¿Qué es la inteligencia artificial general?
La inteligencia artificial general (AGI) es un campo de investigación teórica de la IA que intenta crear software con inteligencia similar a la humana y con la capacidad de autoaprendizaje. El objetivo es que el software pueda realizar tareas para las que no está necesariamente entrenado o desarrollado.
Todas las tecnologías actuales de inteligencia artificial (IA) funcionan dentro de un conjunto de parámetros predeterminados. Por ejemplo, los modelos de IA entrenados en el reconocimiento y la generación de imágenes no pueden crear páginas web. La AGI es una búsqueda teórica para desarrollar sistemas de inteligencia artificial que posean un autocontrol autónomo, un grado razonable de autocomprensión y la capacidad de aprender nuevas habilidades. Puede resolver problemas complejos en entornos y contextos que no se le enseñaron en el momento de su creación. La AGI con habilidades humanas sigue siendo un concepto teórico y un objeto de investigación.
¿Cuál es la diferencia entre la inteligencia artificial y la inteligencia artificial general?
A lo largo de décadas, los investigadores de IA han marcado varios hitos que han hecho avanzar significativamente la inteligencia de las máquinas, incluso en grados que imitan la inteligencia humana en tareas específicas. Por ejemplo, los resumidores de IA utilizan modelos de machine learning (ML) para extraer puntos importantes de los documentos y generar un resumen comprensible. La IA es, por lo tanto, una disciplina de la informática que permite al software resolver tareas nuevas y difíciles con un rendimiento a nivel humano.
Por el contrario, un sistema AGI puede resolver problemas en varios dominios, como un ser humano, sin intervención manual. En lugar de limitarse a un ámbito específico, la AGI puede autoenseñarse y resolver problemas para los que nunca se formó. La AGI es, pues, una representación teórica de una inteligencia artificial completa que resuelve tareas complejas con capacidades cognitivas humanas generalizadas.
Algunos informáticos creen que la AGI es un programa informático hipotético con capacidades cognitivas y de comprensión humanas. Los sistemas de inteligencia artificial pueden aprender a administrar tareas desconocidas sin necesitar entrenamiento adicional en tales teorías. Por otra parte, los sistemas de inteligencia artificial que utilizamos hoy en día requieren un entrenamiento sustancial antes de poder administrar tareas relacionadas dentro del mismo dominio. Por ejemplo, debe ajustar un modelo de lenguaje de gran tamaño (LLM) previamente entrenado con conjuntos de datos médicos antes de que pueda funcionar de manera coherente como un chatbot médico.
Una IA fuerte en comparación con una IA débil
La IA fuerte es una inteligencia artificial completa, o AGI, capaz de realizar tareas con los niveles cognitivos humanos a pesar de tener pocos conocimientos básicos. La ciencia ficción a menudo describe una IA fuerte como una máquina pensante con una comprensión humana que no se restringe a las limitaciones de dominio.
Por el contrario, la IA débil o la IA limitada son sistemas de IA que se limitan a las especificaciones informáticas, los algoritmos y las tareas específicas para las que están diseñados. Por ejemplo, los modelos de IA anteriores tenían una memoria limitada y solo se basaban en datos en tiempo real para tomar decisiones. Incluso las aplicaciones de IA generativa emergentes con una mejor retención de memoria se consideran una IA débil porque no se pueden reutilizar para otros dominios.
¿Cuáles son los enfoques teóricos de la investigación sobre inteligencia artificial general?
Lograr la inteligencia artificial general (AGI) requiere un espectro más amplio de tecnologías, datos e interconectividad que el que impulsa los modelos de IA actuales. La creatividad, la percepción, el aprendizaje y la memoria son esenciales para crear una IA que imite el comportamiento humano complejo. Los expertos en IA han propuesto varios métodos para impulsar la investigación de la AGI.
Simbólico
El enfoque simbólico supone que los sistemas informáticos pueden desarrollar AGI mediante la representación de los pensamientos humanos con redes lógicas en expansión. La red lógica simboliza los objetos físicos con una lógica “if-else”, lo que permite que el sistema de IA interprete las ideas a un nivel de pensamiento superior. Sin embargo, la representación simbólica no puede replicar habilidades cognitivas sutiles en el nivel inferior, como la percepción.
Conexionista
El enfoque conexionista (o emergentista) se centra en replicar la estructura del cerebro humano con una arquitectura de redes neuronales. Las neuronas cerebrales pueden alterar sus vías de transmisión a medida que los humanos interactúan con estímulos externos. Los científicos esperan que los modelos de IA que adopten este enfoque subsimbólico puedan replicar una inteligencia similar a la humana y demostrar capacidades cognitivas de bajo nivel. Los modelos de lenguajes grandes son un ejemplo de IA que utiliza el método conexionista para entender los lenguajes naturales.
Universalistas
Los investigadores que adoptan el enfoque universalista se centran en abordar las complejidades de la AGI a nivel de cálculo. Intentan formular soluciones teóricas que puedan reutilizar en sistemas prácticos de AGI.
Arquitectura de todo el organismo
El enfoque de arquitectura de todo el organismo implica integrar modelos de IA con una representación física del cuerpo humano. Los científicos que apoyan esta teoría creen que la AGI solo se puede lograr cuando el sistema aprende de las interacciones físicas.
Solución híbrida
El enfoque híbrido estudia los métodos simbólicos y subsimbólicos para representar los pensamientos humanos a fin de lograr resultados más allá de un enfoque único. Los investigadores de IA pueden intentar asimilar diferentes principios y métodos conocidos para desarrollar la AGI.
¿Cuáles son las tecnologías que impulsan la investigación sobre inteligencia artificial general?
La AGI sigue siendo un objetivo lejano para los investigadores. Actualmente, se están haciendo esfuerzos para construir sistemas de AGI que se ven alentados por los desarrollos emergentes. En las siguientes secciones, se describen las tecnologías emergentes.
Aprendizaje profundo
El aprendizaje profundo es una disciplina de IA que se centra en entrenar redes neuronales con múltiples capas ocultas para extraer y comprender relaciones complejas a partir de datos sin procesar. Los expertos en inteligencia artificial utilizan el aprendizaje profundo para crear sistemas capaces de comprender texto, audio, imágenes, video y otros tipos de información. Por ejemplo, los desarrolladores utilizan Amazon SageMaker para crear modelos ligeros de aprendizaje profundo para Internet de las cosas (IoT) y dispositivos móviles.
IA generativa
La inteligencia artificial generativa (IA generativa) es un subconjunto del aprendizaje profundo en el que un sistema de IA puede producir contenido único y realista a partir del conocimiento adquirido. Los modelos de IA generativa se entrenan con conjuntos de datos masivos, lo que les permite responder a las consultas humanas con texto, audio o imágenes que se parecen naturalmente a las creaciones humanas. Por ejemplo, los LLM de AI21 Labs, Anthropic, Cohere y Meta son algoritmos de IA generativa que las organizaciones pueden usar para resolver tareas complejas. Los equipos de software utilizan Amazon Bedrock para implementar estos modelos rápidamente en la nube sin aprovisionar servidores.
NLP
El procesamiento de lenguaje natural (NLP) es una rama de la IA que permite que los sistemas informáticos comprendan y generen lenguaje humano. Los sistemas de NLP utilizan tecnologías de machine learning y lingüística computacional para convertir los datos del lenguaje en representaciones simples llamadas tokens y para comprender su relación contextual. Por ejemplo, Amazon Lex es un motor de NLP que permite que las organizaciones creen chatbots conversacionales.
Visión artificial
La visión artificial es una tecnología que permite que los sistemas extraigan, analicen y comprendan información espacial a partir de datos visuales. Los vehículos autónomos utilizan modelos de visión artificial para analizar las imágenes en tiempo real de las cámaras y conducir el vehículo de forma segura lejos de los obstáculos. Las tecnologías de aprendizaje profundo permiten que los sistemas de visión artificial automaticen el reconocimiento, la clasificación, el monitoreo y otras tareas de procesamiento de imágenes de objetos a gran escala. Por ejemplo, los ingenieros utilizan Amazon Rekognition para automatizar el análisis de imágenes para diversas aplicaciones de visión artificial.
Robótica
La robótica es una disciplina de ingeniería en la que las organizaciones pueden construir sistemas mecánicos que realizan maniobras físicas automáticamente. En la AGI, los sistemas robóticos permiten que la inteligencia de las máquinas se manifieste físicamente. Es fundamental para introducir las capacidades de percepción sensorial y manipulación física que requieren los sistemas de AGI. Por ejemplo, integrar un brazo robótico con AGI puede permitir que el brazo detecte, agarre y pele naranjas como lo hacen los humanos. Al investigar la AGI, los equipos de ingeniería utilizan AWS RoboMaker para simular sistemas robóticos de forma virtual antes de ensamblarlos.
¿Cuáles son los desafíos en la investigación de la inteligencia artificial general?
Los informáticos se enfrentan a algunos de los siguientes desafíos en el desarrollo de la AGI.
Hacer conexiones
Los modelos actuales de IA se limitan a su dominio específico y no pueden establecer conexiones entre dominios. Sin embargo, los seres humanos pueden aplicar el conocimiento y la experiencia de un dominio a otro. Por ejemplo, las teorías educativas se aplican en el diseño de juegos para crear experiencias de aprendizaje atractivas. Los seres humanos también pueden adaptar lo que aprenden de la educación teórica a situaciones de la vida real. Sin embargo, los modelos de aprendizaje profundo requieren un entrenamiento sustancial con conjuntos de datos específicos para trabajar de manera confiable con datos desconocidos.
Inteligencia emocional
Los modelos de aprendizaje profundo apuntan a la posibilidad de la AGI, pero aún no han demostrado la creatividad auténtica que poseen los seres humanos. La creatividad requiere un pensamiento emocional, que la arquitectura de redes neuronales aún no puede replicar. Por ejemplo, los humanos responden a una conversación en función de lo que perciben emocionalmente, pero los modelos de NLP generan texto en función de los conjuntos de datos lingüísticos y los patrones en los que se entrenan.
Percepción sensorial
La AGI requiere que los sistemas de IA interactúen físicamente con el entorno externo. Además de las habilidades robóticas, el sistema debe percibir el mundo como lo hacen los humanos. Las tecnologías informáticas existentes necesitan más avances antes de poder diferenciar formas, colores, sabores, olores y sonidos con precisión como los humanos.
¿Cómo puede ayudarlo AWS en sus esfuerzos de IA y AGI?
AWS proporciona servicios de inteligencia artificial gestionados que lo ayudan a entrenar, implementar y escalar aplicaciones de IA generativa. Las organizaciones utilizan nuestras herramientas de inteligencia artificial y modelos fundamentales para innovar en los sistemas de inteligencia artificial con sus propios datos para casos de uso personalizados.
- Amazon Bedrock es un servicio totalmente gestionado en el que los desarrolladores pueden utilizar llamadas a la API para acceder a los modelos de IA generativa que implementan. Puede seleccionar, personalizar, entrenar e implementar modelos fundamentales líderes del sector en Bedrock para que funcionen con datos patentados.
- Amazon SageMaker Jumpstart ayuda a los equipos de software a acelerar el desarrollo de la IA mediante la creación, el entrenamiento y la implementación de modelos fundamentales en un centro de aprendizaje automático.
- Utilice Amazon Elastic Compute Cloud UltraClusters para potenciar sus cargas de trabajo de IA generativa con unidades de procesamiento gráfico (GPU) de supercomputación a fin de procesar conjuntos de datos masivos con baja latencia.
Regístrese para obtener una cuenta de AWS y comience a usar la AGI hoy mismo.
Pasos siguientes en AWS
Obtenga acceso instantáneo al nivel Gratuito de AWS.
Comience a crear en la consola de administración de AWS.