Desde el inicio de la computación, los desarrolladores de sistemas han tenido el objetivo de crear computadoras que puedan pensar como los humanos hasta el grado que sea posible afirmar que tienen inteligencia artificial. Una vertiente de estos desarrollos pretende que las computadoras puedan conversar con los humanos al recibir inputs de ellos y poder responder con un output adecuado. Como ejemplo, encontramos el lenguaje creado por el doctor Richard Wallace y que se conoce por las siglas AIML (Artificial Intelligence Mark-up Language o lenguaje de marcado de inteligencia artificial). En la patente de los Estados Unidos de julio de 2011, se dice que el método implica formular metacategorías relacionando uno o más atributos con una pluralidad de plantillas de respuesta. La computadora selecciona una plantilla de respuesta adecuada que corresponda con la metacategoría.

Ejemplo de interacción entre un usuario y Alexa[**] comercial:

—Alexa, dime cuántas personas han muerto de coronavirus en la Ciudad de Nueva York.

—La pandemia del Covid-19 en las Américas reporta al 17 de junio de 2020 un aumento de
115 527 casos adicionales y 3436 muertes en las últimas 24 horas, lo que representa un aumento relativo del 3 por ciento en los casos y un aumento relativo del 2 por ciento en las muertes, en comparación con el día anterior. Hasta hoy ha habido 115 980 muertes en los Estados Unidos y 2 098 106 casos de contagio (página de la Organización Mundial de la Salud, 17 de junio 2020).

Como se puede observar en la transcripción real de un diálogo con Alexa, la computadora buscó datos para responder a la pregunta en una de las metacategorías (muertes en la Ciudad de Nueva York como parte de las muertes en las Américas y específicamente en los Estados Unidos).

Sin embargo, entre la inteligencia humana y la inteligencia artificial hay muchas diferencias, la principal de ellas es que la inteligencia humana tiene un sustrato biológico y la inteligencia artificial tiene un sustrato computacional, por lo que, para esta última, el término inteligencia sólo puede utilizarse en un sentido analógico, aun así se desarrollen “modelos computacionales de funciones mentales” (McDermott, 2006: 1230).

Las máquinas pueden resolver problemas más rápido que los seres humanos, pero todavía es muy acotado o específico el dominio de su aplicación. En el cerebro de la computadora existe solamente lo que se ha alimentado a su sistema; en cambio, en el cerebro humano, las ideas cambian constantemente con la recepción de estímulos del exterior, de las emociones y de las propias secreciones glandulares: “Cada hormona del torrente sanguíneo actúa sobre la glándula que la secretó, así como en la hipófisis, el hipotálamo y otros sectores del cerebro” (Damasio, 2006: 145).

Se dice también que las computadoras no trabajan bajo fatiga, ni se distraen, ¡todavía no son tan humanas!

El famoso ajedrecista Gari Kaspárov fue derrotado en una partida de ajedrez por una computadora en 1997 (Kurzweil, 2005: 3). De entonces a la fecha, ha habido una carrera para ampliar la inteligencia artificial a todos los campos posibles. En los últimos treinta años se han diferenciado dos campos de desarrollo de la inteligencia artificial, que no deben considerarse como únicos: los sistemas expertos y la robótica, aunque comparten tecnología: los algoritmos.

En sentido amplio, un algoritmo es un procedimiento preciso que permite resolver un problema. El procedimiento es unas secuencia finita de instrucciones adecuadas al dispositivo que resolverá el problema (Guerequeta y Vallecillo, 2019: 1). Es fácil reconocer un algoritmo cuando pensamos en los pasos que teníamos que realizar para resolver una ecuación cuando estudiábamos la secundaria. Existen muchas técnicas de diseño de algoritmos: algoritmos ávidos, programación dinámica o vuelta atrás (backtracking), por mencionar algunas.

Un algoritmo puede definir en cuántos movimientos mínimos se resuelve una partida de ajedrez, coordinar idas y venidas de trenes, efectuar el reconocimiento facial para comprobar la identidad de las personas que utilizan un sistema, optimizar los tiempos de entrega con un mínimo de penalizaciones, por ejemplo.[1]

El algoritmo RETE es uno de los más populares como algoritmo de emparejamiento, cuya función es comparar una larga colección de patrones con una larga colección de objetos, de modo que encuentre todos los objetos que coincidan con cada patrón. Creado por Charles Forgy en 1982, consta de una red de nodos acíclico, que se explica de la siguiente manera:

La red rete consta de dos partes: una red alfa y una red beta. La red alfa contiene nodos llamados nodos alfa, donde cada uno de los nodos alfa tiene una entrada donde define los elementos y la red beta contiene nodos llamados nodos beta, donde cada uno de los nodos beta tiene solo dos entradas donde define la condición. Todo comienza en el nodo raíz por el cual todos los objetos entran a la red y desde aquí van a un nodo llamado “nodo de tipo de objeto”. Los nodos alfa son creados por cada patrón y asociados a su correspondiente tipo de objeto.

Cada nodo alfa es asociado con una memoria de conocimiento y se usa para recordar hechos encontrados. Los nodos alfa son unidos en nodos beta. Puede darse que si hay tres nodos alfa, los primeros dos nodos alfa se unirán en un nodo beta y luego la salida de ese nodo beta con el tercer nodo alfa se unieron para formar otro nodo beta. Por último los nodos beta determinan el posible cruzamiento para una regla y finalmente la acción de la regla se ejecuta (Badaró et al., 2013: 356-357).

En síntesis, se puede decir que los algoritmos son el lenguaje de la inteligencia artificial.

Sistemas expertos

Los sistemas expertos utilizan el conocimiento humano capturado en una computadora para resolver problemas que normalmente requieren de expertos humanos en un área específica de habilidad llamada dominio. En la actualidad, los sistemas expertos pueden considerarse como un subconjunto de la inteligencia artificial de amplia utilización (Badaró et al., 2013: 351).

El sistema experto define los pasos necesarios (algoritmo) para cambiar un estado inicial dado a una meta deseada. Arriba dijimos que el GPS es un sistema experto, porque cumple con estas condiciones: un set de operaciones (algoritmo), precondiciones, y postcondiciones.

Este sistema intenta reducir las diferencias entre el estado inicial y la meta. Para ello requiere de un subsistema de adquisición de conocimiento y un subsistema de justificación (a fin de controlar los pasos para resolver el problema cuando se realiza una consulta).

Un esquema de los sistemas expertos incluye los elementos de la siguiente figura:

Los sistemas expertos son programas computacionales de propósito específico que toman en consideración tres factores:

1. Dada su complejidad, se requiere una cantidad considerable de conocimiento sobre el área del problema.

2. Los expertos humanos son necesarios para alimentar el sistema de conocimiento experto.

3. Se requiere actualizar constantemente un sistema experto con nueva información sobre cierto dominio.

El primer sistema experto de uso específico proviene de los años noventa y se llamó Dendral. Tuvo éxito durante una década entre químicos y biólogos porque ayudaba a comprender cómo son ciertas estructuras moleculares. Otro sistema experto aun anterior fue el llamado Caduceus, de uso médico, que ayudaba a realizar diagnósticos sobre enfermedades infecciosas en la sangre (Badaró et al., 2013: 353).

Los sistemas expertos se han utilizado con éxito en otros muchos campos como el de las finanzas, la contabilidad, la planificación, el transporte, los avalúos, la criminalística. Un sistema experto de reconocimiento de patrones es usado para analizar electrocardiogramas y diagnosticar problemas cardiacos. Y en su avance, el campo de la inteligencia artificial requiere una conjunción de ciencias matemáticas, computacionales y de la ciencia cognitiva, entre otras ciencias. Su desarrollo también ha dependido de la incorporación de otras tecnologías como la minería de datos, las redes bayesianas o los lenguajes computacionales como el Prolog (programación lógica) que han superado por mucho los lenguajes computacionales usados en los años setenta, como Fortran y Basic, y cuya explicación rebasa las limitaciones de este artículo.

Robótica

Quizás el área más llamativa de la inteligencia artificial es la llamada robótica, cuya meta es diseñar robots que tengan una inteligencia superior a la humana, aunque basada en ésta. Tal ambición ha sido un tema recurrente en las películas de ciencia ficción donde los humanos/robots no son distinguibles de los humanos, en sus movimientos, en su habla e incluso en su expresión emocional.

Los robots han sido definidos como máquinas con capacidad de realizar funciones típicamente ejecutadas por humanos. Podemos ejemplificar el campo de la robótica con el “robot chef” y el “robot músico”, programados minuciosamente y que quizás algún día se integren a nuestras vidas (Villalba, 2016: 142). Con esta aspiración, Alan Turing formuló en 1950 la “prueba de Turing”, un experimento en que una persona tenía que detectar si los mensajes escritos recibidos desde una terminal eran formulados por una persona o por una máquina. Si las personas no podían distinguir entre los mensajes enviados por otras personas y los enviados por una computadora, ésta pasaba la prueba de Turing.[2]

No obstante todos estos avances, la brecha entre la ficción y la realidad aún es bastante grande. Drew McDermott, doctor en Ciencias Cognitivas de la Universidad de Yale, explica que la ambición de crear robots con capacidades superiores a las de los humanos está lejos de realizarse. Y en su crítica al libro de Kurzweil expresa que, aunque el cerebro se puede comparar con una computadora, en el sentido de que el cerebro toma decisiones de forma similar a como lo haría ésta, aun la más potente computadora sólo es experta en un campo muy acotado de la resolución de problemas a los que se enfrenta un humano. Hasta ahora, dice McDermott, esta área de la tecnología ha tenido éxitos, no despreciables por cierto, en lo que los expertos llaman inteligencia artificial angosta o acotada. Pero para crear un robot que piense y actúe como un humano, con una inteligencia más desarrollada y amplia, necesitaríamos saber más sobre cómo computa una neurona, es decir, cómo realiza sus operaciones y crea nuevas sinapsis (McDermott, D. 2006: 1230). Para McDermott, no se puede simplemente decir que el cerebro utilice algo parecido a un software.

Diferentes regiones del cerebro han sido escaneadas, de modo que ahora sabemos que algunas zonas de este órgano, el más desarrollado de entre los sistemas nerviosos de todos los primates, están relacionadas con algunas funciones mentales, tales como la percepción visual o el procesamiento de las emociones. Entre las técnicas avanzadas de estudio del cerebro, se encuentran la resonancia magnética funcional (RMF) y la tomografía de emisión positrónica (TEP), utilizadas entre otros fines para estudiar el recuerdo de imágenes visuales (Damasio, 2006: 126). Gracias a todo ello, hasta ahora sabemos que los sistemas y circuitos del cerebro llevan a cabo operaciones que dependen de las conexiones entre neuronas y de la robustez de las sinapsis que constituyen dichas conexiones. Pero ¿cómo se establecen las pautas de conexión entre neuronas? ¿Estas conexiones duran para toda la vida? Son preguntas que la neurociencia todavía no ha contestado (Damasio, 2006: 133-134).

Finalmente, hay un problema más que la robótica aspira a resolver: el problema de la conciencia del ser humano. La mente humana es consciente de que piensa. ¿Será que, cuando podamos desarrollar computadoras que tengan esta característica, el sueño del humano/máquina se realice? ♦

BADARÓ, S., L. J. Ibañez, y M. J. Agüero (2013). Sistemas expertos: fundamentos, metodologías y aplicaciones. En: Ciencia y Tecnología, núm. 13, pp. 349-363 [en línea]: <www.palermo.edu/ingenieria/investigacion-desarrollo/revista-ciencia-tecnologia/edicion-13.html>. Ir al sitio

DAMASIO, A. R. (2006). El error de Descartes. La emoción, la razón y el cerebro humano. Barcelona: Crítica.

GUEREQUETA, R., y A. Vallecillo (2019). Técnicas de diseño de algoritmos. Málaga: Universidad de Málaga.

INTERNET Health Report 2019 [en línea]: <internethealthreport.org/2019/?lang=es>. Ir al sitio

KURZWEIL, R. (2005). La singularidad está cerca: cuando los humanos transcendamos la biología. Berlín: Lola Books GbR [en línea]: <books.google.com.mx/books?hl=es&lr=&id=APt4DwAAQBAJ&oi=fnd&pg=PT4&dq=kurzweil&ots=K06HW8oW91&sig=pkl733n3O0CfB5umJPfIe7MUUWo&redir_esc=y#v=onepage&q=kurzweil&f=false>. Ir al sitio

MCDERMOTT, D. (2006). Kurzweil’s argument for the success of AI. En: Artificial Intelligence, vol. 170, núm. 18, pp. 1227-1233. Disponible en: <reader.elsevier.com/reader/sd/pii/S0004370206000877?token=BB94318590BEA67C501A9FC7D8EA7B033BBC905786A6CBE2B8D2740908FA8B4AB5F4463645B1C495207D3D49E6E0F111>. Ir al sitio

VILLALBA, J. A. (2016). Problemas bioéticos emergentes de la inteligencia artificial. En: Diversitas. Perspectivas en psicología, vol. 12, núm. 1, pp. 137-147 [en línea]: <revistas.usantotomas.edu.co/index.php/diversitas/article/view/2839/2716>. Ir al sitio