4 ideas sobre IA que incluso los «expertos» se equivocan


La historia de la inteligencia artificial ha estado marcada por ciclos repetidos de optimismo extremo y promesas seguidas de desilusión y decepción. Los sistemas de IA actuales pueden realizar tareas complicadas en una amplia gama de áreas, como matemáticas, juegos y generación de imágenes fotorrealistas. Pero algunos de los primeros objetivos de la IA, como los robots domésticos y los coches autónomos, continúan retrocediendo a medida que nos acercamos a ellos.

Parte del ciclo continuo de no alcanzar estos objetivos se debe a suposiciones incorrectas sobre la IA y la inteligencia natural, según Melanie Mitchell, profesora de complejidad de Davis en el Instituto Santa Fe y autora de Inteligencia artificial: una guía para los seres humanos pensantes.

En un nuevo artículo titulado «Por qué la IA es más difícil de lo que pensamos, ”Mitchell expone cuatro falacias comunes sobre la IA que causan malentendidos no solo entre el público y los medios, sino también entre los expertos. Estas falacias dan una falsa sensación de confianza sobre lo cerca que estamos de lograr Inteligencia artificial general, sistemas de IA que pueden igualar las habilidades cognitivas y de resolución de problemas generales de los seres humanos.

La IA estrecha y la IA general no están en la misma escala

El tipo de IA que tenemos hoy puede ser muy bueno en resolver problemas estrictamente definidos. Pueden superar a los humanos en Go y ajedrez, encontrar patrones cancerosos en imágenes de rayos X con una precisión notable y convertir datos de audio en texto. Pero diseñar sistemas que puedan resolver problemas individuales no necesariamente nos acerca a resolver problemas más complicados. Mitchell describe la primera falacia como «La inteligencia estrecha está en un continuo con la inteligencia general».

“Si la gente ve que una máquina hace algo asombroso, aunque en un área estrecha, a menudo asumen que el campo está mucho más avanzado hacia la IA general”, escribe Mitchell en su artículo.

Por ejemplo, hoy procesamiento natural del lenguaje Los sistemas han recorrido un largo camino hacia la solución de muchos problemas diferentes, como la traducción, generación de texto, y pregunta-respuesta sobre problemas específicos. Al mismo tiempo, tenemos sistemas de aprendizaje profundo que pueden convertir datos de voz en texto en tiempo real. Detrás de cada uno de estos logros hay miles de horas de investigación y desarrollo (y millones de dolares gastado en informática y datos). Pero la comunidad de IA aún no ha resuelto el problema de crear agentes que puedan participar en conversaciones abiertas sin perder coherencia durante largos períodos. Un sistema de este tipo requiere algo más que resolver problemas más pequeños; requiere sentido común, uno de los desafíos clave sin resolver de la IA.

Las cosas fáciles son difíciles de automatizar

La visión, uno de los problemas que todo ser vivo resuelve sin esfuerzo, sigue siendo un desafío para los ordenadores
Crédito: Ben Dickson

Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos y para fines de afiliación y para mostrarte publicidad relacionada con tus preferencias en base a un perfil elaborado a partir de tus hábitos de navegación. Al hacer clic en el botón Aceptar, aceptas el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Ver Política de cookies
Privacidad