¿Qué es la Inteligencia Artificial General (AGI) y por qué no está aquí todavía: Un cheque de realidad para entusiastas de la IA

Inteligencia Artificial (IA) está en todas partes. Desde asistentes inteligentes hasta coches autónomos, los sistemas de IA están transformando nuestras vidas y negocios. Pero, ¿qué pasaría si hubiera una IA que pudiera hacer más que realizar tareas específicas? ¿Qué pasaría si hubiera un tipo de IA que pudiera aprender y pensar como un ser humano o incluso superar la inteligencia humana?

Esta es la visión de Inteligencia Artificial General (AGI), una forma hipotética de IA que tiene el potencial de realizar cualquier tarea intelectual que los humanos puedan. AGI se contrasta a menudo con Inteligencia Artificial Estrecha (ANI), el estado actual de la IA que solo puede destacar en uno o unos pocos dominios, como jugar ajedrez o reconocer caras. AGI, por otro lado, tendría la capacidad de entender y razonar en múltiples dominios, como lenguaje, lógica, creatividad, sentido común y emoción.

AGI no es un concepto nuevo. Ha sido la visión guía de la investigación de IA desde los primeros días y sigue siendo su idea más divisiva. Algunos entusiastas de la IA creen que AGI es inevitable e inminente y conducirá a una nueva era de progreso tecnológico y social. Otros son más escépticos y cautelosos y advierten sobre los riesgos éticos y existenciales de crear y controlar una entidad tan poderosa e impredecible.

Pero, ¿qué tan cerca estamos de lograr AGI, y tiene sentido intentarlo? Esta es, de hecho, una pregunta importante cuya respuesta puede proporcionar un cheque de realidad para los entusiastas de la IA que están ansiosos por presenciar la era de la superinteligencia.

¿Qué es AGI y cómo se diferencia de la IA?

AGI se distingue de la IA actual por su capacidad para realizar cualquier tarea intelectual que los humanos puedan, si no superarlos. Esta distinción se basa en varias características clave, incluyendo:

• pensamiento abstracto
• la capacidad de generalizar a partir de instancias específicas
• extraer de conocimientos de fondo diversos
• utilizar el sentido común y la conciencia para la toma de decisiones
• entender la causalidad en lugar de solo la correlación
• comunicación y interacción efectivas con humanos y otros agentes.

Aunque estas características son vitales para lograr la inteligencia humana o superhumana, siguen siendo difíciles de capturar para los sistemas de IA actuales.

La IA actual se basa principalmente en el aprendizaje automático, una rama de la informática que permite a las máquinas aprender de los datos y las experiencias. El aprendizaje automático opera a través de aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.

El aprendizaje supervisado implica que las máquinas aprenden de datos etiquetados para predecir o clasificar nuevos datos. El aprendizaje no supervisado implica encontrar patrones en datos no etiquetados, mientras que el aprendizaje por refuerzo se centra en aprender de acciones y retroalimentación, optimizando para recompensas o minimizando costos.

A pesar de lograr resultados notables en áreas como visión por computadora y procesamiento de lenguaje natural, los sistemas de IA actuales están limitados por la calidad y cantidad de datos de entrenamiento, algoritmos predefinidos y objetivos de optimización específicos. A menudo necesitan ayuda con la adaptabilidad, especialmente en situaciones nuevas, y más transparencia al explicar su razonamiento.

En contraste, AGI se concibe como libre de estas limitaciones y no dependería de datos, algoritmos o objetivos predefinidos, sino de sus propias capacidades de aprendizaje y pensamiento. Además, AGI podría adquirir y integrar conocimientos de diversas fuentes y dominios, aplicándolos sin esfuerzo a tareas nuevas y variadas. Además, AGI destacaría en razonamiento, comunicación, comprensión y manipulación del mundo y de sí mismo.

¿Cuáles son los desafíos y enfoques para lograr AGI?

Lograr AGI plantea desafíos considerables que abarcan dimensiones técnicas, conceptuales y éticas.

Por ejemplo, definir y medir la inteligencia, incluyendo componentes como la memoria, la atención, la creatividad y la emoción, es un obstáculo fundamental. Además, modelar y simular las funciones del cerebro humano, como la percepción, la cognición y la emoción, presentan desafíos complejos.

Además, los desafíos críticos incluyen diseñar e implementar algoritmos y arquitecturas de aprendizaje y razonamiento escalables y generalizables. Garantizar la seguridad, la confiabilidad y la responsabilidad de los sistemas AGI en sus interacciones con humanos y otros agentes y alinear los valores y objetivos de los sistemas AGI con los de la sociedad es de suma importancia.

Varias direcciones de investigación y paradigmas han sido propuestos y explorados en la búsqueda de AGI, cada uno con fortalezas y limitaciones. IA Simbólica, un enfoque clásico que utiliza lógica y símbolos para la representación y manipulación del conocimiento, destaca en problemas abstractos y estructurados como las matemáticas y el ajedrez, pero necesita ayuda para escalar e integrar datos sensoriales y motores.

De manera similar, IA Conectiva, un enfoque moderno que emplea redes neuronales y aprendizaje profundo para procesar grandes cantidades de datos, destaca en dominios complejos y ruidosos como la visión y el lenguaje, pero necesita ayuda para interpretar y generalizar.

IA Híbrida combina IA simbólica y conectiva para aprovechar sus fortalezas y superar sus debilidades, apuntando a sistemas más robustos y versátiles. De manera similar, IA Evolutiva utiliza algoritmos evolutivos y programación genética para evolucionar sistemas de IA a través de la selección natural, buscando soluciones novedosas y óptimas no limitadas por el diseño humano.

Finalmente, IA Neuromórfica utiliza hardware y software neuromórficos para emular sistemas neuronales biológicos, apuntando a modelos cerebrales más eficientes y realistas y permitiendo interacciones naturales con humanos y agentes.

Estos no son los únicos enfoques para AGI, pero algunos de los más prominentes y prometedores. Cada enfoque tiene ventajas y desventajas, y todavía necesitan lograr la generalidad y la inteligencia que AGI requiere.

Ejemplos y aplicaciones de AGI

Aunque AGI no se ha logrado todavía, algunos ejemplos notables de sistemas de IA exhiben ciertos aspectos o características que recuerdan a AGI, contribuyendo a la visión de la eventual consecución de AGI. Estos ejemplos representan avances hacia AGI al mostrar capacidades específicas:

AlphaZero, desarrollado por DeepMind, es un sistema de aprendizaje por refuerzo que aprende de manera autónoma a jugar ajedrez, shogi y Go sin conocimiento o guía humana. Demostrando una habilidad superhumana, AlphaZero también introduce estrategias innovadoras que desafían la sabiduría convencional.

De manera similar, OpenAI’s GPT-3 genera textos coherentes y diversos en varios temas y tareas. Capaz de responder preguntas, componer ensayos y imitar diferentes estilos de escritura, GPT-3 muestra versatilidad, aunque dentro de ciertos límites.

De manera similar, NEAT, un algoritmo evolutivo creado por Kenneth Stanley y Risto Miikkulainen, evoluciona redes neuronales para tareas como control de robots, juegos y generación de imágenes. La capacidad de NEAT para evolucionar la estructura y la función de la red produce soluciones novedosas y complejas no predefinidas por programadores humanos.

Aunque estos ejemplos ilustran el progreso hacia AGI, también subrayan las limitaciones y brechas existentes que requieren una mayor exploración y desarrollo en la búsqueda de un verdadero AGI.

Implicaciones y riesgos de AGI

AGI plantea desafíos científicos, tecnológicos, sociales y éticos con implicaciones profundas. Económicamente, puede crear oportunidades y disruptar mercados existentes, potencialmente aumentando la desigualdad. Mientras mejora la educación y la salud, AGI puede introducir nuevos desafíos y riesgos.

Éticamente, puede promover nuevas normas, cooperación y empatía e introducir conflictos, competencia y crueldad. AGI puede cuestionar los significados y propósitos existentes, expandir el conocimiento y redefinir la naturaleza y el destino humanos. Por lo tanto, las partes interesadas deben considerar y abordar estas implicaciones y riesgos, incluyendo investigadores, desarrolladores, formuladores de políticas, educadores y ciudadanos.

La parte inferior

AGI se encuentra en la vanguardia de la investigación de IA, prometiendo un nivel de intelecto que supera las capacidades humanas. Aunque la visión cautiva a los entusiastas, persisten desafíos para lograr este objetivo. La IA actual, que destaca en dominios específicos, debe cumplir con el potencial expansivo de AGI.

Numerosos enfoques, desde IA simbólica y conectiva hasta modelos neuromórficos, se esfuerzan por lograr la realización de AGI. Ejemplos notables como AlphaZero y GPT-3 muestran avances, pero el verdadero AGI sigue siendo esquivo. Con implicaciones económicas, éticas y existenciales, el viaje hacia AGI exige una atención colectiva y una exploración responsable.