Cambios

Edición siguiente →

Inteligencia artificial

87 124 bytes añadidos, 17:23 12 abr 2016

Página creada con «Desde el principio de la historia de la informática se planteó el problema de si será posible algún día diseñar y programar computadores y sistemas complejos semejant...»

Desde el principio de la historia de la informática se planteó el problema de si será posible algún día diseñar y programar computadores y sistemas complejos semejantes para que actúen con una inteligencia comparable, o incluso superior a la humana. Se trata de una cuestión que nos afecta profundamente desde el punto de vista sentimental, lo que explica el éxito de obras clásicas de ficción como ''Frankenstein'' o ''El golem'', que expresan en forma literaria el viejo sueño de
construir hombres artificiales, ya sea por medios biológicos no naturales, o en
forma de autómatas mecánicos.

La discrepancia entre
estas expectativas y el carácter repetitivo y rígido de la mayor parte de
nuestras aplicaciones informáticas (incluso muchas de las más avanzadas en la
actualidad) no ha sido suficiente para poner en duda la factibilidad de ese
sueño. La verdad es que, a lo largo del tiempo, hay bastantes actividades
humanas supuestamente inteligentes (como jugar al ajedrez) que han ido cayendo
bajo el dominio de los computadores. Pero por una reacción comprensible, suele
ocurrir que esas actividades, una vez dominadas por programas informáticos, ya
no nos parecen tan inteligentes. Existe incluso una definición de ''inteligencia artificial'' basada en ello, que
podemos considerar ''irónica'', pues su
intención no es seria, pero que encierra un fondo de verdad: ''inteligencia artificial'' sería '''todo aquello que todavía no sabemos hacer
con un ordenador'''. Como el horizonte, la ''inteligencia
artificial ''de verdad parece alejarse de nosotros a medida que nos movemos
hacia ella.

Esta entrada pretende
ofrecer al lector una visión actualizada de la inteligencia artificial, en sus
dos acepciones de ''inteligencia artificial
débil ''(la que ya tenemos y está a nuestro alcance) y de ''inteligencia artificial fuerte ''(la
construcción y programación de máquinas tan inteligentes como nosotros o más),
junto con una revisión de las diversas posturas filosóficas respecto a la
cuestión de si este objetivo será factible, o por el contrario no será posible
conseguirlo.

'''1. Definición de la inteligencia
artificial'''

La inteligencia artificial
es una de las ramas más antiguas de la investigación en programación de
ordenadores. Casi desde el principio de su historia, se han construido
programas que se comportan de un modo que, cuando los seres humanos hacen lo
mismo, solemos calificar de inteligente. Sin embargo, los avances en esta área
no han sido constantes, pues se han visto sometidos a altibajos. Además, los
investigadores no siempre se ponen de acuerdo en la definición de esta rama de
la informática, por lo que no es fácil distinguir de forma clara y unívoca las
disciplinas y aplicaciones que pertenecen a este campo.

Algunas de las
definiciones del campo de la inteligencia artificial son claramente
insatisfactorias. Así John McCarthy, que acuñó el nombre de la disciplina, la
define así: ''ciencia e ingeniería para la
fabricación de máquinas inteligentes, especialmente programas de ordenador
inteligentes'' (McCarthy 2007). El problema de las definiciones de este tipo
es que no se define lo que quiere decir ''inteligente''.

Una definición
parecida, bastante extendida, es esta: ''estudio
y diseño de agentes inteligentes'' (Nilsson 1998, Legg 2007), donde un ''agente inteligente'' se define como ''un ente que percibe su entorno y realiza
acciones que le permiten alcanzar sus objetivos con las máximas posibilidades
de éxito''. Aquí el problema es que no se define lo que significa el ''éxito en alcanzar sus objetivos''.

La siguiente definición
de la inteligencia artificial está bastante aceptada, al menos para lo que se
ha hecho hasta ahora en este campo:

'''Definición
1:''' ''Llamamos
''inteligencia artificial'' al conjunto
de técnicas que tratan de resolver problemas relacionados con el proceso de
información simbólica, utilizando para ello métodos heurísticos''.

No es nuevo que la
información contenida en la memoria de un ordenador puede ser simbólica, pero
en las aplicaciones de inteligencia artificial, en las que intentamos (en
principio) que la máquina razone de forma parecida al hombre, la información
que se procesa será a menudo equiparable a ideas o conocimientos y sólo podrá
representarse de forma simbólica. Esto no significa que no pueda haber
información numérica en una aplicación de inteligencia artificial. Por el contrario,
aparece frecuentemente. Pero así como en la programación clásica puede ocurrir que
toda o casi toda la información procesada por una aplicación determinada sea
numérica, en inteligencia artificial generalmente esto no es admisible. La
información simbólica tiene que estar presente de alguna manera.

En los problemas de inteligencia
artificial es frecuente que se utilicen métodos de búsqueda de soluciones en un
espacio de configuración más o menos grande, con objeto de encontrar un método
óptimo (o al menos cuasi-óptimo) para obtener el objetivo deseado. A veces se
realizan búsquedas exhaustivas, a lo ancho o en profundidad, que analizan todas
las posibilidades y escogen, entre ellas, la mejor. Pero en general, si el
proceso es complejo, el espacio de configuración es desmesurado y los métodos
exhaustivos no son factibles, pues se producirá una ''explosión combinatoria'' en la que el número de caminos crece enormemente,
desbordando la capacidad de cálculo de los ordenadores actuales, e incluso de
todos los ordenadores posibles.

En la práctica, hay que
utilizar métodos más rápidos que lleven en poco tiempo a una solución
aceptable, aunque no sea precisamente la óptima. Estos métodos, que se apoyan
generalmente en información procedente de la experiencia, se llaman por ello ''heurísticos'' e incorporan estrategias que
limitan drásticamente la búsqueda, permitiendo encontrar una solución razonable
para un problema, a pesar de que el espacio de búsqueda sea muy extenso.

De acuerdo con la
definición 1, una aplicación de inteligencia artificial tiene que cumplir las
condiciones siguientes:

·
Que al menos parte de
la información a tratar tenga carácter simbólico.

·
Que el problema a
resolver dé lugar a un espacio de búsqueda de soluciones (espacio de
configuración) muy extenso, que no se trate de un problema trivial, que no sea
posible resolverlo con una simple búsqueda exhaustiva.

·
Que la forma más
práctica de abordar el problema sea la utilización de reglas heurísticas
basadas en la experiencia, que acorten el proceso de búsqueda de soluciones y
eviten la explosión combinatoria.

·
En principio, el
programa debería ser capaz de extraer esas reglas heurísticas de su propia
experiencia, es decir, debe ser capaz de aprender. Para ello se pueden utilizar
técnicas como el reconocimiento de patrones (Bishop 2006), las cadenas de
Markov (Norris 1998) o los algoritmos genéticos (Goldberg 1989), que en sí no se
reducen a la inteligencia artificial, pues pueden aplicarse en muchos otros
campos, pero pueden ser útiles también en este.

Es preciso distinguir
la inteligencia artificial de otras tecnologías menos potentes, como las
siguientes:

·
''Inteligencia
computacional'': es una versión ''light'' de la inteligencia artificial, que
maneja datos esencialmente numéricos, de los que es capaz de ectraer patrones
utilizando conocimientos menos completos y exactos que los de las aplicaciones
de inteligencia artificial (Siddique 2013).

·
''Sistemas
bio-inspirados'': son sistemas informáticos para la
resolución de problemas complejos que se inspiran en conceptos biológicos, como
la evolución (algoritmos genéticos) o el ADN (computación mediante ADN). No
pueden considerarse inteligentes.

'''1.1.
Las dos acepciones de la inteligencia artificial'''

En lo que sí están de
acuerdo todos los investigadores es en que los programas de inteligencia
artificial actuales no permiten atribuir a las computadoras la capacidad de
pensar y de actuar con verdadera inteligencia, en oposición a la apariencia de
inteligencia, que obviamente es más fácil de conseguir. Por eso, el campo de la
inteligencia artificial se divide en dos, uno que existe realmente, y el otro
que de momento sólo es un objetivo inalcanzable, mejor o peor definido desde el
punto de vista filosófico. Esos dos campos son los siguientes:

·
''Inteligencia
artificial débil'', que abarca todas las
aplicaciones de las que disponemos hasta ahora, en las que la máquina actúa con
apariencia de inteligencia, pero está claro que no piensa.

·
''Inteligencia
artificial fuerte'', que abarca a las
hipotéticas máquinas programadas cuya inteligencia fuese comparable o superior
a la humana.

'''2.
Inteligencia artificial débil'''

Todo lo que se ha
logrado hasta ahora en este campo es claramente ''inteligencia artificial débil''. Esto es lo que nos va a ocupar en
esta parte del artículo. Últimamente se habla mucho de que la ''inteligencia artificial fuerte'' está a
punto de conseguirse. En la tercera parte volveremos sobre este problema y
analizaremos esas predicciones.

'''2.1.
Breve historia de la inteligencia artificial'''

Desde la más remota
antigüedad, el hombre no ha dejado de buscar medios para disminuir el esfuerzo necesario
para la realización de su trabajo. El primer paso en esta dirección se dio hace
unos dos millones de años, con la invención de las armas y las herramientas. El
segundo, hace al menos setecientos mil años, se plasmó en el dominio del fuego.
Otro paso importante (la revolución neolítica) tuvo lugar hace unos diez mil
años, con el comienzo de la agricultura y la ganadería. El ganado se utilizó
desde el principio como un nuevo tipo de herramienta que permitía a su poseedor
realizar más trabajo con menos esfuerzo. El cuarto paso trascendental fue la
invención de la escritura, que tuvo lugar hace cosa de cinco mil años y abrió
paso al arte literario y a la posibilidad de guardar información fuera de nuestro
cerebro y de nuestro cuerpo, en papiro, pergamino, papel, etcétera.

Hace un poco más de doscientos
años comenzó una nueva revolución tecnológica, la revolución industrial, cuyas
posibilidades aún no se han agotado. En sus primeras fases, los siglos XVIII,
XIX y la primera mitad del XX, esta revolución eliminó a los animales-herramienta
que habían dominado la tecnología durante casi diez milenios, que fueron
sustituidos por máquinas mecánicas propulsadas por fuentes de energía nuevas,
como la térmica, la eléctrica, la química de los combustibles naturales y, ya
en el siglo XX, la nuclear, cuya existencia ni se sospechaba a finales del siglo
XIX.

Hacia la segunda mitad
del siglo XX apareció un nuevo tipo de máquinas, las computadoras electrónicas,
que ya no tratan de complementar el esfuerzo físico humano y extender el campo
de acción de sus miembros. Su ámbito de aplicación es amplificar las
actividades mentales del hombre. Estas máquinas realizan cálculos complejos a
velocidades muy superiores a las nuestras, aunque suele decirse que son
rígidas, que hay que preverlo todo y especificarlo claramente, porque en caso
contrario nos encontraremos con resultados inesperados. Muy pocos programas exhiben
un comportamiento que se pueda calificar de inteligente.

Casi desde el principio
de la historia de la informática fue posible programar computadoras para actuar
de una forma que sí suele considerarse inteligente. En 1956, Herbert Gelernter,
del Laboratorio de IBM en Poughkeepsie, construyó un programa capaz de resolver
teoremas de geometría plana, sorprendente para su época, que se considera uno
de los primeros ejemplos de inteligencia artificial. Recuérdese que las
computadoras pertenecían entonces a la primera generación y estaban construidas
con válvulas de vacío.

Ante este ejemplo y
otros parecidos que surgieron por entonces, los pioneros de la inteligencia artificial,
encabezados por John McCarthy (1927-2011), se reunieron en un seminario en el
Dartmouth College de Hanover (USA). Además de imponer nombre a la nueva
disciplina (''inteligencia artificial'')
lanzaron las campanas al vuelo y predijeron que en una década habría programas
capaces de traducir perfectamente entre dos lenguas humanas y de jugar al
ajedrez mejor que el campeón del mundo. Esto no sería más que el primer paso.
Pronto sería posible construir máquinas capaces de comportarse con inteligencia
igual o superior a la nuestra, con lo que entraríamos en una nueva vía en la
evolución de nuestra sociedad. El viejo sueño de construir hombres artificiales
se habría hecho realidad.

Pero las cosas no
sucedieron como aquellos optimistas preveían. Es cierto que ese mismo año Arthur
Samuel, de IBM, construyó un programa para jugar a las damas que guardaba
información sobre el desarrollo de las partidas que jugaba y la utilizaba para modificar
sus jugadas futuras (es decir, aprendía). En pocos años, tras un número
suficiente de partidas, el programa fue capaz de vencer a su creador y desempeñaba
un papel razonable en los campeonatos oficiales. Pero el juego de las damas es
incomparablemente menos complicado que el ajedrez, y pronto se vio que este iba
a ser un hueso bastante más duro de roer.

En los últimos años de
la década de 1950, Alex Bernstein, de IBM, construyó un programa capaz de jugar
al ajedrez como un principiante, que fue aireado por la prensa como el primer
paso hacia el dominio del ajedrez por las computadoras. Pero el objetivo, ganar
al campeón del mundo, o al menos desempeñar un buen papel en los torneos con jugadores
humanos, se retrasaría más de 30 años respecto a la fecha prevista. En cuanto a
la traducción de textos entre dos lenguas naturales, también resultó mucho más
difícil de lo que se preveía, como se verá en el apartado siguiente.

El fracaso de las
predicciones de los expertos provocó el desánimo de los investigadores en
inteligencia artificial, muchos de los cuales se dedicaron a otras cosas. El
problema se complicó en 1969, cuando Marvin Minski y Seymour Papert (Minski
1969) demostraron matemáticamente que las redes neuronales artificiales de una
o dos capas (perceptrones sin capa oculta), con las que se venía investigando
desde los años cincuenta, no pueden realizar una función Booleana tan sencilla
como “o exclusivo” (la suma módulo 2). Esto sí se podía conseguir con una red sencilla
de tres capas, pero los ordenadores de entonces no eran bastante rápidos ni
tenían bastante memoria para trabajar con redes complejas de tres capas.

Durante los años
setenta, el interés por la inteligencia artificial se renovó gracias a la
aparición de los sistemas expertos. De nuevo se lanzaron las campanas al vuelo
y se predijeron avances inmediatos demasiado ambiciosos. Arrastrado por esta
tendencia, el gobierno del Japón puso en marcha a finales de los setenta el ''proyecto de la quinta generación'', cuyo
objetivo era ponerse en cabeza de la investigación informática mundial, desarrollando
en diez años (siempre en diez años) máquinas capaces de ''pensar'' como los seres humanos, de comunicarse con nosotros en
nuestra propia lengua, y de traducir perfectamente textos escritos en inglés y
en japonés. Asustados por el proyecto, otros países lanzaron sus propios
programas de investigación, aunque buscaron objetivos algo menos ambiciosos. A
principios de los noventa, el proyecto japonés se dio por finalizado con un
rotundo fracaso.

Aunque con altibajos,
no siempre con resultados satisfactorios, los avances continuaron llegando en
un goteo continuo. En 1997, 30 años después de lo previsto, se cumplió por fin
el objetivo de que una máquina programada para jugar al ajedrez venciera al
campeón del mundo. En el 2016, otra máquina venció al campeón mundial de Go,
uno de los juegos más complejos que existen. También ha avanzado mucho la
conducción automática de vehículos (coches y aviones), y se anuncia que los
primeros coches sin conductor podrían estar en el mercado para el año 2020.

'''2.2.
Aplicaciones de la inteligencia artificial débil'''

Existen muchas
aplicaciones, completamente diferentes unas de otras, que suelen clasificarse
como ''inteligencia artificial''. En
algunas, los resultados han sido espectaculares y se aproximan a lo que
entendemos intuitivamente por una máquina que piensa, aunque cuando se analizan
a fondo se ve que la supuesta inteligencia no era tal, que se trata de
aplicaciones programadas no muy diferentes de las que se utilizan en otros
campos de la informática.

Son muchos los temas en
los que ha sido posible aplicar técnicas de inteligencia artificial, hasta el
punto de que este campo se parece a un pequeño cajón de sastre. Veamos algunos:

·
Algoritmos inteligentes
para juegos

·
Realización de razonamientos
lógicos

·
Reconocimiento
automático de la palabra hablada

·
Proceso de textos
escritos

·
Reconocimiento de
imágenes, y vehículos automáticos

·
Sistemas expertos

·
Redes neuronales
artificiales

·
Computación cognitiva y
bases de conocimiento sobre el mundo

=== 2.2.1. Algoritmos inteligentes para juegos ===
En 1997, 30 años
después de lo previsto, una máquina dedicada de IBM (Deep Blue) consiguió por
fin vencer al campeón del mundo de ajedrez (Garry Kasparov) en un torneo a seis
partidas (Campbell 2002). Sólo un año antes, la victoria de Kasparov contra el
mismo programa había sido clara. En años sucesivos, los programas para jugar al
ajedrez se han impuesto en torneos mixtos, como los dos ''Campeonatos Mundiales del Hombre contra la Máquina'' celebrados en
Bilbao en 2004 y 2005 (Chess News 2004, 2005). En este caso, los tres programas
se ejecutaron sobre máquinas comerciales y ganaron a los tres jugadores humanos
de alta calificación por 8,5 a 3,5 en 2004, y por 8 a 4 en 2005.

Además del ajedrez, también
se ha resuelto favorablemente la programación de otros juegos, como el
backgammon o chaquete (Tesauro 1989), las damas (Schaeffer 2007), Jeopardy! (Ferrucci
2010), ciertas formas del póker (Bowling 2015) y el Go (BBC News Online 2016).

Sin embargo, los mismos
autores de estos programas reconocen que, aunque sean capaces de ganar torneos,
sus programas no son especialmente inteligentes. Ganan porque son más rápidos
que los seres humanos y analizan un número inmenso de posibilidades, pero no
utilizan la intuición como los campeones humanos, que saben dirigir sus
esfuerzos hacia las líneas de ataque prometedoras, eludiendo las que no lo son.
En este contexto, se ha llegado a decir que ''Deep
Blue'' es capaz de ganar al ajedrez sin comprender el ajedrez (Hawkins 2004, 18).

'''2.2.2.
Realización de razonamientos lógicos'''

Existen tres formas
principales de razonamiento humano:

·
'''     Deducción''':
es el método que más se aplica en las matemáticas. Proporciona una fiabilidad
absoluta, pues si las premisas son correctas, la conclusión también tiene que
serlo.

·
'''     Inducción''':
es el método que más se aplica en las ciencias de la naturaleza (la física, la
química y algunas ramas de la biología). No proporciona fiabilidad absoluta,
pero a medida que los resultados se confirman con experimentos independientes,
su fiabilidad aumenta de forma considerable. Sin embargo, siempre queda un
margen de inseguridad, pues queda abierta la posibilidad de que el próximo
experimento que se realice contradiga la conclusión, por lo que se suele decir
que en estas ciencias los descubrimientos son siempre provisionales (Popper
1962).

·
'''     Abducción''':
es el método que más se emplea en las ciencias humanas, la historia y algunas
ramas de la biología, como la paleontología. Es el que proporciona menos fiabilidad,
pues consiste en inferir la hipótesis más sencilla que explique las
observaciones. Para ello se establecen paralelos entre objetos, comportamientos
o afirmaciones diferentes, y se busca documentación que los confirme, aunque
por acumulación de indicios su fiabilidad puede llegar a ser grande (Alfonseca
2015).

Durante los años 60 y
70, el problema de programar ordenadores para que realicen deducciones lógicas
se resolvió satisfactoriamente. Como consecuencia de estos estudios, se llegó a
la conclusión de que el funcionamiento deductivo de la mente humana no es tan
complicado como a primera vista parece, lo que tampoco fue una gran novedad,
pues ya Aristóteles, en el siglo III antes de Cristo, había reducido los
procesos de deducción a diecinueve formas elementales o silogismos. Primero se
construyeron programas capaces de demostrar teoremas (Loveland 1978). Poco
después, un programa que sólo tenía 165 instrucciones (Alfonseca 1975) pudo resolver
correctamente los diecinueve silogismos clásicos. Para ello, y en síntesis, el
programa convertía las proposiciones lógicas en relaciones de teoría de
conjuntos y aplicaba reglas de reducción propias de este campo de las
matemáticas.

En cambio, es mucho más
difícil programar las computadoras para que realicen procesos de razonamiento
inductivo o abductivo, por lo que estos campos de la investigación en
inteligencia artificial continúan abiertos.

'''2.2.3.
Reconocimiento automático de la palabra hablada'''

En este campo se ha
avanzado bastante desde los años setenta (Faundez 2000, Jurafsky 2008). Se
trata de conseguir que los ordenadores entiendan la voz humana, para que sea posible
darles órdenes de forma más natural, sin tener que utilizar una máquina de
escribir eléctrica o un teletipo.

La investigación en
este campo encontró dificultades en el hecho de que cada persona tiene su
propia forma de pronunciar, ligeramente diferente de la de los demás, y en que
el lenguaje hablado es más ambiguo que el escrito, pues a la existencia de
palabras homófonas se suma el problema de que las palabras se funden unas con
otras y se concatenan, resultando a veces difícil separarlas. Por esta razón,
las primeras aplicaciones de proceso de voz ponían restricciones a las frases
que son capaces de entender. Esas restricciones pertenecían a los tres grupos
siguientes:

·
            Tamaño del diccionario: número de palabras que el
programa es capaz de comprender.

·
Separación de las
palabras: algunos programas exigen que la persona que habla pronuncie las
frases separando claramente las palabras entre sí.

·
Existencia de una fase
de educación del programa para adaptarse a la voz de una persona concreta, que
será la única a la que normalmente podrá entender. Esta educación es un proceso
laborioso, pues a menudo exige que la persona que va a utilizar el programa
tenga que pronunciar al menos una vez todas las palabras del diccionario.

Las mejores
aplicaciones sólo exigían una o dos de las restricciones anteriores. O bien se
utilizan diccionarios de 2000 palabras, o se exige la separación de palabras, ampliando
el diccionario hasta 20.000 términos. A menudo se alcanzaban grados de comprensión
superiores al 90 por 100 de las palabras pronunciadas.

Actualmente se utilizan
aplicaciones más robustas, sin las restricciones indicadas (Dong Yu 2015). Las
empresas que se especializan en proceso de voz (Google, Microsoft, Nuance)
aprovechan la enorme cantidad de datos existentes para entrenar sus
aplicaciones con muchas personas diferentes. Google, por ejemplo, utiliza para
ello el gran número de peticiones por voz que su buscador recibe cada día.

'''2.2.4.
Proceso de textos escritos'''

La investigación en
proceso de textos se subdivide en dos áreas principales: proceso del lenguaje
natural (Powers 1989, Manning 1999, Jurafsky 2008) y traducción automática
(Hutchins 1992).

Nuestras lenguas
adolecen de ambigüedad, tanto pragmática (cuando las dos personas que hablan no
comparten el mismo contexto), semántica (una misma palabra puede tener varios
significados, que suelen ser distintos en lenguas diferentes) como sintáctica
(en una frase, la misma palabra puede desempeñar diversos papeles sintácticos).

Se ha hablado mucho de
que los ordenadores del porvenir podrían programarse en lenguaje natural
(castellano, inglés...) Actualmente esto es una utopía, aunque es posible dar
al usuario la impresión de que se está comunicando en su lengua con el
programa. Esto se consigue, generalmente, de tres maneras diferentes:

·
Provocando la respuesta
del usuario con preguntas prefabricadas y tratando de localizar palabras
seleccionadas en dicha respuesta, sin hacer mucho caso de la sintaxis.

·
Restringiendo el
subconjunto del lenguaje natural que se puede utilizar, para eliminar
ambigüedades.

·
Restringiendo el tema de
la conversación.

Un campo relativamente
reciente es la ''minería de datos'', cuyo
objetivo es extraer información de textos escritos y tratar de comprender su
significado (Manning 2008). Para ello se utilizan métodos estadísticos y se
construyen corpus anotados que proporcionan información sobre los distintos
términos, estableciendo relaciones entre unos términos y otros. Utilizando
estos ''corpora'' los programas mejoran o
aceleran la comprensión de los textos que deben interpretar.

Para averiguar a qué se
refiere un texto mediante análisis automático se utilizan técnicas de ''resolución de entidades'', también llamada
''desambiguación de entidades'', con las
que se alcanza actualmente entre un 80 y un 90% de identificaciones correctas.'' ''Un problema relacionado con este es la ''correferencia'', que trata de deducir, en
una frase pronominal, a qué sustantivo se refiere un pronombre.

En el campo de la
traducción automática, los problemas se multiplican, pues en este caso los
programas no tienen que enfrentarse con una sola lengua natural, sino con dos, ambas
plagadas de ambigüedades e irregularidades, que además no coinciden casi nunca
entre sí. Hacia finales de los años ochenta se propuso traducir primero las
frases de la lengua de partida a un sistema de representación interna
intermedio (Interlingua), que podría considerarse como una lengua artificial
desprovista de ambigüedades. Después, otra parte del programa traductor
trasladaría la traducción a Interlingua a una lengua diferente, utilizando las
reglas y peculiaridades de ésta. Así se aislarían las dos lenguas,
simplificando la traducción. Pero esta solución no ha llegado a implementarse.
Actualmente Google está trabajando en la utilización de redes neuronales (véase
la sección 2.2.7) para realizar traducciones directas entre dos lenguas
naturales diferentes (Sutskever 2014), sin pasar por una Interlingua. A menos
que se diga que el estado interno de la red neuronal es la Interlingua, aunque
se trataría de una lengua ''sui generis'',
pues no tendría gramática reconocible.

Otra posibilidad, que
se adoptó en el proyecto de traducción automática EUROTRA, patrocinado por la Unión
Europea, y después en ''Google Translate'',
no tiene como objetivo realizar una traducción perfecta de los textos de
partida, sino obtener una primera aproximación sobre la que un traductor humano
puede trabajar para mejorarla, lo que le permite aumentar considerablemente su
rendimiento (''traducción asistida por
computadora'').

'''2.2.5.
Reconocimiento de imágenes, y vehículos automáticos'''

El reconocimiento de
imágenes es otro de los campos en los que se aplican técnicas de inteligencia
artificial. Cuando observamos una escena a través de la vista, somos capaces de
interpretar la información que recibimos y separar la imagen en objetos
independientes bien identificados. Este campo de investigación intenta
programar máquinas y robots para que reconozcan visualmente los elementos con
los que han de relacionarse.

Una de las aplicaciones
más espectaculares de la visión de máquinas es el coche sin conductor. Este
proyecto, bastante avanzado en la actualidad por parte de varias empresas,
especialmente Google (Fisher 2013), tiene por objeto construir vehículos
capaces de prescindir del conductor en el tráfico de las carreteras y las
calles de una ciudad. Estas investigaciones, que comenzaron en la Universidad
Carnegie Mellon durante los años ochenta (Jochem 1995), recibieron un fuerte
impulso durante los noventa, cuando en 1995 un coche sin conductor diseñado por
Ernst Dieter Dickmanns recorrió 1758 km por las autopistas alemanas llevando un
conductor humano para casos de emergencia, que tuvo que tomar el control un 5%
del tiempo (Dickmanns 2007). En lo que llevamos del siglo XXI, la investigación
en el campo del coche sin conductor ha seguido avanzando, y no parece lejano el
momento en que se autorice su comercialización.

Algunas otras
aplicaciones avanzadas de proceso de imágenes:

·
''Google
Photos'', una aplicación que permite hacer
búsquedas en Internet basándose en imágenes, en lugar de textos.

·
OCR (''Optical Character Recognition''),
extracción de textos a partir de fotografías. Combinado con ''Google Translate'' (véase la sección
2.2.4), permite además traducirlos a otros idiomas.

·
''Realidad
aumentada'', campo que aún no ha alcanzado
todos sus objetivos, que intenta suplementar las percepciones de los sentidos
humanos con información generada por un ordenador (imágenes, sonidos, o datos
GPS). Esto se conseguiría mediante cascos, lentes de contacto o dispositivos
parecidos a gafas.

'''2.2.6.
Sistemas expertos'''

Una vez que se comprobó
que no era tan difícil conseguir que los programas realizaran deducciones
lógicas, el camino estaba abierto hacia una aplicación práctica de la inteligencia
artificial: los sistemas expertos (Nilsson 1998, cap. 17.4). El primer intento
en esta dirección lo realizaron hacia 1965 Edward A. Feigenbaum y Joshua
Lederberg en la Universidad norteamericana de Stanford (Feigenbaum 1983). Se
trataba de construir un programa capaz de realizar deducciones inteligentes a
partir de datos de análisis químico (espectrogramas de masas) para obtener la
fórmula desarrollada de compuestos orgánicos desconocidos. Después de varios años
de trabajo, los investigadores terminaron con éxito el proyecto. Su programa, llamado
DENDRAL, se utilizó durante décadas en universidades y laboratorios de análisis
de todo el mundo.

Durante los años
setenta y ochenta, la investigación en sistemas expertos se aplicó en campos
muy variados: diagnóstico médico, matemáticas, física, prospecciones mineras, genética,
fabricación automática, configuración automática de computadoras...

¿Qué es un sistema
experto y en qué se diferencia de los programas ordinarios? Mientras en estos el
conocimiento se organiza en dos niveles, las instrucciones y los datos, en los
sistemas expertos hay tres componentes:

·
Un sistema de
inferencia capaz de hacer deducciones lógicas sobre los datos de que dispone.

·
Un conjunto de reglas, utilizadas
por el sistema de inferencia para realizar deducciones o acciones determinadas.

·
Los datos sobre el
problema concreto que se quiere resolver.

Uno de los primeros
sistemas expertos fue MYCIN, que diagnosticaba enfermedades infecciosas del
aparato circulatorio y recomendaba un tratamiento. Los datos del problema eran los
síntomas del paciente, los resultados de sus análisis, y otras cuestiones
clínicas que tuviesen que ver con su caso concreto. Las reglas de deducción que
se utilizaban para realizar el diagnóstico y proponer el tratamiento se le
proporcionaron a MYCIN durante su construcción, no las aprendía, siempre
utilizaba las mismas reglas en todos los problemas que tenía que resolver. Por
último, el sistema de inferencia era un programa capaz de aplicar las reglas a
los datos para obtener conclusiones razonables.

El conjunto de reglas
de deducción de un sistema experto se llama su ''base de conocimientos''. Para representarlas suelen utilizarse ''reglas de producción'': expresiones de la
forma '''SI condición ENTONCES acción'''.
La especificación de las reglas evitando toda ambigüedad es el problema más
importante con el que se enfrenta quien desee construir un sistema experto.

El sistema de
inferencia realiza búsquedas en el espacio de conocimientos y de datos. A
menudo es imposible probar todas las posibilidades, pues su número es excesivo,
por explosión combinatoria. Por eso existen diversos tipos de búsqueda: en ''anchura'', en ''profundidad'',
o ''heurística''. La última hace uso de
información ''ad-hoc'' para decidir el
camino a seguir. La búsqueda puede ser también ''hacia adelante'', partiendo del estado inicial y aplicando las reglas
de deducción hasta llegar al objetivo, o ''hacia
atrás'', partiendo del estado final y remontándose hasta los conocimientos
existentes, aplicando a la inversa la información de la base de conocimientos.

En un sistema experto
resulta conveniente disponer de la posibilidad de hacer que explique sus
deducciones. Cuando el sistema responde a una pregunta sobre un diagnóstico
médico, por ejemplo, debe ser capaz de señalar cómo llegó a esa conclusión (qué
reglas ha aplicado).

A partir de finales de
los años ochenta, coincidiendo con el fracaso de la quinta generación japonesa,
los sistemas expertos entraron en decadencia. Aunque no han desaparecido, hoy no
desempeñan el papel principal en la investigación en inteligencia artificial.

'''2.2.7.
Redes neuronales artificiales'''

Esta es una de las
aplicaciones más antiguas de la inteligencia artificial (Gurney 1997). También
ha sido una de las más sometidas a exageraciones y previsiones insólitas. Son
redes inspiradas en los sistemas nerviosos de los animales, formadas por muchas
componentes interconectadas capaces de cierta actividad computacional. Las ''neuronas'' que componen estas redes están generalmente
bastante simplificadas, en comparación con las que forman parte del sistema
nervioso humano y de muchos animales. Se ha dicho que estas redes son capaces
de resolver los problemas más difíciles que existen, en principio (los
problemas NP-completos del tipo del viajante de comercio y otros equivalentes),
que un ordenador normal sólo puede resolver en un tiempo que crece
exponencialmente en función de la complicación del problema. Y hasta cierto
punto es verdad, siempre que tengamos en cuenta que la solución obtenida no es
necesariamente la óptima, sino tan sólo una aproximación, que muchas veces es
suficiente para nuestras necesidades.

Las primeras redes
neuronales fueron definidas por Warren McCullogh y Walter Pitts (McCulloch
1943). En la década siguiente, Frank Rosenblatt ideó el perceptrón (Rosenblatt
1958), una red neuronal de dos capas (capa de entrada y capa de salida), capaz
de aprender qué respuesta debe corresponder a una entrada concreta. La
investigación en este campo se estancó tras la publicación del artículo de
Minski y Papert antes mencionado (Minski 1969), que demostró que un perceptrón de
dos capas no es capaz de resolver la función ''o-exclusivo''. Algunos años más tarde, con la introducción de una
tercera capa de neuronas en la red neuronal (situada entre las capas de entrada
y de salida) y con la invención del algoritmo de propagación hacia atrás, se
resolvió el problema de la función ''o-exclusivo''
y la investigación en el campo de las redes neuronales volvió a avanzar.

En la actualidad (Kruse
2013) se está trabajando en varias direcciones: a) La implementación de las
redes neuronales mediante dispositivos de hardware que hacen uso de la nanotecnología,
en lugar de simularlas en un ordenador. b) Nuevos algoritmos para resolver, mediante
redes neuronales, problemas de ''reconocimiento
de patrones'' y aprendizaje automático. c) Implementación de redes basadas en
neuronas más complejas, inspiradas en las neuronas biológicas.

'''2.2.8.
Computación cognitiva y bases de conocimiento sobre el mundo'''

Uno de los problemas
que han dificultado la investigación en inteligencia artificial ha sido el
hecho de que las computadoras apenas poseen conocimientos sobre el mundo que nos
rodea, lo que les pone en desventaja evidente respecto a cualquier ser humano,
que sí posee esa información, pues la ha adquirido desde su infancia y puede
utilizarla para resolver problemas de sentido común que a nosotros nos parecen
triviales, pero que son dificilísimos de resolver para las máquinas que no
disponen de la información necesaria.

Un primer paso en esa
dirección podría ser Wolfram|Alpha (Wolfram 2012). Mientras los buscadores de
Internet (como Google) reaccionan ante una pregunta proporcionando una serie de
direcciones de Internet donde el lector puede (quizá) encontrar la respuesta a
su pregunta, Wolfram|Alpha intenta proporcionar directamente la respuesta,
extrayéndola de la información disponible en la web y de la que ha ido
acumulando en su ''base de conocimientos''
a lo largo del tiempo.

También en esta línea, IBM
ha puesto en marcha un proyecto de computación cognitiva llamado DeepQA (IBM
Research 2011), cuyo objetivo es construir una computadora (Watson) que, a
partir de datos muy generales y abundantes ('''''big data''''') y utilizando
técnicas de inteligencia artificial y aprendizaje automático, sea capaz de
hacer predicciones e inferencias útiles, y de responder a preguntas expresadas
en lenguaje natural.

Por el momento, estos
sistemas no pueden ser tan generales como los seres humanos, y normalmente se
restringen a uno o unos pocos campos de aplicación concretos.

'''3.
Inteligencia artificial fuerte'''

El pasado de la
inteligencia artificial ha estado sometido a numerosos altibajos, cuya causa
quizá deba buscarse en el nombre mismo de la disciplina: '''''Inteligencia artificial'''''
sugiere con facilidad las ideas de '''''hombre artificial''''', o '''''el
hombre igualado o superado por la máquina''''', que pertenecen más bien a la
controversia filosófica que a la tecnología informática. Estos términos están cargados
de contenido emotivo y despiertan fuertes rechazos o adhesiones casi fanáticas.
Desde mediados del siglo XX vemos continuamente que los medios de comunicación
y algunos investigadores en informática (no todos, desde luego) lanzan las
campanas al vuelo y anuncian que la ''inteligencia
artificial fuerte'', la construcción de máquinas programadas tan inteligentes
o más que nosotros, está a punto de conseguirse. Sin duda, todo avance nuevo en
inteligencia artificial es útil y valioso, pero se arriesga a verse
despreciado, porque el listón está demasiado alto.

Para plantearse
correctamente el problema, lo primero que habría que hacer es definir lo que se
entiende por ''inteligencia humana''. Y ahí precisamente nos encontramos con las
primeras dificultades. Sabemos que nuestra inteligencia está ligada de algún
modo con el funcionamiento de nuestro cerebro, pero no sabemos cómo funciona
nuestro cerebro. En palabras de Jeff Hawkins:

''Antes
de tratar de construir máquinas inteligentes, tenemos que comprender primero
cómo piensa el cerebro, y en eso no hay nada artificial. ''(Hawkins
2004, 4-5).

En un campo tan sujeto
a controversia, no nos puede extrañar que ni siquiera una cuestión tan
primordial como la anterior sea aceptada por todos los investigadores. De
hecho, hay muchos que opinan que el problema de la ''inteligencia artificial'' ''fuerte''
no tiene nada que ver con la biología y es puramente tecnológico. Pero, como
dice Hawkins:

''Durante
décadas, los científicos del campo de la inteligencia artificial han sostenido
que los computadores serán inteligentes cuando alcances una potencia suficiente.
Yo no lo creo, y explicaré por qué: los cerebros y las computadoras hacen cosas
fundamentalmente diferentes.'' (Hawkins 2004, 5).

A pesar de todo,
Hawkins es optimista y piensa que las máquinas tan inteligentes como el hombre
están a la vuelta de la esquina:

''¿Podremos
construir máquinas inteligentes?... Sí. Podremos y lo haremos. En las próximas
décadas veremos una rápida evolución en las capacidades de esas máquinas en direcciones
interesantes. ''(Hawkins 2004, 7).

Entre los que hacen
predicciones optimistas destaca Ray Kurzweil, que lleva décadas anunciando la
inminencia de la inteligencia artificial fuerte:

·
En su libro ''La era de las máquinas inteligentes''
(Kurzweil 1990) parte de la base de que un programa de ordenador
suficientemente avanzado exhibiría automáticamente inteligencia similar a la
humana (justo lo que Hawkins niega en la segunda cita anterior). Algunas de sus
predicciones en este libro ya han sido falsadas, como el ''teléfono traductor'' para la primera década del siglo XXI.

·
En el libro ''La era de las máquinas espirituales''
(Kurzweil 1999) predice que las máquinas más inteligentes que los hombres serán
el resultado automático de la evolución de los computadores actuales durante un
par de décadas. Sólo faltan cuatro años para que esta predicción quede asimismo
falsada.

·
Seis años después,
Kurzweil publicó otro libro, ''La
singularidad está cerca ''(Kurzweil 2005), en el que afirma que la
confluencia de los avances de diversos campos (informática, robótica, genética
y nanotecnología darán lugar para 2045 a una singularidad tecnológica, un
avance tan enorme que ya no seremos capaces de comprenderlo, lo que equivale a
decir que seremos superados por nuestras máquinas para siempre.

·
Siete años después, Kurzweil
publicó ''Cómo crear una mente: revelado el
secreto del pensamiento humano'' (Kurzweil 2012), en el que sostiene que una
inteligencia artificial mayor que la humana podría crearse en breve (a fines de
la década de 2020), simplemente profundizando algunas técnicas típicas de la
inteligencia artificial débil, como los modelos de Markov y los algoritmos
genéticos.

Kurzweil
no sólo parece obsesionado por la inteligencia artificial fuerte, también lo está por el problema de la
inmortalidad humana, que ve también inminente (alguna vez la ha predicho para
2035), porque cree que en el fondo ambos problemas están estrechamente
relacionados. Según él, la inmortalidad se alcanzará por la confluencia de tres
caminos diferentes:

1.      Gracias
a los avances de la medicina. Cuando los investigadores sean capaces de
aumentar nuestra esperanza de vida un año cada año, seremos automáticamente
inmortales. Desgraciadamente para Kurzweil, las predicciones de la ONU para el
siglo XXI (United Nations 2015) apuntan a una disminución progresiva del
incremento de la esperanza de vida, en lugar de a un aumento.

2.      Mediante
la combinación de los avances de la medicina y la informática, a través de la
construcción de órganos artificiales. El hombre del futuro se transformaría en ''cyborg'' y sería prácticamente inmortal. Esta
es la línea seguida por los ''transhumanistas''
(Bostrom 2005). El problema aquí está en si será posible sustituir el cerebro
humano por un cerebro artificial. Si no lo es, la supuesta inmortalidad
terminaría en cuanto el cerebro se deteriorase. Y si lo fuese, ¿acaso quien se
sometiese a esa sustitución seguiría siendo el mismo ser humano?

3.      A
través de la inteligencia artificial fuerte. Cuando seamos capaces de construir
superinteligencias, podremos descargar nuestra consciencia en una de ellas,
para seguir viviendo indefinidamente. Sin embargo, es preciso reconocer que
este objetivo parece demasiado ambicioso, al menos por ahora. Si no sabemos qué
es la consciencia, ¿cómo vamos a descargarla?

Otros investigadores no
son tan optimistas como Hawkins y Kurzweil. Así, Ramón López de Mántaras dice:

''La
otra vertiente, la de inteligencia artificial generalista, intenta desarrollar
inteligencias artificiales que tengan [la] versatilidad y [la] capacidad
general de saber de muchas cosas. Esto no significa, y ahí es donde está el
error de algunos de estos planteamientos, que esa inteligencia tenga que ser
igual que la humana. De hecho, es imposible, en mi opinión. Por muy
sofisticadas que sean algunas inteligencias artificiales en el futuro, dentro
de 100.000 o 200.000 años, serán distintas de las humanas.''
(López de Mántaras 2013).

Como vemos, las
discrepancias son impresionantes: mientras unos hablan de unas pocas décadas,
otros lo dejan para dentro de algunos cientos de miles de años. Como veremos en
la sección 3.5, además de estas dos posturas (a muy corto y muy largo plazo)
existe una tercera: la que afirma, por razones filosóficas, que el objetivo de
construir máquinas más inteligentes que el hombre es probablemente imposible.

Puesto que los
criterios puramente tecnológicos son anteriores a los filosóficos, vamos a ver
primero con detalle el más antiguo de todos, la ''prueba de Turing''.

'''3.1.
La prueba de Turing'''

En 1950, adelantándose
a su época, el matemático y químico inglés Alan Turing intentó definir las
condiciones en que sería posible afirmar que una máquina es capaz de pensar como
nosotros. Para Turing, esto se conseguirá cuando la máquina sea capaz de
engañar a los seres humanos, haciéndoles pensar que es uno de ellos (Turing
1950). Esta prueba se llama ''el juego de
la imitación''.

Para desarrollar su
teoría, lo primero que hizo Turing fue proponer una prueba preliminar. Se trata
de que un investigador se comunique con dos personas de distinto sexo y
descubra cuál de ellas es el hombre y cuál es la mujer, haciéndoles preguntas y
estudiando las respuestas que recibe. Los dos sujetos se encuentran,
naturalmente, fuera de su vista, y se comunican con él a través de teletipos o
terminales de ordenador. Uno de ellos (el hombre) trata de engañarle, el otro
(la mujer) trata de ayudarle. ¿Cuántas preguntas tendrá que realizar para
descubrir quién es quién? ¿En qué porcentaje de casos conseguirá engañarle el
hombre? Turing estimó que dicho porcentaje no rebasaría mucho el 30%, o sea,
que en un 70% de los casos el investigador no se dejaría engañar. Es curioso
que estas cifras se hayan dado por buenas sin comprobación alguna. Al menos, yo
no soy consciente de que este experimento se haya llevado a la práctica.

En la segunda parte de
la prueba, se sustituye el hombre por una computadora convenientemente programada.
El segundo participante puede ser un ser humano cualquiera. Se trata de que el
investigador descubra cuál de sus dos contertulios es la computadora. ¿Varían las
circunstancias respecto al problema anterior? ¿Es capaz el interrogador de descubrir
cuál es la máquina, haciendo menos preguntas que en el caso del hombre y la
mujer?

Según Turing, se podrá
afirmar que una máquina piensa cuando los resultados de las dos pruebas sean idénticos.
Si una máquina que intenta hacerse pasar por humana fuese capaz de engañar a
los seres humanos con la misma facilidad con que un ser humano puede engañar a
otro, habría que considerarla inteligente y equivalente a los seres humanos.

Turing no se limitó a
plantear la prueba, sino que hizo predicciones concretas:

''Yo
creo que en unos cincuenta años será posible programar computadoras, con una
capacidad de almacenamiento de alrededor de 10<sup>9</sup>, para que sean
capaces de jugar tan bien al juego de la imitación que un interrogador promedio
no tendrá más del 70 por ciento de probabilidad de hacer la identificación
correcta después de cinco minutos de interrogatorio. ''(Turing
1950).

Durante muchos años,
ningún programa se acercó siquiera a resolver la prueba de Turing.
Curiosamente, el que más se aproximó a ello fue ELIZA (Weizenbaum 1966), que se
hacía pasar por un psiquiatra que dialoga con sus supuestos pacientes. Pero sólo
los ''pacientes'' más inocentes se
dejaban engañar por él, bastaba con intercambiar media docena de frases para
descubrir que estabas hablando con una computadora, por la forma rígida en que
contestaba.

En una prueba realizada
en 2014, la predicción de Turing pareció cumplirse con 14 años de retraso,
cuando un ''chatbot'' (un programa que
toma parte en una conversación de ''chat'')
llamado ''Eugene Goostman'' consiguió
convencer al 33% de sus contertulios, tras cinco minutos de conversación, de
que era un chico ucraniano de 13 años. Sin embargo, algunos analistas no ven las
cosas tan claras. El hecho de que el programa se hiciese pasar por un
adolescente extranjero, en lugar de un compatriota adulto, aumentó el nivel de
credulidad de sus contertulios en el ''chat''.
Comentando este resultado, Evan Ackerman escribió:

''La prueba de Turing no demuestra que un
programa sea capaz de pensar. Más bien indica si un programa puede engañar a un
ser humano. Y los seres humanos somos realmente tontos. ''(Ackerman 2014).

Muchos
investigadores piensan que la prueba de Turing no basta para definir o detectar
la inteligencia. Por una parte, intenta demostrar que hay inteligencia, sin
definirla. Por otra, la prueba se apoya en decisiones tomadas por personas
concretas, cuyo juicio puede no ser de confianza, como señala Ackerman.
Actualmente, ni filósofos ni informáticos consideran que la prueba de Turing
tenga verdadero valor, por lo que los intentos de llevarla a cabo (como el
mencionado) deberían considerarse simplemente anecdóticos.

Algunos
investigadores (Legg 2007, Hernández-Orallo 2010) han propuesto pruebas
alternativas a la de Turing para detectar la posible inteligencia de las
máquinas, pero por el momento no se ha impuesto ninguna.

'''3.2.
La habitación china'''

En 1980, el filósofo John Searle propuso una nueva prueba, ''la''
''habitación china ''(Searle 1980, 1999).
Veamos en qué consiste:
# Supongamos que tenemos un programa de computadora capaz de pasar satisfactoriamente la prueba de Turing, que se pone a dialogar con una persona china. En la conversación, los dos participantes utilizan caracteres chinos para comunicarse por escrito. La computadora, que está encerrada en una habitación para que la persona no la vea, lo hace tan bien que es capaz de engañarla, por lo que la persona cree estar dialogando con un ser humano que conoce perfectamente la lengua china.
# Ahora Searle saca de la habitación la computadora y en su lugar se coloca él mismo. Searle reconoce que no sabe chino, pero se lleva un organigrama del programa que utilizó la computadora para dialogar con la otra persona. En principio, utilizando ese programa, Searle sería capaz de dialogar con ella en su propia lengua tan bien como lo hacía la computadora. Cada vez que reciba un texto escrito en chino, aplica las reglas y escribe los signos correspondientes a la respuesta que habría dado la computadora.
# Searle sabe que no sabe chino. Sabe también que no se ha enterado de la conversación que acaba de mantener con la otra persona, a pesar de que dicha conversación fue capaz de engañarla, haciéndola creer que ha estado dialogando con un ser humano que sabe chino.
# Como la actuación de la computadora fue idéntica a la de Searle, es de suponer que la máquina tampoco entendió la conversación. Ahora Searle plantea la siguiente pregunta: ¿Es consciente de ello la computadora, como Searle lo es?
Es de suponer que la
computadora no es consciente de ello, como ningún programa actual lo sería.
Luego no basta con que una máquina sea capaz de pasar la prueba de Turing para
que se pueda afirmar que piensa, para poder considerarla inteligente. Hacen
falta dos cosas más: que comprenda lo que escribe y que sea consciente de la
situación. Mientras eso no ocurra, no podremos hablar estrictamente de ''inteligencia
artificial fuerte''.

En todo esto
subyace un problema muy importante: para construir una inteligencia artificial
fuerte, parece necesario dotar a las máquinas de consciencia. Pero si no
sabemos qué es la consciencia, ni siquiera la nuestra, ¿cómo vamos a conseguirlo?
En los últimos tiempos se han realizado muchos avances en neurociencia, pero
aún estamos muy lejos de poder definir lo que es la consciencia y saber de
dónde surge y cómo funciona, así que mucho menos podemos crearla, ni siquiera simularla.

El argumento de la
habitación china no ha convencido a todo el mundo. Las respuestas que se le han
planteado son muy variadas y pueden clasificarse en varios grupos, de los que
aquí sólo se mencionan tres:

·
Los que sostienen (Dennett
1991, Russell 2003) que en esta prueba sí hay alguien (o algo) que entiende
chino: la habitación completa, el sistema, el conjunto, aunque el ser humano
que forma parte del sistema no lo entienda. Searle replica que su argumento
puede simplificarse, porque él podría -en principio- aprender de memoria el organigrama del programa, con lo que el
sistema completo se reduciría a él mismo, que sigue sin entender chino y lo
sabe. De este contra-argumento hay varias versiones, más o menos equivalentes.

·
Otros, como Marvin
Minski (1980) sostienen que la mera presencia del software hace aparecer una ''mente virtual'', diferente del sistema, y
esta mente sí entiende chino. Searle responde que dicha mente no es tal, sino
una simple simulación.

·
Algunos (ver Cole
2004) aducen que el programa que permite a la computadora contestar a la
persona china tiene que contener una gran cantidad de información sobre el
mundo en general, y que es esto lo que da sentido a los símbolos. Searle
contesta que no cree que sea posible introducir esa información contextual en
un programa.

'''3.3.
El problema de la contención'''

Si la inteligencia
artificial fuerte fuese practicable, se nos plantearía un problema importante:

'''Definición
2: '''''El
'''''problema
de la contención''' ''puede definirse'' ''con esta
pregunta: ¿Es posible programar una superinteligencia de tal manera que no le
esté permitido causar daño a ningún ser humano?''

En 1942, en el contexto
de sus cuentos cortos sobre robots, Isaac Asimov formuló las tres leyes de la
robótica (Asimov 1950):
# Un robot no debe hacer daño a un ser humano o, por inacción, permitir que un ser humano sufra daño.
# Un robot debe obedecer las órdenes dadas por los seres humanos, excepto si estas órdenes entrasen en conflicto con la primera ley.
# Un robot debe proteger su propia existencia en la medida en que esta protección no entre en conflicto con la primera o la segunda ley.
Esencialmente, la
primera ley de Asimov es equivalente al problema de la contención. Pues bien, hay
indicios matemáticos de que no es posible resolver el problema de la
contención. En particular, en un estudio muy reciente (Alfonseca inédito) se
demuestra que el problema de la contención es equivalente al problema de la
parada, que Alan Turing demostró que no tiene solución (Turing 1937). Si esto se
confirma, tenemos dos posibilidades:

a)
Renunciar a crear
superinteligencias, para evitar el posible mal que podrían causarnos.

b)
Renunciar a estar
seguros de que las superinteligencias no podrán causarnos daño. Si fuese
posible llegar hasta ese punto en la investigación en inteligencia artificial,
y si decidimos hacerlo, habrá que asumir un riesgo.

Norbert Wiener,
fundador de la Cibernética (una tecnología interdisciplinar para la exploración
y el diseño de sistemas auto-regulados), compara con la magia el comportamiento
literal y poco inteligente de las computadoras, y pone el siguiente ejemplo (Wiener
1948-1961):

''Más
terrible que cualquiera de estos cuentos es la fábula de la pata del mono,
escrita por W.W.Jacobs, escritor inglés de principios del siglo [XX]. Un
trabajador inglés retirado está sentado a la mesa con su esposa y un amigo, un
sargento británico que acaba de volver de la India. El sargento muestra a sus
anfitriones un amuleto en forma de pata de mono seca y marchita... [que tiene]
el poder de conceder tres deseos a tres personas... El último [deseo de su
primer propietario fue] morir... Su amigo... desea poner a prueba sus poderes.
Como primer [deseo] pide 200 libras. Poco después llaman a la puerta y un
funcionario de la empresa en que trabaja su hijo entra en la habitación. El
padre se entera de que su hijo ha muerto en un accidente con las máquinas, por
lo que la empresa... desea pagarle al padre la suma de 200 libras...
Desconsolado, el padre formula su segundo deseo -que su hijo vuelva- y cuando se
oye otra llamada en la puerta... aparece algo... el fantasma del hijo. El
último deseo es que el fantasma desaparezca. La moraleja de estas historias es
que la magia es literal... Las máquinas que aprenden también son literales. Si
programamos una máquina... y le pedimos que nos lleve a la victoria, y no
sabemos lo que queremos decir con eso, veremos al fantasma llamando a nuestra puerta.''

La moraleja que Wiener
extrae de este cuento (Jacobs 1902) es evidente: como la magia, las
computadoras obedecen literalmente las órdenes que reciben, sin tener en cuenta
muchos datos de los que nosotros disponemos, que solemos dar por supuestos, pero
que ellas no poseen.

'''3.4.
Algunos proyectos fallidos hacia la inteligencia artificial fuerte'''

Es curioso que los
proyectos más ambiciosos y famosos del campo de la inteligencia artificial, los
que se han adentrado en las zonas fronterizas entre la inteligencia artificial
débil y la fuerte, hayan terminado mal desde el punto de vista de la tecnología,
aunque no desde otros puntos de vista. Vamos a revisar someramente tres de los
más conocidos:

'''3.4.1.
Quinta generación japonesa'''

Hacia los años setenta se
distinguían cuatro generaciones de computadoras, tanto desde el punto de vista
del ''hardware'' como del ''software''.

Generaciones de ''hardware'':

'''Primera
generación''': ordenadores construidos con
válvulas electrónicas de vacío.

'''Segunda
generación''': ordenadores construidos con
transistores.

'''Tercera
generación''': ordenadores construidos con
circuitos integrados.

'''Cuarta
generación''': ordenadores dotados de un sistema
operativo capaz de funcionar en tiempo compartido (ejecutando varias
aplicaciones al mismo tiempo) y con memoria virtual.

Generaciones de ''software'':

'''Primera
generación''': programas escritos en lenguaje
binario (lenguaje de la máquina).

'''Segunda
generación''': programas escritos en lenguaje
simbólico (ensamblador).

'''Tercera
generación''': programas escritos en lenguajes
de alto nivel. El primero fue FORTRAN, pero luego proliferaron como en una
torre de Babel.

'''Cuarta
generación''': programas escritos mediante
sistemas de generación automática de aplicaciones, con acceso a bases de datos.

A finales de los años
setenta, el gobierno japonés decidió emprender un proyecto que pusiera a su
país a la cabeza de la informática mundial. Según explicaron, estaban cansados
de que el resto del mundo considerara a los japoneses como ''copiadores'' ''eficientes ''de
la tecnología desarrollada por otros países. Esta vez querían ser ellos los
copiados. Por eso pusieron en marcha el proyecto de la '''quinta generación''' (tanto en el ''hardware''
como en el ''software''), que consistiría
en lo siguiente:

'''Quinta
generación de ''hardware''''':
ordenadores adaptados para simplificar la construcción de aplicaciones de
inteligencia artificial.

'''Quinta
generación de ''software''''':
programas de inteligencia artificial escritos en lenguaje Prolog, capaces de
interaccionar con el usuario en su propia lengua (inglés y japonés) y de
traducir correctamente entre esas dos lenguas.

El lenguaje Prolog,
inspirado en las reglas de los sistemas expertos descritas en el apartado 2.6,
fue diseñado durante los años setenta para escribir aplicaciones de
inteligencia artificial (Clocksin 1981-2003), y se basaba en la realización de
deducciones lógicas representadas por reglas definidas en orden arbitrario, por
lo que se dice que este lenguaje es ''no
procedimental''. Un gestor de inferencias como el de los sistemas expertos se
encarga de decidir en qué orden deben ejecutarse las reglas.

El proyecto de la
quinta generación debía durar diez años y terminó a principios de los años
noventa con un fracaso. Los supuestos ordenadores de quinta generación que iban
a construirse resultaron ser ordenadores personales corrientes, dotados de un ''firmware'' que les permitía entender el
lenguaje Prolog, lo cual no era nuevo, pues los primeros ordenadores personales
llevaban un ''firmware'' que les
capacitaba para entender el lenguaje Basic. Los grandes objetivos (traducción
automática y comprensión del lenguaje natural) no fueron alcanzados. El éxito
del proyecto consistió en empujar a otros países a lanzar proyectos menos ambiciosos,
algunos de los cuales sí dieron lugar a resultados razonables.

'''3.4.2.
Iniciativa de Defensa Estratégica'''

Conocida también como '''SDI''' (por sus siglas en inglés) y como '''Star Wars''' (''la guerra de las galaxias''), este proyecto fue lanzado por la
administración de Ronald Reagan durante los años 80 para romper el equilibrio
nuclear entre las grandes potencias. Su objeto era la construcción de un
sistema de defensa espacial que protegiera a los Estados Unidos contra un posible
ataque global con proyectiles nucleares, gracias a un conjunto de satélites
artificiales que escudriñarían permanentemente el planeta para localizar los
primeros síntomas de un ataque nuclear y pondrían en marcha diversos mecanismos
dirigidos a contrarrestar dicho ataque, impidiendo que los proyectiles intercontinentales
ICBM (''Inter-Continental Balistic Missile'')
llegaran a su destino. Un ICBM tiene un alcance de miles de kilómetros y sería
lanzado en una órbita que le llevaría fuera de la atmósfera, hasta una altitud
de unos 1200 kilómetros. De acuerdo con los tratados contra la proliferación
nuclear, cada proyectil no podría transportar más de diez cabezas nucleares,
que al final se separarían para dirigirse hacia diez objetivos diferentes,
aunque sí podría llevar un número mucho más grande de señuelos, proyectiles
secundarios sin carga nuclear, cuya única misión era disminuir la probabilidad
de que los proyectiles cargados fuesen destruidos antes de alcanzar el
objetivo.

Un ataque nuclear total
supondría el lanzamiento de unas 10.000 cabezas nucleares. Antes de la puesta
en marcha de la iniciativa de defensa estratégica, cuando una de las grandes
potencias descubriera que la otra había lanzado el ataque, sólo le quedaban dos
posibilidades: aceptar la destrucción sin tomar represalias o lanzar un contragolpe,
lo que daría lugar a la destrucción mutua de ambas partes. El mundo permaneció en
esta situación de amenaza permanente durante unos cuarenta años.

El objetivo de la iniciativa
de defensa estratégica era proporcionar una tercera alternativa: localizar prematuramente
el ataque y destruir las 10.000 cabezas nucleares durante su vuelo por el
espacio. Para conseguirlo sería preciso detectar los ICBM durante el
lanzamiento (los diez primeros minutos) y destruirlos durante la fase de
movimiento balístico sin empuje activo (unos 25 minutos), pero antes de la fase
terminal, cuando las cabezas nucleares y los señuelos se independizan, lo que
haría prácticamente imposible la destrucción de todos ellos.

Para poder destruir los
proyectiles durante la fase de movimiento balístico, se iban a utilizar armas
avanzadas (algunas aún no has sido desarrolladas), como proyectiles
antiproyectiles, armas de haces de partículas o láseres de rayos X. Obviamente
no hay tiempo para la participación humana en el proceso, por lo que el sistema
entero debería ser autónomo, controlado mediante programas de ''inteligencia artificial''.

El proyecto SDI (''Star Wars'') no llegó a implementarse,
pero el simple anuncio de su puesta en marcha quizá fue uno de los elementos
que influyó para que se rompiera el equilibrio entre las dos grandes potencias,
lo que habría conducido a la desintegración de la Unión Soviética y a la
liberación de los países pertenecientes al Pacto de Varsovia, que se deshicieron
de los regímenes dictatoriales comunistas y pasaron al sistema democrático,
realineándose después como miembros de la Unión Europea y de la OTAN.

'''3.4.3.
Cápsulas inteligentes para la exploración del sistema solar'''

La Agencia Espacial estadounidense
(NASA) ha utilizado también técnicas de inteligencia artificial para la exploración
del espacio. En la exploración de astros lejanos las comunicaciones son difíciles,
pues el tiempo de transmisión puede ser superior a una hora entre ida y vuelta,
por lo que, o bien se programa todo por anticipado, o es preciso introducir
técnicas que permitan a la cápsula espacial responder automáticamente a
situaciones no previstas.

El diseño de la primera
cápsula espacial que debería ser completamente autónoma comenzó en 1982. Su
objetivo era explorar Titán, el más grande de los satélites de Saturno. El
grupo de trabajo que inició el diseño escribió esto:

''Los
sistemas de inteligencia artificial con capacidad de formación automática de
hipótesis serán necesarios para el examen autónomo de ambientes desconocidos.
Esta capacidad es muy deseable para la exploración eficaz del Sistema Solar, y
es esencial para la investigación de otros sistemas estelares.''

Las técnicas de
inteligencia artificial que se consideraban necesarias eran:

1.
Corrección autónoma de
errores.

2.
Proceso en paralelo.

3.
Capacidad lógica y
dialéctica.

4.
Adquisición,
reconocimiento de formas y formación de conceptos.

5.
Utilización del
razonamiento abductivo.

Cuando en 1997 se lanzó
la misión Cassini/Huygens (NASA 2011), se programó por procedimientos
tradicionales, pues varias de estas técnicas aún no estaban disponibles (siguen
sin estarlo). Cuando la misión llegó en 2004 a las proximidades de Saturno, una
de sus componentes, la sonda Huygens, descendió a la superficie de Titán y
envió numerosos datos sobre lo que encontró allí. Es curioso, sin embargo, que
la actuación de la cápsula tuvo que modificarse en el último momento desde la
Tierra, pues se descubrió que el programa que la dirigía contenía un error
crítico de diseño (no se había tenido en cuenta el efecto Doppler). Como era
imposible cambiar el programa informático y éste no podía adaptarse por sí solo
a la nueva situación, hubo que buscar una solución de compromiso, que consistió
en modificar la trayectoria prevista para minimizar el efecto Doppler.
Afortunadamente, este reajuste fue suficiente para evitar que se perdiera la
información de la sonda, pero esto indica que los objetivos iniciales de dotar
a la cápsula de inteligencia artificial autónoma estaban muy lejos de haberse cumplido.
Tampoco la misión ''New Horizons'',
lanzada en 2006 y que en 2015 ha llegado a Plutón, puede considerarse un
ejemplo de inteligencia artificial autónoma, por lo que los grandes proyectos de
la NASA de los años ochenta no se han cumplido satisfactoriamente.

'''3.5.
¿Es posible la inteligencia artificial fuerte?'''

Como hemos visto, se
dice con frecuencia que estamos cerca de conseguir la verdadera ''inteligencia artificial'', la de máquinas
tan inteligentes (o más) que los seres humanos. ''¿Es esto posible, y si lo es, está realmente tan cerca como parecen
creer algunos expertos y los medios de comunicación?''

Para responder a esta
pregunta hace falta saber algo más que informática, hay que adentrarse en los
campos de la biología y de la filosofía. Después de todo, la ''inteligencia artificial'' es una copia.
Existe una ''inteligencia natural'' que
nos sirve de base y punto de comparación. La pregunta anterior puede
reformularse así: ''¿sabemos lo que es la
inteligencia natural, cómo surge y cómo se desarrolla, para poder emularla en
nuestras máquinas?'' Porque si no sabemos lo que estamos buscando,
difícilmente vamos a conseguirlo.

A esta pregunta se le
han dado cuatro respuestas filosóficas diferentes e incompatibles (Soler 2013, Polaino
2014):

1.      '''Dualismo metafísico''':
la mente y el cerebro son dos realidades diferentes. La primera es una
sustancia espiritual y no espacial, capaz de interaccionar con el cerebro, que
es material y espacial. Ambas entidades pueden existir independientemente la
una de la otra (Descartes 1647), aunque el cuerpo sin la mente acaba por
descomponerse.

2.      '''Dualismo
neurofisiológico''': la mente y el cerebro
son diferentes, pero están tan íntimamente unidas que llegan a constituir una
unidad (Eccles 1984), son dos estados complementarios y únicos de un mismo organismo
(Damasio 1996).

3.      '''Monismo emergentista''':
la mente es un producto evolutivo emergente con auto-organización, que ha
surgido como un sistema complejo a partir de sistemas más simples formados por
las neuronas (Clayton 1999, 2004, Damasio 1998, Kauffman 2003, Searle 2004).
Clayton, por ejemplo, sostiene que las estructuras subyacentes no pueden
determinar por completo la evolución de los fenómenos mentales, pero que estos sí
pueden influir sobre aquellas.

4.      '''Monismo reduccionista o
funcionalismo biológico''': la mente está
totalmente determinada por el cerebro, y este por la red de neuronas que lo
constituye. El pensamiento humano es un epifenómeno. La libertad de elección es una ilusión. Somos
máquinas programadas (Dennett 1991, Penrose 2004).

Es evidente que los
partidarios de la opción número 4 (el monismo reduccionista) creen de forma
natural que la inteligencia artificial fuerte debe ser posible, incluso con
máquinas como las que ya tenemos, cuando alcancen una potencia y velocidad
suficientes. Los partidarios de la opción número 3 (monismo emergentista)
tienden a pensar que, para que la inteligencia artificial fuerte sea posible,
primero tenemos que cumplir una condición previa: conocer a fondo el
funcionamiento de nuestro cerebro, antes de que seamos capaces de simularlo
(Hawkins 2004). Para los que abrazan una de estas dos opciones, la mente no es
más que el ''software'' de nuestro
cerebro, el programa que le hace funcionar. Por eso, ambas posturas filosóficas
tienden a ser ''funcionalistas''.

En cambio, los
partidarios de las dos primeras opciones, que piensan que la mente y el cerebro
son entes distintos, aunque puedan estar íntimamente relacionados, suelen
opinar que crear una inteligencia artificial fuerte no estará nunca a nuestro
alcance, porque antes tendríamos que ser capaces de crear mentes, lo que es
probablemente imposible, puesto que la mente estaría fuera del alcance de la
física, y por tanto de la tecnología.

'''4.
Consideraciones finales'''

En este artículo hemos
revisado las dos acepciones de la Inteligencia Artificial: la débil, que ya
está entre nosotros, cuya inteligencia es bastante discutible, pero que ha dado
lugar a muchas aplicaciones interesantes; y la fuerte, la verdadera
inteligencia, que aún no existe y quizá nunca llegue a existir. Y si existiera,
ni siquiera hemos llegado a un acuerdo sobre los medios que podríamos emplear
para detectarla.

Siempre es arriesgado
predecir el futuro, pero parece claro que muchos de los avances que se anuncian
con ligereza como inminentes están aún lejanos. Por ejemplo, no es probable que
el objetivo de comunicarse con las máquinas en lenguaje totalmente natural se
encuentre siquiera a pocas décadas de distancia. Y, por supuesto, las
predicciones de Ray Kurzweil, algunas de las cuales ya han sido refutadas por
el paso del tiempo, no van a cumplirse en un futuro inmediato, suponiendo que sean
posibles.

No sabemos, ni hay
acuerdo entre los expertos, si será factible o no, por medios informáticos,
construir inteligencias iguales o superiores a la nuestra, con capacidad de
auto-consciencia. Por medios biológicos, es evidente que sí podemos hacerlo,
pues una persona puede engendrar hijos con inteligencia igual o superior a la
suya. ¿Será posible a través de la tecnología? Y si lo fuese, ¿podemos asegurar
que la construcción de estas máquinas no se convertirá en una amenaza para
nuestra existencia?

En el estado actual de
nuestros conocimientos no tenemos respuesta a esta pregunta. Esta cuestión se
sale fuera del campo de la informática y se adentra en el de la filosofía, pues
está íntimamente ligado con el problema de la mente y la consciencia humanas,
que aún no está resuelto a satisfacción de todos.

'''Referencias '''

= Ackerman, Evan. 2014. “Can Winograd Schemas Replace Turing Test for Defining Human-Level AI?” ''IEEE Spectrum''<nowiki>, posted 29 Jul 2014, http://spectrum.ieee.org/automaton/robotics/artificial-intelligence/winograd-schemas-replace-turing-test-for-defining-humanlevel-artificial-intelligence.</nowiki> =

= Alfonseca, Manuel. 1980. “Automatic solution of sorites” ''Kybernetes'', Vol.9:1, 37-44. =

= doi: 10.1108/eb005540. =

= <nowiki>Alfonseca, Manuel. 2015. “Vivir, o el poder de la abducción” http://divulciencia.blogspot.com/2015/10/vivir-o-el-poder-de-la-abduccion.html.</nowiki> =

= Alfonseca, Manuel; Cebrián, Manuel; Fernández-Anta, Antonio; Coviello, Lorenzo; Abeliuk, Andrés; Rahwan, Iyad. Inédito. “Superintelligence cannot be contained”. =

= Asimov, Isaac. 1950. ''I, robot''. Doubleday, New York. =

= <nowiki>BBC News Online. 2016. “Artificial Intelligence: Google’s AlphaGo beats Go master Lee Sedol”, 12 March 2016, http://www.bbc.com/news/technology-35785875.</nowiki> =

= Bishop, Christopher M. 2006. ''Pattern Recognition and Machine Learning''. Springer. =

= Bostrom, Nick. 2005. “A history of transhumanist thought”'' Journal of Evolution and Technology''<nowiki>. http://www.nickbostrom.com/papers/history.pdf.</nowiki> =

= Bowling, Michael; Burch, Neil; Johanson, Michael; Tammelin, Oskari. 2015. “Heads-up limit hold’em poker is solved” ''Science'', 347(6218):145–149. =

= Campbell, Murray; Hoane, A. Joseph and Feng-hsiung Hsu. 2002. “Deep Blue” ''Artificial Intelligence'', 134(1-2):57–83. =

= <nowiki>Chess News. 2004. http://en.chessbase.com/post/bilbao-man-vs-machine-a-resume.</nowiki> =

= <nowiki>Chess News. 2005. http://en.chessbase.com/post/8-4-final-score-for-the-machines-what-next-.</nowiki> =

= Clayton, Philip. 1999. “Neuroscience, the person and God: an emergentist account”. En ''Neuroscience & the person. Scientific perspectives on divine action'', ed. Russell, R.J.; Murphy, N.; Meyering, T.; Arbib, M. Vatican Observatory Publications, Vaticano. =

= Clayton, Philip. 2004. ''Mind and Emergence, from Quantum to Consciousness''. Oxford University Press, Oxford. =

= Clocksin, William F.; Mellish, Christopher S. 1981, 2003. ''Programming in Prolog''. Springer, Berlin, New York. ISBN: 978-3-540-00678-7. =

= Damasio, Antonio. 1996. ''El error de Descartes''. Gijalbo-Mondadori, Barcelona. =

= Damasio, Antonio. 1998. ''The feeling of what happens: body and emotion in the making of consciousness''. Harcourt, New York. =

= Dennett, Daniel. 1991. ''Consciousness explained''. The Penguin Press. Existe traducción española: ''La conciencia explicada''. Paidos, Barcelona. =

= Descartes, René. 1647. ''La description du corps humain''. =

= Dickmanns, Ernst Dieter. 2007. ''Dynamic Vision for Perception and Control of Motion''. Springer. =

= Dong Yu, Li Deng. 2015. ''Automatic speech recognition''. Springer. ISBN: 978-1-4471-5778-6. =

= Eccles, J.; Robinson, D.N. 1984. ''The wonder of being human. Our brain & our mind''. Free Press, New York. =

= Faundez Zanuy, M. 2000. ''Tratamiento digital de voz e imagen y aplicación a la multimedia''. Marcombo, Barcelona. =

= Feigenbaum, Edward A.; McCorduck, Pamela. 1983. ''The fifth generation''. Addison-Wesley, Reading MA. ISBN: 978-0-201-11519-2. =

= Ferrucci, David; Brown, Eric; Chu-Carroll, Jennifer; Fan, James; Gondek, David; Kalyanpur, Aditya A.; Lally, Adam; Murdock, J. William; Nyberg, Eric; Prager, John; Schlaefer, Nico; Welty, Chris. 2010. “Building Watson: an overview of the DeepQA project” ''AI Magazine''. =

= Fisher, Adam. 2013. “Inside Google's quest to popularize self-driving cars”. ''Popular Science''<nowiki>. September 18 2013. http://www.popsci.com/cars/article/2013-09/google-self-driving-car.</nowiki> =

= Goldberg, David. 1989. ''Genetic algorithms in search, optimization and machine learning''. Addison-Wesley, Reading MA. ISBN: 978-0201157673. =

= Gurney, K. 1997. ''An introduction to neural networks''. Routledge, London UK. ISBN: 1-85728-503-4. =

= Hawkins, Jeff. 2004. ''On intelligence'', St.Martin’s Griffin, New York. =

= Hernandez-Orallo, J; Dowe, D L. 2010. "Measuring Universal Intelligence: Towards an Anytime Intelligence Test". ''Artificial Intelligence Journal'' 174 (18): 1508–1539, doi:10.1016/j.artint.2010.09.006. =

= Hutchins, W.J.; Somers, Harold. 1992. ''An introduction to machine translation. ''Academic Press, London. ISBN: 0-12-362830-X. =

= <nowiki>IBM Research. 2011. http://researcher.watson.ibm.com/researcher/view_group.php?id=2099. Véase también http://www.research.ibm.com/cognitive-computing.</nowiki> =

= Jacobs, W.W., ''The monkey’s paw''<nowiki>, 1902. http://americanliterature.com/author/w-w-jacobs/short-story/the-monkeys-paw.</nowiki> =

= <nowiki>Jochem, Todd; Pomerleau, Dean; Kumar, Bala; Armstrong, Jeremy. 1995. “PANS: A Portable Navigation Platform”. The Robotics Institute. http://www.cs.cmu.edu/afs/cs/usr/tjochem/www/nhaa/navlab5_details.html.</nowiki> =

= Jurafsky, Daniel; Martin, James H. 2008. ''Speech and Language Processing'', Pearson Prentice Hall. ISBN: 978-0-13-187321-6. =

= Kauffman, S. 2003. ''Investigaciones: complejidad, auto-organización y nuevas leyes para una Biología general''. Tusquets. Barcelona. =

= Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Held, 2013''. Computational Intelligence: A Methodological Introduction''. Springer. ISBN: 978-144-715012-1. =

= Kurzweil, Ray. 1990. ''The age of intelligent machines'', MIT Press, Cambridge. =

= Kurzweil, Ray. 1999. ''The age of spiritual machines'', Penguin Books, New York. =

= Kurzweil, Ray. 2005. ''The singularity is near'', Viking Books, New York. =

= Kurzweil, Ray. 2012. ''How to create a mind: the secret of human thought revealed'', Viking Books, New York. =

= Legg, Shane; Hutter, Marcus. 2007. ''A Collection of Definitions of Intelligence'' (Technical report). IDSIA. arXiv:0706.3639. =

= <nowiki>López de Mántaras, Ramón. 2013. “Ramón López de Mántaras: Intentar desarrollar una inteligencia artificial igual que la humana es absurdo”. CiViCa. http://www.investigadoresyprofesionales.org/drupal/content/ram%C3%B3n-l%C3%B3pez-de-m%C3%A1ntaras-intentar-desarrollar-una-inteligencia-artificial-igual-que-la-humana.</nowiki> =

= Loveland, Donald W. 1978. ''Automated theorem proving: A logical basis''. Fundamental Studies in Computer Science Vol. 6. North-Holland Publishing. =

= McCarthy, John. 2007. ''What is artificial intelligence?''<nowiki> http://www-formal.stanford.edu/jmc/whatisai/whatisai.html.</nowiki> =

= McCulloch, Warren. Pitts, Walter. 1943. "A Logical Calculus of Ideas Immanent in Nervous Activity". ''Bulletin of Mathematical Biophysics'' 5(4): 115–133. doi: 10.1007/BF02478259. =

= Manning, Christopher; Schütze, Hinrich. 1999. ''Foundations of Statistical Natural Language Processing''<nowiki>. The MIT Press. ISBN 978-0-262-13360-9.</nowiki> =

= Manning, Christopher; Raghavan, Prabhakar; Schütze, Hinrich. 2008. ''Introduction to Information Retrieval''<nowiki>. Cambridge University Press. ISBN 978-0-521-86571-5</nowiki> =

= Minski, Marvin; Papert, Seymour. 1969, 1972. ''Perceptrons: An Introduction to Computational Geometry''<nowiki>, The MIT Press, Cambridge MA, ISBN 0-262-63022-2.</nowiki> =

= Minski, Marvin. 1980. “Decentralized minds”. ''Behavioral and brain sciences'' 3(3) 439-440. doi: 10.1017/S0140525X00005914. =

= NASA 2011. ''Cassini-Huygens quick facts''<nowiki>. http://saturn.jpl.nasa.gov/mission/quickfacts/. Consultado 2011-08-20.</nowiki> =

= Nilsson, Nils. 1998. ''Artificial Intelligence: A New Synthesis''<nowiki>. Morgan Kaufmann. ISBN 978-1-55860-467-4.</nowiki> =

= Norris, James R. 1998. ''Markov chains''. Cambridge University Press. =

= Penrose, Roger. 2004. ''The Road to Reality''. Random House. Londres. =

= Polaino, Aquilino. 2014. “¿Ha demostrado la neurociencia que la mente no es más que un subproducto de la materia?”. En ''60 preguntas sobre ciencia y fe respondidas por 26 profesores de universidad'', ed. Soler Gil, Francisco José, y Alfonseca, Manuel. Stella Maris, Barcelona. =

= Popper, Karl. 1962. ''La lógica de la investigación científica'', Tecnos. =

= Powers, David; Turk, Christopher. 1989. ''Machine Learning of Natural Language''<nowiki>. Springer-Verlag. ISBN 978-0-387-19557-5.</nowiki> =

= Rosenblatt, F. 1958. "The Perceptron: A probabilistic model for information storage and organization in the brain". ''Psychological Review'' 65 (6): 386–408. doi: 10.1037/h0042519. =

= Russell, Stuart J.; Norvig, Peter. 2003. ''Artificial Intelligence: a modern approach''. Prentice Hall, Upper Saddle River. ISBN: 0-13-790395-2. =

= Schaeffer, J.; Burch, N.; Bjornsson, Y.; Kishimoto, A.; Muller, M.; Lake, R.; Lu, P.; Sutphen, S. 2007. “Checkers Is Solved” ''Science'', 317(5844):1518–1522. =

= Searle, John R. 1980. “Minds, brains and programs”. ''Behavioral and mind sciences'' 3 (3): 417–457, doi: 10.1017/S0140525X00005756. =

= Searle, John R. 1999. ''Mind, language and society''<nowiki>, Basic Books, New York. ISBN 0-465-04521-9.</nowiki> =

= Searle, John R. 2004. ''Mind. A Brief Introduction''. Oxford University Press. Oxford. =

= Siddique, Adeli; Nazmul, Hojjat. 2013. ''Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing''. John Wiley & Sons. =

= Soler Gil, Francisco José. 2013. ''Mitología materialista de la ciencia''. Ediciones Encuentro, Madrid. =

= Sutskever, Ilya; Vinyals, Oriol; Le, Quoc V. 2014. ''Sequence to Sequence Learning with Neural Networks''. arXiv:1409.3215. =

= Tesauro, Gerald (1989). “Neurogammon Wins Computer Olympiad”. ''Neural Computation'' 1 (3): 321–323. doi: 10.1162/neco.1989.1.3.321. =

= Turing, Alan. 1937. “On Computable Numbers With an Application to the Entscheidungsproblem”. ''Proceedings of the London Mathematical Society'', Series 2, Vol.42, 230–265, doi: 10.1112/plms/s2-42.1.230. =

= Turing, Alan. 1950. “Computing Machinery and Intelligence” ''Mind'' LIX (236): 433–460. doi:10.1093/mind/LIX.236.433. =

= United Nations. 2015. ''Revision of World Population Prospects''<nowiki>. http://esa.un.org/wpp/Demographic-Profiles/index.shtm.</nowiki> =

= Weizenbaum, Joseph. 1966. "ELIZA—A computer program for the study of natural language communication between man and machine". ''Communications of the ACM'' 9 (1): 36–45, doi: 10.1145/365153.365168. =

= Wiener, Norbert. 1948, 1961. ''Cybernetics'', The MIT Press, Cambridge Mass. =

= <nowiki>Wolfram, Stephen. 2012. “Announcing Wolfram|Alpha Pro”. Wolfram|Alpha Blog, February 8, 2012. http://blog.wolframalpha.com/2012/02/08/announcing-wolframalpha-pro/</nowiki> =

=<nowiki/>=

Malfonseca

Autores

0

ediciones

DIA β

Cambios

Inteligencia artificial

DIA ^β