Historia y fundamentos de la IA

El marco más amplio es la inteligencia artificial (人工知能); un enfoque dentro de ella es el aprendizaje automático (機械学習); y, dentro de este, el enfoque que utiliza redes neuronales con muchas capas apiladas es el aprendizaje profundo (ディープラーニング). En el temario, los tres términos aparecen juntos como palabras clave en «1. Definición de la inteligencia artificial». Una explicación que sitúa el aprendizaje automático o el aprendizaje profundo como el marco más amplio invierte la dirección de la inclusión. Decir que los tres se sitúan de forma independiente uno al lado del otro tampoco concuerda con el hecho de que el aprendizaje profundo es un enfoque dentro del aprendizaje automático.

Las cuatro clasificaciones del nivel de la IA figuran en los objetivos de la sección del temario «1. Definición de la inteligencia artificial» como «programas de control simples» (単純な制御プログラム), «inteligencia artificial clásica» (古典的な人工知能), «aprendizaje automático» y «aprendizaje profundo». Funcionar únicamente con una correspondencia predeterminada entre condiciones y acciones es propio de un programa de control simple, como un termostato que se enciende y se apaga a una temperatura fijada. La inteligencia artificial clásica elige una respuesta mediante ramificaciones lógicas, búsqueda o conocimiento almacenado; el aprendizaje automático aprende regularidades a partir de los datos; y el aprendizaje profundo es, entre estos, el enfoque que utiliza una red con capas apiladas en profundidad. Todos ellos van más allá de la etapa en la que una persona escribe a mano cada respuesta.

El efecto IA (AI効果) es el fenómeno por el cual, cuando el mecanismo de una inteligencia artificial se aclara y se entiende su funcionamiento interno, pasa a considerarse «un simple procesamiento automático, no inteligencia», y su valoración baja. El temario indica explícitamente, en los objetivos de «1. Definición de la inteligencia artificial», que se debe «ser capaz de explicar el efecto IA». El debate sobre el punto de inflexión en el que la IA supera a la inteligencia humana es la singularidad (シンギュラリティ), que es una palabra clave de «2. Problemas debatidos en el campo de la inteligencia artificial». La tendencia a que el rendimiento mejore con el volumen de datos y la incapacidad de presentar las razones de una decisión son temas distintos del efecto IA.

Un agente (エージェント) es una forma de ver algo que observa su entorno y elige por sí mismo su siguiente acción para alcanzar un objetivo. Es un término para entender la inteligencia artificial en función de «cómo se comporta» y no de «con qué mecanismo está construida», y en el temario aparece como palabra clave en «1. Definición de la inteligencia artificial» junto con la inteligencia artificial, el aprendizaje automático, el aprendizaje profundo y el efecto IA. Un punto de entrada en pantalla para el manejo, una persona que organiza los datos y un mecanismo que presta recursos de cómputo no son lo que designa este término.

ImageNet es un conjunto de datos (データセット) a gran escala con una enorme cantidad de imágenes con etiquetas de clasificación, e ILSVRC es una competición (競技会) que lo utilizó para competir en la precisión del reconocimiento de imágenes. En el temario, ambos aparecen como palabras clave en «6. Aprendizaje profundo», y sirven de material para explicar cómo se ha desarrollado el aprendizaje profundo. No son dos nombres del mismo modelo, ni su relación es la de una norma de etiquetado y un lugar de evaluación. Lo relacionado con el go es AlphaGo (アルファ碁), que también es una palabra clave del mismo subapartado, pero es algo distinto.

LeNet es una red neuronal que utiliza convolución (畳み込み), creada para reconocer dígitos escritos a mano, y figura como palabra clave en «6. Aprendizaje profundo» del temario. Lo que venció a los mejores jugadores humanos de go es AlphaGo (アルファ碁); el conjunto de datos a gran escala con etiquetas asignadas a una enorme cantidad de imágenes es ImageNet; y lo que genera textos o imágenes nuevos es la IA generativa (生成AI): todas son palabras clave distintas del mismo subapartado. En lugar de memorizar solo los nombres, conviene tener presente a qué se dirige cada uno.

AlphaGo (アルファ碁) es un programa que venció a los mejores jugadores humanos de go, y en el temario figura como palabra clave en «6. Aprendizaje profundo» junto con ImageNet, ILSVRC, LeNet, el neocognitrón y la IA generativa. El objetivo de este subapartado es «ser capaz de explicar la historia de cómo se ha desarrollado el aprendizaje profundo», por lo que conviene memorizar cada nombre junto con la etapa de ese desarrollo que representa. Transcribir el lenguaje hablado, leer dígitos escritos a mano y resumir textos no son logros demostrados por AlphaGo.

Un robot (ロボット) se refiere a la máquina en sí que tiene un cuerpo, y la inteligencia artificial es la parte dentro de ella encargada de juzgar. Ambos pueden superponerse, pero no son lo mismo. Muchas inteligencias artificiales no tienen cuerpo y funcionan únicamente como software y, a la inversa, hay robots que solo repiten movimientos fijos y no contienen inteligencia artificial. Una explicación que intercambia el lado que juzga y el lado del cuerpo invierte la dirección, y no se trata de una distinción basada en si algo aprende ni de una mera diferencia de nombre entre campos.

El neocognitrón (ネオコグニトロン) es un modelo que se inspiró en el funcionamiento del circuito neuronal humano (人間の神経回路) y buscó procesar la información visual por etapas apilando capas. Que el temario combine «el circuito neuronal humano» con el neocognitrón en «6. Aprendizaje profundo» puede interpretarse como una forma de asegurar que se comprenda de dónde vino la idea de apilar capas. No es que el cableado del circuito neuronal se convirtiera directamente en circuitería de computadora, ni que la investigación sobre el circuito neuronal haya quedado esclarecida. Lo relacionado con el go es AlphaGo, del mismo subapartado.

Búsqueda e inferencia (探索・推論) es la etapa en la que una persona construye el procedimiento de resolución; Representación del conocimiento y sistemas expertos (知識表現とエキスパートシステム) es la etapa en la que una persona escribe el conocimiento de los expertos; y Aprendizaje automático y Aprendizaje profundo son la etapa en la que se aprenden regularidades a partir de los datos. En otras palabras, es una evolución en la que el centro de gravedad pasó de que una persona escriba las cosas a dejar que los datos se encarguen del aprendizaje. Cabe señalar que la forma de contar esta evolución como «generaciones» ordinales (第何次) no aparece nunca en el temario, por lo que este laboratorio se refiere a ella simplemente con los nombres de los subapartados. Los cambios en la forma de los datos, en el lugar del cálculo o en quién lleva a cabo la investigación no son lo que representa este orden.

La Conferencia de Dartmouth (ダートマス会議) fue una conferencia de investigación celebrada en 1956, de la que se dice que fue el lugar donde se utilizó públicamente por primera vez el término «inteligencia artificial» (artificial intelligence). La prueba para distinguir a los humanos de las máquinas mediante intercambios solo de texto se propuso en el artículo de Turing de 1950, un acontecimiento distinto y anterior a la Conferencia de Dartmouth. Vincular ambos es un error clásico, así que memorice por separado el año y el acontecimiento. La investigación sobre sistemas expertos y los métodos de entrenamiento de redes neuronales con capas apiladas en profundidad son temas posteriores a esta conferencia.

La prueba de Turing (チューリングテスト) es un método de evaluación según el cual, si un evaluador no puede distinguir a un humano de una máquina mediante un intercambio solo de texto, se considera que la máquina tiene inteligencia. El punto clave es que no proporciona una definición de la inteligencia en sí, sino que propone juzgarla por el comportamiento observable desde fuera. El Premio Loebner (ローブナーコンテスト) es el concurso real que lleva a cabo esta prueba en forma de competición, y también es una palabra clave del mismo subapartado. No es un procedimiento que examine mecanismos internos ni un método para estimar un plazo.

La habitación china (中国語の部屋) es un experimento mental que, a partir del planteamiento de una persona que solo reordena símbolos siguiendo un manual sin entender chino, sostiene que aunque el comportamiento no se distinga del de un humano, eso no significa necesariamente que haya comprensión. En otras palabras, es una crítica a la prueba de Turing, planteada como objeción a la IA fuerte (強いAI), la postura que admite la existencia de mente o comprensión. Interpretarla como prueba a favor de la IA fuerte invierte la dirección, y aquí es donde suele producirse la confusión. No trata de la velocidad de manipulación de símbolos ni de la superioridad relativa de los métodos de traducción automática.

La IA fuerte (強いAI) y la IA débil (弱いAI) se distinguen según si una máquina tiene mente o comprensión. La IA fuerte es la postura de que la máquina realmente comprende, mientras que la IA débil es la postura de que es solo una herramienta que se comporta como si comprendiera. En cambio, general frente a específica (汎用と特化) es una distinción del ámbito de aplicación —para qué variedad de tareas puede utilizarse algo—, un eje totalmente distinto. Por lo tanto, tener un ámbito de aplicación amplio no significa por sí mismo tener mente. Una explicación que intercambia ambas invierte la dirección, y ni el volumen de datos, ni los recursos de cómputo, ni la velocidad de procesamiento, ni el costo son el criterio de ninguna de las dos distinciones.

El problema del marco (フレーム問題) es el problema de que, al realizar una acción determinada, no se puede limitar a lo pertinente qué cambia y qué no cambia, ni tratarlo en un tiempo finito. En una palabra, es un problema de acotar la pertinencia. Conectar los símbolos con su significado en el mundo real es el problema de la fundamentación de símbolos; que el trabajo de escribir el conocimiento se vuelva enorme es el cuello de botella de la adquisición de conocimiento; y poder resolver solo problemas con condiciones limitadas es el problema de juguete: todas son palabras clave distintas del mismo subapartado.

El problema de la fundamentación de símbolos (シンボルグラウンディング問題) es el problema de cómo un sistema conecta los símbolos con el significado del mundo real al que se refieren. Se describe en términos como estos: aunque un sistema tenga la palabra «cebra» y el conocimiento de que significa «un caballo con rayas», eso no garantiza que esté conectada con el animal real que tiene delante. No poder limitarse solo a lo pertinente es el problema del marco, y ambos suelen preguntarse como pareja. La corporeidad (身体性) es la postura de que puede ser necesaria la interacción con el entorno a través de un cuerpo, y es una de las formas de responder a este problema. Armar una secuencia de acciones, la resonancia de la información y el número de características no son lo que designa este término.

La corporeidad (身体性) se refiere a la postura de que la experiencia de interactuar con el entorno a través de un cuerpo puede ser necesaria para que se establezca la inteligencia. Se plantea como una de las respuestas al problema de la fundamentación de símbolos (シンボルグラウンディング問題), según el cual los símbolos no se conectan con el significado del mundo real: la idea es que tener un cuerpo y tocar el mundo es lo que crea esa conexión. No es una afirmación de que la inteligencia artificial deba adoptar la forma de un robot para ser práctica, ni trata de que esté determinada por el rendimiento de las piezas, ni de un procedimiento para convertir el movimiento corporal en fórmulas.

Un problema de juguete (トイ・プロブレム) se refiere a un problema limitado con reglas y estados claramente fijados, despojado de la complejidad del mundo real. Se usa en contextos que describen cómo, aunque podían resolverse los problemas que encajaban en este molde —como laberintos o rompecabezas—, los problemas del mundo real cuyas condiciones no están claramente fijadas seguían fuera de alcance. Tenga en cuenta que no significa «problema fácil», sino un planteamiento que simplifica la realidad. No es material didáctico para niños, ni un problema difícil sin resolver, ni un problema cuya carga de cálculo sea demasiado grande.

El cuello de botella de la adquisición de conocimiento (知識獲得のボトルネック) es el problema de que el volumen y la dificultad del trabajo de escribir manualmente el conocimiento de un experto en forma de reglas se convirtieron en una barrera que impidió que se extendiera el enfoque de acumular conocimiento. El punto clave es que la causa no está en la escasez de recursos de cómputo, de datos o de comunicación, sino en el esfuerzo mismo de escribir el conocimiento. Uno de los intentos de reducir este esfuerzo es el sistema de entrevistas (インタビューシステム) que figura en «4. Representación del conocimiento y sistemas expertos» del temario.

La traducción automática basada en reglas (ルールベース機械翻訳) es un enfoque en el que una persona escribe reglas gramaticales y un diccionario para armar una traducción, mientras que la traducción automática estadística (統計的機械翻訳) es un enfoque que selecciona la traducción más plausible a partir de estadísticas sobre un gran volumen de datos bilingües. La evolución de que una persona escriba las cosas a dejar que los datos se encarguen del aprendizaje aparece aquí dentro de un único tema: la traducción. Una explicación que intercambia ambas invierte la dirección. No es una diferencia de la unidad tratada ni una diferencia entre lenguaje hablado y escrito. Cabe señalar que la traducción automática estadística también figura, además de en este subapartado, en «27. Procesamiento del lenguaje natural».

La búsqueda primero en anchura (幅優先探索) avanza capa por capa desde la más cercana a la raíz, examinando todos los nodos (節点) de la misma profundidad antes de pasar a la siguiente profundidad. Puede encontrar primero la respuesta menos profunda, pero tiende a necesitar recordar más nodos. La búsqueda primero en profundidad (深さ優先探索) desciende de una vez tanto como puede y, cuando llega a un callejón sin salida, retrocede y vuelve a intentarlo. Necesita recordar menos, pero la primera respuesta que encuentra no es necesariamente la menos profunda. Una explicación que intercambia ambas invierte la dirección; elegir ramas al azar es la idea de los métodos de Montecarlo (モンテカルロ法), y recorrer el árbol desde las hojas hasta la raíz no se aplica a ninguna de las dos.

El algoritmo Minimax (Mini-Max法) es un método para juegos de dos jugadores con turnos alternos en el que se supone que, en el propio turno, se elige la jugada más favorable para uno mismo y, en el turno del oponente, la jugada más desfavorable para uno mismo, propagando el valor de las posiciones futuras hacia la actual. La poda alfa-beta (αβ法) es una mejora aplicada durante esa búsqueda que corta las ramas una vez que se sabe que seguir examinándolas no puede cambiar el resultado, reduciendo la cantidad que se debe examinar; no es un concepto de evaluación distinto de Minimax. No es un procedimiento para construir el árbol de búsqueda ni para volver a comprobar el resultado después.

La fuerza bruta (ブルートフォース) es el enfoque de examinar una por una todas las jugadas posibles desde el principio. Si existe una respuesta, se garantiza encontrarla, pero a medida que crece el número de jugadas, las combinaciones aumentan bruscamente y no termina en un tiempo realista. Precisamente por eso se necesitan mejoras que reduzcan el rango examinado, como la poda alfa-beta. Examinar las ramas prometedoras por orden de puntuación, la idea de los métodos de Montecarlo de probar jugadas al azar y registrar y reutilizar resultados intermedios no son la fuerza bruta en sí. Un tema con estados y reglas claramente fijados, como la Torre de Hanói (ハノイの塔), figura en el temario como material de práctica para este tipo de búsqueda.

SHRDLU es una investigación que permitía manipular un mundo de bloques (積み木の世界) en pantalla mediante instrucciones en lenguaje, y demostró que las instrucciones en lenguaje podían funcionar dentro de un mundo con condiciones limitadas. STRIPS es un enfoque que expresa una acción en términos de sus «condiciones previas para la ejecución» y «lo que cambia tras la ejecución», y arma una secuencia de acciones que llega a un estado objetivo. Intercambiar ambos invierte la dirección. Repetir ensayos con números aleatorios corresponde a los métodos de Montecarlo, y cortar ramas, a la poda alfa-beta. Estimar estructuras moleculares a partir de datos de espectrometría de masas es DENDRAL, y diagnosticar infecciones bacterianas es MYCIN (マイシン), ambos situados en «4. Representación del conocimiento y sistemas expertos».

ELIZA (イライザ) es un programa conversacional que arma una respuesta ajustándose al patrón de la frase introducida. Se cita como ejemplo de que algo puede parecer humano sin comprender realmente el contenido. Estimar estructuras moleculares a partir de datos de espectrometría de masas es DENDRAL; diagnosticar infecciones bacterianas y recomendar antibióticos es MYCIN (マイシン); y el esfuerzo de largo plazo por escribir el sentido común es el proyecto Cyc (Cycプロジェクト): todas son palabras clave distintas del mismo subapartado. Procure no confundir lo que diagnostica con lo que conversa.

MYCIN (マイシン) es un sistema experto (エキスパートシステム) que diagnosticaba infecciones bacterianas y recomendaba un antibiótico adecuado, y abordó el campo de la medicina. El sistema del campo de la química que estimaba la estructura molecular de compuestos orgánicos a partir de datos de espectrometría de masas es DENDRAL; el que se enfrentó a los exámenes de ingreso a la universidad es Todai Robot (東ロボくん); y el que compitió con humanos en respuesta a preguntas en un concurso televisivo es Watson (ワトソン). Como se pregunta directamente por la combinación de nombre y campo, memorícelos juntos.

DENDRAL es un sistema experto (エキスパートシステム) temprano que estimaba la estructura molecular de un compuesto orgánico desconocido a partir de datos de espectrometría de masas (質量分析). Su campo es la química, y suele preguntarse junto con MYCIN (マイシン), que abordó el campo de la medicina. El proyecto Cyc es un esfuerzo de largo plazo por seguir incorporando el sentido común humano, Watson es un sistema de respuesta a preguntas (質問応答) y Todai Robot es un proyecto que se enfrentó a los exámenes de ingreso a la universidad: todos son elementos distintos del mismo subapartado.

is-a es una relación de superior y subordinado (上位と下位の関係), que expresa que un concepto subordinado está incluido en uno superior, como en «un perro es un animal». has-a es una relación de tener una parte, vista desde el todo hacia la parte, como en «un automóvil tiene neumáticos». part-of es una relación de ser una parte, vista desde la parte hacia el todo, como en «un neumático es parte de un automóvil». has-a y part-of describen la misma conexión vista desde direcciones opuestas, así que procure no confundir la dirección. Expresar el mismo significado, el significado opuesto o un orden no son las relaciones que representan estas tres.

La maldición de la dimensionalidad (次元の呪い) es el fenómeno por el cual, a medida que aumenta el número de características tratadas —es decir, la dimensionalidad (次元)—, los datos se vuelven más dispersos dentro de ese espacio, y la cantidad de datos necesaria para mantener la misma densidad crece bruscamente. También se vuelve más difícil distinguir las diferencias de distancia entre los puntos. Una explicación que dice que reducir las características aumenta los datos necesarios invierte la dirección, y el ajuste a los datos de entrenamiento o la relación entre los recursos de cómputo y la precisión son temas distintos. Cabe señalar que en el temario este término no se sitúa en «7. Aprendizaje supervisado», sino en «5. Aprendizaje automático».

En un método basado en reglas (ルールベース手法), una persona escribe qué conclusión se sigue bajo qué condición. Como funciona exactamente según lo escrito, es fácil mostrar la razón de una decisión, pero se vuelve imposible escribirlo todo a medida que aumentan las excepciones. El aprendizaje automático (機械学習) encuentra regularidades a partir de los datos, por lo que puede manejar una cantidad de casos demasiado grande para escribirla, pero a cambio es más difícil mostrar la razón de una decisión, y requiere datos de suficiente calidad y cantidad. Una explicación que intercambia ambos invierte la dirección: es el lado basado en reglas el que facilita mostrar la razón. Los filtros de spam, los motores de recomendación y el procesamiento estadístico del lenguaje natural son ejemplos de aplicaciones del aprendizaje automático que figuran en este subapartado.