¿Qué es la inteligencia artificial?

Hay tantas definiciones de IA como gente reflexionando sobre la IA, y eso no es un defecto del campo: es lo que pasa cuando dos palabras vagas se juntan para nombrar algo que todavía no terminamos de entender. “Inteligencia” y “artificial” son de esos conceptos que científicos y filósofos llevan siglos intentando precisar, y sobre los que la única precisión disponible es que funcionan como una nube de ideas dependiente del contexto, no como una definición matemática.

Vale la pena empezar por ahí, porque casi todas las discusiones públicas sobre IA son en realidad discusiones sobre qué entra y qué no entra en la palabra.

La primera caja negra

Cuatro definiciones clásicas, recopiladas en el manual de Russell y Norvig:

“El emocionante nuevo esfuerzo para hacer que las computadoras piensen… máquinas con mentes, en el sentido completo y literal.” (Haugeland, 1985)

“El estudio de cómo hacer que las computadoras hagan cosas que, por el momento, las personas hacen mejor.” (Rich y Knight, 1991)

“El estudio de las facultades mentales a través del uso de modelos computacionales.” (Charniak y McDermott, 1985)

“A la IA … le concierne el comportamiento inteligente en los artefactos.” (Nilsson, 1998)

Fijate la tensión: algunas hablan de pensar y otras de comportarse. Quien quiera replicar artificialmente la inteligencia humana puede intentar construir algo que piense como creemos que pensamos, o puede construir un artefacto que, para todos los propósitos prácticos, se comporte como si pensara, sin que importe demasiado si por dentro pasa algo parecido.

El problema del primer camino es evidente en cuanto uno se lo formula en voz alta: no sabemos bien cómo pensamos. La primera caja negra somos nosotros. Y esto no es una digresión filosófica sino una restricción de ingeniería: no se puede replicar con fidelidad un proceso del que no se tiene un modelo.

De los agentes racionales a la incertidumbre sobre los fines

Hasta su tercera edición (2009), Russell y Norvig organizaban todo el manual alrededor de una idea:

Definimos la IA como el estudio de agentes que reciben percepciones del entorno y realizan acciones.

Un agente racional era, entonces, el que actúa para obtener el mejor resultado o, ante la incertidumbre, el mejor resultado esperado. Y “actuar bien” se medía por consecuencias: si la secuencia de estados que el agente produce en su entorno es deseable, actuó bien. La deseabilidad la fija una medida de rendimiento definida de antemano.

Es una definición limpia, operativa y bastante difícil de sostener en el mundo de la vida cotidiana. ¿Quién escribe la medida de rendimiento? ¿Actuamos así nosotros?

La cuarta edición (2020) reconoce el problema y cambia el marco. La IA ya no se define como la construcción de agentes que maximizan un objetivo dado, sino como la de agentes beneficiosos, que operan sabiendo que no conocen con certeza cuáles son los objetivos humanos que deberían perseguir. Es un giro que conviene registrar, porque desplaza el problema técnico: ya no se trata sólo de optimizar mejor, sino de qué hacer cuando la función que se optimiza es una hipótesis sobre lo que alguien quiere.

Buena parte de la discusión contemporánea sobre alineación, sobre evaluación y sobre políticas de uso vive en ese desplazamiento.

La IA “original”: el verano de 1956

La delimitación fundacional del campo está en la propuesta del taller de Dartmouth:

Proponemos que se lleve a cabo un estudio de la inteligencia artificial de dos meses y diez hombres en el verano de 1956 en el Dartmouth College de Hanover, New Hampshire.

El estudio es para seguir adelante sobre la base de la conjetura de que cualquier aspecto del aprendizaje o cualquier otro rasgo de inteligencia puede en principio ser descrito de forma tan precisa que puede hacerse que una máquina lo simule.

El énfasis marca la apuesta entera, y también su punto débil. Todo el programa descansa en que la inteligencia admita una descripción formal suficientemente precisa. Dos meses, diez personas. Probó ser una tarea considerablemente más difícil.

La IA de hoy: enseñar en vez de instruir

La forma más útil de delimitar lo que hoy se llama IA es como una nueva manera de programar. En la vieja, alguien tenía que especificar cada instrucción: qué mirar, en qué orden, con qué criterio decidir. En la nueva no se dan instrucciones sino ejemplos, y a veces ni siquiera eso: se corrige el resultado y el sistema ajusta.

Eso desplaza el trabajo, no lo elimina. Donde antes había un programador escribiendo reglas, ahora hay decisiones sobre qué datos se juntan, de dónde salen, qué se etiqueta como correcto y quién lo etiqueta. Son decisiones tan determinantes como las reglas que reemplazan, con la diferencia de que quedan mucho menos a la vista.

Desde 2017 el campo se organiza alrededor de una arquitectura concreta, el transformer, y desde fines de 2022 alrededor de un producto concreto, el chatbot de propósito general. Conviene no confundir los tres niveles —una manera de programar, una arquitectura, un producto— porque la palabra “IA” los nombra a todos y el deslizamiento entre ellos es donde se cuela la mayoría de las promesas infundadas.

Cómo se llegó hasta acá es el asunto de Historia reciente. Pero antes conviene pasar por quien planteó casi todas estas preguntas cuando no existía todavía una computadora electrónica para hacérselas.

Sugerencias de lectura

Boden, M. A. (2017). Inteligencia artificial. Turner.

Copeland, J. (1996). Inteligencia artificial: Una introducción filosófica. Alianza Editorial.

Russell, S. y Norvig, P. (2020). Artificial intelligence: A modern approach (4.ª ed.). Pearson.

Esta entrada revisa y actualiza ¿Qué es IA? de la v1.