Episodio emitido el 09/12/2024 en:

• RNE:

  https://www.rtve.es/play/audios/el-placer-de-admirar/entrevista-xabier-uribe-etxebarria-ii-16-12-24/16374062/

Episodio emitido el 09/12/2024 en:

• RNE:

  https://www.muyinteresante.com/ia/agi-la-nueva-especie-inteligente.html

Un individuo de la familia Neanderthal, la especie humana que había dominado durante milenios esa península de Asia que hoy llamamos Europa, se topó con su reto más importante.

La misma especie que se había enfrentado a infinidad de retos a lo largo de su existencia; depredadores, catástrofes naturales, pandemias y glaciaciones, ahora tenía un desafío superior. Se encontró con un nuevo “ser” tan inteligente como ellos, el Homo Sapiens, y lo que le había diferenciado como especie como la capacidad cognitiva, el razonamiento, el pensamiento simbólico o poder comunicarse con el habla ya no era una ventaja frente a ese nuevo “ser”.

Durante los siguientes 20.000 años ambas especies compartimos ecosistema, pero finalmente nuestra especie, el homo Sapiens, acabó por desplazar, absorber y extinguir a la especie aborigen del territorio europeo.

No sabemos a ciencia cierta si durante ese periodo hubo enfrentamientos o convivencia. Pero lo que es seguro es que hubo hibridación interespecie. Un pequeño porcentaje de los genes de algunos humanos actuales contiene ADN de estos Neandertales.

Las herramientas

El Sapiens, nuestra especie, no contento con sus capacidades biológicas, durante toda la historia de la humanidad ha creado tecnología para tratar de mejorarse. Creando herramientas que nos aumentan tanto física como intelectualmente y así ampliar aún más nuestra ventaja frente al resto de especies de animales.

Creamos hachas o cuchillos de silex como extensión de nuestros dientes. Arcos, flechas y ondas como extensión de nuestros brazos y así poder lanzar piedras, más fuerte y más lejos. Creamos carros tirados por animales y más tarde por motores de combustión como extensión de nuestras piernas y así poder transportarnos más rápido y más lejos. Las herramientas están íntimamente ligadas a nuestro físico, hasta tal punto de que han contribuido en nuestro cambio físico. Un ejemplo es la domesticación del fuego y la evolución de nuestro sistema digestivo.

Pero no nos hemos conformado con querer mejorar nuestras capacidades físicas, también hemos querido aumentar nuestras capacidades cognitivas. Creamos la escritura, como extensión de nuestra memoria y capacidad de comunicación. Creamos las matemáticas para explicar el universo que nos rodea y en combinación con la escritura también para ser capaces de hacer cálculos más complejos y precisos.

Milenios más tarde, creamos las máquinas de cómputo y los ordenadores como extensión de nuestra capacidad de razonamiento y así con infinidad de avances tecnológicos que consiguen superar nuestras limitaciones cognitivas, hasta que finalmente creamos la Inteligencia Artificial.

Inteligencia Artificial “débil” y “General” (AGI)

En este sentido, desde hace tiempo la IA ya es capaz de realizar ciertas tareas cognitivas mejor de lo que lo haría el humano más capacitado para realizar esa tarea concreta. Jugar a juegos como el ajedrez, traducir textos, detectar cánceres en radiografías o tomografías donde el ojo humano no puede ver, son algunos ejemplos.

Esto es lo que llamamos “Narrow artificial intelligence” o “inteligencia artificial Débil”, y cada tarea; jugar al ajedrez, detectar anomalías en imágenes o conducción autónoma requieren de algoritmos diferentes o al menos requieren de un entrenamiento* diferente para cada uno de esos algoritmos.

Dicho de otra manera, si quisiéramos que un modelo de IA débil que sabe jugar al ajedrez mejor que el campeón mundial, conduzca un coche de manera autónoma, traduzca un texto o detecte cánceres en radiografías, sería imposible. Están preparados para hacer una sola tarea.

En definitiva, la IA débil, no son algoritmos generalistas o no pueden hacer tareas diferentes al propósito para el que han sido entrenados.

Sin embargo, con el cerebro humano no ocurre lo mismo. A un niño, le podemos enseñar a jugar al ajedrez y a ese mismo niño le podemos enseñar a hablar un idioma, a localizar animales en imágenes, a andar o a conducir un vehículo y aprenderá sin dificultad. El cerebro humano es una máquina preparada para aprender infinidad de tareas. Es generalista o al menos, aunque (el cerebro) tenga partes diferenciadas, está orquestado para funcionar como un único órgano generalista.

Si pudiéramos hacer eso con una máquina, habríamos alcanzado lo que llamamos Inteligencia Artificial General, AGI.

Hasta la aparición de una nueva arquitectura de redes neuronales artificiales, las redes de tipo “transformer” (que da nombre a la T” de GPT) y con ellas, los llamados grandes modelos de lenguaje (LLM) basados en estas grandes redes neuronales artificiales, se pensaba que la AGI llegaría más allá del 2045 pero hoy en día ese punto está tan cercano como difuso.

Muchos piensan que la AGI será binaria, es decir que un modelo de IA la tendrá o no la tendrá. Algo así como tener vida. Aunque también existe cierto debate hay cierto consenso en que la vida es binaria, o se tiene vida como un animal o una planta o no se tiene, como una roca. Es decir, afirman que habrá un avance tecnológico que lo permitirá. Un punto singular en el tiempo y será un antes y un después. Metafóricamente sería algo así como la Abiogénesis de la AGI. Término que utilizan los biólogos para describir (en una de las teorías) ese momento en que se creó vida a partir de materia inerte.

Créditos de la imagen (ChatGPT 4o, OpenAI), prompt Xabi Uribe-Etxebarria

Pero otros, pensamos que aunque existen catalizadores, la AGI será y es gradual. Incluso que gracias al avance tecnológico de estos grandes modelos de lenguaje (LLMs) hemos alcanzado ya algún grado de “generalidad” en la IA y con los nuevos modelos “razonadores” como o3 anunciados hace unos días por OpenAI, aun más.

Aunque no existe consenso en la definición de AGI, según la mayoría de los expertos y publicaciones, la AGI es una representación teórica de una inteligencia artificial capaz de resolver tareas complejas con capacidades cognitivas humanas generalistas.

Por lo tanto, como el cerebro de un niño, los cerebros digitales de hoy en día están ya preparados para hacer gran parte de las tareas cognitivas que son capaces de hacer los humanos. Es decir, son ya generalistas y cada vez lo son más. Pueden traducir textos, resolver problemas matemáticos, responder a preguntas mejor que el humano medio, crear imágenes y vídeos, entender un vídeo, programar código, resolver problemas matemáticos complejos, resumir textos, razonar e incluso aprender a andar si le proveemos de un “cuerpo” como el de un robot. Y todo ello sin haber sido específicamente entrenados para cada una de esas tareas, son propiedades emergentes.

La emergencia

Los sistemas emergentes son aquellos donde las propiedades del nuevo sistema resultante de la agrupación de otras pequeñas partes no pueden explicarse por las propiedades de sus partes constituyentes, sino únicamente a partir de su integración y carácter interactivo. Es decir, surgen capacidades que aparentemente no tienen ninguna relación con las propiedades de las partes que la constituyen.

Un ejemplo claro de un sistema emergente en el ámbito de la física son fenómenos como la humedad (una sola gota de agua no produce humedad) o la superconductividad de algunos materiales. Pero otro ejemplo más fácil de comprender podría ser el de una película emitida en una televisión led, frente a los elementos que componen las diferentes imágenes, los píxeles. La película resultante, el mensaje y el argumento que percibimos no se podría explicar con las propiedades de un píxel, que lo único que hace es cambiar de color con una frecuencia determinada y la orquestación de todos ellos, hace resultar en una historia que es capaz incluso de transmitir un mensaje con contenido complejo, cómico, romántico, dramático o didáctico…

La sincronización de movimientos de una bandada de pájaros no es una propiedad de un solo animal, sino del grupo como un todo. Este es otro ejemplo de cómo las interacciones individuales generan un comportamiento emergente (Créditos de la imagen (ChatGPT 4o, OpenAI), prompt Xabi Uribe-Etxebarria)

En los humanos el razonamiento, la creatividad y la consciencia podrían también emerger de algún tipo de comportamiento colectivo de las neuronas de nuestra corteza cerebral.

Algo similar podría estar pasando en estos grandes modelos de lenguaje ya que, como hemos visto, surgen comportamientos y cualidades no esperadas como el razonamiento, la creatividad e incluso quizá algún grado de consciencia. Y por supuesto, entre ellas, la capacidad de realizar tareas generalistas, lo que nos lleva a afirmar que hemos alcanzado ya algún grado de AGI.

No es una herramienta

Esta vez no estamos creando una simple herramienta que nos aumenta como muchos afirman, sino un ente con agencia, con capacidad de tomar decisiones, con entidad en sí misma. Algo así como crear vida propia.

Esta capacidad de actuar intencionalmente, o con agencia, es lo que para muchos filósofos y pensadores ha distinguido a los seres humanos del resto de animales y por supuesto de las máquinas.

Un martillo o una llave inglesa son herramientas, incluso algo tan potente como una bomba atómica, pero ninguno de estos inventos tiene agencia, es decir, no tiene la capacidad de tomar decisiones. La agencia está en quien las crea o en quien las utiliza. Los humanos y en mi opinión, los animales, al menos con cierto grado.

Las aplicaciones de IA débil, como un sistema de reconocimiento de voz o un sistema que detecte cánceres en imágenes también son herramientas. Y al igual que un destornillador o un taladro están hechas para un propósito concreto y por tanto no tiene agencia o entidad propia. Pero la AGI es un invento muy diferente.

Y si esto es así, ¿por qué seguimos negando la evidencia? ¿Por qué seguimos diciendo que es una herramienta, que no tienen agencia o que la AGI no ha llegado?

En parte por desconocimiento, puede que por interés, pero principalmente por miedo, miedo a ser desplazados por esta nueva inteligencia, miedo al cambio, miedo a perder un modo de vida, miedo a la incertidumbre al ver que las habilidades cognitivas que se creían exclusivas de los humanos como razonar, la creatividad, la generalidad y probablemente cierto grado de consciencia ya han sido adquiridas por las máquinas y perdamos ese “status” de que el “humano” es un “ser” con características “mágicas”, “divinas” e irreplicables, que nos diferencian de las máquinas y del resto de las especies de animales.

Miedo similar al que tuvieron nuestros antepasados cuando Copérnico o Galileo afirmaron que la tierra no era el centro del universo o cuando Darwin propuso que el humano es fruto de la evolución y no de la construcción divina.

Al fin y al cabo, saber que nuestra mente puede ser replicada en una máquina nos hace abrir los ojos y de alguna manera estamos rechazando o poniendo en duda ese excepcionalismo del ser humano como cúspide de la inteligencia, pero eso tiene más de creencias que de ciencia.

La Superinteligencia

En noviembre, un informe al Congreso de los Estados Unidos, define la AGI como sistemas que igualan o superan las capacidades humanas en todos los dominios cognitivos y que superarían a las mentes humanas más capacitados para cada tarea. Como en esta, en muchas definiciones se está subiendo el listón, y en mi opinión, esta definición estaría más cerca del concepto que hoy se denomina como Superinteligencia Artificial (ASI) que comúnmente se refiere a una inteligencia muy por encima de genios y de las mentes humanas más dotadas. Pero sea como fuere la nomenclatura correcta, ese punto al que hace referencia esta nueva definición está a la vuelta de la esquina. Tanto Sam Altman (CEO de OpenAI) como Elon Musk o el recientemente galardonado con el Premio Nobel de Física Geoffrey Hinton coinciden en que llegará antes de final de la década y alguno incluso afirma que podría llegar este mismo año.

La era agéntica

Por tanto, entramos en 2025 inmersos en la AGI y con los primeros brotes de la era agéntica. Una nueva era en la que pronto los agentes inteligentes superarán a los humanos tanto en inteligencia como en número. Es decir, en muy poco tiempo habrá más agentes de IA que personas en la tierra.

Créditos de la imagen (ChatGPT 4o, OpenAI), prompt Xabi Uribe-Etxebarria

El gran reto

50.000 años después de aquel encuentro entre esas 2 especies ha llegado este nuevo encuentro, pero esta vez, la nueva especie “inteligente”, no nace fruto de la evolución biológica, sino de la evolución tecnológica, en definitiva, de nuestra propia “inteligencia”.

Cómo será o cómo queremos que sea la convivencia con este nuevo ente es el mayor reto al que nos vamos a enfrentar como especie. Puede que haya convivencia, enfrentamiento o probablemente, como ocurrió con los Sapiens y los Neandertales, habrá hibridación interespecie.

Xabi Uribe-Etxebarria

Founder & CEO, Sherpa.ai

Artículo publicado en:

• MUY INTERESANTE:

  https://www.muyinteresante.com/ia/agi-la-nueva-especie-inteligente.html

Anexo de definiciones:

* ¿Qué es entrenar un modelo de Inteligencia Artificial?

Todos los cerebros digitales como GPT de OpenAI o Gemini de Google, parten vacíos, y tienen que ser “entrenados”. Es como si partiéramos de un cerebro de un recién nacido, virgen, sin conocimientos, pero con capacidad de aprender. Lo que llamamos “entrenar” en una máquina, es lo que a un niño o a una niña llamaríamos enseñar.

Enseñar matemáticas, ciencias o historia. El niño aprenderá recibiendo información a través de sus sentidos, principalmente de la vista y del oído. Pero en el caso de los grandes modelos de lenguaje como GPT-4, ese entrenamiento ocurre “leyendo” textos. Muchos más textos de los que una persona pudiera leer en toda su vida.

Se entrenan básicamente con toda la información de la Web; toda Wikipedia, todos los papers científicos, etc. Los modelos más actuales, los llamados “multimodales” como GPT-4o además de “leer” textos, también se entrenan “viendo” imágenes y videos, incluso “escuchando” audios. Se entrenan básicamente con toda la información que tengan disponible.

La fuente de las definiciones es Wikipedia.

Esta vitamina actúa eliminando oxidantes para proteger a las células del desgaste de los telómeros, consiguiendo así efectos anti-envejecimiento. 

Fresa (Strawberry) también es el nombre en clave que ha dado Open AI a la nueva familia de modelos de inteligencia Artificial que se prevé sean capaces de razonar a nivel humano, según la filtración que publicó Reuters hace pocos días y que hoy el mismo ha confirmado Sam Altman (el CEO de OpenAI) publicando en X una misteriosa foto de una planta de fresas en su jardín. Supuestamente esta innovación fue también la fuente de las disputas internas que derivaron en su despido en noviembre de 2023. 

Al parecer, para conseguir este gran avance han incorporado una nueva técnica que “enseña” al modelo de IA (como GPT) a razonar mejor. 

Al igual que un niño recién nacido, todos los cerebros digitales (como GPT de OpenAI, Claude de Anthropic o Gemini de Google), parten vacíos, y hay que enseñarles. Lo que a un niño llamaríamos enseñar, en una máquina se le llama “entrenar” y normalmente se diferencian dos fases en ese “entrenamiento”. La primera es el “Pre-entrenamiento” (la P del acrónimo GPT) y la segunda fase es lo que llamamos “Fine-tuning” o post-entrenamiento. 

Los grandes modelos de lenguaje (LLMs) se pre-entrenan “leyendo” textos, y los más actuales, los llamados “multimodales” como GPT-4o también lo hacen “viendo” videos, incluso “escuchando” audios. Se entrenan con toda la información que tengan disponible; toda la web, incluida toda Wikipedia, videos, podcasts, etc. Con ese pre-entrenamiento se consigue que un modelo de IA adquiera conocimientos generalistas. 

Por tanto, el pre-entrenamiento sería como si un niño hiciera toda la enseñanza obligatoria. Sabrá un poco de todo, tendría conocimientos generales, pero le faltaría profundidad en ciertos temas. 

Después, ese niño se podría especializar. Podría ser matemático, médico, abogado, programador o aprender varios idiomas. 

Esta especialización es lo que en una máquina llamaríamos “fine-tuning” y como en las personas, tiene como objetivo adquirir una habilidad como mantener una conversación como lo haría un humano o adquirir un nuevo conocimiento como la medicina. Pero ese objetivo también puede consistir en aprender a razonar mejor. Y esto es precisamente lo que consigue la nueva técnica de fine-tuning (Star) que ha derivado en esta nueva familia de modelos “razonadores” “Strawberry”. 

Es cierto que la IA lleva tiempo mostrando habilidades razonadoras, al menos con cierto grado. Quizá no mejor que el mejor de los humanos en cada una de las materias, pero sin duda cada vez más cerca del humano medio incluso en muchos casos superándolo. 

Las IAs actuales ya son capaces de comprender chistes que nunca han leído, de resolver problemas matemáticos complejos, de deducir el asesino en una novela de suspense que muestra pistas a lo largo del texto, incluso de entender la ironía en imágenes o ilustraciones humorísticas. 

Pero lo que nos espera en los próximos meses llevará de un nivel muy superior la inteligencia y razonamiento de las IAs. Pasaremos de los “chatbots” y sistemas conversacionales que son capaces de mantener una conversación similar a la de un humano a las primera generación de estas IAs “razonadoras”, innovadoras y científicas capaces de hacer investigaciones que podrán resolver problemas que actualmente no tienen solución, plantear nuevas teorías del cosmos como unificar la mecánica cuántica y la relatividad general o encontrar cura a enfermedades humanas incurables. Estamos a las puertas de los Einstein y Ramón y Cajal digitales. 

Créditos de la imagen (ChatGPT 4o, OpenAI).

Estas nuevas fresas digitales no contienen vitamina C, ni propiedades anti-envejecimiento pero quien sabe si a través de la investigación puedan hacer descubrimientos que superen estos beneficios o quizá descubrir los secretos biológicos de la eterna juventud y por qué no, ganar el premio Nobel.

Xabi Uribe-Etxebarria

Artículo publicado en:

• WIRED:

  https://es.wired.com/articulos/strawberry-avance-en-ia-que-anuncia-sam-altman-en-x

Todos los cerebros digitales como GPT-4 de OpenAI o Gemini de Google, parten vacíos, y tienen que ser “entrenados”. Es como si partiéramos de un cerebro de un recién nacido, virgen, sin conocimientos, pero con capacidad de aprender. Lo que llamamos “entrenar” en una máquina, es lo que a un niño llamaríamos enseñar.

Enseñar matemáticas, ciencias, historia, pero también a escribir artículos. El niño aprenderá recibiendo información a través de sus sentidos, principalmente de la vista y del oído. Pero en el caso de los grandes modelos de lenguaje como GPT-4, ese entrenamiento ocurre “leyendo” textos. Muchos más textos de los que una persona pudiera leer en toda su vida, del orden de 10.000 veces más.

Se entrenan básicamente con toda la información de la Web; toda Wikipedia, todos los Papers científicos, pero también con todos los artículos de medios de comunicación. Es decir, una empresa privada, como Google u Open AI, está nutriéndose de lo que ha “leído” en un medio de comunicación para después poder prestar sus servicios y ser capaz dar mejores repuestas a las preguntas que hacen sus usuarios o incluso escribir nuevos artículos.

Puede que nos parezca razonable que, si una empresa se “aprovecha”, para aprender o entrenar sus modelos, de datos u artículos con propiedad intelectual deba previamente llegar a un acuerdo con la empresa propietaria de esos datos o si no es así y si se lo piden, borrarlo de su sistema.

Hasta ahí todo nos parece justo. Ahora bien, si un articulista o periodista humano, un individuo también privado, ha leído durante toda su vida diferentes artículos de medios de comunicación para entender mejor un tema o mejorar su escritura y así poder prestar mejor sus servicios, nos parece normal. Y a nadie se le ocurriría denunciar a ese escritor por haber leído un medio u otro, un libro o un artículo científico. O más aún, pedirle que borre de su mente ese conocimiento adquirido. Metafóricamente hablando, eso es lo que estamos exigiendo.

Con esta reflexión no pretendo afirmar que debamos de dejar de exigir estos derechos de autor, que considero que tienen que ser valorados, pero sí hacer una invitación al debate y a la reflexión porque muchas veces no somos conscientes de la doble vara de medir que tenemos a la hora de aplicar ciertas normas, sean jurídicas, principios morales o reglas no escritas que exigimos cumpla la Inteligencia Artificial pero que nunca exigiríamos al humano. Aunque aplicar esas normas pueda tener un impacto negativo para la humanidad. Expongo algunos ejemplos:

Exigimos que la IA no tenga sesgos. Ponemos el grito en el cielo, si un artículo generado por una IA no ha elegido la palabra correcta o si algún párrafo no es totalmente neutral.

Todo ello cuando la mayoría de los medios de comunicación y publicaciones periodísticas hechas por periodistas humanos publican artículos con un determinado nivel de sesgo, sea a determinada ideología política o a una causa que quiere apoyar o rechazar.

Es cierto que hay hechos irrefutables, pero también hay muchas opiniones y puntos de vista diferentes. La libertad de expresión es uno de los pilares fundamentales de nuestra democracia y al igual que en la prensa, quizá debiéramos plantearnos si pudiera haber diferentes IAs con diferentes pensamientos y puntos de vista en lugar de exigir una neutralidad utópica. Al fin y al cabo, la diferencia de ideas y de opiniones son fundamentales para nuestro progreso como sociedad.

El avance científico también se ha basado en proponer diferentes pensamientos y muchas veces en estar en desacuerdo con los postulados anteriores. Y como humanos debemos que ser capaces de proteger a los Sócrates y Galileos digitales del futuro sin hacerles beber la cicuta antes de tiempo.

Imagen generada con ChatGPT de OpenAI.

Exigimos que no tenga errores. Estamos dispuestos a asumir que un humano cometa errores y tolerarlo, pero no estamos dispuestos a asumir que una máquina los cometa.

Por ejemplo, si un coche conduciendo autónomamente tiene un accidente mortal, nos llevamos las manos a la cabeza, sale en todos los telediarios y da la vuelta al mundo. Pero ¿se ha contabilizado cuántos accidentes ha podido evitar ese mismo automóvil? ¿Cuántos accidentes hay por despistes de personas mirando el móvil? ¿Cuántos accidentes por gente que va conduciendo ebria?

Aun así, para que asumamos que un vehículo pueda funcionar de manera totalmente autónoma, el ratio de errores tiene que ser de un orden muy inferior al del humano. ¿No debería ser suficiente que fijáramos objetivamente el índice de accidentes que tiene el humano y si la IA consigue bajar de ese umbral permitir que se use masivamente? Salvaríamos millones de vidas, pero decidimos que no sea así. ¿No es una imprudencia? ¿Estamos dispuestos a sacrificar miles de vidas humanas por esa exigencia hacia las máquinas?

Y ya si hablamos de sectores más delicados como la medicina, ¿estaríamos dispuestos a que un informe médico o una operación la hiciera una máquina totalmente autónoma si superara el ratio de acierto de un humano en sólo 1 punto y si con ello pudiéramos salvar millones de vidas?

Todo ello sin tener en cuenta la replicabilidad de estos sistemas y con ello poder llegar a muchos más pacientes que actualmente no tienen acceso a ese tratamiento. Por lo tanto, ¿cuál es el umbral que debería superar una máquina para poder utilizarse para estos casos? ¿Debemos esperar a que el error sea mínimo y mientras tanto poner en juego millones de vidas?

Muchos también habrán oído hablar del famoso término “alucinaciones” relacionado con la Inteligencia Artificial, que no es más que una manera metafórica de describir cuando un LLM (un gran modelo de lenguaje como GPT-4 o Gemini) da una respuesta que no está basada en los datos de los que ha sido “entrenado” y que no es correcta. Básicamente, se inventa toda o parte de una respuesta. Es cierto que, si ese comportamiento es corregible, deberíamos tratar de solucionarlo, y se ya está intentando, pero la cuestión es que lo vemos como un problema inaceptable.

Una vez más, si hiciéramos una comparativa entre el humano y la máquina, una competición de quien sabe más o se equivoca menos en diferentes materias como historia, geografía, matemáticas, física, etc., el porcentaje de error en una máquina sería mínimo.

El humano medio quedaría en ridículo frente a la IA y veríamos normal que una persona no supiera de todas las materias incluso que respondiera incorrectamente a algunas de las preguntas. Es decir, el humano cometería lo que en una máquina llamamos “alucinaciones”. En este caso también, el índice de tolerancia al fallo o al error es muy superior si lo hace un humano que si lo hace una máquina.

Otro de los grandes debates y críticas a las redes neuronales artificiales es la falta de “explicabilidad”. Se les achaca que son “cajas negras” es decir, que no es evidente explicar el razonamiento que ha tenido para dar una respuesta determinada. En definitiva, que no se puede saber con exactitud qué neuronas artificiales y con qué peso han intervenido para llegar a una conclusión y con ello, existe toda una corriente de exigir esa “explicabilidad” a la IA.

¿Pero acaso entendemos qué neuronas se le han activado, que ha ocurrido en el cerebro de un humano para llegar a un razonamiento concreto? ¿Qué millones de neuronas, conexiones o sinapsis han intervenido en para ello? ¿En qué vivencias, lecturas o pensamientos se ha basado para ello?

El cerebro humano es una auténtica “caja negra”, mucho más que las máquinas. Pero si a un humano no se le exige esa explicabilidad para conducir un automóvil o para operar a un paciente, ¿Por qué se le debe de exigir a una máquina si el resultado final supera al del humano?

Los humanos somos imperfectos, cometemos errores y es justo que tratemos de mejorarnos en nuestra versión digital. Pero debemos de ser conscientes de que no la estamos creando a nuestra imagen y semejanza sino a una imagen utópica y el coste en energía, en salud del planeta e incluso en vidas humanas que puede suponer la búsqueda de esa perfección imposible. En definitiva, las implicaciones y el impacto que puede tener el no aplicar la Inteligencia Artificial o sobrerregularla.

Al igual que los médicos, pilotos y periodistas, las máquinas también cometerán errores y tendrán sesgos, pero también tendrán grandes aciertos y si el balance final es positivo quizá deberíamos de plantearnos confiar más en la Inteligencia Artificial.

Xabi Uribe-Etxebarria

Artículo publicado en:

• El Mundo: https://www.elmundo.es/papel/firmas/2024/03/30/6606f229e9cf4a3e1f8b4570.html

• Clarín: https://www.clarin.com/opinion/exigimos-demasiado-inteligencia-artificial_0_3t9KLjrmzw.html

Llevo varios meses leyendo artículos de filósofos y pensadores afirmando lo “poco inteligente” que es la Inteligencia Artificial, subrayando sus limitaciones, pero sin demostrarlo empíricamente. Afirmaciones que podían parecer válidas hace 2 o 3 años pero que ya no lo son. Discursos obsoletos y opiniones naif que no ayudan a la comprensión del momento que estamos viviendo y que por el contrario llevan a la confusión.

Todo ello por vanagloriar a la especie humana. En parte por desconocimiento, pero principalmente por miedo, miedo a ser desplazado, miedo a la incertidumbre, miedo al cambio, miedo a perder un modo de vida, a perder el trabajo. Miedo legítimo, pero no un miedo justificado.

Artículos que van dirigidos a esos los lectores que no quieren creer que la Inteligencia Artificial ya ha superado hitos que se pensaban inalcanzables, para caer en una autocomplacencia de que el humano es un “ser” con unas características “mágicas” e irreplicables, que nos diferencian de las máquinas y del resto de las especies de animales. Pero esas habilidades cognitivas que se creían exclusivas de los humanos como razonar o la creatividad ya han sido adquiridas por las máquinas y esto sólo es el comienzo.

Entramos en una nueva era. Asumámoslo, tratemos de comprenderla e intentemos subirnos a esta ola porque tarde o temprano vamos a tener que convivir con ella.

En lugar de preguntarnos si existirá este nuevo paradigma, aceptemos que ya existe y empecemos a tomar decisiones de cómo queremos que sea esa convivencia con este nuevo tipo de inteligencia.

Afirmaciones como que la IA puede procesar gran cantidad de datos, pero no es capaz de razonar, no entiende el contexto, no es creativa o no es inteligente no se sustentan cuando comenzamos a definir esas propiedades. Según la RAE, Inteligencia es la capacidad de resolver problemas. Razonar, es ordenar y relacionar ideas para llegar a una conclusión, o creatividad, es la capacidad de creación. Todas ellas, son definiciones que pueden aplicar a lo que un cerebro humano o un cerebro digital es capaz de hacer hoy en día.

A mí personalmente se me hace difícil pensar que una IA no razona cuando es capaz de comprender un chiste que me he inventado, se lo escribo, le pregunto por qué es gracioso y sorprendentemente me lo explica. Se me hace difícil pensar que no entiende el contexto cuando puedo subirle una novela de suspense con todas sus pistas, le pregunto quién es el asesino y es capaz de deducirlo. Se me hace difícil pensar que no comprende cuando le muestro una ilustración humorística que no ha visto nunca y me explica el porqué de la ironía. Pero no es sólo comprensión y razonamiento, también es creatividad. La IA ya es capaz de crear poemas, metáforas e imágenes totalmente nuevas. Es más, ayer mismo, OpenAI nos sorprendió con Sora, que genera videos y escenas como si de una película se tratara pero que nunca han existido.

Una vez admitido que una máquina sí es inteligente, la siguiente afirmación o negación suele ser la siguiente: “Pero lo hace diferente al humano, la IA no es tan inteligente”, “la máquina no lo ha entendido como lo hace un humano”.

Suena pretencioso decir que lo hace diferente cuando ni siquiera sabemos cómo funciona el cerebro humano. Si lo supiéramos estaríamos resolviendo uno de los misterios más importantes de la historia de la ciencia, el misterio de la vida mental. Sin duda merecedor del premio Nobel.

En todo caso, no alteraría poder afirmar que una IA, razona, es creativa o es inteligente ya que todas esas definiciones se basan en el resultado y no en la manera de llegar a él.

En este sentido, durante toda la historia de la humanidad, nos hemos inspirado en nuestro entorno y muchas veces en “los elementos biológicos”. Pero, aunque no supiéramos las leyes físicas que hay detrás de esos elementos, nos hemos enfocado en el resultado y no en el proceso para llegar a él.

Nos hemos inspirado en los pájaros cuando queríamos volar y hemos conseguido hacer aviones capaces de volar más rápido y más lejos que cualquier pájaro. Pero no hemos construido aviones que batan las alas.

Lo mismo ocurre con el coche. Para conseguir la solución no hemos creado un caballo mecánico que tire del carro. Pero hemos conseguido construir coches que pueden ir más rápido y lejos que los carros tirados por caballos.

Créditos de la imagen (ChatGPT, Dall-e, OpenAI).

En cuanto a la Inteligencia Artificial ocurre lo mismo. Las máquinas son capaces de imitar el resultado y en muchos casos superar al cerebro humano, pero quizá no la manera de llegar a él.

Las máquinas empiezan a pensar. No escondamos la cabeza como un avestruz. Salgamos de esas posiciones nostálgicas de un tiempo ya pasado. Seamos valientes y dejemos de intentar proteger al ser humano atribuyéndole propiedades exclusivas. Dejemos de minusvalorar a la IA, admitamos que ya ha llegado, interpretemos este momento histórico y pongamos nuestro esfuerzo en fomentar que ocurran los mejores escenarios y evitar los distópicos.

Xabi Uribe-Etxebarria

Artículo publicado en:

• El Mundo: https://www.elmundo.es/papel/firmas/2024/02/16/65cf697cfc6c8338438b4589.html

• Clarín: https://www.clarin.com/opinion/inteligencia-artificial-empieza-pensar_0_3jkhLLyCOk.html#activateComments

Anexo de tests y demostraciones:

Créditos de la imagen (ChatGPT, OpenAI).

Créditos de la imagen: ChatGPT, OpenAI. Imagen del ilustrador Asier Sanz.

Créditos de la imagen (ChatGPT, OpenAI).

Créditos de la imagen (ChatGPT, OpenAI).