La IAG es la conclusión lógica de la investigación de IA: un conjunto de algoritmos digitales capaces de abordar los problemas y evaluar críticamente la información con la flexibilidad y profundidad de la cognición humana. En otras palabras, la IAG no se limita a imitar la inteligencia; lo demuestra de manera tan clara e innegable como cualquier persona.
Si esto suena descabellado, es porque la IAG sigue siendo un campo teórico; nunca se ha creado una verdadera IAG. La inteligencia artificial de hoy es impresionante, pero no demuestra una capacidad cognitiva real, lo que significa que en realidad no puede pensar por sí misma de la manera en que sus usuarios humanos pueden hacerlo. No es consciente de sí misma como un ser pensante.
Este es el punto principal que diferencia la IA de la IAG. Más específicamente, las diferencias entre la inteligencia artificial general y la inteligencia artificial se pueden resumir de la siguiente manera:
- La IA funciona de acuerdo a reglas y patrones de datos predefinidos. Solo puede tomar decisiones dentro de los límites de sus datos de formación.
- La IAG sería hipotéticamente capaz de un razonamiento sofisticado en todos los dominios, lo que podría desarrollar enfoques novedosos de resolución de problemas que podrían diferir de los patrones de razonamiento humanos. Sería capaz de manejar conceptos abstractos, participar en análisis lógicos complejos y, potencialmente, descubrir nuevas formas de pensar que los humanos no han considerado.
El desarrollo de la IA se basa firmemente en el deseo de crear sistemas que puedan automatizar tareas complejas. La IA y la IAG tendrían diferentes limitaciones en cuanto a lo que serían capaces de lograr.
- La IA está diseñada para tareas específicas, como el reconocimiento de imágenes o la traducción de idiomas. No puede generalizar conocimientos ni transferir habilidades en diferentes dominios.
- La IAG realizaría una amplia gama de tareas, imitando la versatilidad de la inteligencia humana. La IAG se adaptaría a nuevas tareas de forma autónoma sin necesidad de volver a entrenar ni de programación más específica.
Todos los modelos de IA se basan en datos de formación inicial, pero también pueden mejorar su rendimiento en función de nuevos datos, evolucionando y mejorando con el tiempo.
- La IA aprende de grandes conjuntos de datos dentro de un dominio estrecho. Algunas IA incorporan el aprendizaje automático para identificar patrones cuando se encuentran nuevos datos, lo que mejora su capacidad para realizar tareas específicas con mayor precisión.
- La IAG sería capaz de incorporar aprendizajes de nuevos datos, pero no se limitaría a un dominio específico. Al igual que el aprendizaje humano, la IAG podría aprender y evolucionar en relación a cualquier tema al que esté expuesto.
Comprender el contexto significa interpretar y responder a la información en función de las circunstancias y matices circundantes, teniendo en cuenta los tipos de información matizada que pueden ser difíciles de cuantificar.
La IA es una comprensión contextual limitada y, a menudo, tiene problemas con matices. La IA normalmente requiere una entrada clara y estructurada para funcionar con precisión.
La IAG tiene la intención de comprender e interpretar el contexto de una manera que se alinea con la comprensión humana. Esta competencia le permitiría interactuar de manera más natural con los humanos.
La resolución de problemas generales implica abordar una amplia variedad de desafíos con un enfoque versátil. Es la capacidad de evaluar eficazmente nuevos problemas y comenzar a desarrollar soluciones viables.
La IA resuelve problemas específicos para los que fue entrenada. Carece de flexibilidad para abordar problemas imprevistos fuera de su programación.
En teoría, la IAG resolvería un amplio espectro de problemas mediante inteligencia general y utilizando habilidades de resolución de problemas a nivel humano. La IAG podría aplicar dinámicamente sus conocimientos y habilidades a desafíos novedosos y diversos.
El término “inteligencia artificial general” se utilizó por primera vez en 2007, pero el concepto ya existía desde mucho antes, aunque sin nombre. Durante ese tiempo, siempre ha sido más una teoría que cualquier cosa cercana a la realidad. GenAI ha hecho que este concepto vuelva a ser posible para muchos teóricos y puede que sea el primer paso significativo en años hacia la consecución de una verdadera IAG.
La capacidad de GenAI de aplicar técnicas de aprendizaje profundo para crear nuevo contenido (texto, imágenes, video, audio, etc.) que es categóricamente similar a sus datos de formación, a la vez que sigue siendo original y distintivo, nos acerca al mundo a la IAG. Dicho esto, la IA generativa y la IAG no son lo mismo.
A pesar de las impresionantes competencias de GenAI, estos sistemas aún presentan las mismas limitaciones de la IA. En contraste, la inteligencia artificial general podría replicar teóricamente toda la gama de habilidades cognitivas humanas y más. Tendría la flexibilidad para comprender, aprender y aplicar el conocimiento en diversas tareas y contextos, lo que demostraría habilidades de razonamiento y resolución de problemas a la par con la inteligencia humana. Esto también podría aplicarse para mejorar las competencias generativas, incluso más allá de lo que la GenAI actual puede hacer.
Dados los asombrosos avances que la IA ha logrado solo en el último año, puede ser fácil considerar que la IAG es inevitable o incluso inminente. La realidad es que todavía hay varios avances que tendrán que ocurrir antes de que la IA finalmente pueda dar ese salto a la verdadera inteligencia general. Los siguientes elementos son cruciales para reducir la brecha entre la IA estrecha y los procesos de pensamiento versátiles y similares a los humanos prometidos por la IAG:
Los sistemas de IA deben poder interpretar y procesar sonidos con la misma conciencia espacial y matices que los humanos. Esto incluye distinguir entre sonidos superpuestos e identificar fuentes de sonido en entornos complejos, lo que es esencial para aplicaciones como asistentes virtuales avanzados y sistemas autónomos que operan en entornos dinámicos.
La IA debe reconocer e interpretar con precisión las entradas visuales, incluidas las sutiles diferencias de color y textura, para realizar tareas como imágenes médicas avanzadas, control de calidad en la fabricación y análisis de video en tiempo real.
Los sistemas de IA necesitan inteligencia espacial real, lo que les permite navegar e interactuar con entornos físicos como lo hacen los seres humanos. Esto es más que simplemente “ver” el mundo físico: significa comprender completamente el espacio 3D, reconocer las relaciones con los objetos y predecir las interacciones físicas. La IAG con inteligencia espacial interpretaría la dinámica espacial en tiempo real, ajustando las acciones en función del diseño y los cambios en su entorno, en lugar de depender únicamente del GPS o los mapas predefinidos.
La IAG debe tener la capacidad de reconocer problemas y diseñar soluciones eficaces de forma independiente. Esto implica no solo comprender el contexto del problema, sino también aplicar el sentido común y el razonamiento predictivo para resolver problemas nunca antes encontrados, como la forma en que los humanos solucionan e innovan como parte del proceso de resolución de problemas.
Los sistemas de IA móvil deben navegar en entornos complejos de forma autónoma y segura sin intervención humana. Esto incluye no solo seguir las coordenadas de GPS, sino también ajustarse dinámicamente a nuevos obstáculos, condiciones cambiantes y eventos imprevistos. Todos estos son cruciales para aplicaciones como vehículos totalmente autónomos y sistemas de entrega robóticos.
Aunque menos importante para los sistemas basados exclusivamente en computadoras, el desarrollo de habilidades motoras finas es esencial para las tareas físicas que requieren precisión y destreza. Este avance permitirá a los robots realizar actividades tan complejas como procedimientos quirúrgicos y trabajos delicados de ensamblaje en la fabricación.
Antes de que pueda existir la IAG, la IA debe ir más allá del procesamiento de piezas aisladas de información y lograr una comprensión completa del contexto. Esto incluye comprender los significados implícitos, las señales sociales y las complejas estructuras lingüísticas prevalentes en el lenguaje humano.
La IA generativa puede imitar la creatividad, pero no es creativa. La IAG debe poder generar ideas completamente novedosas y soluciones creativas, lo que requiere un conjunto de conocimientos diverso y la capacidad de sintetizar ese conocimiento de manera innovadora.
Por último (y posiblemente el más alejado de todos estos avances) es la capacidad de la IAG para interactuar sin problemas con los humanos a nivel emocional. Reconocer y responder a las señales emocionales tácitas y comprender la dinámica social es un área extremadamente sutil y compleja de interacción social, una área con la que muchos humanos tienen dificultades. Esto hace que sea aún más complicado cuando se trata de intentar enseñar estas interacciones a los sistemas de IA.
La IAG todavía está lejos, pero las soluciones avanzadas de IA están disponibles hoy en día. ServiceNow ofrece estas soluciones de IA a tu empresa, con la tecnología de Now Platform®. El conjunto completo de aplicaciones centralizadas de ServiceNow integra la IA en su núcleo, lo que empodera a organizaciones de todos los tamaños.
Automatiza flujos de trabajo complejos. Mejora el servicio al cliente con agentes virtuales las 24 horas del día, los 7 días de la semana. Clasifica y enruta fácilmente las solicitudes a los representantes adecuados. Ofrece respuestas rápidas y precisas a consultas detalladas. Extrae conocimientos prácticos de los datos empresariales para identificar las tendencias del mercado y del cliente. Y, a través de todo esto, mejora tus operaciones empresariales y reduce los costos en general. Now Platform no es una IAG para empresas, pero está cerca de convertirse en eso.
Para experimentar todos los beneficios de las soluciones de IA empresarial más avanzadas de la actualidad, ¡programa una demostración con ServiceNow hoy mismo!
