IA puede eliminar trabajos que anteceden su implementación, como en el sector de la manufactura, donde se puede reemplazar las fábricas con sistemas más avanzados de automatización. Sin embargo, la IA también puede generar nuevos trabajos, como en el sector de la ingeniería de sistemas, donde se necesita personal capacitado para el desarrollo y mantenimiento de estos sistemas.
En segundo lugar, la aplicación de IA puede mejorar la productividad y la eficiencia en los trabajos existentes, lo que puede significar que una persona pueda completar trabajos más grandes o proyectos más complicados con la misma cantidad de tiempo o recursos. Esto puede significar que la capacidad de producción de un empresa aumente, sin necesidad de aumentar el personal, o que incluso un número menor de trabajadores más capacitados pueda realizar el trabajo del doble o triple de trabajadores.
En tercer lugar, la automatización de trabajos con IA puede permitir a los empleados profesionales aprovechar sus capacidades y recursos para desarrollar nuevos roles y responsabilidades. Esto puede incluir trabajos relacionados con el aprendizaje, el desarrollo de nuevas tecnologías o el monitoreo de los sistemas.
La inteligencia artificial está transformando la banca y la finanza al permitir la toma de decisiones informadas, la predicción de tendencias y la detección de fraude. Algunos ejemplos de cómo se utiliza la IA en el sector financiero son:
Análisis de riesgos: la IA puede analizar grandes cantidades de datos financieros para evaluar el riesgo crediticio de los clientes y tomar decisiones de préstamo informadas.
Detección de fraude: la IA puede detectar transacciones sospechosas de fraude y prevvenir pérdidas financieras.
Asistentes financieros personales: la IA puede ayudar a los usuarios a administrar sus finanzas personales y tomar decisiones informadas sobre inversiones y ahorros.
La inteligencia artificial está transformando el transporte al permitir la conducción autónoma, la gestión del tráfico y la planificación urbana. Ya se está haciendo uso de la IA para optimizar rutas y operaciones logísticas, potencialmente eliminando empleos que involucren enrutamiento y programación manual. A través del uso de sistemas impulsados por IA, las empresas pueden reducir costos y aumentar la eficiencia minimizando la cantidad de kilómetros vacíos y optimizando el consumo de combustible.
Algunos ejemplos de cómo se utiliza la IA en el sector del transporte son:
Conducción autónoma: la IA puede controlar vehículos autónomos que pueden evitar accidentes y reducir la congestión en las carreteras.
Gestión del tráfico: la IA puede analizar datos de sensores y cámaras para gestionar el flujo de tráfico y minimizar las demoras.
Planificación urbana: la IA puede ayudar a los urbanistas a diseñar ciudades más eficientes y sostenibles, utilizando algoritmos para determinar la mejor ubicación de edificios, calles y parques.
La inteligencia artificial está transformando la energía al permitir la gestión más eficiente de la producción, transmisión y consumo de energía. Algunos ejemplos de cómo se utiliza la IA en el sector de la energía son:
Producción de energía renovable: la IA puede optimize la producción de energía solar y eólica, prediciendo condiciones climáticas y ajustando la producción en consecuencia.
Gestión de la red eléctrica: la IA puede monitoriar y controlar la red eléctrica, asegurándose de que la energía llegue a los hogares y negocios de manera eficiente y segura.
Eficiencia energética: la IA puede ayudar a los consumidores a reducir su consumo de energía, proporcionándoles recomendaciones personalizadas sobre cómo ahorrar energía en sus hogares y negocios.
La inteligencia artificial ya ha revolucionado el mundo educativo, como mencionábamos en febrero de este año, junto a otros sectores. La IA permite la personalización del aprendizaje, la mejora de la retroalimentación y la identificación de patrones de éxito. Algunos ejemplos de cómo se utiliza la IA en la educación son:
Sistemas de recomendación de contenido: la IA puede analizar los patrones de comportamiento y los intereses de los estudiantes para recomendarles contenido educativo personalizado.
Tutorías virtuales: los tutores virtuales basados en IA pueden brindar retroalimentación instantánea y personalizada a los estudiantes, lo que puede mejorar su desempeño académico.
Análisis de datos: la IA puede analizar grandes cantidades de datos de estudiantes para identificar patrones de éxito y mejorar la enseñanza.
La inteligencia artificial está transformando la producción y manufactura al permitir la automatización de procesos, la mejora de la eficiencia y la reducción de costos. La IA puede eliminar empleos en la manufactura a través de la automatización, ya que puede realizar tareas como el ensamblaje de productos o la supervisión del proceso de producción mejor que los trabajadores humanos. Ahora bien, el uso de la IA puede aumentar la eficiencia y reducir el riesgo de errores, lo que lleva a ahorros de costes para las empresas. Sin embargo, es importante señalar que la IA también puede crear nuevos empleos en la manufactura, como el mantenimiento y la operación de sistemas automatizados.
Algunos ejemplos de cómo se utiliza la IA en la producción y manufactura son:
Automatización de procesos: la IA puede automatizar tareas repetitivas y predecibles, como la fabricación, el montaje y la inspección de productos.
Predicción de fallos: la IA puede analizar datos de sensores y equipos para predecir posibles fallos y evitar la downtime.
Diseño asistido por computadora: la IA puede ayudar a los diseñadores a crear productos más innovadores y eficientes mediante la generación de diseños optimizados.
La inteligencia artificial está revolucionando la atención médica al permitir la detección temprana de enfermedades, la mejora y soporte a los diagnósticos, la medicina personalizada y las tareas administrativas automatizadas. Si bien la IA tiene el potencial de eliminar ciertos trabajos que implican tareas repetitivas, como la entrada de datos, también puede mejorar los servicios de atención médica y permitir que los profesionales se centren en áreas más críticas. Por ejemplo, las herramientas de diagnóstico impulsadas por IA pueden ayudar a los médicos a realizar diagnósticos más precisos y planes de tratamiento personalizados, mejorando los resultados de los pacientes.
Algunos ejemplos de cómo se utiliza la IA en la atención médica son:
Diagnóstico médico: la IA puede analizar grandes cantidades de datos médicos para ayudar a los médicos a diagnosticar enfermedades y predictar resultados de pruebas.
Personalización del tratamiento: la IA puede ayudar a los médicos a personalizar el tratamiento de pacientes based on their individual characteristics and medical history.
Monitoreo de pacientes: la IA puede monitorear a los pacientes con enfermedades crónicas y alertar a los médicos de cualquier cambio en su condición.
La IA también está transformando la forma en que se produce y se consume el contenido audiovisual. Por ejemplo, la plataforma de streaming Netflix utiliza algoritmos de aprendizaje automático para recomendar películas y programas de televisión a sus usuarios based en su historial de visualización y en las preferencias de otros usuarios similares.
Estos son solo algunos ejemplos de cómo se utiliza la inteligencia artificial en diferentes sectores. La IA tiene el potential de transformar muchas otras industrias y mejorar la eficiencia, la productividad y la experiencia del usuario en muchos contextos.
No podemos negar que la IA puede tener y ya está teniendo un impacto significativo en la sociedad y es importante considerar los aspectos éticos y sociales relacionados con su desarrollo y uso. Algunos de los retos éticos que plantea la IA incluyen:
El riesgo de sesgo y discriminación: Los algoritmos de aprendizaje automático pueden aprender patrones en los datos que reflejen sesgos y discriminaciones en la sociedad, lo que puede perpetuar injusticias y aumentar la brecha digital.
La privacidad y seguridad de los datos: La recopilación y el análisis de grandes cantidades de datos personales pueden erosionar la privacidad y aumentar el riesgo de violaciones de seguridad y robos de identidad.
Responsabilidad y la transparencia: Es importante establecer quién es responsable cuando un sistema de IA toma una decisión incorrecta o daña a alguien, y también es necesario garantizar que los procesos de toma de decisiones sean transparentes y comprensibles.
Impacto laboral: La automatización y la sustitución de trabajos por parte de la IA pueden afectar negativamente a ciertas profesiones y sectores económicos, lo que requiere una adaptación y una formación constantes.
Seguridad y estabilidad: La IA puede ser utilizada para actividades malintencionadas, como el hacking o la propaganda falsa, lo que puede poner en peligro la seguridad y la estabilidad de la sociedad.
Para abordar estos retos, es fundamental contar con un marco regulador claro y coherente que garanticen el uso responsable y ético de la IA. También es importante invertir en educación y capacitación para desarrollar habilidades en IA y garantizar que todas las partes interesadas estén preparadas para enfrentar los cambios que se avecinan.
La IA plantea una serie de retos éticos que debemos abordar para garantizar que su desarrollo y uso sean beneficiosos para la sociedad. Algunos de estos retos son:
La discriminación. Los sistemas de IA pueden ser discriminadores si están entrenados con datos que reflejan sesgos sociales. Por ejemplo, un sistema de reconocimiento facial que esté entrenado con datos de una población predominantemente blanca puede tener más problemas para identificar a personas de color.
La privacidad. Los sistemas de IA necesitan recopilar y procesar datos personales para aprender y mejorar su rendimiento. Esto plantea riesgos para la privacidad de las personas.
La seguridad. Los sistemas de IA pueden ser vulnerables a ataques cibernéticos. Estos ataques pueden utilizarse para robar datos, interrumpir el funcionamiento de los sistemas o incluso causar daños físicos.
En conclusión, la IA es una herramienta poderosa que puede transformar muchos aspectos de nuestra vida cotidiana, pero es importante abordar los retos éticos y sociales relacionados con su desarrollo y uso para garantizar que su impacto sea positivo y benefique a toda la sociedad. La IA está teniendo un impacto cada vez mayor en nuestra sociedad.