Capítulo 21 — Inteligencia Artificial: Cuando las máquinas comenzaron a aprender
Los Pilares de la Civilización
Hace miles de años, un ser humano hizo algo aparentemente sencillo:
escribió una marca sobre una superficie.
Aquella marca podía representar una palabra.
Una cantidad.
Un nombre.
Una idea.
Y algo extraordinario ocurrió.
El conocimiento dejó de depender exclusivamente de la memoria humana.
Desde entonces, nuestra civilización ha construido una cadena extraordinaria.
Aprendimos a escribir.
Construimos bibliotecas.
Conservamos manuscritos.
Inventamos la imprenta.
Recuperamos conocimientos antiguos.
Desarrollamos la ciencia.
Cuestionamos las autoridades.
Construimos máquinas.
Creamos escuelas.
Conectamos computadoras.
Y finalmente llegamos a una pregunta que parecía pertenecer a la ciencia ficción:
¿podemos construir una máquina capaz de realizar tareas que asociamos con la inteligencia?
La respuesta comenzó a ser sí.
Había nacido la Inteligencia Artificial.
Pero la IA no apareció de repente
Cuando escuchamos la expresión “Inteligencia Artificial”, podemos imaginar computadoras modernas, robots o asistentes que conversan con nosotros.
Pero la historia comenzó mucho antes.
Mucho antes de Internet.
Mucho antes de los teléfonos inteligentes.
Incluso antes de las computadoras personales.
La pregunta fundamental era antigua:
¿puede una máquina pensar?
Una pregunta de Alan Turing
En 1950, el matemático británico Alan Turing publicó un artículo que planteaba una pregunta provocadora:
“¿Pueden pensar las máquinas?”
Turing comprendía que la palabra “pensar” podía ser demasiado difícil de definir.
Por eso propuso una manera diferente de abordar el problema.
Si una máquina podía conversar de manera que una persona no pudiera distinguir fácilmente sus respuestas de las de un ser humano...
¿podríamos considerarla inteligente?
La propuesta se conocería posteriormente como el Test de Turing.
La pregunta había cambiado.
Ya no era únicamente:
“¿Puede una máquina pensar?”
Ahora también era:
“¿Puede una máquina comportarse de una manera que asociamos con el pensamiento?”
El nacimiento de un campo
En 1956, durante el Dartmouth Summer Research Project on Artificial Intelligence, investigadores utilizaron formalmente el término Artificial Intelligence.
La idea era ambiciosa.
Querían estudiar si aspectos de la inteligencia humana podían ser descritos con suficiente precisión como para que una máquina pudiera simularlos.
Razonamiento.
Resolución de problemas.
Lenguaje.
Aprendizaje.
Percepción.
La idea parecía extraordinaria.
Y algunos investigadores llegaron a pensar que grandes avances podrían producirse rápidamente.
La realidad resultó mucho más difícil.
Las primeras máquinas inteligentes
Los primeros sistemas de IA eran muy diferentes de los actuales.
No tenían miles de millones de parámetros.
No podían conversar sobre prácticamente cualquier tema.
No podían generar imágenes realistas.
No podían escribir ensayos completos.
Muchos funcionaban mediante reglas diseñadas por seres humanos.
Si ocurre A...
haz B.
Si ocurre C...
haz D.
Era una inteligencia basada principalmente en instrucciones.
Funcionaba bien en problemas muy específicos.
Pero tenía enormes limitaciones.
El problema del mundo real
Una máquina puede seguir reglas perfectamente.
Pero el mundo real está lleno de excepciones.
Ambigüedad.
Contexto.
Ironía.
Errores.
Información incompleta.
Lenguaje.
Una persona puede comprender que una frase significa algo diferente dependiendo de quién la diga y en qué situación.
Para una máquina, aquello podía ser extraordinariamente difícil.
La inteligencia humana no funciona como un simple libro de instrucciones.
Los inviernos de la IA
Durante las décadas de 1970 y 1980, las expectativas sobre la inteligencia artificial fueron mucho mayores que los resultados obtenidos en muchos proyectos.
El financiamiento disminuyó.
El entusiasmo se enfrió.
Hubo periodos conocidos como “AI winters”, inviernos de la inteligencia artificial.
Esto es importante.
Porque la historia de la tecnología no es una línea recta.
No todo progreso es constante.
Hay avances.
Retrocesos.
Exageraciones.
Fracasos.
Nuevos descubrimientos.
Y después nuevas oportunidades.
La IA sobrevivió a esos inviernos.
La nueva idea: aprender de los datos
Poco a poco comenzó a ganar fuerza un enfoque diferente.
En lugar de decirle a una máquina exactamente qué debía hacer...
¿por qué no permitir que aprendiera de ejemplos?
En lugar de programar todas las reglas...
podíamos proporcionar datos.
Muchos datos.
Y algoritmos capaces de encontrar patrones.
La máquina no necesitaba recibir todas las instrucciones explícitamente.
Podía ajustar su comportamiento a partir de los ejemplos.
Había comenzado una nueva etapa:
el aprendizaje automático.
Machine Learning
El aprendizaje automático, o machine learning, cambió la pregunta.
Antes:
“¿Cómo programamos esta tarea?”
Después:
“¿Cómo hacemos que una máquina aprenda esta tarea a partir de datos?”
La diferencia es enorme.
Imaginemos que queremos que una computadora reconozca gatos.
Podríamos intentar escribir miles de reglas:
tiene orejas así,
tiene ojos de esta forma,
tiene cuatro patas,
tiene determinado tamaño...
Pero las posibilidades son prácticamente infinitas.
Una alternativa es mostrarle enormes cantidades de ejemplos.
Gatos.
No gatos.
Gatos de diferentes razas.
Gatos en diferentes posiciones.
Gatos con diferentes fondos.
El sistema comienza a encontrar patrones.
El poder de los datos
Aquí aparece una nueva pieza fundamental.
Para aprender, muchos sistemas de IA necesitan datos.
Y cuanto más sofisticados son determinados modelos, mayor puede ser la importancia de disponer de grandes cantidades de información y capacidad de procesamiento.
Esto conecta directamente con la historia anterior.
La imprenta produjo más textos.
La educación produjo más lectores.
Internet produjo una cantidad gigantesca de información digital.
Y ahora esa información podía convertirse en materia prima para sistemas capaces de aprender patrones.
La civilización había estado construyendo, sin saberlo, parte de la infraestructura que necesitaría la inteligencia artificial.
Las redes neuronales
Otra idea importante fue inspirarse, de manera muy simplificada, en algunos aspectos del funcionamiento de las redes neuronales biológicas.
Las redes neuronales artificiales están formadas por unidades matemáticas conectadas.
Estas redes pueden aprender ajustando sus parámetros a partir de datos.
Durante décadas existieron.
Pero tenían limitaciones.
Faltaban datos.
Faltaba capacidad de procesamiento.
Faltaban técnicas suficientemente eficaces.
Entonces llegaron nuevas mejoras.
Deep Learning
El aprendizaje profundo, o deep learning, utiliza redes neuronales con muchas capas para aprender representaciones complejas de los datos.
El crecimiento de la capacidad computacional y la disponibilidad de grandes conjuntos de datos hicieron posible avances enormes.
Reconocimiento de imágenes.
Reconocimiento de voz.
Traducción automática.
Predicción.
Juegos.
Procesamiento del lenguaje.
La IA comenzó a realizar tareas que anteriormente parecían difíciles de automatizar.
Una máquina aprende a reconocer
Imaginemos millones de fotografías.
Una persona puede reconocer objetos rápidamente.
Pero enseñar manualmente a una computadora todas las características posibles de un objeto sería extraordinariamente difícil.
Los sistemas de aprendizaje profundo encontraron otra estrategia.
Aprender representaciones a partir de ejemplos.
El sistema recibe datos.
Comete errores.
Ajusta sus parámetros.
Vuelve a intentarlo.
Repite el proceso muchas veces.
Poco a poco mejora.
La máquina no aprende exactamente como aprende un niño.
Pero puede optimizarse mediante procesos matemáticos para reconocer patrones con una eficacia extraordinaria.
2012: un momento importante
En 2012, un sistema conocido como AlexNet obtuvo resultados revolucionarios en reconocimiento de imágenes mediante redes neuronales profundas.
El avance mostró con claridad el potencial de combinar:
datos + redes neuronales + enorme capacidad de cómputo.
La inteligencia artificial comenzó a entrar en una nueva etapa.
Y el progreso se aceleró.
AlphaGo
En 2016, el sistema AlphaGo, desarrollado por DeepMind, derrotó al campeón mundial de Go Lee Sedol.
¿Por qué fue tan importante?
Go tiene una cantidad enorme de posibles movimientos.
Muchos de ellos son difíciles de evaluar mediante reglas simples.
AlphaGo utilizó técnicas de aprendizaje automático para analizar posiciones y mejorar su juego.
La victoria demostró que las máquinas podían alcanzar niveles extraordinarios en tareas que requerían estrategias complejas.
La IA ya no era solamente una curiosidad de laboratorio.
Podía superar a seres humanos expertos en determinados dominios.
Pero todavía faltaba algo
Una cosa es reconocer imágenes.
Otra es jugar Go.
Otra completamente diferente es trabajar con lenguaje.
El lenguaje humano es extraordinariamente complejo.
Tiene contexto.
Ambigüedad.
Metáforas.
Ironía.
Historia.
Cultura.
Una palabra puede significar cosas diferentes dependiendo de la frase.
Para trabajar con lenguaje a gran escala se necesitaba una nueva arquitectura.
Y entonces apareció una de las innovaciones más importantes de esta historia.
Los Transformers
En 2017, investigadores publicaron el artículo “Attention Is All You Need”.
El trabajo introdujo la arquitectura Transformer.
Su importancia fue enorme.
Los Transformers permitieron procesar relaciones entre elementos de una secuencia de manera mucho más eficiente que muchos enfoques anteriores.
La arquitectura se convirtió en una pieza fundamental de los grandes modelos de lenguaje modernos.
La IA estaba entrando en una nueva era.
Los modelos de lenguaje
Un modelo de lenguaje aprende patrones estadísticos presentes en enormes cantidades de texto.
Durante su entrenamiento analiza secuencias y aprende relaciones entre palabras, frases y conceptos.
De manera simplificada, puede aprender a predecir qué elementos son plausibles dentro de un contexto.
Con suficiente escala y entrenamiento, aparecen capacidades sorprendentes.
Puede resumir.
Traducir.
Responder preguntas.
Explicar conceptos.
Generar diferentes tipos de texto.
Escribir código.
Y, en sistemas multimodales, trabajar también con imágenes, audio y otros tipos de información.
ChatGPT y la conversación con máquinas
Cuando aparecieron sistemas conversacionales avanzados como ChatGPT, millones de personas pudieron interactuar directamente con un modelo de IA mediante lenguaje natural.
Ya no era necesario aprender un lenguaje de programación para hacer determinadas tareas.
Podíamos simplemente escribir:
“Explícame esto.”
“Resume este documento.”
“Ayúdame a escribir una carta.”
“Traduce este texto.”
“Genera ideas.”
La interfaz más antigua de la computadora había sido el código.
Después llegaron los menús.
Los iconos.
Las pantallas táctiles.
Ahora aparecía algo todavía más natural:
el lenguaje humano.
La máquina que responde
Y aquí ocurre algo históricamente importante.
Durante siglos, para obtener conocimiento necesitábamos encontrar una fuente.
Un libro.
Un maestro.
Una biblioteca.
Un experto.
Internet redujo enormemente el costo de encontrar información.
La IA añade otra capa:
puede procesar información y producir una respuesta adaptada a una pregunta.
Pero esto también introduce un nuevo problema.
La respuesta puede sonar convincente...
y estar equivocada.
La inteligencia artificial puede equivocarse
Una IA no es una autoridad infalible.
Puede cometer errores.
Puede interpretar mal una pregunta.
Puede inventar información.
Puede presentar una afirmación falsa con enorme seguridad.
Puede reproducir sesgos presentes en sus datos o en el proceso mediante el cual fue desarrollada.
Esto nos devuelve directamente a uno de los grandes principios de nuestra serie:
el conocimiento debe poder ser examinado.
La llegada de la IA no elimina la necesidad del pensamiento crítico.
La hace todavía más importante.
El nuevo problema: distinguir respuesta de conocimiento
Internet nos enseñó que:
información no significa verdad.
La IA nos obliga a añadir una segunda distinción:
una respuesta bien escrita tampoco significa verdad.
Una máquina puede producir una explicación elegante.
Puede escribir con seguridad.
Puede utilizar palabras técnicas.
Puede construir argumentos convincentes.
Y aun así equivocarse.
Por eso, en la era de la IA, una habilidad fundamental será saber:
preguntar, verificar, comparar y juzgar.
La IA como herramienta
Existe una tendencia a imaginar dos extremos.
O la IA va a reemplazar completamente a los seres humanos...
o no sirve para nada.
La realidad es mucho más interesante.
Una herramienta puede ampliar nuestras capacidades sin necesariamente eliminar la necesidad de las personas.
Una calculadora no eliminó las matemáticas.
Un microscopio no eliminó al científico.
Una cámara no eliminó al fotógrafo.
Un tractor no eliminó la agricultura.
Internet no eliminó al escritor.
La IA puede convertirse en otra herramienta de amplificación.
Pero una herramienta extraordinariamente poderosa.
El trabajo vuelve a cambiar
La Revolución Industrial sustituyó o transformó muchos trabajos físicos.
La automatización informática transformó muchos trabajos administrativos y repetitivos.
La IA introduce algo nuevo:
también puede automatizar determinadas tareas cognitivas.
Redacción.
Traducción.
Clasificación.
Análisis.
Programación.
Atención al cliente.
Generación de imágenes.
Audio.
Video.
Eso no significa que todas esas profesiones desaparecerán.
Significa que las tareas que las componen pueden cambiar.
Y cuando cambian las tareas...
cambian las profesiones.
La gran pregunta laboral
La pregunta ya no es simplemente:
“¿La IA reemplazará empleos?”
La pregunta más útil es:
“¿Qué tareas serán automatizadas y qué nuevas tareas aparecerán?”
La historia ofrece un patrón.
La tecnología destruye determinadas formas de trabajo.
Pero también crea otras.
El automóvil destruyó parte de la demanda de ciertos oficios relacionados con caballos.
Pero creó industrias enteras alrededor de vehículos, carreteras, combustibles, reparación, seguros y transporte.
La computadora eliminó algunas tareas.
Pero creó millones de nuevas actividades.
La IA probablemente hará algo similar.
Aunque todavía no sabemos exactamente en qué escala.
El nuevo valor humano
Si las máquinas pueden producir texto, imágenes, música y código...
¿qué queda para nosotros?
La respuesta no es sencilla.
Pero algunas capacidades adquieren todavía mayor valor:
formular buenas preguntas,
establecer objetivos,
evaluar resultados,
comprender contexto,
tomar decisiones,
crear relaciones,
asumir responsabilidad,
tener criterio.
La IA puede generar una respuesta.
Pero alguien tiene que decidir:
¿qué problema estamos intentando resolver?
La creatividad también cambia
Durante mucho tiempo se pensó que crear era una actividad exclusivamente humana.
Hoy las máquinas pueden generar imágenes, música, textos y diseños.
Eso no significa que tengan necesariamente experiencias humanas de creatividad.
Pero sí significa que pueden participar en procesos creativos.
Un diseñador puede generar muchas propuestas y seleccionar una.
Un músico puede utilizar IA para explorar arreglos.
Un escritor puede utilizarla para desarrollar ideas.
Un programador puede utilizarla para crear prototipos.
La creatividad puede convertirse cada vez más en una colaboración entre persona y máquina.
Y entonces aparece una pregunta filosófica
Si una máquina puede escribir un poema...
¿es poeta?
Si puede crear una pintura...
¿es artista?
Si puede resolver un problema matemático...
¿comprende las matemáticas?
Si puede explicar filosofía...
¿filosofa?
Estas preguntas no tienen respuestas sencillas.
Y quizá algunas ni siquiera sean las preguntas correctas.
Tal vez debamos distinguir entre:
producir un resultado
y
comprender lo que significa ese resultado.
La IA nos obliga a pensar nuevamente qué entendemos por inteligencia.
El conocimiento vuelve a cambiar de forma
Recordemos nuestro recorrido.
Al principio, el conocimiento estaba principalmente en la memoria humana.
Después pasó a las tablillas.
Los manuscritos.
Los libros.
Las bibliotecas.
Los periódicos.
Las escuelas.
Las computadoras.
Internet.
Ahora una parte del conocimiento puede ser procesada por sistemas de IA.
Eso no significa que la IA “contenga todo el conocimiento humano”.
No lo contiene.
Pero puede trabajar con enormes cantidades de información y establecer relaciones entre ellas a una velocidad extraordinaria.
La civilización ha creado algo nuevo:
una capa artificial de procesamiento sobre nuestra infraestructura de conocimiento.
Pero no debemos confundir inteligencia con sabiduría
Esta distinción puede ser una de las más importantes de todo el proyecto.
Una máquina puede calcular.
Puede predecir.
Puede generar.
Puede encontrar patrones.
Pero la pregunta:
“¿Qué debemos hacer?”
no es idéntica a:
“¿Qué podemos hacer?”
La ciencia puede decirnos cómo funciona una bomba.
La tecnología puede permitir construirla.
Pero ninguna ecuación decide por sí sola si debemos utilizarla.
La capacidad técnica no determina automáticamente la decisión moral.
La inteligencia puede ampliar nuestras opciones.
La sabiduría debe ayudarnos a elegir entre ellas.
La responsabilidad sigue siendo humana
Si una IA produce una recomendación equivocada...
¿quién responde?
Si un sistema discrimina...
¿quién lo diseñó?
Si una empresa utiliza IA para tomar una decisión importante...
¿quién debe rendir cuentas?
Si una persona utiliza una IA para crear información falsa...
¿quién es responsable?
Estas preguntas apenas están comenzando a ser respondidas por nuestras leyes y nuestras instituciones.
La tecnología avanza rápidamente.
Las normas sociales y jurídicas suelen avanzar más lentamente.
La civilización vuelve a enfrentarse a un viejo problema:
nuestras herramientas pueden avanzar más rápido que nuestra capacidad para regularlas.
El gran peligro no es solamente la máquina
Podríamos imaginar que el principal riesgo de la IA es que las máquinas se vuelvan demasiado inteligentes.
Pero existe otro peligro mucho más inmediato:
que los seres humanos utilicen herramientas poderosas sin criterio.
Una mentira producida manualmente puede alcanzar a unas pocas personas.
Una mentira generada automáticamente puede producir miles de versiones.
Un fraude puede automatizarse.
La propaganda puede personalizarse.
La desinformación puede multiplicarse.
La capacidad de generar información aumenta.
Y con ella aumenta la necesidad de verificarla.
La vieja lección vuelve
Y aquí regresamos a una idea que apareció en la Revolución Científica y en la Ilustración.
No debemos proteger una idea del examen de la razón.
Ni siquiera cuando la idea proviene de una máquina.
Una respuesta de IA no debería convertirse en un nuevo dogma.
No debemos decir:
“La computadora lo dijo, por lo tanto es verdad.”
Eso sería cometer exactamente el error que la ciencia moderna nos enseñó a evitar.
La máquina puede ser una herramienta extraordinaria.
Pero sigue siendo necesario preguntar:
¿Cómo lo sabemos?
El verdadero legado de la civilización
Y quizá aquí encontramos el verdadero tema de toda nuestra historia.
No son las pirámides.
No son las bibliotecas.
No son las máquinas.
No son las computadoras.
No son los servidores.
No es siquiera la inteligencia artificial.
El verdadero legado es algo mucho más frágil:
la capacidad de una generación para transmitir conocimiento a la siguiente y permitir que esa siguiente generación lo cuestione, lo mejore y lo transforme.
Eso es civilización.
La cadena completa
Miremos nuevamente nuestro recorrido.
Escritura → conservar la memoria.
Alejandría → reunir el conocimiento.
Los monjes → preservar los libros.
Gutenberg → multiplicar las palabras.
El Renacimiento → recuperar y reinterpretar.
La Revolución Científica → comprobar mediante evidencia.
La Ilustración → defender la libertad de pensar.
La Revolución Industrial → convertir conocimiento en máquinas.
La Educación Pública → ampliar el acceso.
Internet → conectar el conocimiento.
La Inteligencia Artificial → procesar y generar información a una escala inédita.
Cada etapa se construyó sobre las anteriores.
Ninguna apareció de la nada.
La IA no comenzó con una computadora.
Comenzó con una marca escrita hace miles de años.
Y ahora volvemos al principio
Al principio de este viaje hicimos una pregunta:
¿Cómo sobrevive el conocimiento?
Ahora podemos responder.
Sobrevive cuando alguien lo registra.
Cuando alguien lo conserva.
Cuando alguien lo copia.
Cuando alguien lo enseña.
Cuando alguien lo cuestiona.
Cuando alguien lo mejora.
Cuando alguien lo comparte.
Y cuando alguien decide transmitirlo a la siguiente generación.
Pero existe una condición fundamental.
El conocimiento no puede sobrevivir únicamente almacenado.
Tiene que seguir siendo utilizado.
Preguntado.
Examinado.
Discutido.
Corregido.
El futuro no está escrito
La inteligencia artificial representa una nueva etapa.
Pero nadie sabe exactamente qué vendrá después.
Quizá máquinas mucho más capaces.
Quizá nuevas formas de colaboración entre humanos e IA.
Quizá nuevas profesiones.
Quizá nuevas instituciones.
Quizá problemas que todavía ni siquiera sabemos formular.
La historia nos enseña algo importante:
el futuro rara vez llega exactamente como lo imaginamos.
La mejor preparación no consiste en adivinarlo.
Consiste en desarrollar la capacidad de adaptarnos.
Los pilares
Después de recorrer miles de años, podemos identificar algunos pilares fundamentales de una civilización del conocimiento:
Memoria.
Recordar lo aprendido.
Conservación.
Protegerlo de la destrucción.
Acceso.
Permitir que otros puedan encontrarlo.
Educación.
Enseñar a utilizarlo.
Razón.
Examinarlo.
Evidencia.
Comprobarlo.
Libertad.
Permitir cuestionarlo.
Comunicación.
Compartirlo.
Tecnología.
Utilizarlo para transformar el mundo.
Y finalmente:
Responsabilidad.
Decidir qué hacemos con él.
El último mensaje
Hace miles de años alguien escribió una palabra sobre una tablilla.
Quizá nunca imaginó que esa pequeña marca formaba parte del comienzo de algo gigantesco.
Generaciones posteriores copiaron textos.
Construyeron bibliotecas.
Fundaron escuelas.
Inventaron imprentas.
Observaron las estrellas.
Construyeron máquinas.
Tendieron cables.
Conectaron computadoras.
Y finalmente crearon sistemas capaces de trabajar con lenguaje.
Cada generación recibió algo de la anterior.
Y añadió algo propio.
Eso es lo que hacemos cuando construimos civilización.
Recibimos conocimiento.
Lo examinamos.
Lo mejoramos.
Y lo entregamos a quienes vienen después.
Epílogo — La pregunta que queda
Quizá la pregunta más importante después de este viaje no sea:
“¿Qué hará la inteligencia artificial?”
La pregunta es:
“¿Qué haremos nosotros con ella?”
Porque la historia nunca ha sido solamente la historia de nuestras herramientas.
Ha sido la historia de las decisiones que tomamos con ellas.
La escritura pudo conservar conocimiento...
o propaganda.
La imprenta pudo difundir ideas...
o mentiras.
La ciencia pudo mejorar la vida...
o producir armas.
La industria pudo crear riqueza...
y también explotación.
Internet pudo democratizar la información...
y también multiplicar la desinformación.
La inteligencia artificial no será diferente.
Será tan valiosa...
o tan peligrosa...
como las decisiones que los seres humanos tomen con ella.
Por eso quizá el verdadero pilar de una civilización no sea una tecnología.
Ni una institución.
Ni siquiera un libro.
Es algo más sencillo.
Y más difícil.
La capacidad de pensar.
Porque mientras una sociedad conserve la libertad de preguntar...
de dudar...
de investigar...
de discutir...
de corregirse...
y de aprender...
su historia todavía no habrá terminado.
Los Pilares de la Civilización
No se trata solamente de saber de dónde venimos.
Se trata de comprender cómo llegamos hasta aquí.
Y, sobre todo...
de decidir qué construiremos después.