¿Qué es la inteligencia general artificial (AGI)? Todo lo que necesitas saber

Desde la invención de la computadora moderna, ha habido debate sobre cómo definir la inteligencia general artificial (AGI), cómo probar una máquina para ver si cumple con esa definición y cuáles serán los beneficios y los inconvenientes de AGI para el trabajo humano, la creatividad y el descubrimiento científico.

Este artículo explica qué es AGI, explora su historia, desafíos clave y si ya existe o sigue siendo un objetivo lejano.

Tabla de contenido

Comprender la inteligencia artificial (IA)

¿Qué es la inteligencia general artificial (AGI)?

Rasgos clave de AGI

Historia del general IA

¿Cómo podría funcionar agi?

Aplicaciones potenciales de IA general

Consideraciones y desafíos éticos

Futuro del general ai

¿Qué son las preguntas frecuentes de agi?

Comprender la inteligencia artificial (IA)

Para comprender AGI, es importante distinguirlo de otras formas de inteligencia artificial (IA). La IA generalmente se clasifica por cuán ampliamente puede aplicar su inteligencia y qué tan bien funciona en comparación con los humanos.

¿Qué es la inteligencia artificial?

La IA se refiere a la tecnología que permite a las máquinas resolver problemas complejos, a menudo imitando o superando las habilidades humanas. Eleventa tareas como procesamiento del lenguaje, reconocimiento de voz e imagen, análisis de datos y generación de código. Sin embargo, la IA varía en la capacidad y se puede clasificar en tres tipos principales:

• AI estrecha (IA débil):sistemas especializados diseñados para tareas específicas, como filtrado de spam, algoritmos de recomendación y programas de juego de ajedrez. Estos sistemas se destacan en sus funciones designadas, pero no pueden adaptarse más allá de ellas. Toda la IA actual cae en esta categoría.
• Inteligencia general artificial (AGI):una IA teórica que puede aprender, razonar y resolver problemas en una amplia gama de dominios, similar a la inteligencia humana. A diferencia de la IA estrecha, AGI no requeriría reentrenamiento para nuevos desafíos.
• Superinteligencia artificial (ASI):una IA hipotética que supera la inteligencia humana en todas las disciplinas, incluida la resolución creativa de problemas y el pensamiento estratégico. ASI sigue siendo especulativo, pero a menudo se discute en relación con la evolución a largo plazo de AGI.

Si bien la IA de hoy es impresionante, sigue siendo estrecho, sobresaliendo solo dentro de los límites predefinidos. La búsqueda de AGI es la búsqueda de una verdadera inteligencia de máquinas, una que pueda pensar, aprender y adaptarse como un humano.

¿Qué es la inteligencia general artificial (AGI)?

No existe una definición universalmente aceptada de AGI, también conocida como IA general. Sin embargo, muchas definiciones sugieren que un sistema califica como AGI si puede hacer lo siguiente:

• Aprender adaptativamentesin requerir intervención humana
• Generalizar el conocimientopara resolver problemas desconocidos
• Realizar comparablemente a los humanosen una amplia gama de tareas

Más allá de estos amplios atributos, las definiciones de Agi varían, a menudo reflejando los objetivos de aquellos que intentan desarrollarlo:

• En su libro de 2007,la inteligencia general artificial, Ben Goertzel y Cassio Pennachin definen a AGI como sistemas de IA que poseen "un grado razonable de autoconstantes y autocontrol autónomo" y pueden resolver una variedad de problemas complejos en varios contextos.
• Openai define a AGI como "un sistema altamente autónomo que supera a los humanos a la mayoría de los trabajos económicamente valiosos".
• Francois Chollet, ex investigador de Google AI y creador del punto de referencia ARC-AGI, define a AGI como un sistema capaz de adquirir nuevas habilidades de manera eficiente fuera de sus datos de capacitación. Él enfatiza que la inteligencia está marcada por la adquisición y generalización de habilidades, en lugar de la habilidad misma.

Rasgos clave de AGI

Si bien las definiciones de AGI varían, generalmente lo distinguen de la IA estrecha al enfatizar su capacidad para funcionar en diversos dominios. Independientemente de la definición específica, un AGI necesitaría poseer varios rasgos centrales para lograr estas capacidades:

Toma de decisiones autónoma

Un AGI debe poder determinar cuándo buscar nueva información, solicitar asistencia o tomar medidas independientes para resolver problemas. Por ejemplo, si se le asigna modelar un mercado financiero complejo, un AGI necesitaría identificar fuentes de datos relevantes, analizar las tendencias históricas y determinar cómo adquirir la información necesaria, todo sin orientación humana.

Resolución de problemas en dominios desconocidos

AGI debe poder generalizar el conocimiento de un dominio y aplicarlo a tareas nuevas y desconocidas. Esta capacidad de transferir el aprendizaje a través de la analogía es similar a cómo un músico entrenado en uno o dos instrumentos puede aprender rápidamente un tercero. De la misma manera, un AGI debe aprovechar el conocimiento previo para resolver problemas para los que no fue capacitado explícitamente.

Superación continua

Un AGI debe ser capaz de evaluar su propio rendimiento y adaptarse a nuevas situaciones. Un enfoque para la superación personal recursiva son los datos de entrenamiento autogenerados, como se ve en Robocat de Deepmind. Otra capacidad potencial es modificar su propio código y arquitectura. Sin embargo, dicha auto-modificación podría introducir riesgos de seguridad si AGI realiza cambios que los humanos no pueden comprender o controlar completamente.

Historia del general IA

La historia de AGI se entiende mejor dentro de la historia más amplia de la IA. La investigación ha evolucionado a través de varias épocas distintas, cada una con forma del camino hacia sistemas de IA más capaces y generales.

AI temprana: AI simbólica (1950 -1980)

El primer intento de construir IA en las décadas de 1950 y 1960 se basó en la idea de que podría enseñarle a una máquina a pensar mediante las reglas de programación y la lógica (representada como símbolos) en la computadora y pedirle que resuelva problemas utilizando estas reglas. Esto produjo sistemas expertos que podrían vencer a los humanos en los juegos de mesa y hacer tareas especializadas (la computadora de ajedrez de IBM, la computadora de Blue Deep Blue es un ejemplo), pero no pudieron aprender nada fuera de su conocimiento programado.

El cambio al aprendizaje automático (1990-2010)

En la década de 1990 se produjo un cambio importante con el aumento del aprendizaje automático (ML), que se inspiró en cómo funcionan las neuronas biológicas en el cerebro. En lugar de utilizar reglas codificadas, estos sistemas conexionistas utilizan redes neuronales que usan muchas capas de neuronas artificiales que aprenden entrenando en grandes conjuntos de datos y mejorando sus resultados de forma incremental durante muchas ejecuciones de entrenamiento.

The Deep Learning Revolution (2010 - presente)

La revolución moderna de aprendizaje profundo comenzó en 2012 cuando los investigadores comenzaron a usar unidades de procesamiento de gráficos (GPU) para crear redes neuronales con billones de parámetros. Esto proporcionó un gran impulso en el poder computacional que dio a estos modelos de aprendizaje automático, incluidos modelos contemporáneos de lenguaje grande (LLM) como el chatGPT, la capacidad de aprender más y generalizar algunos conocimientos a tareas similares.

Definición de AGI: más allá de los puntos de referencia de IA tradicionales

A medida que los sistemas de IA se volvieron más sofisticados, los investigadores propusieron nuevos puntos de referencia para evaluar si un sistema de IA había alcanzado la inteligencia de nivel humano. El punto de referencia temprano más famoso, la prueba de Turing, fue diseñada para determinar si una máquina podría imitar la conversación humana de manera convincente. Sin embargo, como LLMS como ChatGPT y Claude ahora pueden pasar esta prueba, muchos investigadores la consideran obsoleto.

Los puntos de referencia más recientes, como la prueba ARC-AGI, se centran en la capacidad de un sistema de IA para generalizar más allá de sus datos de capacitación. Si bien los modelos de IA actuales aún no alcanzan el razonamiento humano, algunos, como el modelo O3 de OpenAi, han logrado resultados innovadores, reavando debates sobre la viabilidad de AGI.

¿Cómo podría funcionar agi?

No hay consenso entre los investigadores de IA sobre qué enfoque conducirá en última instancia a AGI. Tanto la IA simbólica como el aprendizaje profundo tienen limitaciones cuando se trata de construir sistemas que pueden generalizar el conocimiento en diferentes dominios. La investigación actual se centra en el desarrollo de modelos con habilidades metacognitivas, la capacidad de evaluar y mejorar sus propios procesos de razonamiento.

Limitaciones en los enfoques actuales

Los sistemas simbólicos de IA dependen de los programadores humanos para el conocimiento y no pueden obtener nueva información por su cuenta, mientras que los sistemas de aprendizaje profundo, incluida la IA generativa, requieren vastas conjuntos de datos y largos períodos de capacitación para aprender nuevas tareas. Los humanos, por otro lado, absorben fácilmente la nueva información y pueden aprender a hacer cosas nuevas rápidamente con muy pocos ejemplos.

Sin embargo, incluso con estos desafíos, los investigadores están explorando muchas vías para crear máquinas capaces de aprender, generalizar y tomar decisiones a un nivel humano (o mejor). Algunos enfoques recientes que tienen elementos de AGI incluyen IA neuro-simbólica, IA agente y IA encarnada.

IA neuro-simbólica

Algunos investigadores de IA, incluidos Gary Marcus y Ben Goertzel, argumentan que los sistemas neuroimbólicos son el camino a AGI. Estos sistemas combinan diferentes tipos de sistemas de IA para compensar las deficiencias de cualquier enfoque.

Por ejemplo, en 2023, Goertzel y sus colaboradores lanzaron OpenCog Hyperon, un esfuerzo AGI de código abierto que proporciona un marco de software para combinar sistemas de IA de diversas disciplinas, incluido el procesamiento del lenguaje natural (PNL), la lógica formal y el razonamiento probabilístico. Google Deepmind logró recientemente el rendimiento de la medalla de plata en la Olimpiada Matemática Internacional con dos sistemas neurombólicos, Alphaproof y Alphageometry 2.

AI agente

Los agentes de IA se consideran un posible paso en el camino hacia AGI porque pueden evaluar y responder a sus entornos, comprender el contexto y tomar decisiones independientes de los humanos para lograr los objetivos. Al igual que el enfoque neuroimbólico, los sistemas de IA agente funcionan combinando múltiples tipos de IA para lograr diferentes tareas. Sin embargo, la investigación en AI agente todavía está en sus primeras etapas, y muchas de las capacidades más avanzadas atribuidas a la IA de agente siguen siendo teóricas.

AI incorporada

Los principales pensadores de IA, incluido el cofundador de OpenAI, Andrej Karpathy y la científica Melanie Mitchell, han dicho que puede ser necesaria alguna forma de encarnación para llegar a AGI. Esto se basa en la idea de que sería difícil para una IA aprender habilidades cognitivas básicas como comprender la causalidad o la permanencia de los objetos sin la capacidad de recibir entradas sensoriales.

La IA encarnada se requiere implícitamente para cumplir con algunas definiciones populares de AGI. Por ejemplo, el cofundador de Apple, Steve Wozniak, propuso un punto de referencia llamado prueba de café, en la que se podría considerar que una máquina posee AGI si pudiera ingresar a la casa de una persona arbitraria y descubrir cómo preparar una taza de café.

Aplicaciones potenciales de IA general

Debido a la naturaleza de la inteligencia generalizada, las aplicaciones potenciales para AGI son prácticamente ilimitadas. Algunas industrias que pueden beneficiarse particularmente de la adaptividad y la autonomía que ofrecerá AGI incluyen atención médica, educación, fabricación y finanzas.

Cuidado de la salud

AGI tiene el potencial de afectar a muchas áreas de atención médica, donde sería ventajoso tener un sistema inteligente con acceso a grandes cantidades de datos, incluidos los diagnósticos y el descubrimiento de medicamentos, y la capacidad de crear planes de tratamiento individualizados que reflejen la imagen completa del historial de salud de un paciente.

Educación

Los sistemas AGI en educación se pueden utilizar para ayudar a personalizar las vías de aprendizaje para que los estudiantes satisfagan sus necesidades específicas, ayuden a los maestros con tareas administrativas y la planificación de la lección para que puedan pasar más tiempo en la enseñanza y ayudar a los maestros a analizar el rendimiento de los estudiantes para identificar brechas donde los estudiantes pueden quedarse atrás.

Fabricación

Los fabricantes tienen una necesidad constante de optimizar los procesos que subyacen a la logística compleja de la cadena de suministro, los horarios de producción y el control de calidad. AGI tiene el potencial de ayudar a tomar decisiones sobre cómo mejorar los procesos y automatizarlos.

Finanzas

Debido a que las empresas del sector financiero se ocupan de una gran cantidad de datos, AGI podrá analizar y tomar decisiones sobre esa escala de información mucho más rápido que los humanos pueden. Esto tiene el potencial de acelerar las tareas con datos de datos como evaluación de riesgos, cumplimiento y análisis de mercado.

Consideraciones y desafíos éticos

A medida que el progreso hacia AGI continúa avanzando, existen problemas legales y preocupaciones éticas que tendrán que ser considerados tanto por quienes los construyen y aquellos que usan sistemas AGI.

Inclinación

De la misma manera que los sistemas de IA estrechos pueden sufrir una falta de diversidad en las muestras de entrenamiento, los sistemas AGI tienen el potencial de exhibir raciales, género u otros tipos de sesgos basados ​​en datos de entrenamiento sesgados o incompletos. Los algoritmos también pueden introducir un sesgo ponderando ciertas variables para privilegiar un grupo sobre otro.

Responsabilidad legal de las acciones AGI

Los sistemas de IA ya han sido objeto de disputas legales sobre violaciones de las leyes de privacidad y vivienda justa. Sin embargo, los marcos legales existentes no siempre definen claramente quién es responsable del daño causado por la IA. La aparición de agentes inteligentes avanzados complicará aún más cuestiones de responsabilidad cuando las máquinas actúen de manera que violen la ley.

Desafíos de alineación

Los sistemas AGI podrían tener acceso a grandes cantidades de datos y la autonomía para tomar decisiones impactantes. Asegurar que estos sistemas se alineen con los valores humanos y los principios éticos es un enfoque clave de la investigación de alineación de IA. Los expertos están trabajando para desarrollar métodos que permitan a AGI interpretar y cumplir con los objetivos y limitaciones deseados, minimizando los resultados no deseados o no deseados.

Futuro del general ai

A medida que avanza la IA, presenta desafíos y oportunidades. Si bien se deben abordar las preocupaciones sobre el empleo y la seguridad, AGI tiene el potencial de traer beneficios significativos en los campos como análisis de datos, automatización, optimización, atención médica y seguridad.

AGI podría acelerar el progreso en problemas científicos y sociales complejos resolviendo problemas a una escala más allá de la capacidad humana. Al manejar tareas repetitivas, AGI también puede liberar a las personas para centrarse más en el trabajo significativo y los intereses personales. En última instancia, su desarrollo remodelará no solo las industrias sino también cómo los humanos perciben la inteligencia y su papel en el mundo.

Agi Preguntas frecuentes

¿Cuál es la diferencia entre AI y AGI?

AGI es un subtipo de IA que difiere de AI estrecha o débil, que está diseñada para realizar tareas específicas dentro de un dominio limitado. En contraste, AGI se refiere a una etapa hipotética del desarrollo de la IA en la que los sistemas poseen flexibilidad, adaptabilidad y razonamiento similares a los humanos, lo que les permite aprender y realizar una amplia gama de tareas en diferentes dominios.

¿Cuál es la diferencia entre la IA generativa y la IA general?

La IA generativa es un tipo de IA que analiza grandes conjuntos de datos para generar predicciones, contenido o respuestas basadas en patrones aprendidos. La IA general, o AGI, se refiere a la IA capaz de inteligencia y razonamiento a nivel humano en múltiples dominios, lo que le permite aprender y realizar una amplia variedad de tareas sin limitarse a una función específica.

¿Se considera chatgpt AGI?

Algunos expertos sugieren que LLM como ChatGPT y Claude ya podrían considerarse AGI. Sin embargo, esta opinión no es ampliamente aceptada entre los investigadores de IA. ChatGPT carece de una verdadera comprensión del texto que genera, lucha con el razonamiento y no puede generalizar su conocimiento en diferentes dominios, como controlar un sistema físico como un automóvil autónomo. Estas limitaciones significan que no cumple con los criterios para AGI.

¿Se considera a O3 AGI?

Mientras que el modelo de razonamiento O3 de OpenAI logró un impresionante puntaje de 87.5% en el punto de referencia ARC-AGI el 20 de diciembre de 2024, el creador del punto de referencia, Francois Chollet, no considera que llegue a AGI.

Los observadores señalan que O3 se basó en una pretrabray extensa con muestras de pruebas públicas y requirió recursos computacionales masivos para lograr su puntaje. Chollet también señaló que algunos modelos de computo inferior obtuvieron un puntaje tan alto como 81%, lo que sugiere que el éxito de O3 fue impulsado más por el cálculo de la fuerza bruta que por la verdadera inteligencia general.

¿Cuáles son los principales desafíos para construir la IA general?

• Confía:los sistemas AGI deben ser consistentemente precisos y confiables para que los usuarios dependan de sus resultados en aplicaciones críticas.
• El problema de la cola larga:no importa cuántos datos de entrenamiento tenga un sistema de IA, inevitablemente encontrará escenarios raros o imprevistos. Por ejemplo, los autos autónomos enfrentarán situaciones no cubiertas en su entrenamiento, lo que les exige que se generalicen de manera efectiva.
• Consumo de energía:los modelos AI avanzados ya requieren grandes cantidades de energía y agua para el cálculo. AGI podría exigir recursos aún mayores a menos que se desarrollen métodos de procesamiento más eficientes.
• Sentido común:a diferencia de los humanos, la IA carece de experiencia en el mundo real y comprensión intuitiva de la física, las interacciones sociales y el razonamiento cotidiano: conocimiento que las personas adquieren naturalmente desde la infancia.

¿Agi ya existe?

Debido a que el términoAGIse ha definido de diferentes maneras, lo que cumple con la definición de AGI de una persona (o de la empresa) puede existir para ellos, pero no de acuerdo con otra persona. Usando la definición del documento de Google Deepmind de que "un sistema de IA que es al menos tan capaz como un humano en la mayoría de las tareas", tiene sentido decir que AGI aún no existe.