La inteligencia artificial (IA) es la rama de la informática que se ocupa de construir máquinas y software que realizan tareas que, cuando las hacen los humanos, se entiende que requieren inteligencia, como percibir el entorno, comprender el lenguaje, resolver problemas y tomar decisiones. El campo abarca una amplia gama de enfoques, desde sistemas basados en reglas que codifican directamente la experiencia humana hasta modelos estadísticos que aprenden comportamiento a partir de datos.
El término fue acuñado para un taller de 1956 y desde entonces ha descrito un conjunto cambiante de técnicas, expandiéndose y contrayéndose en la atención pública a través de ciclos de exageración y decepción.
Historia
El momento fundacional del campo suele fecharse en el taller de Dartmouth de 1956, organizado por John McCarthy, quien acuñó el término "inteligencia artificial" para la propuesta. La investigación temprana en IA enfatizó la IA simbólica: lógica, búsqueda y reglas codificadas a mano. Este enfoque produjo éxitos tempranos como demostradores de teoremas y, más tarde, sistemas expertos comerciales en la década de 1980, pero tuvo dificultades con tareas que resistían reglas explícitas, como la visión y el lenguaje. Los recortes de financiación siguieron a los contratiempos y las expectativas infladas, produciendo lo que los investigadores llaman un invierno de la IA, notablemente después de un informe crítico del gobierno del Reino Unido en 1973 y nuevamente a finales de la década de 1980 cuando los sistemas expertos no lograron escalar.
Una línea de trabajo paralela, inicialmente marginal, persiguió métodos estadísticos y conexionistas. El perceptrón (1958) modelaba una única neurona entrenable, pero sus limitaciones documentadas contribuyeron al primer invierno de la IA. El interés revivió durante la década de 1980 y, de manera decisiva, en 2012, cuando una red convolucional profunda llamada AlexNet superó drásticamente a los métodos anteriores en un importante punto de referencia de reconocimiento de imágenes, un resultado ampliamente acreditado con el inicio de la era moderna del aprendizaje profundo. El uso de unidades de procesamiento gráfico (GPU) para acelerar las redes neuronales fue un factor clave en este avance.
El aprendizaje profundo maduró durante la década de 2010 con progresos en visión, habla y procesamiento del lenguaje. La arquitectura Transformer (architecture) de 2017 permitió el entrenamiento de modelos mucho más grandes en texto, culminando en el paradigma del modelo de lenguaje grande. El lanzamiento de ChatGPT en noviembre de 2022 hizo que la IA conversacional fuera ampliamente accesible y desencadenó una ola de inversión y atención pública a menudo llamada el auge de la IA.
Enfoques
La investigación en IA a menudo se divide entre enfoques simbólicos, que manipulan representaciones explícitas del conocimiento, y enfoques conexionistas o estadísticos, que aprenden representaciones implícitas a partir de datos. El aprendizaje automático es el paradigma moderno dominante, que abarca el aprendizaje supervisado, no supervisado y por refuerzo. Los enfoques híbridos, que combinan componentes aprendidos con razonamiento simbólico o búsqueda, siguen siendo una dirección de investigación activa, particularmente para tareas que requieren inferencia lógica confiable.
Los objetivos tradicionales de la investigación en IA incluyen el aprendizaje, el razonamiento, la representación del conocimiento, la planificación, el procesamiento del lenguaje natural y la percepción, así como el apoyo a la robótica. Las técnicas incluyen búsqueda en el espacio de estados, optimización matemática, lógica formal, redes neuronales artificiales y métodos de estadística, investigación de operaciones y economía. La IA también se basa en la psicología, la lingüística, la filosofía y la neurociencia.
Aplicaciones e impacto
Los sistemas de IA se implementan en búsqueda, traducción, recomendación, diagnóstico médico, investigación científica como la predicción de la estructura de proteínas, vehículos autónomos y, cada vez más, como asistentes de propósito general y herramientas de codificación. El auge de los sistemas de agente de IA capaces desde 2024, que combinan modelos de lenguaje con uso de herramientas y planificación de múltiples pasos, ha extendido la IA desde responder preguntas hasta completar tareas de manera independiente.
Las aplicaciones de alto perfil incluyen motores de búsqueda web avanzados, chatbots, asistentes virtuales, vehículos autónomos, juego y análisis en juegos de estrategia (por ejemplo, ajedrez y Go), y generación de contenido (por ejemplo, texto, imágenes, audio y videos).
Debates
Los debates de larga duración se refieren a si las técnicas actuales pueden conducir a la inteligencia artificial general, un sistema con competencia a nivel humano en prácticamente todas las tareas cognitivas, y qué riesgos podrían plantear tales sistemas. El artículo de Alan Turing de 1950 propuso una prueba operativa para la inteligencia de las máquinas, ahora conocida como el test de Turing, aunque su adecuación como punto de referencia es ampliamente discutida. Los críticos argumentan que la generación fluida de texto no implica comprensión, mientras que los defensores señalan las capacidades emergentes como evidencia de un progreso genuino hacia la inteligencia general.
Algunas empresas, como OpenAI, Google DeepMind y Meta, tienen como objetivo crear AGI. Las preocupaciones éticas, los efectos a largo plazo de la IA, los efectos ambientales y los posibles riesgos existenciales han provocado discusiones sobre la regulación de la IA.
Desarrollos recientes
En 2024, los modelos de razonamiento, un tipo de modelo de lenguaje grande entrenado para generar cadenas intermedias de pensamiento, surgieron y permitieron un mejor rendimiento en problemas complejos de matemáticas y codificación. Estos modelos pueden producir salidas incorrectas o "alucinaciones", a diferencia de los sistemas de razonamiento simbólico. El auge de la IA en la década de 2020 coincidió con avances en la IA generativa, que se generalizó y permitió la creación y modificación de medios. Además de la seguridad de la IA y las consecuencias y daños no intencionados derivados del uso de la IA, las preocupaciones éticas, los efectos a largo plazo de la IA, los efectos ambientales y los posibles riesgos existenciales han provocado discusiones sobre la regulación de la IA.