Evolució de la IA: Nivells evolutius de la IA

De la mateixa manera que les persones passen per un procés en el qual el seu desenvolupament cognitiu i emocional evoluciona, la intel·ligència artificial (IA) també està experimentant diverses fases d’evolució al llarg del temps. A continuació, es presenta una llista de les cinc fases principals d’evolució de la intel·ligència artificial:

IA Simbòlica (Symbolic AI)

Aquesta primera fase es va centrar en la representació del coneixement mitjançant símbols i regles lògiques. Va ser popular durant les dècades de 1950 i 1960. En aquesta etapa, els sistemes d’IA es basaven en regles humanament programades per a resoldre problemes específics.

Aprenentatge Automàtic (Machine Learning)

A partir de la dècada de 1980, la IA va entrar en una fase d’aprenentatge automàtic. En aquesta etapa, els sistemes d’IA podrien «aprendre» dades i patrons a través de l’ús d’algoritmes i models matemàtics. Això va permetre l’aplicació de la IA en una àmplia gamma de tasques, com la classificació d’imatges, el processament del llenguatge natural i els sistemes de recomanació.

Xarxes Neuronals i Deep Learning

Amb l’arribada de les xarxes neuronals artificials i el deep learning, aquesta fase va prendre impuls a la dècada de 2010. Aquesta tecnologia va permetre la creació de models d’IA molt més complexes i capaços de gestionar grans volums de dades. Les xarxes neuronals profundes van ser crítiques per a l’èxit de la IA en tasques com el reconeixement d’imatges i el processament del llenguatge natural.

Dins del deep learning, podem distingir 3 etapes:

DL 1.0 → Aprenentatge supervisat (2012 -2018) 

Es caracteritzava per ser models molt bons en tasques específiques, com identificar si una fulla és sana o no, si es tracta d’un gos o un gat, o si és un home o una dona. No obstant no eren bons per a tasques poc específiques i el principal coll d’ampolla eren els bancs de dades etiquetades.

DL 2.0 → Aprenentatge auto-supervisat (2018 – actualitat)

En l’inici del deep learning 2.0 els models podien aprendre de bancs de dades sense necessitat de que aquests estiguin etiquetats. Alguns exemples són Xat GPT, models de generació d’imatge o de so.

A continuació, per a que els models funcionessin cada vegada millor, es va incorporar la possibilitat de que els propis models generessin continguts, i que siguin els propis usuaris qui decideixin quins són bons i quins no tant (feedback que donem a xat GPT).

En aquesta fase no ens quedem aquí, sino que està apareixent la multimodalitat. Els models multimodals tenen la capacitat d’aprendre de dades de diverses tipologies (audio, video, text…) de manera que els resultats són molt més interessants. Provablement, la pròxima versió del xat GPT sigui multimodal.

DL 3.0 → Reinforcement learning (RL)

Els models de deep leaning 3.0, es caracteritzen per estar entrenats sense la necessitat d’una base de dades, mitjançant “l’aprenentatge reforçat” RL. En aquest esquema la IA aprèn des de zero. Alguns dels exemples més famosos son Alpha zero, on la IA va ser capaç de guanyar als millors jugadors del mon del joc Go. El gran avantatge d’aquesta tecnologia funciona per “assaig i error” ja sigui en el mon real o en simuladors, i el gran avantatge és que es pot arribar a coneixements fora del que tenim els humans en el dia d’avui.

IA General (AGI)

Aquesta fase encara està en evolució i es refereix a la creació d’un sistema d’IA que pot igualar o superar la intel·ligència humana en una àmplia varietat de tasques cognitives. Implica habilitats com el raonament, l’aprenentatge automàtic, la comprensió del llenguatge natural i la resolució de problemes en diferents dominis. L’AGI és capaç d’adaptar-se i comprendre nous contextos sense programació específica. Tot i ser una meta aspiracional, encara està en desenvolupament.

IA Superinteligent (Singularitat)

Aquesta és una fase hipotètica en la qual la IA superaria àmpliament la intel·ligència humana i podria prendre decisions de manera autònoma sense supervisió humana. Aquesta fase planteja importants qüestions ètiques i de seguretat, ja que podria tenir implicacions profundes per a la humanitat

Cal tenir en compte que aquestes fases són una simplificació de la complexa història de la intel·ligència artificial, i el camp segueix evolucionant amb rapidesa. Molts experts continuen treballant per aconseguir un nivell d’IA més avançat i capaç de resoldre problemes més complexos.