Cuando me senté a escribir esta entrada, mi intención era abordar las controversias en torno a la inteligencia artificial generativa (IAgN), y más concretamente, sus ventajas e inconvenientes en función de sus usos actuales, riesgos y posibles tendencias futuras. Pero para hablar de los impactos de la IAgN, tanto positivos como negativos, primero debemos entender qué es exactamente la IA y en qué se diferencia de la IAgN.
Resulta que la expresión "inteligencia artificial" puede tener muchos significados diferentes, dependiendo de a quién y cómo se le pregunte. Así que hoy quiero profundizar en qué constituye exactamente la IA.
Para definir lo que ahora llamamos inteligencia artificial, conviene examinar primero su origen. Y si bien se podría argumentar que los modelos de IA se basan en campos de lógica y estadística que se remontan a siglos atrás, la mayoría de los historiadores, informáticos y matemáticos coinciden en que el concepto moderno de IA data de la década de 1950. Según Stanford Estudio de cien años sobre inteligencia artificialEn 1956, destacados lógicos, matemáticos, científicos y filósofos de la época se reunieron en un taller del Dartmouth College para intentar responder a la pregunta de si los ordenadores podrían algún día ser capaces de tener un pensamiento o una inteligencia similar a la humana, acuñando oficialmente el término "Inteligencia Artificial".
Pero lo que se considera inteligencia depende de cómo se defina. Conocido como el padre de la informática moderna, Alan Turing publicó su ensayo "Máquinas de computación e inteligencia" en 1950, en el que teorizaba un proceso para que las computadoras aprendieran y comunicaran sus hallazgos. En este ensayo, diseñó un "juego de imitación", posteriormente llamado la prueba de Turing, en el que un investigador humano formulaba preguntas a otro humano y a una computadora, ambos fuera de su vista. Si el investigador no podía determinar cuál era la computadora, se consideraba que esta era capaz de inteligencia humana (lea más sobre la prueba de Turing). aquíDe esta forma, la IA puede considerarse como programas capaces de producir respuestas similares a las humanas.
Casi al mismo tiempo, en 1959, el científico informático Arthur Samuel diseñó un programa informático que aprendía a jugar a las damas mediante ensayo y error, convirtiéndose en uno de los ejemplos fundacionales de una rama de la IA conocida como aprendizaje automático. En lugar de que un programador informático creara código que utilizara lógica condicional para codificar todos los movimientos posibles y dar instrucciones basadas en movimientos anteriores, el código se creó de manera que el programa jugara partidas de damas, almacenara datos sobre qué movimientos conducían a buenos y malos resultados, y luego utilizara ese conjunto de datos para realizar movimientos en la siguiente partida con una mayor probabilidad de éxito. Cuantas más partidas se jugaran, mayor sería el conjunto de datos, y el programa podría predecir con mayor precisión qué movimientos conducirían a una partida ganadora (lea más en los escritos del propio Samuel). aquíEste enfoque era muy matemático para el concepto de aprendizaje por ensayo y error, algo que los humanos hacemos constantemente. De esta manera, la inteligencia artificial se medía por su capacidad de aprender y mejorar artificialmente, es decir, sin intervención humana.
A mediados de la década de 1960, el primer programa estaba listo para intentar la prueba de Turing. ELIZA, un programa que ahora llamaríamos uno de los primeros chatbots, utilizó una rama de la IA de reciente desarrollo llamada procesamiento del lenguaje natural (PLN) para simular los patrones de conversación de un psicoterapeuta (este artículo explica los matices y los impactos del programa ELIZA). El PLN es el sistema de traducir el habla o el texto humano a un script informático que puede ser procesado y respondido, y aunque ELIZA fue un ejemplo muy rudimentario, fue revolucionario para la época. Y en la misma década, investigación del MIT Esto se estaba haciendo en una rama paralela de la IA llamada visión artificial, que traduce imágenes y vídeos a un guion informático, del mismo modo que ELIZA traducía texto.
Diferentes ramas de la IA, como el aprendizaje automático, el procesamiento del lenguaje natural y la visión por computadora, entre otras, han tenido avances trascendentales, así como grandes retrocesos, durante el último medio siglo, como se describe en IBMA pesar del llamado "invierno de la IA" en la década de 1980, cuando la financiación para la investigación se agotó, se lograron avances en la creación de códigos y scripts más eficientes, rápidos, precisos y efectivos para que las computadoras los ejecutaran, lo que permitió el desarrollo de programas que utilizaban múltiples ramas de la IA simultáneamente para facilitarnos la vida. Y en muchos sentidos, la IA ha estado presente en nuestras vidas sin que nos diéramos cuenta. El filtrado de spam en nuestros correos electrónicos utiliza el aprendizaje automático para reconocer patrones basados en datos históricos de correo electrónico, mientras que Netflix utiliza las mismas herramientas para ofrecernos recomendaciones de visualización basadas en nuestro historial de reproducción. Siri ha estado utilizando el procesamiento del lenguaje natural para comprender nuestras peticiones verbales desde su creación en 2011, mientras que hemos estado utilizando la visión artificial para desbloquear nuestros teléfonos con Face ID desde 2017.
Lo que nos lleva al auge de la IA de la última década y, específicamente, al auge de la inteligencia artificial generativa. Mientras que antes la IA consumía e interpretaba datos y proporcionaba respuestas directas o predicciones basadas en patrones históricos, Noticias del MIT Explica que los nuevos avances de mediados de la década de 2010 permitieron entrenar programas para generar datos completamente nuevos.
Gracias al aumento de la capacidad y los recursos informáticos, la IA genómica ha experimentado un crecimiento explosivo en popularidad y capacidad, y ahora se utiliza para todo, desde escribir correos electrónicos hasta crear vídeos deepfake de famosos. Como es de imaginar, los programas escritos por humanos con limitaciones, diseñados para crear nuevos conjuntos de datos, tienen un potencial inmenso, pero también un riesgo enorme. Pero ese será un tema para la próxima vez.