¿Qué es la Inteligencia Artificial?

Hoy en día la misma palabra sirve para designar un corrector ortográfico, un motor de recomendación, un sistema de diagnóstico médico y un generador de texto. Estos cuatro programas casi no tienen ninguna técnica en común. Cuando una expresión abarca objetos tan distintos, acaba por no decir nada, y ese es exactamente el problema con el que se topa quien intenta evaluar un anuncio, un producto o una oferta de empleo que contiene las letras «IA».

Esta confusión tiene un coste concreto. Sin un vocabulario preciso, es imposible distinguir un sistema que aplica reglas escritas por un humano de un sistema que ha deducido sus reglas a partir de miles de ejemplos. Ahora bien, ambos no se equivocan de la misma manera, no se corrigen de la misma manera y no comprometen la misma responsabilidad. Una estadística no se depura como se depura una condición if.

Esta lección establece ese vocabulario. Veremos de dónde viene el término, por qué dos tradiciones de investigación se enfrentaron durante treinta años antes de que solo una se impusiera, cómo encajan las tres expresiones que más se confunden —inteligencia artificial, aprendizaje automático, aprendizaje profundo— y, sobre todo, dónde se sitúan hoy los límites reales de estos sistemas.

Este último punto es el más útil. Saber lo que una técnica no sabe hacer es lo que distingue a un profesional de un espectador.

Una definición que se sostiene

No existe una definición única y consensuada de la inteligencia artificial. La que mejor resiste el uso es funcional: se habla de IA cuando un programa realiza una tarea para la que nadie ha sabido escribir la regla que debe aplicarse, o para la que esa regla sería demasiado larga de enumerar.

El término nace en 1956, durante un taller de investigación de verano organizado en Dartmouth College. Fue John McCarthy quien acuñó la expresión artificial intelligence en la propuesta de financiación redactada el año anterior. Seis años antes, en 1950, Alan Turing había publicado en la revista Mind el artículo «Computing Machinery and Intelligence», que elude la pregunta «¿puede pensar una máquina?» sustituyéndola por un protocolo observable: ¿puede un interlocutor humano distinguir, por escrito, una máquina de una persona?

Este desplazamiento es ingenioso, pero tiene un efecto secundario: equipara la inteligencia con la producción de respuestas plausibles. Y producir algo plausible es perfectamente posible sin comprender nada.

# Un « agent conversationnel » de 1966 tient en quelques lignes.
REGLES = {
    "bonjour": "Bonjour. De quoi voulez-vous parler ?",
    "je suis triste": "Depuis quand vous sentez-vous triste ?",
}

def repondre(phrase):
    return REGLES.get(phrase.lower().strip(), "Pouvez-vous reformuler ?")

print(repondre("Bonjour"))          # Bonjour. De quoi voulez-vous parler ?
print(repondre("je suis épuisé"))   # Pouvez-vous reformuler ?

El primer intercambio parece creíble. El segundo revela el mecanismo: «je suis épuisé» está muy próximo a «je suis triste», pero el diccionario no contiene exactamente esa clave, así que el programa recurre a su frase comodín. No tiene ninguna noción de proximidad de significado. Este es el principio de ELIZA, el programa escrito por Joseph Weizenbaum en el MIT en 1966, al que sus usuarios atribuían espontáneamente una comprensión que no tenía.

Esta definición funcional tiene una consecuencia curiosa, conocida como efecto IA: en cuanto un problema se resuelve de forma fiable, se deja de llamarlo inteligencia artificial. El reconocimiento de caracteres, el cálculo de rutas, la detección de fraude bancario o el ajedrez eran temas de IA. Hoy son software. La expresión sigue designando la frontera móvil de lo que todavía no sabemos hacer bien.

Dos tradiciones: escribir las reglas o aprender de ejemplos

Durante los primeros treinta años, la vía dominante consiste en escribir explícitamente el conocimiento. Es lo que se llama IA simbólica: el saber de un dominio se codifica en forma de hechos y reglas lógicas, y un motor de inferencia las encadena.

Este enfoque produjo resultados reales. Los sistemas expertos de los años setenta y ochenta, como MYCIN en Stanford para el diagnóstico de infecciones bacterianas, alcanzaban en su dominio restringido una calidad comparable a la de especialistas humanos. En 1997, el programa Deep Blue derrotó al campeón del mundo Garry Kasparov al ajedrez, esencialmente mediante la exploración de un árbol de juego y una función de evaluación escrita a mano: ningún aprendizaje.

Dos obstáculos bloquearon esta vía. En primer lugar, la explosión combinatoria: el número de reglas necesarias crece mucho más rápido que la cobertura obtenida. En segundo lugar, el cuello de botella de la adquisición del conocimiento: hace falta un experto humano disponible, capaz de explicitar lo que sabe. Para reconocer un gato en una foto, nadie ha conseguido jamás escribir esas reglas, porque nadie sabe cómo lo hace él mismo.

La otra tradición invierte el problema: en lugar de escribir la regla, se proporcionan ejemplos y se deja que un algoritmo ajuste la regla.

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

messages = [
    "gagnez 1000 euros maintenant",
    "cliquez ici pour recevoir votre cadeau",
    "reunion projet demain 14h",
    "compte rendu de la reunion en piece jointe",
]
etiquettes = [1, 1, 0, 0]          # 1 = indésirable, 0 = légitime

# Chaque message devient un vecteur de comptages de mots.
vectoriseur = CountVectorizer()
X = vectoriseur.fit_transform(messages)

modele = MultinomialNB().fit(X, etiquettes)

# Une phrase jamais vue, composée de mots vus dans les indésirables.
nouveau = vectoriseur.transform(["gagnez votre cadeau maintenant"])
print(modele.predict(nouveau))     # [1]
print(len(vectoriseur.vocabulary_))  # 21

Nadie ha escrito la regla «si el mensaje contiene gagnez y cadeau, entonces es no deseado». Se ha deducido a partir de los recuentos. La cifra que hay que retener es la última: cuatro mensajes ya producen 21 palabras de vocabulario. En un corpus realista de decenas de miles de mensajes, el vocabulario alcanza decenas de miles de entradas, y el modelo pondera cada una. Escribir esas ponderaciones a mano no es difícil: es imposible.

Sería deshonesto concluir que el enfoque simbólico ha sido refutado. Sigue muy vivo allí donde la garantía importa más que la flexibilidad: solucionadores de restricciones, planificación, verificación formal de software, motores de reglas de negocio. Un sistema en producción suele combinar ambos: un modelo entrenado para la percepción y reglas explícitas para las decisiones que hay que justificar.

IA, aprendizaje automático, aprendizaje profundo

Estas tres expresiones no son sinónimos. Encajan unas dentro de otras.

┌──────────────────────────────────────────────────────┐
│ INTELLIGENCE ARTIFICIELLE                            │
│ Faire accomplir à une machine une tâche dont la      │
│ règle n'est pas écrite. Inclut la logique, la        │
│ recherche dans un arbre, les systèmes experts.       │
│                                                      │
│   ┌──────────────────────────────────────────────┐   │
│   │ APPRENTISSAGE AUTOMATIQUE (machine learning) │   │
│   │ La règle est ajustée à partir de données.    │   │
│   │ Régression, arbres, forêts, SVM, bayésien.   │   │
│   │                                              │   │
│   │   ┌──────────────────────────────────────┐   │   │
│   │   │ APPRENTISSAGE PROFOND (deep learning)│   │   │
│   │   │ Réseaux de neurones à nombreuses     │   │   │
│   │   │ couches. Images, texte, son.         │   │   │
│   │   └──────────────────────────────────────┘   │   │
│   └──────────────────────────────────────────────┘   │
└──────────────────────────────────────────────────────┘

La lectura del esquema se comprueba con casos concretos:

La última fila merece atención: un programa puede ser complejo, automatizado y útil sin formar parte de la IA. Si la regla está escrita y es conocida, es software.

El giro hacia el aprendizaje profundo tiene una fecha de referencia: en 2012, una red convolucional llamada AlexNet ganó el concurso de reconocimiento de imágenes ImageNet con una tasa de error top-5 de aproximadamente el 15 %, frente a cerca del 26 % del mejor método competidor. Una diferencia de ese tamaño, en un concurso consolidado, reorientó el campo en pocos meses. Sin embargo, las ideas no eran nuevas: el perceptrón de Frank Rosenblatt data de 1957 y la retropropagación se popularizó en 1986. Lo que cambió fue la cantidad de datos anotados disponibles y la potencia de cálculo de las tarjetas gráficas.

Dos inviernos, y lo que enseñan

La historia de la IA no es una progresión continua. Alterna fases de entusiasmo, financiación abundante y promesas públicas con fases de desilusión llamadas inviernos de la IA, en las que los presupuestos y el interés se desploman.

De este ciclo se extraen dos enseñanzas, directamente útiles hoy.

La primera es que los inviernos siguieron a promesas fechadas e incumplidas, no a fracasos técnicos. Los trabajos de investigación continuaron durante los dos inviernos; lo que se hundió fue la credibilidad de anuncios demasiado precisos sobre plazos. Una lección de higiene intelectual: la prudencia debe aplicarse a las fechas y los plazos, rara vez a la dirección.

La segunda es que la dificultad no se reparte como sugiere la intuición. Las tareas que los humanos consideran difíciles y prestigiosas —jugar al ajedrez, integrar una función, retener una base de datos— han resultado ser las más fáciles de automatizar. Las tareas que cualquier niño domina —reconocer un objeto parcialmente oculto, coger un vaso, entender una instrucción implícita— han resistido durante décadas. Esta inversión, a menudo llamada paradoja de Moravec, predice la viabilidad de un proyecto mejor que cualquier intuición sobre la «complejidad» aparente de una tarea.

Lo que la IA no sabe hacer

Un modelo entrenado no tiene conocimiento del mundo: tiene una regularidad estadística extraída de una muestra. Todo lo que sale de esa muestra queda fuera de su dominio de validez, y nada en el modelo señala que se ha cruzado ese límite.

import numpy as np
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression

iris = load_iris()   # 150 fleurs, 4 mesures, 3 espèces
modele = LogisticRegression(max_iter=200).fit(iris.data, iris.target)

# Des dimensions qui ne correspondent à aucun iris : plutôt un tournesol.
absurde = np.array([[40.0, 25.0, 60.0, 15.0]])
print(modele.predict(absurde))                 # [2]
print(modele.predict_proba(absurde).round(3))  # [[0. 0. 1.]]

El modelo responde «virginica», con una probabilidad redondeada a 1. No dispone de ningún mecanismo para responder «este objeto no se parece a nada de lo que he visto». Ha aprendido a dividir el espacio de las medidas en tres regiones, y todo punto cae necesariamente en una región. Una probabilidad alta mide la posición dentro de esa división, no la fiabilidad de la respuesta.

Otras tres limitaciones, estructurales más que anecdóticas:

• Sin causalidad. Un modelo capta asociaciones. Si ha aprendido que la presencia de paraguas predice la lluvia, predecirá correctamente sin poder decir jamás que retirar los paraguas no cambiará el tiempo. Distinguir correlación y causalidad requiere o bien una intervención experimental, o bien hipótesis añadidas desde fuera.
• Sin objetivo propio. Un modelo optimiza la magnitud que se le ha dado para optimizar. Un sistema de recomendación entrenado para maximizar el tiempo de permanencia maximizará el tiempo de permanencia, incluso por medios que nadie había previsto.
• Ninguna verificación de lo que se produce. Un modelo de lenguaje se entrena para producir una secuencia plausible de palabras, no una secuencia verdadera. Este es el mecanismo de lo que se llama alucinación, que desmontaremos pieza por pieza en la lección sobre procesamiento del lenguaje.

Por último, la brecha más frecuente en la práctica no es técnica sino de formulación:

Cada fila de esta tabla es un proyecto real que fracasó. Ninguna es un defecto del algoritmo: son errores de objetivo, y se corrigen antes de llegar al código.

Conclusiones

• Se habla de IA cuando un programa realiza una tarea cuya regla no se ha escrito de forma explícita. La frontera se desplaza: lo que funciona de manera fiable acaba llamándose «software».
• Conviven dos tradiciones: escribir las reglas (IA simbólica, sistemas expertos, solucionadores) y hacer que se deduzcan a partir de datos (aprendizaje automático). La segunda domina desde los años 90, pero la primera sigue siendo indispensable cuando hay que garantizar y justificar.
• Los tres términos se incluyen unos en otros: el aprendizaje profundo es una parte del aprendizaje automático, que a su vez es una parte de la IA. No todo sistema de IA aprende, y no todo software automatizado es IA.
• Un modelo entrenado solo conoce su muestra. Responde con la misma seguridad dentro de su dominio de validez y fuera de él, y una probabilidad alta no es una garantía de acierto.
• El fallo más habitual proviene de la elección de la magnitud que se optimiza, no del algoritmo: la máquina alcanza exactamente el objetivo que se le ha fijado, incluso cuando no era el que queríamos.