Las capacidades de razonamiento analógico de la IA: ¿Desafiando la inteligencia humana?

El razonamiento analógico, la capacidad única que los humanos poseen para resolver problemas desconocidos mediante la creación de paralelos con problemas conocidos, ha sido considerado durante mucho tiempo como una función cognitiva distintivamente humana. Sin embargo, un estudio innovador realizado por psicólogos de la UCLA presenta hallazgos convincentes que podrían hacernos replantearnos esto.

GPT-3: ¿Alcanzando la inteligencia humana?

La investigación de la UCLA encontró que GPT-3, un modelo de lenguaje de IA desarrollado por OpenAI, demuestra capacidades de razonamiento casi equivalentes a las de estudiantes universitarios, especialmente cuando se enfrenta a resolver problemas similares a los que se ven en pruebas de inteligencia y exámenes estandarizados como el SAT. Esta revelación, publicada en la revista Nature Human Behaviour, plantea una pregunta intrigante: ¿GPT-3 emula el razonamiento humano debido a su extenso conjunto de datos de entrenamiento de lenguaje, o está accediendo a un proceso cognitivo completamente nuevo?

El funcionamiento exacto de GPT-3 permanece oculto por OpenAI, lo que deja a los investigadores de la UCLA curiosos sobre el mecanismo detrás de sus habilidades de razonamiento analógico. A pesar del rendimiento loable de GPT-3 en ciertas tareas de razonamiento, la herramienta no está exenta de defectos. Taylor Webb, el autor principal del estudio y un investigador postdoctoral en la UCLA, señaló: “Aunque nuestros hallazgos son impresionantes, es esencial enfatizar que este sistema tiene limitaciones significativas. GPT-3 puede realizar razonamiento analógico, pero lucha con tareas triviales para los humanos, como utilizar herramientas para una tarea física”.

Las capacidades de GPT-3 se sometieron a prueba utilizando problemas inspirados en las Matrices Progresivas de Raven – una prueba que involucra secuencias de formas intrincadas. Al convertir imágenes en un formato de texto que GPT-3 pudiera descifrar, Webb aseguró que estos fueran desafíos completamente nuevos para la IA. Cuando se comparó con 40 estudiantes universitarios de la UCLA, GPT-3 no solo igualó el rendimiento humano, sino que también replicó los errores que los humanos cometieron. El modelo de IA resolvió con precisión el 80% de los problemas, superando la puntuación media humana y situándose dentro del rango de los mejores rendimientos humanos.

El equipo también probó la destreza de GPT-3 utilizando preguntas de analogía no publicadas del SAT, con la IA superando la media humana. Sin embargo, titubeó ligeramente al intentar establecer analogías a partir de historias cortas, aunque el modelo GPT-4 más reciente mostró resultados mejorados.

Puenteando la brecha cognitiva entre la IA y los humanos

Los investigadores de la UCLA no se detienen en simples comparaciones. Han emprendido el desarrollo de un modelo de computadora inspirado en la cognición humana, contrastando constantemente sus capacidades con modelos de IA comerciales. Keith Holyoak, profesor de psicología de la UCLA y coautor, comentó: “Nuestro modelo de IA psicológico superó a otros en problemas de analogía hasta la última actualización de GPT-3, que mostró capacidades superiores o equivalentes”.

No obstante, el equipo identificó ciertas áreas donde GPT-3 se quedó atrás, especialmente en tareas que requieren comprensión del espacio físico. En desafíos que involucraban el uso de herramientas, las soluciones de GPT-3 estuvieron notablemente desencaminadas.

Hongjing Lu, el autor senior del estudio, expresó asombro por los saltos en la tecnología durante los últimos dos años, particularmente en la capacidad de la IA para razonar. Pero, si estos modelos genuinamente “piensan” como los humanos o simplemente imitan el pensamiento humano, sigue siendo un tema de debate. La búsqueda de conocimientos sobre los procesos cognitivos de la IA requiere acceso al backend de los modelos de IA, un salto que podría dar forma a la trayectoria futura de la IA.

En eco con el sentimiento, Webb concluye: “Acceder al backend de los modelos GPT beneficiaría enormemente a los investigadores de la IA y la cognición. Actualmente, estamos limitados a entradas y salidas, y carece de la profundidad decisiva que aspiramos a alcanzar”.