La inteligencia artificial general, comúnmente abreviada como IAG, se refiere a una forma hipotética de inteligencia artificial capaz de comprender, aprender y realizar cualquier tarea intelectual que un humano pueda hacer, en lugar de sobresalir de manera limitada en un solo dominio. Generalmente se contrasta con la "IA estrecha", los sistemas especializados, desde motores de ajedrez hasta clasificadores de imágenes, que dominan la IA desplegada hoy en día. Ningún sistema es ampliamente reconocido por haber logrado la IAG hasta 2025, y la definición precisa del término sigue siendo disputada entre investigadores, ejecutivos y filósofos.
Definiciones
No existe una definición única aceptada de IAG. Los criterios propuestos van desde igualar el rendimiento humano en una amplia batería de tareas cognitivas, hasta poseer la capacidad de aprender y transferir habilidades entre dominios sin reentrenamiento específico de la tarea, pasando por umbrales económicamente significativos, como un sistema que pueda realizar la mayoría de las tareas de trabajo remoto que un humano puede hacer. Algunas organizaciones, incluida OpenAI, han utilizado definiciones contractuales o económicas, vinculando la IAG a un nivel de creación de valor económico automatizado, en lugar de criterios puramente técnicos, una elección que los críticos consideran que convierte el término más en un hito empresarial que en un punto de referencia científico.
Historia del término
La frase precede al auge actual de la IA. El físico Mark Gubrud utilizó "inteligencia artificial general" en un artículo de 1997 que discutía la nanotecnología y el riesgo militar, y el término fue adoptado y popularizado más tarde en los círculos de investigación de IA a mediados de la década de 2000, notablemente a través de un volumen editado en 2007 titulado "Inteligencia Artificial General" asociado con el investigador Ben Goertzel. Su uso aumentó a medida que se formaron organizaciones dedicadas al objetivo: OpenAI adoptó la IAG como su misión explícita cuando se fundó en 2015, y Google DeepMind, cofundada por Demis Hassabis como DeepMind en 2010 antes de su adquisición por Google en 2014, ha enmarcado de manera similar su misión en torno a la IAG desde su fundación.
Caminos y predicciones
Los enfoques propuestos hacia la IAG incluyen escalar las arquitecturas existentes de modelos de lenguaje grandes y modelos fundacionales con más datos y cómputo, la apuesta dominante de la industria desde aproximadamente 2020; combinar modelos de lenguaje con planificación explícita y uso de herramientas, como en los sistemas de agentes de IA; arquitecturas híbridas neuro-simbólicas que emparejan redes neuronales con razonamiento lógico; y enfoques basados en la interacción encarnada con el mundo físico. Las encuestas a investigadores de IA han mostrado un amplio desacuerdo sobre los plazos, con predicciones medianas para la "inteligencia de máquina de alto nivel" que se adelantan en encuestas sucesivas realizadas entre 2016 y 2023, aunque las estimaciones individuales abarcan desde unos pocos años hasta muchas décadas.
Debate sobre la proximidad
Los líderes de la industria han ofrecido evaluaciones marcadamente diferentes. Sam Altman y otros ejecutivos han descrito la IAG como alcanzable dentro de la década actual, mientras que Hassabis ha ofrecido plazos más mesurados que enfatizan las brechas científicas restantes. La aparición de sistemas de modelos de razonamiento como OpenAI o1 a partir de 2024, que asignan cómputo adicional en el momento de la inferencia a problemas de múltiples pasos, ha sido citada por algunos como evidencia de un progreso acelerado hacia la capacidad general, y por otros como una mejora incremental en el rendimiento de puntos de referencia estrechos en lugar de una generalidad genuina.
Crítica y escepticismo
Investigadores como Gary Marcus y François Chollet han argumentado que las ganancias en puntos de referencia logradas por los modelos de lenguaje grandes a menudo reflejan memorización o interpolación sobre los datos de entrenamiento en lugar de una generalización robusta, señalando fallos persistentes en problemas de razonamiento novedosos. El punto de referencia ARC-AGI de Chollet fue diseñado explícitamente para resistir esta crítica al probar la abstracción en tareas que es poco probable que aparezcan en los datos de entrenamiento. Las preocupaciones sobre la IAG están estrechamente vinculadas al debate más amplio sobre la superinteligencia y el riesgo existencial de la IA, ya que muchos argumentos de seguridad asumen que la IAG, una vez alcanzada, podría auto-mejorarse rápidamente más allá de la supervisión humana, una afirmación disputada por escépticos que ven las arquitecturas actuales como fundamentalmente limitadas sin avances conceptuales adicionales.