Evolución de la IA: Niveles evolutivos de la IA

Del mismo modo que las personas pasan por un proceso en el cual su desarrollo cognitivo y emocional evoluciona, la inteligencia artificial (IA) también está experimentando varias fases de evolución a lo largo del tiempo. A continuación, se presenta una lista de las cinco fases principales de evolución de la inteligencia artificial:

IA Simbólica (Symbolic AI)

Esta primera fase se centró en la representación del conocimiento mediante símbolos y reglas lógicas. Fue popular durante las décadas de 1950 y 1960. En esta etapa, los sistemas de IA se basaban en reglas humanamente programadas para resolver problemas específicos.

Aprendizaje Automático (Machine Learning)

A partir de la década de 1980, la IA entró en una fase de aprendizaje automático. En esta etapa, los sistemas de IA podrían “aprender” datos y patrones a través del uso de algoritmos y modelos matemáticos. Esto permitió la aplicación de la IA en una amplia gama de tareas, como la clasificación de imágenes, el procesamiento del lenguaje natural y los sistemas de recomendación.

Redes Neuronales y Deep Learning

Con la llegada de las redes neuronales artificiales y lo deep learning, esta fase tomó carrerilla en la década de 2010. Esta tecnología permitió la creación de modelos de IA mucho más complejas y capaces de gestionar grandes volúmenes de datos. Las redes neuronales profundas fueron críticas para el éxito de la IA en tareas como el reconocimiento de imágenes y el procesamiento del lenguaje natural.

Dentro del deep learning, podemos distinguir 3 etapas:

DL 1.0 → Aprendizaje supervisado (2012 -2018) 

Se caracterizaba para ser modelos muy buenos en tareas específicas, como identificar si una hoja es sana o no, si se trata de un perro o un gato, o si es un hombre o una mujer. No obstante, no eran buenos para tareas poco específicas y el principal cuello de botella eran los bancos de datos etiquetados.

DL 2.0 → Aprendizaje auto-supervisado (2018 – actualidad)

En el inicio del deep learning 2.0 los modelos podían aprender de bancos de datos sin necesidad de que estos estén etiquetados. Algunos ejemplos son Chat GPT, modelos de generación de imagen o de sonido.

A continuación, para que los modelos funcionaran cada vez mejor, se incorporó la posibilidad de que los propios modelos generaran contenidos, y que sean los propios usuarios quienes decidan cuáles son buenos y qué no tanto (feedback que damos a chat GPT).

En esta fase no nos quedamos aquí, sino que está apareciendo la multimodalidad. Los modelos multimodales tienen la capacidad de aprender de datos de varias tipologías (audio, video, texto…) de forma que los resultados son mucho más interesantes. Probablemente, la próxima versión del chat GPT sea multimodal.

DL 3.0 → Reinforcement learning (RL)

Los modelos de deep leaning 3.0, se caracterizan para estar entrenados sin la necesidad de una base de datos, mediante “el aprendizaje reforzado” RL. En este esquema la IA aprende desde cero. Algunos de los ejemplos más famosos, sueño Alpha cero, donde la IA fue capaz de ganar a los mejores jugadores del mi del juego Go. La gran ventaja de esta tecnología funciona por “ensayo y error” ya sea en lo mi real o en simuladores, y la gran ventaja es que se puede llegar a conocimientos fuera del que tenemos los humanos en el día de hoy.

IA General (AGI)

Esta fase todavía está en evolución y se refiere a la creación de un sistema de IA que puede igualar o superar la inteligencia humana en una amplia variedad de tareas cognitivas. Implica habilidades como el razonamiento, el aprendizaje automático, la comprensión del lenguaje natural y la resolución de problemas en diferentes dominios. El AGI es capaz de adaptarse y comprender nuevos contextos sin programación específica. A pesar de ser una meta aspiracional, todavía está en desarrollo.

IA Superinteligent (Singularidad)

Esta es una fase hipotética en la cual la IA superaría ampliamente la inteligencia humana y podría tomar decisiones de manera autónoma sin supervisión humana. Esta fase plantea importantes cuestiones éticas y de seguridad, puesto que podría tener implicaciones profundas para la humanidad

Hay que tener en cuenta que estas fases son una simplificación de la compleja historia de la inteligencia artificial, y el campo sigue evolucionando con rapidez. Muchos expertos continúan trabajando para conseguir un nivel de IA más avanzado y capaz de resolver problemas más complejos.