La Inteligencia Artificial General: Cinco Obstáculos Clave para su Desarrollo
La Inteligencia Artificial General (IAG) sigue siendo una meta esquiva incluso para las empresas de IA más avanzadas, con cinco grandes obstáculos que bloquean el camino a seguir.
La IA actual es asombrosa: herramientas como ChatGPT pueden hacer cosas que parecían imposibles hace solo unos años.
Pero aquellos familiarizados con obras de ciencia ficción como Star Trek, Blade Runner o 2001: Odisea en el Espacio, saben que esto es solo el comienzo.
A diferencia de las IA de esos mundos ficticios, o incluso de los humanos, la IA actual no puede explorar, interactuar y aprender completamente del mundo. Si pudiera, entonces, al igual que el útil robot Data en Star Trek (o un humano), podría aprender a resolver cualquier problema o realizar cualquier trabajo. No solo aquello para lo que fue entrenado inicialmente.
Algunos de los principales investigadores de IA del mundo, incluidos los creadores de ChatGPT, OpenAI, creen que construir máquinas así de inteligentes, conocidas como Inteligencia Artificial General (IAG), es el santo grial del desarrollo de la IA. La IAG permitiría a las máquinas «generalizar» el conocimiento y manejar virtualmente cualquier tarea que un humano pueda realizar.
Sin embargo, hay algunos problemas bastante grandes que tenemos que resolver antes de llegar allí. Se necesitarán más avances en IA, grandes cantidades de inversión y un cambio social generalizado.
A continuación, Evox News presenta un resumen de los cinco mayores obstáculos que debemos superar si queremos construir el futuro brillante, totalmente automatizado e impulsado por la IA que se nos prometió en las películas.
1. Sentido Común e Intuición
La IA actual carece de la capacidad de explorar y explotar completamente el mundo en el que existe. Como humanos, nos hemos adaptado a través de la evolución para ser buenos resolviendo problemas del mundo real, utilizando cualquier herramienta y dato que podamos. Las máquinas no lo han hecho: aprenden sobre el mundo a través de datos digitales destilados, en el nivel de fidelidad que sea posible, del mundo real.
Como humanos, construimos un «mapa» del mundo que informa nuestra comprensión y, por lo tanto, nuestra capacidad para tener éxito en las tareas. Este mapa se basa en todos nuestros sentidos, todo lo que aprendemos, nuestras creencias y prejuicios innatos, y todo lo que experimentamos. Las máquinas, que analizan datos digitales que se mueven a través de redes o los recopilan con sensores, aún no pueden aportar esta profundidad de comprensión.
Por ejemplo, con la visión artificial, una IA puede ver videos de pájaros en vuelo y aprender mucho sobre ellos, tal vez su tamaño, forma, especie y comportamiento. Pero es poco probable que se dé cuenta de que, al estudiar su comportamiento, podría aprender a volar y aplicar ese aprendizaje a la construcción de máquinas voladoras como lo hicieron los humanos.
El sentido común y la intuición son dos aspectos de la inteligencia que siguen siendo exclusivamente humanos y vitales para nuestra capacidad de navegar por la ambigüedad, el caos y las oportunidades. Probablemente necesitaremos comprender su relación con la inteligencia artificial en mucha mayor profundidad antes de llegar a la IAG.
2. Transferibilidad del Aprendizaje
Una de las habilidades innatas que hemos desarrollado a través de la extensión y amplitud de nuestras interacciones mundanas es tomar el conocimiento aprendido de una tarea y aplicarlo a otra.
La IA actual está construida para tareas específicas. Un chatbot médico puede analizar escaneos, consultar con pacientes, evaluar síntomas y prescribir tratamientos. Pero si se le pide que diagnostique un refrigerador averiado, no tendrá ni idea. A pesar de que ambas tareas se basan en el reconocimiento de patrones y el pensamiento lógico, la IA simplemente carece de la capacidad de procesar datos de una manera que le ayude a resolver problemas más allá de aquellos para los que fue entrenada explícitamente.
Los humanos, por otro lado, pueden adaptar las habilidades de resolución de problemas, razonamiento y pensamiento creativo a dominios completamente diferentes. Así, un médico humano, por ejemplo, podría utilizar su razonamiento diagnóstico para solucionar problemas de una nevera defectuosa, incluso sin formación formal.
Para que exista la IAG, la IA debe desarrollar esta capacidad: aplicar el conocimiento en todos los campos sin necesidad de una re-capacitación completa. Cuando la IA pueda hacer esas conexiones sin necesidad de ser re-entrenada en un conjunto de datos completamente nuevo, estaremos un paso más cerca de la verdadera inteligencia general.
3. La División «Figital»
Los humanos interactuamos con el mundo a través de nuestros sentidos. Las máquinas tienen que usar sensores. La diferencia se reduce nuevamente a la evolución, que ha perfeccionado nuestra capacidad de ver, oír, tocar, oler y saborear durante millones de años.
Las máquinas, por otro lado, dependen de las herramientas que les damos. Estas pueden ser o no la mejor manera de recopilar los datos que realmente necesitan para resolver los problemas de la mejor manera. Pueden interactuar con sistemas externos de la forma en que les permitimos, ya sea digitalmente a través de APIs o físicamente a través de la robótica. Pero no tienen un conjunto estándar de herramientas que puedan adaptar para interactuar con cualquier aspecto del mundo de la forma en que nosotros tenemos manos y pies.
Interactuar con el mundo físico de una manera tan sofisticada como lo hacemos nosotros, para ayudar con el trabajo manual, por ejemplo, o para acceder a un sistema informático al que no se le dio acceso específicamente, requerirá una IA que sea capaz de superar esta división. Podemos ver esto tomando forma en las primeras iteraciones de herramientas de IA agenticas como Operator, que utiliza la visión artificial para comprender sitios web y acceder a herramientas externas. Sin embargo, habrá que trabajar más para permitir que las máquinas exploren, comprendan e interactúen de forma independiente con los sistemas físicos y digitales antes de que la IAG se convierta en algo más que un sueño.
4. El Dilema de la Escalabilidad
La cantidad de datos y la potencia de procesamiento necesarios para entrenar y luego implementar incluso los modelos de IA actuales es enorme. Pero la cantidad que se necesitará para lograr la IAG, según nuestra comprensión actual, podría ser exponencialmente mayor. Ya existen preocupaciones sobre la huella energética de la IA, y se necesitarán proyectos de infraestructura cada vez más grandes para respaldar esta ambición. La disposición a invertir en la medida necesaria dependerá en gran medida de que las empresas de IA demuestren que pueden obtener un retorno de la inversión con las generaciones anteriores de tecnología de IA (como la ola de IA generativa que muchas empresas están aprovechando en este momento).
Según algunos expertos, ya estamos viendo rendimientos decrecientes al simplemente arrojar más potencia de procesamiento y datos al problema de construir una IA más inteligente. Las actualizaciones más recientes de ChatGPT, la serie de modelos Omni, así como el recientemente presentado competidor DeepSeek, se han centrado en agregar capacidades de razonamiento y lógica. Esto tiene la desventaja de requerir más potencia durante la fase de inferencia, cuando la herramienta está en manos de un usuario, en lugar de en la etapa de entrenamiento. Cualquiera que sea la solución, el hecho de que la IAG probablemente requiera una potencia de procesamiento de órdenes de magnitud mayor que las disponibles ahora es otra razón por la que aún no está aquí.
5. Problemas de Confianza
Este es un obstáculo no tecnológico, pero eso no lo hace menos problemático. La pregunta es, incluso si la tecnología está lista, ¿está la sociedad lista para aceptar que los humanos sean reemplazados por máquinas como las entidades más capaces, inteligentes y adaptables del planeta?
Una muy buena razón por la que podrían no hacerlo sería porque las máquinas (o quienes las crean) aún no han alcanzado el nivel de confianza requerido. Piense en cómo la aparición de chatbots de lenguaje natural y de IA generativa causó conmoción cuando nos enfrentamos a las implicaciones en todo, desde los empleos hasta la creatividad humana. Ahora imagine cuánto más miedo y preocupación habrá cuando lleguen máquinas que puedan pensar por sí mismas y vencernos en casi cualquier cosa.
Hoy en día, muchos sistemas de IA son «cajas negras», lo que significa que tenemos muy poca idea de lo que sucede dentro de ellos o cómo operan. Para que la sociedad confíe lo suficiente en la IA como para permitirle tomar decisiones por nosotros, los sistemas de IAG tendrán que ser tanto explicables como responsables a un nivel mucho más allá de los sistemas de IA actuales.
Entonces, ¿Llegaremos Alguna Vez a la IAG?
Estos son los cinco desafíos más importantes que los mejores investigadores de IA del mundo están tratando de resolver hoy en día, mientras las empresas de IA compiten hacia la meta de la IAG. No sabemos cuánto tiempo les tomará llegar allí, y los ganadores podrían no ser los que están a la cabeza hoy, cerca del comienzo de la carrera. Otras tecnologías emergentes, como la computación cuántica o las nuevas soluciones energéticas, podrían proporcionar algunas de las respuestas. Pero será necesaria la cooperación y supervisión humana a un nivel superior a lo que hemos visto hasta ahora si la IAG va a marcar el comienzo de una nueva era de IA más potente y útil de forma segura.
Insights de Evox News: Cómo la Carrera hacia la IAG Puede Impactar tu Negocio
La búsqueda de la Inteligencia Artificial General (IAG) no es solo una cuestión de avance científico, sino que tiene implicaciones profundas y potencialmente transformadoras para el mundo empresarial. Aquí hay algunas formas en que el desarrollo de la IAG, o incluso los avances incrementales hacia ella, podrían impactar su negocio:
Automatización Avanzada y Optimización de Procesos: Incluso antes de alcanzar una IAG completa, los avances en áreas como la transferibilidad del aprendizaje y la superación de la división «figital» podrían llevar a una automatización mucho más sofisticada. Esto significa que tareas que actualmente requieren intervención humana, debido a su complejidad o necesidad de adaptación, podrían ser automatizadas. Esto podría traducirse en una mayor eficiencia, reducción de costos y optimización de procesos en una amplia gama de industrias, desde la manufactura hasta la atención al cliente.
Toma de Decisiones Mejorada: La capacidad de la IA para razonar, aplicar el sentido común y aprender de forma similar a los humanos podría revolucionar la toma de decisiones empresariales. Las empresas podrían utilizar modelos de IA avanzados para analizar grandes cantidades de datos, identificar patrones y tendencias ocultas, y generar insights que ayuden a los líderes a tomar decisiones más informadas y estratégicas.
Innovación Acelerada: Una IA con capacidades de aprendizaje generalizado podría convertirse en un motor de innovación sin precedentes. Podría ayudar a las empresas a identificar nuevas oportunidades de mercado, desarrollar productos y servicios innovadores, y resolver problemas complejos de manera más rápida y eficiente. La IAG podría actuar como un «colaborador» en la investigación y desarrollo, acelerando el ciclo de innovación.
Ventaja Competitiva: Las empresas que adopten y aprovechen eficazmente los avances hacia la IAG podrían obtener una ventaja competitiva significativa. La capacidad de automatizar tareas complejas, tomar decisiones más inteligentes y rápidas, e innovar a un ritmo acelerado podría permitir a estas empresas superar a sus competidores.
Nuevos Modelos de Negocio: La IAG podría dar lugar a la creación de modelos de negocio completamente nuevos. Las empresas podrían ofrecer servicios basados en IA que hoy en día son inimaginables, o podrían transformar radicalmente la forma en que operan sus negocios existentes.
Desafíos Éticos y de Gestión: La adopción de la IAG también planteará desafíos éticos y de gestión. Las empresas deberán abordar cuestiones como la responsabilidad de las decisiones tomadas por la IA, la transparencia de los algoritmos, el impacto en el empleo y la necesidad de desarrollar una fuerza laboral preparada para trabajar junto a la IA