En diciembre de 2023, Brent Oster y Gunnar Newquist publicaron en Amazon Kindle el libro Inteligencia General Artificial: Una Revolución Más Allá del Aprendizaje Profundo y el Cerebro Humano, una obra que debate si los modelos de deep learning actuales son suficientes para llegar a la inteligencia artificial general (AGI, por sus siglas en inglés) o si hacen falta enfoques radicalmente distintos. La pregunta no es nueva, pero los autores la abordan desde una combinación poco habitual: ingeniería de IA y neurociencia.
Oster suma diez años de experiencia en desarrollo de sistemas de IA. Newquist es doctor en Neurociencia. Su colaboración intenta cruzar lo que saben los ingenieros que construyen modelos con lo que saben los científicos que estudian cómo funciona el cerebro real, dos disciplinas que trabajan sobre el mismo problema pero con lenguajes y suposiciones a menudo diferentes.
Las preguntas que el libro intenta responder
El libro parte de dos preguntas concretas que ilustran bien el gap entre lo que la IA puede hacer hoy y lo que muchos esperaban que ya hiciera: ¿por qué todavía no tenemos robots que realicen tareas domésticas con la soltura con que lo haría cualquier persona? ¿Por qué las interacciones con agentes artificiales siguen siendo rígidas en situaciones fuera del guión, aunque ChatGPT o Gemini impresionen en otros contextos?
Las respuestas que proponen Oster y Newquist apuntan a limitaciones fundamentales del paradigma del aprendizaje profundo: su dependencia de grandes volúmenes de datos etiquetados, su dificultad para generalizar a situaciones no vistas en el entrenamiento y la brecha entre el razonamiento estadístico que hacen los LLM y la comprensión causal que parece subyacer a la inteligencia humana. El propio Jeff Bezos ha sealado la paradoja de que la IA genere ya desempleo en algunos sectores mientras seguimos sin tener AGI, lo que ilustra la distancia entre las capacidades actuales y las que muchos atribuyen a la IA.
Las aplicaciones que contempla el libro
El libro no se limita a la crítica. Oster y Newquist repasan posibles aplicaciones de la AGI en áreas como la robótica, la medicina, el derecho, las finanzas, la multimedia y la defensa, trazando el tipo de avances que harían falta en cada campo para que un sistema de inteligencia general marque una diferencia real.
La robótica aparece como el campo donde la brecha es más visible: pese al avance de los modelos de lenguaje, los sistemas robóticos siguen teniendo dificultades con la manipulación de objetos en entornos no estructurados, la planificación a largo plazo y la adaptación a imprevistos. La promesa de la AGI en robótica sigue requiriendo avances en percepción, razonamiento espacial y aprendizaje con muy pocos ejemplos (few-shot learning) que los modelos actuales no han resuelto de forma general.
En medicina y derecho, los autores ven oportunidades claras en el análisis de documentos complejos, el apoyo al diagnóstico y la búsqueda de precedentes, áreas donde los LLM ya demuestran utilidad pero donde todavía es arriesgado delegar decisiones críticas sin supervisión humana. La carrera hacia la AGI enfrenta a los principales laboratorios del mundo, con Demis Hassabis en Google DeepMind, Sam Altman en OpenAI y otros compitiendo sobre qué arquitectura llegará primero al siguiente nivel.
¿A quién va dirigido?
El libro está escrito para una audiencia amplia, desde aficionados a la IA hasta profesionales del sector y responsables de políticas. Los autores han optado por un lenguaje accesible que no sacrifica el rigor técnico, lo que lo convierte en una lectura útil tanto para quienes quieren entender el estado actual de la IA como para quienes toman decisiones de inversión o regulación en este campo. El libro está disponible en Amazon Kindle desde el 21 de diciembre de 2023.
¿Qué diferencia hay entre el deep learning y la AGI?
El deep learning es el paradigma dominante en IA hoy: modelos entrenados con grandes volúmenes de datos que aprenden patrones estadísticos. La AGI (Inteligencia General Artificial) se refiere a sistemas capaces de razonar, aprender y actuar en cualquier dominio con la flexibilidad de un ser humano. Los modelos de deep learning actuales destacan en tareas específicas pero no tienen esa capacidad de generalización amplia.
¿Por qué los robots domésticos todavía no son una realidad masiva?
La robótica doméstica requiere percepción precisa del entorno físico, planificación de movimientos en espacios cambiantes y adaptación en tiempo real a imprevistos. Estos problemas de razonamiento espacial y causal siguen siendo un reto para los sistemas de IA actuales, que funcionan bien en tareas bien definidas pero fallan ante situaciones no entrenadas.
¿Qué aporta la neurociencia al debate sobre la AGI?
La neurociencia ofrece modelos de cómo el cerebro humano procesa la información, aprende con pocos ejemplos y generaliza a situaciones nuevas. Algunos investigadores sostienen que incorporar estos principios en las arquitecturas de IA podría superar las limitaciones del deep learning. La colaboración entre ingenieros de IA y neurocientíficos que proponen Oster y Newquist es uno de los enfoques que se exploran en el campo.
¿Hay consenso sobre cuándo llegará la AGI?
No. Las estimaciones van desde pocos años (Sam Altman habla de AGI en esta década) hasta décadas o incluso la imposibilidad de llegar a ella con las arquitecturas actuales. La definición de AGI tampoco es unánime, lo que complica cualquier estimación de plazos.
