Inteligencia artificial

Ir a la navegaciónIr a la búsqueda
«IA» redirige aquí. Para otras acepciones, véase IA (desambiguación).

Moneda de plata de 2 dracmas encontrada en Creta, que representa al gigante Talos,

un autómata mítico con inteligencia artificial
La inteligencia artificial (IA) es la inteligencia llevada a cabo por máquinas. En
ciencias de la computación, una máquina «inteligente» ideal es un agente flexible
que percibe su entorno y lleva a cabo acciones que maximicen sus posibilidades de
éxito en algún objetivo o tarea.1 Coloquialmente, el término inteligencia
artificial se aplica cuando una máquina imita las funciones «cognitivas» que los
humanos asocian con otras mentes humanas, como por ejemplo: «percibir», «razonar»,
«aprender» y «resolver problemas».2 Andreas Kaplan y Michael Haenlein definen la
inteligencia artificial como «la capacidad de un sistema para interpretar
correctamente datos externos, para aprender de dichos datos y emplear esos
conocimientos para lograr tareas y metas concretas a través de la adaptación
flexible».3 A medida que las máquinas se vuelven cada vez más capaces, la
tecnología que alguna vez se pensó que requería de inteligencia se elimina de la
definición. Por ejemplo, el reconocimiento óptico de caracteres ya no se percibe
como un ejemplo de la «inteligencia artificial» habiéndose convertido en una
tecnología común.4 Avances tecnológicos todavía clasificados como inteligencia
artificial son los sistemas de conducción autónomos o los capaces de jugar al
ajedrez o al Go.5

Según Takeyas (2007) la IA es una rama de las ciencias computacionales encargada de

estudiar modelos de cómputo capaces de realizar actividades propias de los seres
humanos con base en dos de sus características primordiales: el razonamiento y la
conducta.6

En 1956, John McCarthy acuñó la expresión «inteligencia artificial», y la definió

como «la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas
de cómputo inteligentes».7

También existen distintos tipos de percepciones y acciones, que pueden ser

obtenidas y producidas, respectivamente, por sensores físicos y sensores mecánicos
en máquinas, pulsos eléctricos u ópticos en computadoras, tanto como por entradas y
salidas de bits de un software y su entorno software.

Varios ejemplos se encuentran en el área de control de sistemas, planificación

automática, la habilidad de responder a diagnósticos y a consultas de los
consumidores, reconocimiento de escritura, reconocimiento del habla y
reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina
en campos como economía, medicina, ingeniería, el transporte, las comunicaciones y
la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de
estrategia, como ajedrez de computador, y otros videojuegos.

Índice
1
2 Escuelas de pensamiento
2.1 Inteligencia artificial en América Latina
3 Historia
4 La inteligencia artificial, la conciencia y los sentimientos
5 Críticas
6 Animatrónica e inteligencia artificial
7 Tecnologías de apoyo
8 Aplicaciones de la inteligencia artificial
8.1 Aplicaciones prácticas
8.1.1 Las tres en raya
9 Propiedad intelectual de la inteligencia artificial
10 Investigadores en el campo de la inteligencia artificial
11 Véase también
12 Referencias
13 Bibliografía
14 Enlaces externos
14.1 Publicaciones
14.2 Asociaciones
14.3 Robótica
14.4 Videos
14.5 Otros
Búsqueda heurística. Podemos definir una heurística como estrategia que limita
grandiosamente la búsqueda de soluciones ante grandes espacios de problemas. Por lo
tanto, ante un problema, nos ayuda a seleccionar las bifurcaciones dentro de un
grafo con más posibilidades; con ello se restringe la búsqueda, aunque no siempre
se garantiza una solución adecuada. Todo lo que se debe tener en cuenta para que
una heurística sea adecuada es que nos proporcione soluciones que sean lo
suficientemente buenas. Además, con la utilización de la búsqueda heurística, no
será necesario replantear un problema cada vez que se afronte, ya que si fue
planteado anteriormente, esta sugerirá la forma en que se ha de proceder para
resolverlo.

Representación del conocimiento. La representación es una cuestión clave a la hora

de encontrar soluciones adecuadas a los problemas planteados. Si analizamos más
detenidamente el término encontramos varias definiciones: según Barr y Feigenbaum,
la representación del conocimiento es una combinación de estructuras de datos y
procedimientos de interpretación que, si son utilizados correctamente por un
programa, este podrá exhibir una conducta inteligente; según Fariñas y Verdejo, la
Inteligencia Artificial tiene como objetivo construir modelos computacionales que
al ejecutarse resuelvan tareas con resultados similares a los obtenidos por una
persona, por lo que el tema central de esta disciplina es el estudio del
conocimiento y su manejo; y según Buchanan y Shortliffe, la Representación del
Conocimiento en un programa de Inteligencia Artificial significa elegir una serie
de convenciones para describir objetos, relaciones, y procesos en el mundo. Gran
parte del esfuerzo realizado en la consecución de ordenadores inteligentes, según
Rahael, ha sido caracterizado por el intento continuo de conseguir más y mejores
estructuras de representación del conocimiento, junto con técnicas adecuadas para
su manipulación, que permitiesen la resolución inteligente de algunos de los
problemas ya planteados. Otra característica importante es la inclusión en los
programas de Inteligencia artificial, aunque por separado, de los conocimientos y
la unidad que controla y dirige la búsqueda de soluciones. Dada esta disposición,
en estos programas la modificación, ampliación y actualización de los mismos es
sencilla.

El razonamiento que puede tener cualquier persona, ha demostrado ser una de los
aspectos más difíciles de modelar «dentro» de un ordenador. El sentido común a
menudo nos ayuda a prever multitud de hechos y fenómenos corrientes, pero, como ya
hemos dicho, es muy complicado representarlos en un ordenador, dado que los
razonamientos son casi siempre inexactos y sus conclusiones y las reglas en que se
basan solamente son aproximadamente verdaderas.

Lenguajes, entornos y herramientas de Inteligencia Artificial. En la Inteligencia

Artificial , se han desarrollado diferentes lenguajes específicos para los
diferentes campos de aplicación. Estos lenguajes en su mayoría cuentan con una
serie de características comunes que podemos resumir de la siguiente forma:

Este tipo de software ofrece una gran modularidad.

Poseen gran capacidad de tomar decisiones de programación hasta el último momento,
es decir cuando el programa ya está ejecutándose.
Ofrecen grandes facilidades en el manejo de listas, y esto es importante, ya que
las listas son una estructura conveniente para la representación del conocimiento
en la Inteligencia Artificial.
Facilitan la realización de ciertos tipos de deducción automática, partiendo de una
base de hechos (lugar donde se recogen los datos iniciales del problema a resolver
y los resultados intermedios una vez obtenidos).
Permiten el uso simultáneo de estructuras que incorporan conocimiento declarativo o
conocimiento procedimental.
Tienen una marcada orientación gráfica. Además, las herramientas de Inteligencia
Artificial permiten hacer un seguimiento de los cambios realizados a lo largo de la
sesión.
Disponen de herramientas para desarrollar programas que son capaces de comprender
otros programas y realizar modificaciones sobre ellos.
Stuart Russell y Peter Norvig diferencian estos tipos de la inteligencia
artificial:8

Sistemas que piensan como humanos.- Estos sistemas tratan de emular el pensamiento
humano; por ejemplo las redes neuronales artificiales. La automatización de
actividades que vinculamos con procesos de pensamiento humano, actividades como la
toma de decisiones, resolución de problemas y aprendizaje.9
Sistemas que actúan como humanos.- Estos sistemas tratan de actuar como humanos; es
decir, imitan el comportamiento humano; por ejemplo la robótica. El estudio de cómo
lograr que los computadores realicen tareas que, por el momento, los humanos hacen
mejor.10
Sistemas que piensan racionalmente.- Es decir, con lógica (idealmente), tratan de
imitar el pensamiento racional del ser humano; por ejemplo los sistemas expertos.
El estudio de los cálculos que hacen posible percibir, razonar y actuar.11
Sistemas que actúan racionalmente.– Tratan de emular de forma racional el
comportamiento humano; por ejemplo los agentes inteligentes. Está relacionado con
conductas inteligentes en artefactos.12
Escuelas de pensamiento
La IA se divide en dos escuelas de pensamiento:

Inteligencia artificial basada en el conocimiento, o simbólica-deductiva. La idea

subyacente es que el conocimiento se puede expresar mediante símbolos que se pueden
manipular. El conocimiento se puede representar, por tanto, de forma explícita con
técnicas como ontologías, base de conocimiento, o modelos conceptuales, por
ejemplo. Luego se puede procesar utilizando algoritmos que permiten razonar e
inferir soluciones a problemas o preguntas en un dominio concreto. Un ejemplo
típico es un sistema experto basado en reglas. Es útil cuando se puede
conceptualizar y sistematizar conocimiento de un dominio específico, pero esto
requiere inicialmente recopilar información de expertos en el tema y poder
codificarla en el sistema de representación de conocimiento correspondiente. Todo
ello exige bastante esfuerzo, lo cual limita su aplicación eficiente.
Inteligencia artificial dirigida por datos, más conocida como aprendizaje
automático (machiine learning). El objetivo en este caso es aprender a partir de
ejemplos o de experiencias de utilizar el sistema. Los datos representan
información incompleta sobre fenómenos que pueden observarse en el mundo, y los
algoritmos de aprendizaje intentan generalizar esa información para poder hacer
predicciones sobre los fenómenos. No se requiere una representación explícita del
conocimiento, por lo cual estas técnicas son muy apropiadas cuando se quiere
trabajar sobre problemas difíciles de conceptualizar. Sirven para identificar
patrones, tales como la percepción (visión artificial, reconocimiento de voz y
sonidos, filtrado de spam, etc.) Actualmente, la disponibilidad de grandes
cantidades de datos (Big Data) y una gran capacidad computacional ha permitido el
desarrollo de estas técnicas, entre las que ha adquirido gran popularidad el
aprendizaje profundo (deep learning). La inteligencia computacional sigue
esencialmente este planteamiento.
El gran desarrollo que han experimentado las técnicas de aprendizaje automático en
los últimos años ha contribuido a la popularización de aplicaciones basadas en IA
que podemos encontrar en cada vez más dispositivos a nuestro alrededor, empezando
por los smartphones hasta todo tipo de elementos interconectados en la Internet de
las cosas (IoT).

Inteligencia artificial en América Latina

Los países latinoamericanos tienen la capacidad para aprovechar todo el potencial
de la IA, sin embargo, debido a las limitaciones sociales y económicas, se ha
realizado poca inversión en el gobierno, la industria y la investigación para
avanzar en IA. Esto es una desventaja, ya que la IA es una tecnología importante y
fundamental en la cuarta revolución industrial, y dada su naturaleza
multipropósito, poder exponencial y capacidad predictiva podría ser una herramienta
importante para abordar diversos desafíos que afectan el desarrollo de la región.13
No obstante, existen varias asociaciones de especialistas en IA en casi todos los
países iberoamericanos, que a su vez colaboran bajo el paraguas de la asociación
Iberamia.

Historia
Artículo principal: Historia de la inteligencia artificial
El término «inteligencia artificial» fue acuñado formalmente en 1956 durante la
conferencia de Dartmouth, pero para entonces ya se había estado trabajando en ello
durante cinco años en los cuales se había propuesto muchas definiciones distintas
que en ningún caso habían logrado ser aceptadas totalmente por la comunidad
investigadora. La IA es una de las disciplinas más recientes como puede ser la
genética moderna.
Las ideas más básicas se remontan a los griegos, antes de Cristo. Aristóteles (384-
322 a. C.) fue el primero en describir un conjunto de reglas que describen una
parte del funcionamiento de la mente para obtener conclusiones racionales, y
Ctesibio de Alejandría (250 a. C.) construyó la primera máquina autocontrolada, un
regulador del flujo de agua (racional pero sin razonamiento).
En 1315 Ramon Llull en su libro Ars magna tuvo la idea de que el razonamiento podía
ser efectuado de manera artificial.
En 1936 Alan Turing diseña formalmente una Máquina universal que demuestra la
viabilidad de un dispositivo físico para implementar cualquier cómputo formalmente
definido.
En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas
artificiales, el cual se considera el primer trabajo del campo, aun cuando todavía
no existía el término. Los primeros avances importantes comenzaron a principios del
año 1950 con el trabajo de Alan Turing, a partir de lo cual la ciencia ha pasado
por diversas situaciones.
En 1955 Herbert Simon, Allen Newell y J. C. Shaw, desarrollan el primer lenguaje de
programación orientado a la resolución de problemas, el IPL-11. Un año más tarde
desarrollan el LogicTheorist, el cual era capaz de demostrar teoremas matemáticos.
En 1956 fue inventado el término inteligencia artificial por John McCarthy, Marvin
Minsky y Claude Shannon en la Conferencia de Dartmouth, un congreso en el que se
hicieron previsiones triunfalistas a diez años que jamás se cumplieron, lo que
provocó el abandono casi total de las investigaciones durante quince años.
En 1957 Newell y Simon continúan su trabajo con el desarrollo del General Problem
Solver (GPS). GPS era un sistema orientado a la resolución de problemas.
En 1958 John McCarthy desarrolla en el Instituto de Tecnología de Massachusetts
(MIT) el LISP. Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje
para procesamiento simbólico.
En 1959 Rosenblatt introduce el Perceptrón.
A finales de la década de 1950 y comienzos de la de 1960 Robert K. Lindsay
desarrolla «Sad Sam», un programa para la lectura de oraciones en inglés y la
inferencia de conclusiones a partir de su interpretación.
En 1963 Quillian desarrolla las redes semánticas como modelo de representación del
conocimiento.
En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval)
el cual era capaz de inferir conocimiento basado en información que se le
suministra. Bobrow desarrolla STUDENT.
A mediados de los años 60, aparecen los sistemas expertos, que predicen la
probabilidad de una solución bajo un set de condiciones. Por ejemplo DENDRAL,
iniciado en 1965 por Buchanan, Feigenbaum y Lederberg, el primer Sistema Experto,
que asistía a químicos en estructuras químicas complejas, MACSYMA, que asistía a
ingenieros y científicos en la solución de ecuaciones matemáticas complejas.
Posteriormente entre los años 1968-1970 Terry Winograd desarrolló el sistema
SHRDLU, que permitía interrogar y dar órdenes a un robot que se movía dentro de un
mundo de bloques.
En 1968 Marvin Minsky publica Semantic Information Processing.
En 1968 Seymour Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de
programación LOGO.
En 1969 Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se publica en
1980.
En 1973 Alain Colmenauer y su equipo de investigación en la Universidad de Aix-
Marseille crean PROLOG (del francés PROgrammation en LOGique) un lenguaje de
programación ampliamente utilizado en IA.
En 1973 Shank y Abelson desarrollan los guiones, o scripts, pilares de muchas
técnicas actuales en Inteligencia Artificial y la informática en general.
En 1974 Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos
más conocidos, que asistió a médicos en el diagnóstico y tratamiento de infecciones
en la sangre.
En las décadas de 1970 y 1980, creció el uso de sistemas expertos, como MYCIN:
R1/XCON, ABRL, PIP, PUFF, CASNET, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta
hoy (Shells) como EMYCIN, EXPERT, OPSS.
En 1981 Kazuhiro Fuchi anuncia el proyecto japonés de la quinta generación de
computadoras.
En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes
Neuronales).
En 1988 se establecen los lenguajes Orientados a Objetos.
En 1997 Gari Kaspárov, campeón mundial de ajedrez, pierde ante la computadora
autónoma Deep Blue.
En 2006 se celebró el aniversario con el Congreso en español 50 años de
Inteligencia Artificial - Campus Multidisciplinar en Percepción e Inteligencia
2006.
En 2009 ya hay en desarrollo sistemas inteligentes terapéuticos que permiten
detectar emociones para poder interactuar con niños autistas.
En 2011 IBM desarrolló una supercomputadora llamada Watson, la cual ganó una ronda
de tres juegos seguidos de Jeopardy!, venciendo a sus dos máximos campeones, y
ganando un premio de 1 millón de dólares que IBM luego donó a obras de caridad.14
En 2016, un programa informático ganó cinco a cero al triple campeón de Europa de
Go.15
Existen personas que al dialogar sin saberlo con un chatbot no se percatan de
hablar con un programa, de modo tal que se cumple la prueba de Turing como cuando
se formuló: «Existirá Inteligencia Artificial cuando no seamos capaces de
distinguir entre un ser humano y un programa de computadora en una conversación a
ciegas».
En el 2017 Alpha Go desarrollada por Deep mind derrota 4-1 en una competencia de Go
al campeón mundial Lee seedong, este suceso fue muy mediático y marco un hito en la
historia16
Como anécdota, muchos de los investigadores sobre IA sostienen que «la inteligencia
es un programa capaz de ser ejecutado independientemente de la máquina que lo
ejecute, computador o cerebro».
En 2018, se lanza el primer televisor con Inteligencia Artificial por parte de LG
Electronics con una plataforma denominada ThinQ.
En 2019, Google presentó su Doodle en que, con ayuda de la Inteligencia Artificial,
hace un homenaje a Johann Sebastian Bach, en el que, añadiendo una simple melodía
de dos compases la IA crea el resto.
La inteligencia artificial, la conciencia y los sentimientos
El concepto de IA es aún demasiado difuso. Contextualizando, y teniendo en cuenta
un punto de vista científico, podríamos definir esta ciencia como la encargada de
imitar el cerebro, que no el cuerpo, de una persona en todas sus funciones. Estas
pueden ser las ya existentes en el humano o bien otras novedosas e incorporadas en
el desarrollo de una máquina inteligente.

En relación a la conciencia y las emociones, y aunque por el momento la mayoría de

los investigadores en el ámbito de la Inteligencia Artificial se centran sólo en el
aspecto racional, hay expertos que consideran seriamente la posibilidad de
incorporar componentes «emotivos» como indicadores de estado, a fin de aumentar la
eficacia de los sistemas inteligentes en determinadas situaciones.

Particularmente, en el caso de los robots móviles, es necesario que estos cuenten

con algo similar a las emociones con el objeto de saber –en cada instante y como
mínimo– qué hacer a continuación [Pinker, 2001, p. 481].

Al tener «sentimientos» y, al menos potencialmente, «motivaciones», podrán actuar

de acuerdo con sus «intenciones» [Mazlish, 1995, p. 318]. Así, se podría equipar a
un robot con dispositivos que controlen su medio interno; por ejemplo, que «sientan
hambre» al detectar que su nivel de energía está descendiendo o que «sientan miedo»
cuando este esté demasiado bajo.

Esta señal podría interrumpir los procesos de alto nivel y obligar al robot a
conseguir el preciado elemento [Johnson-Laird, 1993, p. 359]. Incluso se podría
introducir el «dolor» o el «sufrimiento físico», a fin de evitar las torpezas de
funcionamiento como, por ejemplo, introducir la mano dentro de una cadena de
engranajes o saltar desde una cierta altura, lo cual le provocaría daños
irreparables.

Esto significa que los sistemas inteligentes deben ser dotados con mecanismos de
retroalimentación que les permitan tener conocimiento de estados internos, igual
que sucede con los humanos que disponen de propiocepción, interocepción,
nocicepción, etcétera. Esto es fundamental tanto para tomar decisiones como para
conservar su propia integridad y seguridad. La retroalimentación en sistemas está
particularmente desarrollada en cibernética: por ejemplo, en el cambio de dirección
y velocidad autónomo de un misil, utilizando como parámetro la posición en cada
instante en relación al objetivo que debe alcanzar. Esto debe ser diferenciado del
conocimiento que un sistema o programa computacional puede tener de sus estados
internos, por ejemplo la cantidad de ciclos cumplidos en un loop o bucle en
sentencias tipo do... for, o la cantidad de memoria disponible para una operación
determinada.

A los sistemas inteligentes el no tener en cuenta elementos emocionales les permite

no olvidar la meta que deben alcanzar. En los humanos el olvido de la meta o el
abandonar las metas por perturbaciones emocionales es un problema que en algunos
casos llega a ser incapacitante. Los sistemas inteligentes, al combinar una memoria
durable, una asignación de metas o motivación, junto a la toma de decisiones y
asignación de prioridades con base en estados actuales y estados meta, logran un
comportamiento en extremo eficiente, especialmente ante problemas complejos y
peligrosos.

En síntesis, lo racional y lo emocional están de tal manera interrelacionados entre

sí, que se podría decir que no sólo no son aspectos contradictorios sino que son –
hasta cierto punto– complementarios.

Entonces nos planteamos la siguiente pregunta ¿Podrá adquirir consciencia la

inteligencia artificial? La posibilidad de crear máquinas conscientes es
inquietante. Sin embargo, está lejos de convertirse en realidad. Por ahora, solo se
ha logrado que algunos robots se autoidentifiquen, aunque de la misma manera que
identificarían a otros, es decir, sin tener consciencia de su propio «yo». Más allá
de eso, queda un vasto camino por recorrer: comprender la consciencia para
traducirla a programación que volcar en las máquinas. Y la primera parte de esta
labor de momento parece inabarcable. 17

Véase también: La era de las máquinas espirituales