La inteligencia artificial ha avanzado a pasos agigantados, logrando predicciones asombrosas. Pero, ¿realmente comprenden el mundo que predicen o solo imitan patrones, como en su momento lo hizo Kepler?
El debate: ¿Predicción o comprensión real?
En el siglo XVII, Johannes Kepler deslumbró al mundo con sus leyes del movimiento planetario. Sin embargo, fue Isaac Newton quien, con sus leyes de la gravitación universal, reveló los principios subyacentes que explicaban por qué las leyes de Kepler funcionaban. Newton no solo predijo, sino que *entendió* el mecanismo fundamental.
Hoy, los sistemas de IA son excelentes prediciendo, pero investigadores del MIT y Harvard se preguntan: ¿han alcanzado esa comprensión profunda del mundo real? ¿Pueden aplicar el conocimiento de un dominio a otro, tal como Newton generalizó la gravedad?
Midiendo la ‘comprensión’ de las IA
El equipo de investigación, liderado por Keyon Vafa y Sendhil Mullainathan, presentó sus hallazgos en la International Conference on Machine Learning. Su objetivo era claro: encontrar una forma de medir si las IA han logrado dar el salto de la simple predicción a la creación de modelos del mundo real. Según Mullainathan, incluso definir qué significa ‘comprensión’ resultó ser un desafío.
La clave, según Vafa, reside en la capacidad de generalización. Mientras que Kepler y los modelos predictivos actuales pueden funcionar bien en tareas específicas, la verdadera comprensión implica poder aplicar ese conocimiento a nuevos problemas y paradigmas, tal como Newton hizo con la gravedad.
El ‘sesgo inductivo’: una nueva métrica
Para evaluar esta capacidad de generalización, los investigadores desarrollaron una nueva métrica llamada ‘sesgo inductivo’. Esta métrica mide la tendencia de un sistema a generar respuestas que reflejen la realidad, basándose en inferencias obtenidas de grandes cantidades de datos.
Probaron esta métrica en diversos sistemas de IA, desde modelos simples hasta sistemas complejos como los que juegan al Othello. En los ejemplos más sencillos, las IA lograron crear modelos realistas. Sin embargo, a medida que la complejidad aumentaba, esta capacidad se desvanecía rápidamente.
Por ejemplo, en el juego Othello, las IA podían predecir con precisión los movimientos permitidos, pero fallaban al inferir la disposición general de las piezas en el tablero.
Implicaciones para el futuro de la IA
Los resultados de esta investigación sugieren que, si bien los modelos de IA han avanzado mucho en la predicción, aún les falta un largo camino por recorrer para alcanzar una comprensión real del mundo. Esto tiene implicaciones importantes para áreas como el descubrimiento científico, donde se espera que las IA ayuden a predecir propiedades de compuestos químicos o el comportamiento de proteínas.
Peter G. Chang destaca el entusiasmo que existe en torno a la creación de modelos fundacionales específicos para diferentes dominios (biología, física, robótica, etc.). Sin embargo, esta investigación demuestra que es crucial evaluar cuánto están aprendiendo realmente estos modelos y cómo podemos mejorarlos.
Conclusión: Un camino por recorrer, pero con una métrica para guiarnos
Aunque los modelos de IA todavía no alcanzan la capacidad de generalización del entendimiento humano, esta investigación ofrece una métrica valiosa para evaluar su progreso. El ‘sesgo inductivo’ podría convertirse en una herramienta clave para optimizar el entrenamiento de estos modelos y acercarnos a una IA que no solo prediga, sino que realmente *comprenda* el mundo que nos rodea.
Fuente: MIT News – AI
Leave a Comment