La inteligencia artificial (IA) fuerte, también conocida como inteligencia artificial general (IAG) o IA general, es una forma teórica de IA utilizada para describir una mentalidad determinada de desarrollo de IA. Si los investigadores fueran capaces de desarrollar una IA fuerte, la máquina requeriría una inteligencia igual a los humanos; tendría una conciencia de sí misma con capacidad para resolver problemas, aprender y planificar el futuro.

La IA fuerte tiene como objetivo crear máquinas inteligentes similares a la mente humana. Pero al igual que un niño, la máquina de IA tendría que aprender a través de información y experiencias, progresando constantemente y mejorando sus habilidades a lo largo del tiempo.

Aunque los investigadores de IA, tanto del sector académico como del privado, están invirtiendo en la creación de inteligencia artificial general (IAG), actualmente solo existe como concepto teórico, frente a una realidad tangible. Algunas personas, como Marvin Minsky, han sido tachadas de demasiado optimistas en cuanto a los posibles logros en el campo de la IA dentro de unas pocas décadas; otros incluso afirman que ni siquiera se pueden desarrollar sistemas de IA fuerte. Hasta que las medidas de éxito, como la inteligencia y la comprensión, no se definan explícitamente, tienen razón en este sentido. Por ahora, muchos utilizan el test de Turing para evaluar la inteligencia de un sistema de IA.

Test de Turing

Alan Turing desarrolló el test de Turing en 1950 y lo expuso en su artículo, "Maquinaria e inteligencia computacional" (PDF, 566 KB) (enlace externo a IBM). Originalmente conocida como el juego de la imitación, esta prueba evalúa si el comportamiento de una máquina se puede distinguir del de un humano. En esta prueba, hay un persona, conocida como el "interrogador", que trata de identificar la diferencia entre la salida generada por el sistema y la generada por humanos, a través de una serie de preguntas. Si el interrogador no puede distinguir de manera fiable las máquinas de los humanos, la máquina pasa la prueba. Sin embargo, si el evaluador puede identificar las respuestas humanas correctamente, la máquina queda descartada de ser categorizada como inteligente.

Si bien no existen unas pautas de evaluación definidas para el test de Turing, Turing especificó que un evaluador humano solo tendrá un 70 % de posibilidades de adivinar si se trata de una conversación con humanos o una conversación generada por ordenador después de 5 minutos. El test de Turing introdujo la aceptación general en torno a la idea de inteligencia de las máquinas.

Sin embargo, el test de Turing original solo evalúa un conjunto de habilidades: salida de texto o ajedrez, por ejemplo. La IA fuerte necesita realizar diversas tareas igualmente bien, lo que llevó al desarrollo del test de Turing extendido. Esta prueba evalúa el rendimiento textual, visual y auditivo de la IA y lo compara con el resultado generado por humanos. Esta versión se usa en la famosa competición del Premio Loebner, donde un juez humano adivina si el resultado ha sido creado por un humano o por un sistema.

Argumento de la habitación china (CRA)

El argumento de la habitación china fue creado por John Searle en 1980. En su artículo, analiza la definición de comprensión y pensamiento, afirmando que los ordenadores nunca serían capaces de comprender ni de pensar. Este extracto de su artículo, del sitio web de Stanford (enlace externo a IBM), resume bien su argumento.

"Los cálculos se definen de forma puramente formal o sintáctica, mientras que las mentes tienen contenidos mentales o semánticos reales, y no podemos pasar de lo sintáctico a lo semántico simplemente teniendo las operaciones sintácticas y nada más...Un sistema, yo, por ejemplo, no adquirirá una comprensión del chino simplemente siguiendo los pasos de un programa informático que simule el comportamiento de un hablante de chino (p. 17)".

El argumento de la habitación china propone el siguiente escenario:

Imagine una persona, que no habla chino, sentada en una habitación cerrada. En la habitación, hay un documento con la gramática, frases e instrucciones del idioma chino. Otra persona, que habla chino con fluidez, pasa notas escritas en chino a la habitación. Con la ayuda del libro de frases del idioma, la persona dentro de la habitación puede seleccionar la respuesta adecuada y devolvérsela al hablante de chino.

Si bien la persona de dentro de la habitación puede proporcionar la respuesta correcta utilizando un libro de frases, todavía no habla ni entiende chino; es solo una simulación de comprensión a través de la combinación de preguntas o afirmaciones con las respuestas adecuadas. Searle argumenta que esa IA fuerte requeriría una mente real para tener conciencia o comprensión. El argumento de la habitación china ilustra las deficiencias del test de Turing, demostrando las diferencias en las definiciones de inteligencia artificial.

La IA débil, también conocida como IA limitada, se centra en realizar una tarea específica, como responder preguntas en función de las entradas del usuario o jugar al ajedrez. Puede realizar un tipo de tarea, pero no ambas, mientras que la IA fuerte puede realizar varias funciones, eventualmente aprendiendo a resolver nuevos problemas por sí sola. La IA débil se basa en la interferencia humana para definir los parámetros de sus algoritmos de aprendizaje y proporcionar los datos de entrenamiento relevantes para garantizar la precisión. Si bien la entrada humana acelera la fase de crecimiento de la IA fuerte, no es necesaria y, con el tiempo, desarrolla una conciencia similar a la humana en lugar de simularla, como la IA débil. Los coches autónomos y los asistentes virtuales, como Siri, son ejemplos de IA débil.  

Si bien es cierto que no hay ejemplos claros de inteligencia artificial fuerte, el campo de la IA innova rápidamente.  Ha surgido otra teoría de la IA, conocida como superinteligencia artificial (ASI, por sus siglas en inglés), súper inteligencia o Súper IA. Este tipo de IA supera a la IA fuerte en inteligencia humana y capacidad. Sin embargo, la Súper AI sigue siendo puramente especulativa, ya que aún tenemos que lograr ejemplos de IA fuerte.

Dicho esto, hay campos en los que la IA juega un papel más importante, como por ejemplo:

• Ciberseguridad: la inteligencia artificial asumirá más funciones en las medidas de ciberseguridad de las organizaciones, incluida la detección de brechas, la supervisión, la inteligencia de amenazas, la respuesta a incidentes y el análisis de riesgos.
• Entretenimiento y creación de contenidos: los programas de ciencias de la computación son cada vez mejores en la producción de contenido, ya sea redacción, poesía, videojuegos o incluso películas. La aplicación de IA de generación de texto GBT-3 de OpenAI ya está creando contenido que es casi imposible de distinguir de una copia escrita por humanos.
• Reconocimiento y predicción de comportamientos: los algoritmos de predicción fortalecerán la IA, en aplicaciones desde previsiones meteorológicas y bursátiles hasta, más interesante aún, predicciones del comportamiento humano. Esto a su vez plantea interrogantes en torno a los sesgos implícitos y la IA ética. Algunos investigadores de IA de la comunidad de IA están exigiendo que se creen una serie de reglas antidiscriminatorias, una reinvindicación que a menudo se asocia con el hashtag #responsibleAI.

Los términos inteligencia artificial, machine learning y deep learning a menudo se usan en un contexto equivocado, y se aplican indistintamente para describir la IA fuerte, por lo que vale la pena definir cada uno brevemente:

La inteligencia artificial definida por John McCarthy (enlace externo a IBM) es "la ciencia y la ingeniería de hacer máquinas inteligentes, especialmente programas informáticos inteligentes. Está relacionada con la tarea similar de utilizar ordenadores para comprender la inteligencia humana, pero la IA no se limita a métodos que sean observables biológicamente".

Machine learning , o aprendizaje automático, es un subcampo de la inteligencia artificial. Los modelos de machine learning clásicos (no profundos) requieren más intervención humana para segmentar datos en categorías (es decir, a través del aprendizaje de funciones).

Deep learning, o aprendizaje profundo, es también un subcampo de machine learning, que intenta imitar la interconexión del cerebro humano utilizando redes neuronales. Sus redes neuronales artificiales están formadas por capas de modelos, que identifican patrones dentro de un conjunto de datos determinado. Aprovechan un elevado volumen de datos de entrenamiento para aprender con precisión, lo que exige hardware más potente, como GPU o TPU. Los algoritmos de deep learning están más estrechamente vinculados con la IA a nivel humano.    

Para entender mejor los diferentes matices entre estas tecnologías, lea el artículo "AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference?"

Deep learning gestiona bien problemas complejos, y por ello se utiliza en muchas tecnologías innovadoras y emergentes actuales. Los algoritmos de deep learning se aplican en diversos campos. Estos son algunos ejemplos:

• Coches autónomos: Google y Elon Musk nos han demostrado que los coches autónomos son posibles. Sin embargo, estos vehículos requieren más datos de entrenamiento y pruebas debido a las diversas actividades que deben tener en cuenta, como ceder el paso o identificar escombros en la carretera. A medida que la tecnología madure, deberá superar el rechazo humano a su adopción, ya que las encuestas indican que muchos conductores no están dispuestos a utilizarla.
• Reconocimiento de voz: el reconocimiento de voz, como los chatbots de IA y los agentes virtuales, es una parte importante del procesamiento del lenguaje natural.  La entrada de audio es mucho más difícil de procesar para una IA, ya que entran en juego muchos factores, como el ruido de fondo, los dialectos, los impedimentos del habla y otras influencias, que dificultan a la IA la conversión de la entrada en algo con lo que el sistema pueda trabajar.
• Reconocimiento de patrones: el uso de redes neuronales profundas mejora el reconocimiento de patrones en diversas aplicaciones. Al descubrir patrones de puntos de datos útiles, la IA puede filtrar información irrelevante, trazar correlaciones útiles y mejorar la eficiencia del cálculo de big data que los humanos pueden pasar por alto.
• Programación informática: la IA débil ha tenido cierto éxito en la producción de texto importante, lo que ha permitido realizar algunos avances en el campo de la codificación. Recientemente, OpenAI publicó GPT-3, un software de código abierto que puede escribir código y programas informáticos simples con instrucciones muy limitadas, aportando automatización al desarrollo de programas.
• Reconocimiento de imágenes: la categorización de imágenes puede llevar mucho tiempo cuando se hace manualmente. Sin embargo, las adaptaciones especiales de las redes neuronales profundas, como DenseNet, que conecta cada capa con todas las demás en la red neuronal, han hecho que el reconocimiento de imágenes sea mucho más preciso.
• Recomendaciones contextuales: las aplicaciones de deep learning pueden tener mucho más en cuenta el contexto al hacer recomendaciones, incluyendo patrones de comprensión del lenguaje y predicciones de comportamiento.
• Comprobación de hechos: la Universidad de Waterloo lanzó recientemente una herramienta que puede detectar noticias falsas verificando la información de los artículos comparándola con otras fuentes de noticias.