{"id":13581,"date":"2020-06-17T11:53:05","date_gmt":"2020-06-17T14:53:05","guid":{"rendered":"https:\/\/www.iar.unlp.edu.ar\/?p=13581"},"modified":"2026-07-24T11:34:59","modified_gmt":"2026-07-24T14:34:59","slug":"que-es-la-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/www.iar.unlp.edu.ar\/index.php\/2020\/06\/17\/que-es-la-inteligencia-artificial\/","title":{"rendered":"\u00bfQu\u00e9 es la Inteligencia Artificial?"},"content":{"rendered":"\n

Por Cesar F. Caiafa y Sergio E. Lew<\/strong>
<\/p>\n\n\n\n

Muy probablemente, el lector haya descubierto el t\u00e9rmino Inteligencia Artificial (IA)<\/em> a trav\u00e9s de la literatura fant\u00e1stica o producciones cinematogr\u00e1ficas que, frecuentemente, aluden a un futuro dominado por la tecnolog\u00eda y plagado de robots humanoides. Sin duda, esas obras de ciencia ficci\u00f3n estuvieron inspiradas en discusiones cient\u00edficas iniciadas a partir de mediados del siglo XX con la aparici\u00f3n de las primeras computadoras y con la idea de que \u00e9stas pudieran imitar, y hasta superar, las habilidades intelectuales de los humanos. No es casual que Isaac Asimov, autor del libro de ciencia ficci\u00f3n pionero en IA publicado en 1950: \u201cYo, Robot\u201d (Asimov, 2001), fuera profesor de la Universidad de Boston, doctorado en Qu\u00edmica, cuyo desempe\u00f1o en la academia le permiti\u00f3 estar al tanto de los avances en las por entonces florecientes ciencias de la computaci\u00f3n.  <\/p>\n\n\n\n

Si bien en el pasado reciente la IA pertenec\u00eda casi exclusivamente al mundo de la ciencia ficci\u00f3n o era materia de estudio de un pu\u00f1ado de cient\u00edficos, durante los \u00faltimos a\u00f1os hemos comenzado a familiarizarnos con este t\u00e9rmino que ya forma parte de nuestra vida cada d\u00eda. Nuestros tel\u00e9fonos celulares est\u00e1n dotados de IA, nos sugieren itinerarios \u00f3ptimos, nos recomiendan art\u00edculos para comprar y nos identifican en una fotograf\u00eda tomada por un contacto en una red social, entre otras acciones cotidianas. La IA, ha dejado de ser una idea futur\u00edstica para formar parte de nuestras vidas, adem\u00e1s de tener un rol relevante en el desarrollo de la ciencia moderna. Nos permite descubrir inteligentemente nuevas drogas para tratamientos de enfermedades, ayuda a los m\u00e9dicos a diagnosticar enfermedades a partir de im\u00e1genes, asiste a los astr\u00f3nomos en el an\u00e1lisis de grandes vol\u00famenes de datos para validar nuevas teor\u00edas cient\u00edficas, entre otras aplicaciones a la ciencia. Pero \u00bfde qu\u00e9 hablamos exactamente cuando nos referimos a la IA? En este breve art\u00edculo, se cuenta brevemente la historia de esta tecnolog\u00eda con una introducci\u00f3n a sus principios fundamentales y utilidades.<\/p>\n\n\n\n

Los or\u00edgenes de la IA<\/strong><\/h4>\n\n\n\n

Desde ya hace mucho tiempo, se ha utilizado el m\u00e9todo cient\u00edfico, basado en la evidencia objetiva a partir de la medici\u00f3n de variables y la aplicaci\u00f3n de leyes de las matem\u00e1ticas, para dise\u00f1ar procesos autom\u00e1ticos ejecutados por m\u00e1quinas que pudieran reemplazar o mejorar las capacidades de los humanos en lo que refiere a la toma de decisi\u00f3n inteligente. As\u00ed, podemos definir la IA como la capacidad de las m\u00e1quinas de tomar decisiones \u00f3ptimas en alg\u00fan sentido, por ejemplo, minimizando la probabilidad de cometer un error en cada decisi\u00f3n. Adem\u00e1s, se busca dise\u00f1ar m\u00e1quinas que puedan \u201caprender\u201d a partir de ejemplos suministrados o mediciones del entorno, tal como lo hacemos los humanos y otras especies animales que hemos desarrollado la capacidad de tomar decisiones basadas en la experiencia. Desde que somos ni\u00f1os, exploramos el mundo que nos rodea y aprendemos de nuestra interacci\u00f3n con el ambiente. Por ejemplo, cuando un ni\u00f1o que se quema al tocar una estufa, se genera un mecanismo por el cual muy probablemente, la pr\u00f3xima vez que se encuentre ante la misma situaci\u00f3n, evite tocarla.<\/p>\n\n\n\n

Con la creaci\u00f3n de las primeras computadoras en tiempos de la 2da Guerra Mundial, surgieron las ciencias de la computaci\u00f3n. Los cient\u00edficos comenzaron a idear algoritmos y a debatir acerca del significado filos\u00f3fico de inteligencia y de las posibilidades de que las computadoras fueran inteligentes. Las herramientas matem\u00e1ticas que facilitaron el desarrollo de una teor\u00eda de la IA son la estad\u00edstica y la teor\u00eda de las probabilidades ya que han permitido modelar la realidad a trav\u00e9s de variables aleatorias y secuencias de eventos que act\u00faan sobre ellas. <\/p>\n\n\n\n

Sin embargo, antes de la aparici\u00f3n de las computadoras, ya se hab\u00edan propuesto m\u00e9todos matem\u00e1ticos, precursores de la IA, para la clasificaci\u00f3n de muestras experimentales. R. A. Fisher, quien es considerado uno de los padres de la estad\u00edstica moderna (Fig. 1a), propuso en 1936 un m\u00e9todo para la clasificaci\u00f3n de muestras pertenecientes a dos posibles clases de flores (Fisher, 1936). La formulaci\u00f3n de Fisher estaba motivada por un problema pr\u00e1ctico concreto al que se hab\u00eda enfrentado mientras trabajaba en una estaci\u00f3n agr\u00edcola experimental: \u00bfC\u00f3mo desarrollar un m\u00e9todo cient\u00edfico para clasificar muestras de flores a partir de la cuantificaci\u00f3n de sus caracter\u00edsticas? M\u00e1s concretamente, Fisher ten\u00eda acceso a un conjunto de muestras de flores silvestres las cuales pueden pertenecer a dos clases posibles: iris setosa<\/em> o iris versicolor<\/em>, y de las cuales med\u00eda su morfolog\u00eda, por ejemplo, registrando el tama\u00f1o de sus p\u00e9talos y s\u00e9palos (Fig. 1b). Como las especies son morfol\u00f3gicamente diferentes, si graficamos los datos medidos, se obtienen dos nubes de puntos que pueden ser separados por una l\u00ednea recta (ver puntos azules y rojos en la Fig. 1c-d).<\/p>\n\n\n\n

El problema de Fisher plantea las siguientes preguntas: dado un conjunto de muestras, \u00bfC\u00f3mo definimos la l\u00ednea que separa a los grupos de manera \u00f3ptima? Por otro lado, supongamos que posteriormente, llega a nuestras manos una nueva muestra de la cual no conocemos a qu\u00e9 clase pertenece, \u00bfcon qu\u00e9 clase la deber\u00edamos asociar?, y \u00bfcu\u00e1l es el error que podr\u00edamos cometer? El discriminante lineal de Fisher<\/em> permite responder satisfactoriamente estas preguntas siendo la soluci\u00f3n \u00f3ptima para el caso en que las distribuciones de las clases son gaussianas y de igual varianza (Fisher, 1936). La soluci\u00f3n propuesta por Fisher se ilustra en la Fig. 1d en contraposici\u00f3n a una soluci\u00f3n no-\u00f3ptima mostrada en la Fig. 1c.El problema abordado por Fisher es lo que hoy se conoce como un problema cl\u00e1sico de IA denominado aprendizaje supervisado<\/em>. Se trata de \u201caprender\u201d el clasificador \u00f3ptimo identificando los par\u00e1metros que definen la recta que mejor separa las clases. El aprendizaje es \u201csupervisado\u201d porque tenemos a disposici\u00f3n un conjunto de muestras de las cuales conocemos la informaci\u00f3n de clases.<\/p>\n\n\n\n

\"\"<\/a>

Figura 1: Discriminante lineal de Fisher (Fisher, 1936)<\/strong>. (a)<\/strong> Ronald Aylmer Fisher (1890 – 1962). (b)<\/strong> Ejemplos de muestras de flores iris versicolor <\/em>e iris setosa<\/em>. (c)<\/strong> Clasificador no-\u00f3ptimo obtenido como una l\u00ednea perpendicular al segmento que une las medias de ambos grupos. (d)<\/strong> Clasificador lineal de Fisher (\u00f3ptimo) (Fisher, 1936).<\/figcaption><\/figure>\n\n\n\n

Simult\u00e1neamente al desarrollo de Fisher, tambi\u00e9n se comenzaban a desarrollar las primeras ideas que posibilitaron m\u00e1s tarde la aparici\u00f3n de las primeras computadoras. Alan Turing, considerado uno de los padres de las ciencias de la computaci\u00f3n, public\u00f3 en 1936, quiz\u00e1s su art\u00edculo m\u00e1s influyente donde defin\u00eda una m\u00e1quina abstracta de c\u00f3mputo, la M\u00e1quina de Turing<\/em>, capaz de realizar cualquier c\u00e1lculo a trav\u00e9s de un programa (algoritmo). Este concepto, fue revolucionario en ese momento permitiendo el desarrollo de la computaci\u00f3n moderna a\u00f1os m\u00e1s tarde.<\/p>\n\n\n\n

La idea de poder desarrollar m\u00e1quinas capaces de calcular y tomar decisiones di\u00f3 lugar a interrogantes filos\u00f3ficos, por ejemplo: \u00bfPuede una m\u00e1quina pensar?, \u00bfQu\u00e9 es la inteligencia? \u00bfPuede una m\u00e1quina ser inteligente? \u00bfPuede una m\u00e1quina tener conciencia? Matem\u00e1ticos, fil\u00f3sofos y bi\u00f3logos discut\u00edan en debates p\u00fablicos confrontando sus ideas. Es famoso el debate p\u00fablico del que particip\u00f3 Turing titulado \u201cDiscusi\u00f3n sobre la mente y la computadora\u201d el 27 de octubre de 1949, cuya transcripci\u00f3n puede encontrarse aqu\u00ed (Turing, web). <\/p>\n\n\n\n

Si bien se suele asumir el nacimiento de la IA en 1956 en una conferencia de verano en el Dartmouth College<\/em> (Moor, 2006) donde se acu\u00f1\u00f3 ese t\u00e9rmino por primera vez, la idea ya hab\u00eda sido trabajada y propuesta por Turing varios a\u00f1os antes. Por ejemplo, en 1947, en la sede de la Royal Astronomical Society<\/em> de Londres, Turing habl\u00f3 de la inteligencia inform\u00e1tica y declar\u00f3 \u201cLo que queremos es una m\u00e1quina que pueda aprender de la experiencia\u201d (Copeland, 2004; Copeland, 2013). Adem\u00e1s, en 1950 Turing public\u00f3 su famoso art\u00edculo \u201cComputing Machinery and Intelligence<\/em>\u201d, donde abordaba la posibilidad de que las computadoras pudieran pensar (Turing, 1950).<\/p>\n\n\n\n

Los a\u00f1os 50\u2019s y 60\u2019s: el perceptr\u00f3n simple<\/strong><\/h4>\n\n\n\n

Inspirados en la estructura y comportamiento fisiol\u00f3gico de la neurona, en 1943 el neur\u00f3logo W. McCulloch junto a W. Pitts propusieron su primer modelo matem\u00e1tico (McCulloch & Pitts, 1943). En este modelo, la neurona consta de varias entradas y una salida que se obtiene a trav\u00e9s de una combinaci\u00f3n lineal de las entradas usando coeficientes (pesos sin\u00e1pticos) seguido por una operaci\u00f3n no lineal conocida como funci\u00f3n de activaci\u00f3n (ver Fig. 2a).<\/p>\n\n\n\n

\"\"<\/a>



Figura 2:<\/strong> El Perceptr\u00f3n simple (McCulloch & Pitts, 1943) (Rosenblatt, 1957). (a)<\/strong> Modelo matem\u00e1tico de una neurona. (b)<\/strong> Frank Rosenblatt (1928- 1971). (c)<\/strong> Dado un clasificador en la instancia k-\u00e9sima, al recibir una nueva muestra los pesos del clasificador son actualizados, dando lugar a un nuevo clasificador. (d) <\/strong>El perceptr\u00f3n puede implementar las funciones l\u00f3gicas AND y OR, pero falla con la funci\u00f3n XOR porque \u00e9sta no es linealmente separable. <\/figcaption><\/figure>\n\n\n\n

En 1957, F. Rosenblatt (Fig. 2b) le puso nombre al modelo neuronal de McCulloch-Pitts llam\u00e1ndolo Perceptr\u00f3n<\/em> y propuso un algoritmo iterativo (Fig. 2c) por el cual los pesos de la neurona se actualizan iterativamente de manera de converger al clasificador \u00f3ptimo de las muestras suministradas (Rosenblatt, 1957). De esta manera, la neurona se \u201centrena\u201d para discriminar entre dos clases linealmente separables. Es muy interesante destacar que este modelo coincide con el Discriminante de Fisher<\/em> cuando la funci\u00f3n de activaci\u00f3n es la funci\u00f3n signo y los datos responden a distribuciones gaussianas.<\/p>\n\n\n\n

El algoritmo adaptativo de Rosenblatt motiv\u00f3 a los cient\u00edficos al desarrollo de las redes neuronales artificiales<\/em> interconectando varias neuronas que pod\u00edan ser entrenadas para resolver problemas de clasificaci\u00f3n. Sin embargo, en ese entonces a\u00fan no exist\u00edan teor\u00edas que justificaran su eficacia. M\u00e1s a\u00fan, en el a\u00f1o 1969, M. Minsky y S. Papert publicaron un libro en el que destruyeron al perceptr\u00f3n simple a trav\u00e9s de un sencillo ejemplo en el cual \u00e9ste fallaba rotundamente. Estos autores demostraron que el perceptr\u00f3n pod\u00eda aprender funciones l\u00f3gicas simples de tipo AND y OR, pero no pod\u00eda hacerlo con la funci\u00f3n l\u00f3gica OR exclusiva (XOR) (ver Fig. 2d), lo cual suger\u00eda que el perceptr\u00f3n no pod\u00eda aprender funciones l\u00f3gicas complejas, b\u00e1sicamente porque \u00e9stas no eran linealmente separables.<\/p>\n\n\n\n

Los a\u00f1os 80\u2019s: el auge de las redes neuronales artificiales<\/strong><\/h4>\n\n\n\n

Las cr\u00edticas de Minsky y colegas a finales de los a\u00f1os 1960\u2019s frenaron el desarrollo de las redes neuronales artificiales por m\u00e1s de diez a\u00f1os. Incre\u00edblemente, el problema del perceptr\u00f3n simple con la funci\u00f3n XOR pod\u00eda solucionarse sencillamente concatenando capas de neuronas como lo indicaron en 1986 Rumelhart, Hinton y Willams (Rumelhart et al, 1986). La explicaci\u00f3n era muy sencilla y est\u00e1 ilustrada en la Fig. 3a-b, donde la primera capa contiene dos neuronas cuyas salidas operan como entradas de la \u00fanica neurona de la segunda capa.<\/p>\n\n\n\n

El art\u00edculo de Rumelhart, Hinton y Willams di\u00f3 un tremendo impulso a las arquitecturas de redes multicapa que, si bien se conoc\u00edan desde hac\u00eda varios a\u00f1os, hasta ese momento parec\u00eda no existir una metodolog\u00eda clara y pr\u00e1ctica para poder entrenarlas. En ese art\u00edculo, los autores implementan eficientemente la t\u00e9cnica iterativa llamada backpropagation<\/em>, que fuera propuesta anteriormente en (Kelley, 1960) y (Dreyfus, 1962). Esta t\u00e9cnica permite minimizar el error de clasificaci\u00f3n iterativamente a trav\u00e9s de actualizaciones de los pesos sin\u00e1pticos de una capa por vez.<\/p>\n\n\n\n

Por otro lado, las arquitecturas neuronales multicapa parecieran ser biol\u00f3gicamente plausibles. Por ejemplo, recientemente en experimentos de toma de decisi\u00f3n con monos, se encontr\u00f3 que en tareas l\u00f3gicas simples, como la de diferenciar dos figuras, las neuronas del N\u00facleo Caudado<\/em> responden aproximadamente 150 milisegundos antes que las neuronas de la corteza Prefrontal<\/em> (Pasupathy & Miller, 2002), mientras que en tareas complejas que requieren de funciones l\u00f3gicas linealmente no separables, los tiempos de procesamiento se incrementan. Esta actividad neuronal pone en evidencia la estructura multicapa que permite resolver estas reglas, con la corteza Inferotemporal<\/em> como capa predecesora de la corteza Prefrontal<\/em>  (Freedman et. al, 2002). Adem\u00e1s, el auge de estudios en Neurociencias y sus descubrimientos fueron fuentes de inspiraci\u00f3n para la construcci\u00f3n de sistemas artificiales. A mediados de siglo XX, Hubel y Wiesel hab\u00edan descubierto dos tipos de neuronas en la corteza visual primaria (V1) en gatos (Hubel, 1962). En el primer tipo (c\u00e9lulas simples), las neuronas se activaban con est\u00edmulos en forma de barras orientadas espacialmente. Las neuronas del segundo tipo (c\u00e9lulas complejas) recib\u00edan en sus entradas las salidas de las neuronas simples (ver Fig. 3c – izquierda). En 1980, K. Fukushima utiliz\u00f3 el principio de funcionamiento de la corteza visual descubierto por Hubel y Wiesel para dise\u00f1ar el Neocognitron <\/em>(Fukushima, 1980), una red neuronal que pod\u00eda entrenarse para reconocer caracteres escritos a mano. Esta red fue la primera del tipo de lo que hoy se conocen como redes neuronales convolucionales. <\/em>En estas redes, se entrenan peque\u00f1os filtros capaces de detectar patrones locales en im\u00e1genes como pueden ser barras con distinta orientaci\u00f3n (ver Fig. 3c – derecha). En 1989, Yann Lecun propondr\u00eda configuraciones de redes neuronales convolucionales<\/em> con varias capas entrenadas con el m\u00e9todo backpropagation<\/em> con las cuales se pudieron alcanzar excelentes resultados en reconocimiento de caracteres manuscritos, incluso superando la performance humana.<\/p>\n\n\n\n

\"\"<\/a>

Figura 3: Redes neuronales artificiales multicapa.<\/strong> (a)<\/strong> implementaci\u00f3n de la operaci\u00f3n l\u00f3gica XOR (OR exclusivo) a trav\u00e9s de una red neuronal de 2 capas. (b)<\/strong> Red neuronal de dos capas. La primera capa contiene dos neuronas: V1 y V2, cada una de las cuales establece una separaci\u00f3n lineal de los puntos como se indica en (a). La neurona de la \u00faltima capa, combinada con las salidas de la primera capa, logra implementar efectivamente la funci\u00f3n XOR. (c)<\/strong> Izquierda: Estructura de neuronas simples y complejas descubiertas por Hubel y Wiesel en la corteza visual de gatos (Hubel, 1962). Derecha: arquitectura de una red convolucional (figura extra\u00edda de (Lindsay, 2020))<\/figcaption><\/figure>\n\n\n\n

Siglo XXI: <\/strong>Deep Learning,<\/em><\/strong> el triunfo de las redes neuronales artificiales en IA<\/strong><\/h4>\n\n\n\n

Si bien las bases para la construcci\u00f3n de grandes redes multicapa se desarrollaron principalmente durante los a\u00f1os 1980\u2019s y 1990\u2019s, no fue hasta los a\u00f1os 2000\u2019s en que efectivamente \u00e9stas pudieran ser implementadas eficientemente para resolver grandes desaf\u00edos pr\u00e1cticos, por ejemplo, en el reconocimiento de im\u00e1genes, el procesamiento del lenguaje natural, y otros. Este atraso en el desarrollo de la IA puede explicarse a partir de dos situaciones que se hicieron realidad reci\u00e9n en el siglo XXI: 1) La disponibilidad de grandes vol\u00famenes de datos de entrenamiento a ra\u00edz de la proliferaci\u00f3n de dispositivos digitales como los tel\u00e9fonos celulares con c\u00e1maras fotogr\u00e1ficas; y 2) La disponibilidad de hardware econ\u00f3mico con gran poder de c\u00e1lculo como es el caso de las primeras Unidades de Procesamiento Gr\u00e1fico<\/em> (GPU en ingl\u00e9s), que permitieron realizar en paralelo y de manera eficiente productos de convoluci\u00f3n para detectar caracter\u00edsticas propias de las im\u00e1genes.<\/p>\n\n\n\n

A partir de este salto tecnol\u00f3gico, se pudieron construir las redes neuronales con decenas y hasta cientos capas de neuronas, conocidas como redes neuronales profundas y dando nacimiento al t\u00e9rmino Deep Learning<\/em> para hacer referencia a este tipo de arquitecturas (Goodfellow et al, 2016). En el caso del an\u00e1lisis de im\u00e1genes naturales, las arquitecturas aprenden de los datos de entrenamiento ajustando los pesos sin\u00e1pticos de las neuronas. As\u00ed, las primeras capas de neuronas aprenden a detectar patrones elementales locales, a nivel de p\u00edxeles de la im\u00e1gen, mientras que las finales aprenden a identificar agrupaciones complejas de patrones elementales, como muestra el ejemplo de la Fig. 4a. De esta manera, una red neuronal profunda, logra capturar las caracter\u00edsticas estructurales del conjunto de datos con el cual se la entrena. A diferencia de los m\u00e9todos de detecci\u00f3n de los a\u00f1os 80, donde los expertos defin\u00edan cu\u00e1les eran las caracter\u00edsticas que mejor defin\u00edan a los datos, en las redes convolucionales profundas estas caracter\u00edsticas se aprenden autom\u00e1ticamente durante el entrenamiento.<\/p>\n\n\n\n

A partir de la implementaci\u00f3n de redes neuronales en GPU\u2019s, enormes fueron los desaf\u00edos y progresos en el \u00e1rea. Por ejemplo, Se desarrollaron modelos generativos para poder sintetizar artificialmente datos nuevos con las caracter\u00edsticas esenciales del conjunto de datos de entrenamiento.  Este tipo de redes se llaman Generative Adversarial Nets (GAN)<\/em> y fueron introducidas en 2014 por Ian Goodfellow y colegas (Goodfellow et al., 2014). La Fig. 4b muestra algunas im\u00e1genes generadas artificialmente por una red neuronal entrenada con im\u00e1genes de rostros de celebridades (Karras et al, 2018). Notablemente, ninguna de estas personas existe realmente, los rostros fueron creados por una computadora. Similarmente, investigadores de Deep Mind, <\/em>una compa\u00f1\u00eda de IA adquirida por Google<\/em> en 2014, lograron capturar estilos de pinturas de distintos autores famosos en una red neuronal y aplicarlo a cualquier imagen de entrada para generar una pintura nueva (ver Fig. 4c) (Gatys et al, 2015).<\/p>\n\n\n\n

Las aplicaciones del Deep Learning<\/em> van m\u00e1s all\u00e1 del an\u00e1lisis y generaci\u00f3n de im\u00e1genes. Una rama de la IA, conocida como aprendizaje por refuerzo (reinforcement learning<\/em>) estudia sistemas que son capaces de aprender con la experiencia modificando su comportamiento din\u00e1micamente a trav\u00e9s de la realimentaci\u00f3n con los resultados obtenidos. Por ejemplo, recientemente se ha demostrado que una m\u00e1quina puede aprender a jugar Go, un juego estrat\u00e9gico m\u00e1s complejo que el ajedrez de origen asi\u00e1tico. En 2016, investigadores de DeepMind crearon AlphaGO<\/em>, un sistema de IA que aprendi\u00f3 a jugar GO al ser entrenado con los mejores jugadores humanos de todo el mundo y logrando vencer al mejor jugador del mundo ese a\u00f1o (Silver et al, 2016). Un a\u00f1o m\u00e1s tarde, el mismo equipo de investigadores introdujeron AlphaZero<\/em> que, a diferencia de su antecesor, fue entrenado jugando contra s\u00ed mismo alcanzando una performance a\u00fan mayor que su predecesor siendo, hasta el momento, imposible de vencer por un humano (Silver et al, 2017). Este fue uno de los sucesos m\u00e1s resonantes de la IA como fuera anunciado en la revista Science en 2018 (Silver et al, 2018). <\/p>\n\n\n\n

Conclusiones<\/strong><\/h4>\n\n\n\n

M\u00e1s all\u00e1 de las discusiones filos\u00f3ficas sobre el significado de Inteligencia,<\/em> los avances tecnol\u00f3gicos nos han demostrado que las m\u00e1quinas pueden aprender a resolver, desde problemas sencillos hasta otros relativamente m\u00e1s complejos a trav\u00e9s de m\u00e9todos basados en matem\u00e1tica, principalmente utilizando teor\u00eda de probabilidades y estad\u00edstica. <\/p>\n\n\n\n

As\u00ed como los avances y descubrimientos en neurociencias sirvieron para inspirar sistemas de IA, debemos ser conscientes de que hay grandes diferencias entre las redes neuronales reales y las artificiales. Algunos cient\u00edficos l\u00edderes en IA, como Yoshua Bengio de la Universidad de Montreal, est\u00e1n convencidos de que el desarrollo actual de la IA s\u00f3lo permite resolver problemas cognitivos relativamente simples, como identificar patrones o conducir veh\u00edculos. Este tipo de tareas, son llevadas a cabo por los humanos de manera casi inconsciente una vez que han sido entrenados para ello. <\/p>\n\n\n\n

El campo de la IA sigue en plena expansi\u00f3n mostrando resultados sorprendentes a\u00f1o tras a\u00f1o. Sin embargo, es notable que la mayor\u00eda de los algoritmos que muestran excelentes resultados experimentales no tienen un marco te\u00f3rico que pueda explicar el porqu\u00e9 de ese comportamiento. Volviendo a la primer parte de este art\u00edculo, la IA actual, m\u00e1s all\u00e1 de los logros alcanzados, sigue siendo una mera herramienta tecnol\u00f3gica, tal como lo fue la calculadora electr\u00f3nica en la d\u00e9cada del 70. Las redes neuronales pueden aprender por prueba y error, y con mucha exactitud, a resolver problemas l\u00f3gico-matem\u00e1ticos, muchas veces mejor que nosotros, los humanos, pero carecen de lo que tal vez origin\u00f3 aquellas fantas\u00edas de la ciencia ficci\u00f3n: la conciencia.<\/p>\n\n\n\n

\"\"<\/a>



Figura 4: <\/strong>Deep Learning.<\/strong><\/em> (a)<\/strong> Arquitectura gen\u00e9rica de una red neuronal multicapa. En el caso de entrenarla con im\u00e1genes de rostros, la primera capa (input layer<\/em>) captura patrones locales como bordes con distintas orientaciones. La segunda capa (hidden layer 1<\/em>), captura agrupaciones de patrones locales formando por ejemplo los ojos, nariz, etc. La tercera capa (hidden layer 2), codifica los rostros completos combinando los patrones de las capas anteriores. (b)<\/strong> Ejemplos de im\u00e1genes de celebridades ficticias generadas por una red neuronal profunda GAN entrenada con rostros de celebridades reales (tomado de (Karras et al, 2018)). (c)<\/strong> Imagen original y sus versiones utilizando los estilos de distintos pintores (Van Gogh, Munch y Kandinsky). Estas im\u00e1genes fueron extra\u00eddas de (Gatys et al, 2015).<\/em> (d)<\/strong> Portada de la revista Science<\/em>, Vol. 362, Dic. 2018, sobre AlphaZero<\/em>, un sistema de IA basado en Deep Reinforcement Learning<\/em> que logra aprender a jugar Go, Ajedrez y Shogi sin interactuar con otros jugadores  (Silver et al, 2018).<\/figcaption><\/figure>\n\n\n\n

Bibliograf\u00eda<\/strong><\/h4>\n\n\n\n