El libro “El mito de la inteligencia artificial: por qué las computadoras no pueden pensar como nosotros” de Erik J. Larson ha desmontado varios de los mitos que rodean a la Inteligencia Artificial.
Los profetas del futuro afirman que la Inteligencia Artificial (IA) pronto superará las capacidades de las mentes humanas más talentosas. Sin embargo, la realidad es diferente. Aunque hemos avanzado en la IA, aún estamos lejos de alcanzar la superinteligencia. Erik Larson, científico e investigador en procesamiento del lenguaje natural, nos guía en este recorrido por el panorama actual de la IA.
Desde Alan Turing, los entusiastas de la IA han cometido el error de equipararla con la inteligencia humana. La IA trabaja con razonamiento inductivo, procesando datos para predecir resultados. En contraste, los humanos no correlacionamos datos; hacemos conjeturas basadas en contexto y experiencia. No sabemos cómo programar el razonamiento abductivo basado en la intuición.
La exageración en torno a la IA no solo es mala ciencia, sino también perjudicial para la innovación. Si queremos progresar, debemos apreciar nuestra única inteligencia verdadera: la humana.
Se puede preguntar especialmente ¿Cuáles son las principales diferencias entre el razonamiento inductivo y el abductivo? ¿Por qué el razonamiento abductivo es tan difícil de replicar en máquinas? Ambos tipos de razonamiento son fundamentales en la cognición humana y en la inteligencia artificial, pero se presentan diferencias significativas entre el razonamiento inductivo vs. abductivo:
Razonamiento inductivo: Se basa en generalizar a partir de casos particulares. Es decir, a partir de observaciones específicas, se llega a una conclusión general. Por ejemplo: «Todos los cisnes que he visto son blancos, por lo tanto, todos los cisnes son blancos».
Razonamiento abductivo: Es un poco más complejo. Se trata más de un conocimiento basado en una experiencia y a partir de esa experiencia se pueden hacer hipótesis que se sustenta en la experiencia. Por ejemplo, se trata de generar hipótesis para explicar observaciones. En otras palabras, si “salto hacia el rio» saldré mojado”. Otro ejemplo sería si «El suelo está mojado”. Una explicación altamente probable es que “llovió».
¿Por qué el razonamiento abductivo es tan difícil de replicar en máquinas?
La principal dificultad radica en que el razonamiento abductivo implica:
· Conocimiento previo: Las máquinas necesitan una base de conocimiento muy amplia y detallada para poder generar hipótesis plausibles.
· Contexto: El razonamiento abductivo está fuertemente influenciado por el contexto. Las máquinas deben ser capaces de entender y representar el contexto de una situación para poder generar hipótesis relevantes.
· Creatividad: La generación de hipótesis a menudo requiere un grado de creatividad que es difícil de programar en una máquina.
· Incertidumbre: El razonamiento abductivo implica lidiar con la incertidumbre. Las máquinas deben ser capaces de evaluar la probabilidad de diferentes hipótesis y elegir la más plausible.
En resumen, mientras que las máquinas pueden realizar tareas inductivas con gran eficiencia, el razonamiento abductivo, que requiere comprensión profunda, creatividad y manejo de la incertidumbre, sigue siendo un desafío para la inteligencia artificial.
Otros factores que dificultan la replicación del razonamiento abductivo en máquinas incluyen:
· La comprensión del lenguaje natural: Las máquinas deben ser capaces de entender el lenguaje humano en toda su complejidad, incluyendo las ambigüedades y los matices.
· La representación del conocimiento: Las máquinas necesitan una forma de representar el conocimiento de manera que sea flexible y adaptable a nuevas situaciones.
· La capacidad de aprender de forma continua: Las máquinas deben ser capaces de aprender de nuevas experiencias y ajustar sus modelos de conocimiento en consecuencia.
Aunque la inteligencia artificial ha avanzado significativamente, la replicación completa del razonamiento abductivo humano sigue siendo un objetivo a largo plazo. La investigación en este campo es fundamental para desarrollar máquinas cada vez más inteligentes y capaces de interactuar con el mundo de una manera más natural y humana.
Econ. Douglas C. Ramírez V.
Profesor de Economía del IIES FACES ULA
04-08-2024
