La inteligencia artificial (IA) fuerte, también conocida como inteligencia artificial general (AIG) o IA general, es una forma teórica de IA que se utiliza para describir una determinada forma de pensar de desarrollo de IA. Si los investigadores son capaces de desarrollar una IA fuerte, la máquina requeriría una inteligencia igual a la de 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 que sean indistinguibles de 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 con el tiempo.

Mientras que los investigadores de IA, tanto en el sector académico como en el privado, están invirtiendo en la creación de inteligencia artificial general (AIG), hoy en día solo existe como concepto teórico frente a una realidad tangible. Si bien se ha señalado a algunas personas, como Marvin Minsky, por ser demasiado optimistas sobre lo que podríamos lograr en unas pocas décadas en el campo de la IA. Otros dirían que no es posible desarrollar sistemas de IA fuertes. Hasta que las medidas de éxito, como la inteligencia y la comprensión, se definan explícitamente, tienen razón al pensarlo. Por el momento, muchos usan 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 comentó en su artículo, "Maquinaria e inteligencia computacional" (PDF, 566 KB) (enlace externo a IBM). Originalmente conocido como el juego de imitación, la prueba evalúa si el comportamiento de una máquina se puede distinguir del de un humano. En esta prueba, hay una persona conocida como el "interrogador" que busca identificar una diferencia entre los resultados generados por computadora y los generados por humanos a través de una serie de preguntas. Si el interrogador no puede distinguir de forma fiable las máquinas de los sujetos humanos, la máquina pasa la prueba. Sin embargo, si el evaluador puede identificar correctamente las respuestas humanas, esto descarta que la máquina sea categorizada como inteligente.

Si bien no existen pautas de evaluación establecidas 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 computadora 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 diferentes tareas igual de 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 utiliza en la famosa competición del Premio Loebner, donde un juez humano adivina si la salida fue creada por un humano o una computadora.

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 las computadoras nunca podrían hacerlo. En este extracto de su artículo, del sitio web de Stanford  (enlace externo a IBM), resume bien su argumento,

"La computación se define puramente formal o sintácticamente, 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 adquiriría una comprensión del chino simplemente siguiendo los pasos de un programa de computadora que simulara el comportamiento de un hablante de chino (p. 17)".

El argumento de la habitación china propone el siguiente escenario:

Imagínese una persona que no habla chino sentada en una habitación cerrada. En la habitación hay un libro con las reglas, 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 que se encuentra dentro de la sala puede seleccionar la respuesta adecuada y devolvérsela al hablante de chino.

Si bien la persona dentro de la sala pudo dar la respuesta correcta utilizando un libro de frases, todavía no habla ni comprende el chino; era solo una simulación de comprensión mediante 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 fallas en el test de Turing, demostrando diferencias en las definiciones de inteligencia artificial.

La IA débil, también conocida como IA limitada, se enfoca en realizar una tarea específica, como responder preguntas basadas en la entrada del usuario o jugar al ajedrez. Puede realizar un tipo de tarea, pero no ambas, mientras que la IA fuerte puede realizar diferentes funciones y eventualmente aprender a resolver nuevos problemas. 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 aportación 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 hace la IA débil. Los coches autónomos y los asistentes virtuales, como Siri, son ejemplos de IA débil.  

Si bien no hay ejemplos claros de inteligencia artificial fuerte, el campo de la IA está innovando rápidamente.  Ha surgido otra teoría de la IA, conocida como superinteligencia artificial (ASI), súper inteligencia o súper IA. Este tipo de IA supera a la IA fuerte en  inteligencia humana y habilidad. Sin embargo, la súper IA sigue siendo puramente especulativa, ya que todavía tenemos que lograr ejemplos de IA fuerte.

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

• Ciberseguridad: la inteligencia artificial asumirá más papeles en las medidas de ciberseguridad de las organizaciones, incluida la detección de brechas, la supervisión, la inteligencia de amenazas, la respuesta de incidentes y el análisis de riesgos.
• Entretenimiento y creación de contenido: los programas de ciencia de la computación ya están mejorando cada vez más 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 del comportamiento: los algoritmos de predicción fortalecerán la IA, en aplicaciones desde previsiones meteorológicas y bursátiles hasta, más interesante aún, predicciones del comportamiento humano. Esto también plantea preguntas sobre los sesgos implícitos y la IA ética. Algunos investigadores de IA  en 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 se utilizan a menudo en el contexto incorrecto. Estos términos se utilizan con frecuencia para describir la IA fuerte, por lo que vale la pena definirlos brevemente:

La inteligencia artificial definida por John McCarthy (enlace externo a IBM), es "la ciencia y la ingeniería para fabricar máquinas inteligentes, especialmente programas de computadora inteligentes". Está relacionada con la tarea similar de usar computadoras para entender la inteligencia humana, pero la IA no tiene que limitarse a métodos que son biológicamente observables".

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

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

Para entender mejor los diferentes matices entre estas tecnologías, lea el artículo "IA frente a Machine Learning frente a Deep Learning frente a Redes Neuronales: ¿cuál es la diferencia?"

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 diferentes campos. Estos son algunos ejemplos:

• Automóviles autónomos: Google y Elon Musk nos han mostrado que los automóviles autónomos son posibles. Sin embargo, los vehículos autónomos requieren más datos de entrenamiento y pruebas debido a las diversas actividades que deben tener en cuenta, como ceder el paso o identificar los escombros en la carretera. A medida que la tecnología madure, deberá superar el obstáculo humano de la adopción, ya que las encuestas indican que muchos conductores no están dispuestos a utilizarla.
• Reconocimiento de voz: el reconocimiento de voz, como el de chatbots y agentes virtuales con IA, supone una gran parte del procesamiento del lenguaje natural.  La entrada de audio es mucho más difícil de procesar para una IA, ya que muchos factores, como el ruido de fondo, los dialectos, los impedimentos del habla y otras influencias pueden hacer que sea mucho más difícil para la IA convertir la entrada en algo con lo que la computadora 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, establecer correlaciones útiles y mejorar la eficiencia de la computación de macrodatos que, por lo general, los seres humanos pueden pasar por alto.
• Programación de computadoras: la IA débil ha tenido cierto éxito en la producción de texto fiable, lo que ha llevado a avances en la codificación. Recientemente, OpenAI lanzó GPT-3, un software de código abierto que de hecho puede escribir código y  programas de computadora  con instrucciones muy limitadas, llevando la automatización al desarrollo de programas.
• Reconocimiento de imagen: 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 capas de 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.