El libro El mito de la inteligencia artificial se ha convertido para muchos en una especie de escudo tranquilizador: basta citarlo para afirmar con gesto serio que “la IA no piensa” y que todo esto de la superinteligencia es puro humo. Pero hay un problema de fondo: es un libro escrito antes de la revolución de la inteligencia artificial generativa, y sus tesis se apoyan en un paisaje tecnológico que ya no existe tal como era cuando se publicó.
Erik J. Larson sostiene que los sistemas actuales de IA solo realizan inferencias inductivas sobre datos, que son incapaces de generar hipótesis nuevas sobre el mundo y que, por tanto, nunca alcanzarán un tipo de inteligencia comparable a la humana. El argumento se completa diciendo que confundimos correlación estadística con comprensión real y que la promesa de una inteligencia artificial general es poco menos que un mito moderno. Hasta aquí, como crítica al exceso de optimismo de hace unos años, tiene su valor. El problema es cuando ese análisis se congela en el tiempo y se usa hoy como dogma para negar lo que tenemos delante.
Desde la irrupción de la IA generativa de gran escala, los modelos han empezado a mostrar comportamientos que encajan mal con el diagnóstico pesimista de Larson. Ya no hablamos solo de sistemas que clasifican imágenes o recomiendan anuncios, sino de modelos capaces de escribir código funcional, comentar textos complejos, traducir con alta precisión, razonar paso a paso sobre problemas lógicos sencillos y combinar información dispersa para producir explicaciones nuevas. Siguen siendo sistemas estadísticos, sí, pero la frontera entre “correlación sofisticada” y “algo que se parece peligrosamente al pensamiento” se ha vuelto mucho más borrosa.
En paralelo, nada menos que Geoffrey Hinton, uno de los padres del deep learning, ha ido defendiendo que las redes neuronales profundas no son simplemente trucos numéricos, sino aproximaciones funcionales a cómo aprende el cerebro humano. No afirma que hayamos construido un cerebro en silicio, pero sí que hemos empezado a decodificar principios de funcionamiento: aprendizaje distribuido en muchas conexiones, representación de patrones de alta complejidad, ajuste continuo de los pesos sin necesidad de instrucciones explícitas. Dicho de otro modo, no hemos reproducido el cerebro, pero hemos modelizado aspectos esenciales de su dinámica de aprendizaje, hasta el punto de obtener comportamientos que compiten o superan al humano en tareas específicas.
Si aceptamos esto, la oposición rígida que propone el libro —o tenemos un cambio teórico radical, o las técnicas actuales están condenadas— se resquebraja. Lo que estamos viendo es precisamente lo contrario: al escalar y refinar estas técnicas han aparecido capacidades emergentes que el propio autor probablemente habría considerado fuera de su alcance. Que todavía no entendamos del todo cómo surge ese comportamiento no invalida su existencia; más bien muestra que nuestra intuición sobre lo que puede o no puede hacer un sistema estadístico era limitada.
Por eso, seguir usando El mito de la inteligencia artificial como prueba definitiva de que “la IA no piensa” es ignorar el tiempo transcurrido. Hoy es un documento interesante de una etapa previa, no un veredicto final. La discusión sobre si la IA “piensa” o no sigue abierta, pero quien se refugia en ese libro como si nada hubiera cambiado está peleando con fantasmas de 2020 en un mundo que ya es radicalmente distinto.
Descubre más desde Masticadores
Suscríbete y recibe las últimas entradas en tu correo electrónico.
