La creación del artículo de Wikipedia sobre IA se refiere al primer artículo enciclopédico sobre inteligencia artificial, publicado en la Wikipedia en inglés en 2001. El artículo, titulado "Inteligencia artificial", proporcionaba una visión general completa del campo, definiendo la IA como la capacidad de los sistemas computacionales para realizar tareas típicamente asociadas con la inteligencia humana, como el aprendizaje, el razonamiento, la resolución de problemas, la percepción y la toma de decisiones. Describía la IA como un campo de investigación en ingeniería, matemáticas y ciencias de la computación que desarrolla métodos y software que permiten a las máquinas percibir su entorno y utilizar el aprendizaje y la inteligencia para tomar acciones que maximicen las posibilidades de lograr objetivos definidos.
El artículo esbozaba los objetivos tradicionales de la investigación en IA, incluyendo 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. Señalaba que los investigadores de IA utilizan técnicas como la búsqueda en el espacio de estados, la optimización matemática, la lógica formal, las redes neuronales artificiales y métodos basados en estadística, investigación de operaciones y economía. El artículo también reconocía la naturaleza interdisciplinaria de la IA, que se basa en la psicología, la lingüística, la filosofía, la neurociencia y otros campos.
Contexto histórico
El artículo rastreaba los orígenes de la IA hasta su fundación como disciplina académica en 1956. Describía la historia del campo de ciclos de optimismo seguidos de períodos de decepción y pérdida de financiación, conocidos como inviernos de la IA. El artículo señalaba que la financiación y el interés aumentaron sustancialmente después de 2012, cuando las unidades de procesamiento gráfico (GPU) comenzaron a utilizarse para acelerar las redes neuronales, y el aprendizaje profundo superó a las técnicas anteriores de IA. Este crecimiento se aceleró aún más después de 2017 con la introducción de la arquitectura del transformador. En la década de 2020, un auge de la IA coincidió con avances en la IA generativa, que se generalizó y permitió la creación y modificación de medios.
El artículo también discutía aplicaciones de alto perfil de la IA, incluyendo motores de búsqueda web avanzados, chatbots, asistentes virtuales, vehículos autónomos, juego y análisis en juegos de estrategia como el ajedrez y el Go, y la generación de contenido para imágenes, audio y videos. Mencionaba que algunas empresas, como OpenAI, Google DeepMind y Meta, aspiran a crear inteligencia artificial general (IAG) - una IA que pueda completar casi cualquier tarea cognitiva al menos tan bien como un humano.
Objetivos de la investigación en IA
El artículo desglosaba el problema general de simular la inteligencia en subproblemas, cada uno representando rasgos o capacidades específicas que los investigadores esperan que un sistema inteligente muestre. Estos incluían el razonamiento y la resolución de problemas, la representación del conocimiento, la planificación y la toma de decisiones, el aprendizaje, el procesamiento del lenguaje natural, la percepción y el apoyo a la robótica.
Razonamiento y resolución de problemas
Los primeros investigadores desarrollaron algoritmos que imitaban el razonamiento paso a paso utilizado por los humanos al resolver acertijos o hacer deducciones lógicas. A finales de los años 80 y 90, se desarrollaron métodos para tratar información incierta o incompleta, empleando conceptos de probabilidad y economía. Sin embargo, muchos de estos algoritmos eran insuficientes para problemas de razonamiento a gran escala debido a una "explosión combinatoria", donde se vuelven exponencialmente más lentos a medida que los problemas crecen. El artículo señalaba que incluso los humanos rara vez utilizan la deducción paso a paso; en cambio, confían en juicios rápidos e intuitivos. También mencionaba que los modelos de razonamiento, un tipo de modelo de lenguaje grande entrenado para generar cadenas de pensamiento intermedias, surgieron en 2024 y permitieron un mejor rendimiento en problemas complejos de matemáticas y codificación, aunque pueden producir salidas incorrectas o "alucinaciones".
Representación del conocimiento
Los programas de IA utilizan el conocimiento para responder preguntas de manera inteligente y hacer deducciones sobre hechos del mundo real. El artículo explicaba que la representación formal del conocimiento y la ingeniería del conocimiento utilizan símbolos para representar palabras, conceptos y cosas en el mundo. Una base de conocimiento es un cuerpo de conocimiento representado en una forma utilizable por un programa, y una ontología es el conjunto de objetos, relaciones, conceptos y propiedades utilizados por un dominio particular. El conocimiento formal se ha estudiado extensamente desde los años 70, pero el enfoque simbólico enfrenta desafíos como la amplitud del conocimiento de sentido común, la forma subsimbólica de la mayor parte del conocimiento de sentido común y la adquisición del conocimiento. El artículo señalaba que el aprendizaje automático, particularmente con modelos de lenguaje grandes, no requiere conocimiento simbólico explícito y en cambio adquiere conocimiento del entrenamiento en vastos corpus de texto, resolviendo algunos de estos problemas pero teniendo dificultades con el recuerdo preciso y el razonamiento válido.
Planificación y toma de decisiones
El artículo describía un "agente" como cualquier entidad que percibe y toma acciones en el mundo. Un agente racional tiene objetivos o preferencias y toma acciones para lograrlos. En la planificación automatizada, el agente tiene un objetivo específico; en la toma de decisiones automatizada, tiene preferencias y asigna un número de utilidad a cada situación. Para cada acción posible, calcula la utilidad esperada, ponderada por la probabilidad de los resultados, y elige la acción con la utilidad esperada máxima. En la planificación clásica, el agente conoce los efectos exactos de las acciones, pero en problemas del mundo real, puede enfrentar incertidumbre y debe hacer conjeturas probabilísticas y reevaluar. El artículo enfatizaba la importancia de las explicaciones para las decisiones para generar confianza, especialmente cuando se depende de las decisiones. También mencionaba que las preferencias pueden ser inciertas, y los agentes pueden aprenderlas utilizando métodos como el aprendizaje por refuerzo inverso o buscar información para mejorarlas, con la teoría del valor de la información sopesando el valor de las acciones exploratorias.
Técnicas y métodos
Para lograr estos objetivos, los investigadores de IA utilizan una variedad de técnicas. El artículo destacaba la búsqueda en el espacio de estados y la optimización matemática, la lógica formal, las redes neuronales artificiales y métodos basados en estadística, investigación de operaciones y economía. Señalaba que, desde 2012, el uso de GPU para acelerar las redes neuronales ha sido fundamental, y la arquitectura del transformador introducida en 2017 aceleró aún más el progreso. El artículo también mencionaba que la IA moderna puede aprender sobre un dominio ejecutando experimentos, como cuando AlphaZero aprende la estrategia del juego jugando contra sí mismo.
Consideraciones éticas y regulatorias
El artículo abordaba las preocupaciones éticas y los posibles daños del uso de la IA, incluyendo la seguridad de la IA, las consecuencias no deseadas, los efectos a largo plazo, los efectos ambientales y los posibles riesgos existenciales. Señalaba que estas preocupaciones han impulsado discusiones sobre la regulación de la IA. El artículo también mencionaba que la adopción generalizada de la IA en la década de 2020 ha llevado a debates sobre su impacto social, incluyendo cuestiones de sesgo, privacidad y responsabilidad.
Legado e impacto
Como entrada enciclopédica temprana, el artículo proporcionó una referencia fundamental para comprender el alcance y los desafíos de la IA. Ha sido actualizado continuamente por la comunidad de Wikipedia para reflejar los avances en el campo, como la aparición de la IA generativa y el aprendizaje profundo. La estructura del artículo, que cubre objetivos, técnicas e historia, ha influido en artículos posteriores relacionados con la IA en Wikipedia y ha servido como recurso para estudiantes, investigadores y el público. Su tono neutral y factual se alinea con los estándares de Wikipedia, y su contenido ha evolucionado para incluir desarrollos recientes como las redes neuronales, los modelos de lenguaje grandes y el aprendizaje por refuerzo (aunque este último no está explícitamente en el texto original de 2001). El artículo sigue siendo un punto de entrada clave para los lectores que buscan una visión general de la inteligencia artificial.