En el documento seminal sobre la IA, titulado Computing Machinery and Intelligence, Alan Turing se hizo la famosa pregunta: «¿Pueden pensar las máquinas?» – o, más exactamente, ¿pueden las máquinas imitar con éxito el pensamiento?
70 años después, la respuesta sigue siendo «no», ya que una máquina no ha superado la prueba de Turing.
Turing aclara que le interesan las máquinas que «están destinadas a realizar cualquier operación que podría hacer un ordenador humano». En otras palabras, le interesan las máquinas digitales complejas.
Dado que la consecución de una máquina digital pensante es una cuestión de evolución de las máquinas, razona que hay que empezar por el principio de la historia de las máquinas.
Una máquina es un dispositivo que realiza trabajo. En términos de ingeniería, trabajo significa transferir energía de un objeto a otro. Las máquinas nos permiten aplicar más fuerza, y/o hacerlo de forma más eficiente, lo que se traduce en más trabajo realizado.
Las máquinas modernas -como el robot de Boston Dynamics mencionado anteriormente, Atlas- utilizan cientos de piezas, incluyendo juntas hidráulicas, pistones, engranajes, válvulas, etc. para realizar tareas complejas, como la estabilización autocorrectiva, o incluso saltos hacia atrás.
Máquinas simples
Sin embargo, las «máquinas simples» también se ajustan a nuestra definición anterior, incluyendo ruedas, palancas, poleas, planos inclinados, cuñas y tornillos. De hecho, todas las máquinas mecánicas están hechas de alguna combinación de esas seis máquinas simples.
El Atlas no es sólo una máquina mecánica, sino también digital.
Las máquinas mecánicas simples tienen millones de años. Por ejemplo, «las herramientas para cortar piedras son tan antiguas como la sociedad humana», y los arqueólogos han encontrado herramientas de piedra «de hace 1,5 a 2 millones de años».
Máquinas complejas
Las combinaciones de máquinas simples podrían usarse para fabricar desde una carretilla hasta una bicicleta o un robot mecánico.
De hecho, los registros de robots mecánicos se remontan a hace más de 3.000 años.
El texto taoísta Lieh-tzu, escrito en el siglo V a.C., incluye un relato de un encuentro muy anterior entre el rey Mu de la dinastía Zhou (1023-957 a.C.) y un ingeniero llamado Yen Shi. Yen Shi presentó al rey un autómata mecánico de tamaño natural con forma humana:
«El rey contempló la figura con asombro. Caminaba con pasos rápidos, moviendo la cabeza hacia arriba y hacia abajo, de modo que cualquiera la habría tomado por un ser humano vivo. El artífice le tocó la barbilla y la figura comenzó a cantar, perfectamente afinada. Tocó su mano, y empezó a hacer posturas, manteniendo un ritmo perfecto… Cuando la actuación estaba llegando a su fin, el robot guiñó el ojo y se acercó a las damas presentes, con lo que el rey se enfureció y habría hecho ejecutar a Yen Shi en el acto si éste, con un miedo mortal, no hubiera desmontado el robot al instante para que viera lo que realmente era. Y, efectivamente, resultó ser sólo una construcción de cuero, madera, cola y laca…»
El rey preguntó: «¿Puede ser que la habilidad humana esté a la altura de la del gran Autor de la Naturaleza?»
En otras palabras, la pregunta de Turing sobre si las máquinas pueden imitar a los humanos tiene en realidad miles de años de antigüedad.
Al mismo tiempo, los científicos griegos estaban creando una amplia gama de autómatas. Archytas (c. 428-347 a.C.) creó un pájaro mecánico que podía volar unos 200 metros, descrito como un artefacto volador artificial impulsado por vapor con forma de pájaro.
«Archytas hizo un modelo de madera de una paloma con tal ingenio y arte mecánico que voló»
Algunos historiadores modernos creen que pudo haberse ayudado de la suspensión de cables, pero en cualquier caso, fue un claro intento de crear una máquina.
Otro científico griego, Dédalo, creó estatuas que se movían:
«Se dice que Dédalo creó estatuas tan reales que podían moverse por sí mismas»
El «primer reloj de cuco» fue descrito en el libro The Rise and Fall of Alexandria: Birthplace of the Modern World (página 132):
«Pronto los relojes de Ctesibius se vieron asfixiados por llaves de paso y válvulas, que controlaban una gran cantidad de dispositivos, desde campanas hasta marionetas, pasando por palomas mecánicas que cantaban para marcar el paso de cada hora: ¡el primer reloj de cuco!»
A lo largo de los siglos, se utilizaron artilugios cada vez más complejos para crear autómatas, como máquinas móviles impulsadas por el viento.
Máquinas mecánicas complejas programables
Hubo que esperar hasta el siglo IX de nuestra era para ver la primera máquina mecánica compleja programable de la que se tiene constancia:
«El primer diseño conocido de una máquina programable es el flautista automático que fue descrito en el siglo IX por los hermanos Musa en Bagdad.»
También fue descrito como «el instrumento que se toca solo». En la Biblioteca Vaticana se conserva un libro sobre estos aparatos.
Máquinas de calcular mecánicas
Otro paso en el largo camino hacia la IA moderna fue la creación de calculadoras mecánicas.
La primera calculadora mecánica fue construida por Wilhelm Schickard en la primera mitad del siglo XVII y permitía sumar y multiplicar.
La siguiente calculadora mecánica, construida por Blaise Pascal, también podía realizar restas.
Estas máquinas inspiraron a pensadores como Gottfried Wilhelm Leibniz a considerar la siguiente idea:
«Si cada área de la experiencia humana puede ser entendida por medio del pensamiento matemático y si el pensamiento es una forma de cálculo y el cálculo puede ser mecanizado, entonces todas las preguntas sobre la realidad pueden, en principio, ser respondidas por medio de un cálculo ejecutado por una máquina.»
En muchos sentidos, esto es similar a nuestro concepto de Inteligencia General Artificial actual.
La idea de Leibniz era que una characteristica universalis, o un programa lógico universal, podría entonces responder a todas las preguntas sobre la realidad.
Máquinas de calcular programables
En 1833, Charles Babbage combinó la innovación del siglo IX de las máquinas programables y la innovación del siglo XVII de las máquinas de calcular para concebir una Máquina Analítica: Una máquina de cálculo programable.
Babbage nunca consiguió construir una máquina completa, pero su «técnica de las tarjetas perforadas» se utilizó posteriormente en las primeras máquinas digitales.
Máquinas digitales (ordenadores)
El paso de los ordenadores mecánicos a los digitales supuso un enorme salto para llegar a donde estamos hoy.
En los últimos años de la década de los 30 y de los 40, surgieron varios ordenadores digitales que competían por hacerse con el puesto de «primer ordenador digital»
El ENIAC está ampliamente considerado como el primer ordenador digital, que terminó de construirse en 1946, ya que fue el primero que era totalmente funcional.
Otros ordenadores digitales fueron el Colossus en 1943, que ayudó a los descifradores de códigos británicos a leer los mensajes alemanes encriptados, y el ordenador ABC en 1942.
A partir de aquí, el progreso se aceleró rápidamente, con avances como el almacenamiento de programas en la memoria, la memoria RAM, los gráficos en tiempo real y los transistores que se lanzaron en una sucesión relativamente rápida.
Aprendizaje de las máquinas
Finalmente, con la llegada de las máquinas digitales complejas, podemos abordar el tema del aprendizaje de las máquinas.
Como se exploró al principio, el auge de las máquinas llevó a Alan Turing a preguntarse, en 1950, «¿pueden pensar las máquinas?». Cinco años más tarde, Dartmouth publicó un documento seminal sobre la IA, y los principios fundamentales del campo se han mantenido similares desde entonces.
En 1955, M.L. Minsky escribió:
Una «máquina puede ser ‘entrenada’ mediante un proceso de ‘prueba y error’ para adquirir una de una serie de funciones de entrada-salida. Una máquina de este tipo, cuando se coloca en un entorno apropiado y se le da un criterio de «éxito» o «fracaso», puede ser entrenada para mostrar un comportamiento de «búsqueda de objetivos»»
En otras palabras, los algoritmos de aprendizaje automático construyen modelos matemáticos sobre «datos de entrenamiento» para tomar decisiones, sin estar explícitamente programados para tomar esas decisiones.
Esa es la diferencia clave entre una calculadora y el aprendizaje automático (o IA): Una calculadora, o cualquier forma de autómata, tiene una salida predeterminada. La IA toma decisiones probabilísticas sobre la marcha.
Una máquina mecánica también tiene limitaciones físicas mucho más estrictas, en cuanto al número de componentes de la máquina (por ejemplo, poleas, palancas, engranajes) que pueden caber en un artilugio, mientras que en la CPU de una máquina digital moderna caben miles de millones de transistores.
La frase actual «aprendizaje automático» fue acuñada por Arthur Samuel en 1952, después de que desarrollara un programa informático para jugar a las damas utilizando el aprendizaje memorístico.
En 1957, Frank Rosenblatt creó el perceptrón Mark I -un algoritmo de aprendizaje supervisado de clasificadores binarios- con el fin de reconocer imágenes.
Después de presentar su trabajo a la Armada de EE.UU. en 1958, The New York Times informó:
El perceptrón es «el embrión de un ordenador electrónico que espera ser capaz de caminar, hablar, ver, escribir, reproducirse a sí mismo y ser consciente de su existencia»
Incluso en 1958, los investigadores preveían un día de IA sensible.
Los logros posteriores incluyeron las redes neuronales feedforward (como un perceptrón, pero con múltiples capas), el algoritmo del vecino más cercano en el 67, la retropropagación en los ordenadores en los 70 (que ahora se utiliza para entrenar redes neuronales profundas), los algoritmos boosting a principios de los 90 y los LSTM en el 97.
Mejoras debidas a los datos y a la potencia de cálculo
En el reciente curso de IA del destacado investigador Andrew Ng, éste señala que no ha habido «casi ningún progreso» en la Inteligencia Artificial General, pero que se han hecho increíbles avances en la «inteligencia estrecha»: funciones de entrada-salida «que hacen una cosa, como un altavoz inteligente o un coche que se conduce solo.»
En un nivel alto, la IA sigue tratándose de «aprender una función que mapea de x a y.»
Los increíbles avances que hemos visto recientemente se deben principalmente a una explosión de datos y poder computacional, junto con mejores datos (de mayor calidad) y más ingenieros de IA.
Más datos y poder computacional aumentan naturalmente la precisión de la mayoría de los modelos de IA, especialmente en el aprendizaje profundo.
La democratización de la IA
Paralelamente a la evolución de las arquitecturas de IA, la potencia de cálculo y los datos, la IA se ha afianzado recientemente en la industria, gracias a la proliferación de herramientas de IA más accesibles.
La aparición de herramientas que hacen más accesibles las tecnologías tiene una larga historia. Por ejemplo, la imprenta de Gutenberg democratizó el conocimiento en el siglo XV.
En la era de Internet, las herramientas «sin código», como WordPress y Wix, democratizaron la creación de sitios web.
En la misma línea, durante las décadas posteriores a las propuestas de IA en los años 50, la IA se limitó en gran medida al ámbito académico, sin ver mucho uso práctico.
Herramientas como TensorFlow y Keras hicieron posible que más empresas implementaran la IA, aunque siguen siendo herramientas tecnológicamente complicadas que requieren el uso de ingenieros de aprendizaje automático muy bien pagados.
Para agravar este problema de complejidad, la escasez de profesionales de la ciencia de los datos hace que los salarios de quienes pueden crear sistemas de IA sean altísimos. Como resultado, grandes corporaciones como las FAANGs están dominando gran parte de la IA.
La aparición de herramientas de IA sin código como Apteo reducen los costes iniciales, a la vez que eliminan la necesidad de conocimientos técnicos, permitiendo una IA verdaderamente democratizada.
AI sin código
Las herramientas de IA sin código son el siguiente paso lógico en el camino hacia la democratización de la IA.
Los primeros humanos crearon herramientas de cantería hace 2 millones de años para poder hacer más trabajo que con sus manos.
Hoy en día, la IA nos hace más eficientes y puede hacer el trabajo por nosotros, mientras que la IA sin código aporta estos beneficios a todo el mundo.
Con el auge de las herramientas de IA sin código, estamos pasando a una era de IA accesible.