🤖 La paradoja del 10%: ¿Por qué tememos a una IA limitada? 🧠
Tiempo de Lectura: 4 minutos
Nos encontramos en un momento de inquietud ante una Inteligencia Artificial que aspira a imitar un cerebro humano que, según se dice, solo utiliza el 10% de su capacidad. Sin lugar a dudas, hay un 'hype' considerable alrededor de la Inteligencia Artificial. La mayoría de los artículos que he leído se centran en modelos de lenguaje como ChatGPT o Bard, o en modelos de imágenes como Midjourney y de video como Runway.
Primero y ante todo, es evidente que la IA busca simular el pensamiento humano. Aunque todavía no sabemos si este enfoque es el más adecuado, es el camino que se ha elegido seguir. Los procesos metacognitivos que ocurren en nuestra mente para controlar todo, desde la generación de enzimas digestivas hasta recordar tareas pendientes, han sido 'traducidos' en funciones matemáticas y modelos estadísticos. Estos modelos buscan minimizar errores y ofrecer respuestas cada vez más precisas a nuestras preguntas.
Siempre he tenido en mente que solo usamos aproximadamente el 10% de nuestro cerebro. Y eso es precisamente lo que estamos intentando simular con la IA. Esto hace que sea altamente probable que la IA nos supere rápidamente, quizás sin que ni siquiera nos demos cuenta. ¿Por qué no vemos a la IA como un aliado para desarrollar más de ese 10% de capacidad cerebral? ¿Por qué nos asusta lo desconocido en lugar de tratar de comprenderlo y convertirlo en un potenciador de nuestro propio desarrollo? No tengo todas las respuestas, pero tal vez el tiempo nos las brinde.
Pasando a aspectos más técnicos, en el campo del aprendizaje automático existen principalmente dos tipos de aprendizaje: el supervisado y el no supervisado. El aprendizaje supervisado se basa en datos previamente etiquetados. Para entenderlo de manera sencilla, piense en regresiones lineales o logísticas. Estas son técnicas que explican una variable a partir de otra, como el tamaño del motor de un carro en relación con las emisiones de CO2 que genera y, así, predecir el próximo dato con la mayor precisión (o lo que es lo mismo el menor error).
El aprendizaje no supervisado, por otro lado, es más intrigante para mí. En este caso, el algoritmo se entrena para descubrir patrones en datos no etiquetados. Un ejemplo cotidiano sería una técnica de segmentación de clientes en la que se definen diferentes perfiles, algo que se conoce como K-means. Este método agrupa objetos o datos según características predeterminadas, buscando minimizar la distancia entre los elementos del mismo grupo.
Así es como funcionan modelos como ChatGPT, Bard, Claude2, Llama2, Midjourney, etc. Su objetivo es predecir la próxima palabra que escribirás con el menor margen de error posible, logrando así frases y párrafos con una estructura gramatical y semántica asombrosamente coherente, o el próximo patrón de pixeles para crear imágenes o videos sorprendentes.
Estoy convencido de que la IA puede ser un gran aliado en nuestra vida diaria y en la sociedad en general. Como lo expresó Hermes Ruiz en la Cumbre de IA de 2023, 'la IA es como un cuchillo, ni bueno ni malo. Todo depende de la mano que lo maneje'. Creo firmemente que la IA tiene el potencial de erradicar la corrupción y de impulsar avances significativos para nuestra sociedad. Al final del día, es mejor morir intentando alcanzar una meta tan ambiciosa que no intentarlo en absoluto.
