FIRMA INVITADA

Inteligencia artificial: ¿amenaza, ‘hype’ o revolución tecnológica?

Santiago Mazuelas, Beca Leonardo 2018 en Tecnologías de la Información y la Comunicación

SANTIAGO MAZUELAS

Santiago Mazuelas, beca Leonardo 2018 en Tecnologías de la Información y la Comunicación, analiza tanto el enorme potencial como los posibles riesgos de la inteligencia artificial, tras la reciente concesión de los Premios Nobel de Física y Química a cinco investigadores que han realizado contribuciones fundamentales en el campo del aprendizaje automático.

31 octubre, 2024

Perfil

Santiago Mazuelas

La inteligencia artificial y el aprendizaje automático están haciendo posibles grandes avances tecnológicos con un impacto muy significativo en la economía, así como en múltiples facetas de la sociedad. Ejemplos claros de este impacto han sido los Premios Nobel en Física y en Química de 2024, ambos muy relacionados con dichas tecnologías. Como es esperable, esta repercusión no está exenta de múltiples controversias. Por ejemplo, la concesión del Nobel de Física a Geoffrey Hinton y John Hopfield por su trabajo en inteligencia artificial ha sido muy controvertido. Hinton realizó hace unos años unas polémicas declaraciones señalando los peligros de la inteligencia artificial. Además, el trabajo de estos científicos tiene una relación muy limitada con la física.

Los Premios Nobel se dividen en seis categorías: Física, Química, Medicina, Literatura, Paz y Economía. Las cinco primeras categorías han formado parte de los Premios Nobel desde su comienzo en 1901. La única categoría que apareció con posteridad ha sido la de Economía en 1968 que no se considera realmente como un “Premio Nobel” sino que es un “Premio en memoria de Alfred Nobel”. El número limitado de disciplinas premiadas y la falta de actualización a lo largo del tiempo hacen que sea frecuente expandir su ámbito para poder premiar el trabajo en otros campos como las ciencias matemáticas o las de la computación, en este caso. Otros galardones como los Premios Fundación BBVA Fronteras del Conocimiento, iniciados en 2008, se dividen en categorías más diversas y contemporáneas. Por ejemplo, Geoffrey Hinton recibió el Premio Fronteras de Conocimiento en Tecnologías de la Información y la Comunicación en 2016, mientras que Vladimir Vapnik, también pionero de la inteligencia artificial, recibió dicho premio en el 2020.

En cuanto a las declaraciones de Hinton alertando sobre las amenazas de la inteligencia artificial, desconozco las circunstancias concretas en las que se produjeron pero no las comparto. En mi opinión, la inteligencia artificial o el machine learning conforman un tipo más de tecnología, como pueden serlo internet o la telefonía. Como cualquier otra tecnología con grandes potencialidades, puede ser utilizada con fines perversos, pero en general yo creo que las nuevas tecnologías tienen un efecto positivo en la sociedad. También, como sucedió con otras tecnologías, su irrupción en la sociedad puede causar cierto rechazo o temor, sensaciones que son totalmente entendibles.

El aprendizaje automático, o machine learning, es un conjunto de técnicas que permiten a una máquina aprender a partir de ejemplos (datos). La inteligencia artificial puede considerarse como un campo más general que el aprendizaje automático porque engloba aspectos que van más allá del aprendizaje, como la relación interactiva de las máquinas con su entorno. El aprendizaje automático puede considerarse como la base de la inteligencia artificial, ya que el aprendizaje es básico para la inteligencia.

Las técnicas de aprendizaje automático consiguen aprender replicando el comportamiento observado en ejemplos. En cierto sentido es similar a cómo los niños aprenden; por ejemplo, la manera en la que todos hemos aprendido los colores ha sido mediante ejemplos. Nuestros padres nos mostraban objetos y nos decían cuál era su color. Después de observar múltiples ejemplos éramos capaces de determinar cuál era el color que se corresponde con un objeto cualquiera. En el trabajo realizado por los Premios Nobel en Química Demis Hassabis y John Jumper, una máquina aprende a determinar la estructura de proteínas. En este caso, a una máquina (ordenador) se le muestran millones de ejemplos de secuencias de aminoácidos junto con la estructura correspondiente. Después de observar millones de dichos ejemplos, el ordenador es capaz de determinar cuál es la estructura que se corresponde con una secuencia de aminoácidos cualquiera. Igual que un niño (o nosotros) desconoce el motivo por el cual cada objeto da lugar a un color especifico, el ordenador desconoce el motivo por el cual cada secuencia de aminoácidos da lugar a una proteína con una estructura específica. El ordenador “simplemente” es capaz de determinar la estructura que se corresponde con cada secuencia de aminoácidos.

Existe todavía una gran diferencia entre la inteligencia humana y la inteligencia artificial. La inteligencia artificial replica el comportamiento observado en ejemplos, mientras que la inteligencia humana cuenta con otras muchas capacidades asociadas a la creatividad, la deducción lógica, la empatía, la conciencia, etc. Los desarrollos en inteligencia artificial están acercándola más a la humana en términos de la utilización de métodos deductivos, pero estos avances están habitualmente limitados a entornos cerrados y simples como, por ejemplo, juegos de mesa como el ajedrez y el “go”.

Desde mi punto de vista, la contribución más relevante del aprendizaje automático o de la inteligencia artificial en las últimas décadas es hacer posible la utilización efectiva del método inductivo (la capacidad de aprender a partir de ejemplos). El método inductivo ha sido utilizado desde tiempos inmemoriales pero puede ser muy problemático, como describió David Hume en el siglo XVIII, entre muchos otros autores. Hace unos 40 años, el matemático Vladimir Vapnik mencionado anteriormente presentó una teoría matemática del método inductivo que muestra cómo es posible aprender de manera efectiva a partir de ejemplos. El hecho de que las máquinas sean capaces de aprender a replicar el comportamiento observado en múltiples ejemplos puede parecer un avance poco relevante. Sin embargo dicha capacidad puede hacer (está haciendo) realidad múltiples avances tecnológicos de una gran relevancia. Por ejemplo, la capacidad de determinar la estructura de una proteína a partir de una secuencia de aminoácidos puede hacer posible el desarrollo de nuevas vacunas y nanomateriales, así como el diseño de fármacos para el cáncer. Dicha aplicación premiada con el Nobel de Química es solamente un ejemplo entre una gran cantidad aplicaciones como el diagnostico médico de alta precisión, la localización de personas y objetos en interiores, la gestión predictiva de recursos energéticos limitados, etc.

El estado actual de las técnicas de inteligencia artificial y el aprendizaje automático no está exento de limitaciones significativas. Todo usuario de estas tecnologías ha observado que no son altamente confiables ya que no son conscientes de sus propias limitaciones: yerran con frecuencia y de forma inadvertida. En este sentido, es de vital importancia desarrollar métodos que sean capaces de ofrecer garantías sobre su rendimiento e indicar en qué casos tienen dudas. Una inteligencia artificial confiable haría posibles aplicaciones más seguras y útiles, facilitaría una implantación más serena de estas tecnologías y reduciría altamente su percepción como una amenaza o un hype.