Descripción de la imagen: La inteligencia artificial, inspirada en procesos biológicos, cada vez más imita ciertos aspectos de la cognición humana mientras sigue evolucionando y mejorando en sus propios dominios. Fuente de la imagen: Astronoo IA.
Los modelos generativos para texto, imágenes, videos y música dependen de mecanismos similares en que comparten principios comunes en su arquitectura y procesos de aprendizaje, a pesar de la diversidad de los tipos de datos que manejan.
Para la IA que genera texto, los grandes modelos de lenguaje (LLMs) son aplicaciones avanzadas de aprendizaje automático. Los LLMs están preentrenados con grandes cantidades de texto, lo que les permite aprender estructuras de lenguaje, relaciones entre palabras y contextos de uso. En otras palabras, pueden predecir la siguiente palabra en una oración con notable precisión. Estos modelos sobresalen en la generación de texto, traducción automática, chatbots y asistentes virtuales, pero carecen de la capacidad de razonar para formar ideas, emitir juicios o tomar decisiones.
Las máquinas del futuro necesitarán aprender sobre el Mundo Físico de manera similar a los humanos y los animales. Al hacerlo, podrían volverse más eficientes y acercarse al nivel de inteligencia humana.
Los humanos y los animales desarrollan una comprensión intuitiva y contextual de su entorno a través de la observación y la experiencia. Gradualmente asimilan una comprensión de los objetos, las fuerzas y las relaciones causales. Por ejemplo, un niño aprende que los objetos caen cuando se sueltan. Sin entender los efectos de la gravedad, puede ajustar su comportamiento en consecuencia.
En otras palabras, las máquinas necesitarán no solo detectar objetos, sino también comprender su comportamiento en diferentes situaciones. Esto significa que deberán interpretar datos sensoriales de manera contextual, como un animal que sabe cuándo un ruido es amenazante o cuándo la comida es apetecible.
Comprender el mundo físico permite adquirir una memoria persistente, la capacidad de planificar acciones, alcanzar objetivos y, en resumen, razonar. Aunque el progreso de la IA es impresionante, aún quedan muchos obstáculos antes de que podamos hablar de Inteligencia Humana.
Los modelos actuales en desarrollo, basados en la Inferencia por Optimización, son un enfoque prometedor para simular la inteligencia humana.
Inferencia es un concepto que permite sacar conclusiones basadas en observaciones. La inferencia juega un papel crucial en la toma de decisiones, el razonamiento y el aprendizaje.
Optimización se trata de encontrar la mejor solución posible para lograr un objetivo específico. Al optimizar, se busca el mejor equilibrio entre diferentes criterios, como la velocidad y la precisión.
La Inferencia por Optimización se puede observar en el desarrollo cognitivo de los niños, incluso antes de que comiencen a hablar. Por ejemplo, un bebé que intenta tirar de un juguete atado a un cordón rápidamente aprende que tirar más fuerte o en una dirección diferente puede mover el juguete. El bebé optimiza su técnica observando los resultados de sus acciones. El bebé recuerda experiencias pasadas con cada juguete y optimiza su elección basándose en lo que le ha aportado más placer o interés.
El cerebro humano a menudo se compara con un Sistema de Optimización. Utiliza la inferencia por optimización para razonar, actualizando constantemente sus creencias basadas en nuevas observaciones.
Cuando una persona toma una decisión, evalúa las diferentes opciones disponibles y busca maximizar ciertos criterios, como el bienestar, la satisfacción o el beneficio. Este proceso de toma de decisiones a menudo implica evaluar los riesgos y recompensas asociados con cada elección bajo incertidumbre. Pero en muchos casos, el cerebro utiliza heurísticas, atajos aproximados, que son estrategias mentales o reglas prácticas que permiten tomar decisiones rápidamente sin necesidad de un análisis exhaustivo de todas las opciones.
Así, los humanos construyen su comprensión de la realidad basándose en el aprendizaje por experiencia con el modelo del mundo circundante. Los individuos ajustan sus comportamientos integrando nuevos conocimientos basados en lo que han experimentado. Por ejemplo, cuando alguien prepara una nueva receta, ajusta las cantidades de ingredientes basándose en el sabor obtenido de intentos anteriores.
La inteligencia humana está profundamente ligada a aspectos como la emoción, la autoconciencia, la percepción del mundo y la interacción social. La forma en que los humanos y los animales llegan a comprender su entorno, razonar con "sentido común" o planificar acciones complejas nos parece natural, pero aún está fuera del alcance de la inteligencia artificial, en 2024.
Los modelos actuales de IA no tienen esta comprensión del mundo físico, lo que limita su capacidad para prever situaciones futuras. Es esencial que la inteligencia artificial aprenda de datos multimodales, entre los cuales los videos jugarán un papel crucial. Sin embargo, esto presenta enormes desafíos en términos de datos e información, pero es un campo de investigación en rápida expansión, con muchas perspectivas y esperanzas para su desarrollo futuro.
La Inteligencia Artificial General (AGI) requiere una combinación de grandes datos, aprendizaje a través de la interacción en el mundo real o simulaciones, y avances en arquitecturas y algoritmos. El camino hacia la AGI aún es largo, pero inspirándose en los mecanismos cognitivos del cerebro, es probable que en los sistemas futuros emerja una inteligencia comparable a la de los humanos.