Marzo/26 En University World News, Yoonil, catedrático de la Universidad Cibernética KyungHee de Corea del Sur, muestra que la IA no es inteligencia real, sino predicción estadística e invita a que las universidades cultiven el juicio humano para cuestionar sistemas automatizados.
Una tarde, no hace mucho, durante un seminario de posgrado sobre tecnología y sociedad, un estudiante formuló una pregunta que reveló la confusión de nuestro momento tecnológico con mayor claridad que cualquier informe político. «Profesor», preguntó, «si la inteligencia artificial está superando nuestra inteligencia, ¿para qué nos estamos preparando aún?».
Se hizo el silencio en la sala. La pregunta no pretendía ser una provocación; reflejaba la inquietud que muchos estudiantes sienten ahora sobre su futuro. En los campus universitarios circulan titulares sobre máquinas que redactan ensayos, componen música, diagnostican enfermedades y superan a los humanos en exámenes profesionales.
La implicación parece difícil de ignorar: la inteligencia misma parece estar automatizándose.
Sin embargo, la premisa detrás de la pregunta se basa en un profundo malentendido que las universidades deben abordar con urgencia. La inteligencia artificial, tal como existe hoy, no es una forma de inteligencia en absoluto. Es algo fundamentalmente diferente.
El verdadero problema no es que las máquinas se estén volviendo inteligentes, sino que las sociedades interpretan cada vez más los sistemas predictivos como si fueran la inteligencia misma.
A menos que las universidades aclaren esta distinción, la educación superior corre el riesgo de reforzar una de las confusiones conceptuales más importantes del siglo XXI.
La IA como la marca más exitosa del siglo
El uso continuado del término «inteligencia artificial» no es solo una cuestión de tradición. Puede ser uno de los ejemplos más exitosos de marketing tecnológico en la historia moderna.
A lo largo de la historia industrial, las tecnologías transformadoras han ido acompañadas de narrativas convincentes. La máquina de vapor simbolizó la era mecánica. La electricidad representó el poder invisible aprovechado para el progreso humano. Internet prometió la democratización de la información. La inteligencia artificial conlleva una implicación mucho más radical: que la inteligencia misma podría copiarse.
Esta narrativa tiene un poder extraordinario. Atrae capital de riesgo, moldea las estrategias nacionales de innovación e impulsa la competencia geopolítica. Los gobiernos ahora compiten por convertirse en «superpotencias de IA». Las universidades se apresuran a establecer institutos de IA. Las empresas tecnológicas se promocionan como líderes en IA incluso cuando sus sistemas se basan principalmente en modelos estadísticos y análisis de datos.
El lenguaje de la inteligencia amplifica el misticismo tecnológico.
Pero el misticismo también oscurece la realidad. Cuando se describe a los sistemas estadísticos como entidades inteligentes, el debate público se desvía de la infraestructura subyacente que realmente influye en su comportamiento: la propiedad de los datos, los regímenes de capacitación, los recursos computacionales y la gobernanza institucional.
Las sociedades comienzan a debatir si las máquinas superarán la inteligencia humana, prestando menos atención a quién controla los datos, modelos y algoritmos que influyen cada vez más en la toma de decisiones. En la práctica, la pregunta más trascendental rara vez es si las máquinas piensan, sino quién gobierna las infraestructuras que dan forma a lo que esas máquinas predicen.
La inteligencia artificial podría ser recordada, en última instancia, menos como un avance científico que como una poderosa metáfora, una que transformó la forma en que las sociedades imaginan la tecnología y la inteligencia.
El término más exitoso y erróneo en la ciencia moderna
La frase “inteligencia artificial” se originó en el Proyecto de Investigación de Verano sobre Inteligencia Artificial de Dartmouth de 1956 , donde investigadores como John McCarthy y Marvin Minsky imaginaron máquinas capaces de imitar el razonamiento humano.
La frase describía una aspiración más que una descripción técnica. Setenta años después, la frase aún existe, aunque la tecnología ha cambiado de maneras muy diferentes.
Los sistemas de IA modernos no piensan como los humanos. Carecen de propósito, comprensión y conciencia. En cambio, operan mediante inferencia estadística a una escala extraordinaria.
Los grandes modelos de lenguaje generan texto estimando la probabilidad de que una palabra siga a otra. Este enfoque surgió de la arquitectura Transformer, introducida por Ashish Vaswani y sus colegas en 2017 , que permitió a las redes neuronales aprender patrones lingüísticos a través de enormes conjuntos de datos.
Los sistemas de reconocimiento de imágenes categorizan de forma similar los patrones visuales analizando vínculos estadísticos entre millones de imágenes etiquetadas. Los sistemas de recomendación predicen qué podrían ver, leer o comprar los usuarios basándose en patrones de comportamiento observados en grandes poblaciones.
En resumen, los sistemas de IA modernos no son mentes artificiales, sino detectores de patrones probabilísticos. Sus resultados parecen inteligentes porque el lenguaje, las imágenes y el comportamiento humanos contienen profundas regularidades estadísticas. Cuando las máquinas aprenden esas regularidades a partir de miles de millones de ejemplos, los resultados pueden parecer sorprendentemente humanos.
Pero no hay que confundir apariencia con mecanismo.
Una calculadora realiza operaciones aritméticas mucho más rápido que cualquier ser humano, pero no le atribuimos comprensión matemática. Sin embargo, cuando los modelos estadísticos producen un lenguaje fluido, a menudo nos vemos tentados a atribuirles cognición. Esta tendencia revela más sobre la percepción humana que sobre las propias máquinas.
La seducción de la metáfora de la inteligencia.
Los humanos comprenden naturalmente los sistemas complejos a través de metáforas e historias. Llamar a estas tecnologías “inteligencia artificial” implica que las máquinas están cobrando vida. La metáfora es retóricamente cautivadora. Energiza la ciencia ficción, impulsa la inversión tecnológica e influye en la imaginación pública. Pero las metáforas también influyen en la gobernanza.
Cuando los sistemas estadísticos se perciben como actores inteligentes, sus resultados adquieren una autoridad que en realidad no poseen. Las recomendaciones algorítmicas parecen objetivas. Las decisiones automatizadas parecen imparciales. Los modelos predictivos adquieren un aura de inevitabilidad.
Sin embargo, cada sistema de IA se construye sobre capas de decisiones humanas: qué datos recopilar, cómo se definen las variables, qué modelos se entrenan y qué resultados se optimizan. La inteligencia aparente no reside dentro de la máquina; emerge de las arquitecturas humanas que diseñan, entrenan y despliegan estos sistemas.
La investigación de Joy Buolamwini y Timnit Gebru demostró que los sistemas de reconocimiento facial entrenados con conjuntos de datos sesgados funcionaban mucho peor en mujeres de piel más oscura que en hombres de piel más clara. Los sistemas no eran maliciosos; Eran modelos estadísticos que reflejaban los sesgos en sus datos de entrenamiento.
El verdadero peligro, por lo tanto, no es que las máquinas se vuelvan demasiado inteligentes. El peligro es que los humanos confíen demasiado en sistemas que parecen inteligentes.
Qué es realmente la IA
La mayoría de los sistemas de IA modernos pueden describirse como sistemas de aprendizaje automático construidos sobre aprendizaje estadístico a gran escala. Se entrenan ajustando parámetros matemáticos para que las predicciones coincidan con los datos reales. Durante el entrenamiento, miles de millones de pesos internos se actualizan repetidamente para reducir los errores de predicción.
El proceso se asemeja a un vasto paisaje de probabilidad que se remodela gradualmente mediante la optimización. Los modelos de lenguaje entienden la estructura probabilística de la comunicación humana. Los modelos de imágenes captan la geometría estadística de la representación visual. Los sistemas de recomendación aprenden patrones de comportamiento en entornos digitales.
Ninguno de estos procesos requiere una comprensión verdadera. Requieren datos, computación y optimización.
Las notables capacidades de la IA moderna provienen principalmente de la escala. Cuando los modelos estadísticos se entrenan con billones de palabras o miles de millones de imágenes, detectan patrones que los sistemas más pequeños no podían ver antes. Lo que parece ser inteligencia a menudo surge del reconocimiento de una gran cantidad de patrones.
La verdadera transformación: Una nueva infraestructura de predicción
El cambio más significativo de la era de la IA no es el surgimiento de la inteligencia artificial en sí, sino la expansión de los sistemas predictivos a prácticamente todos los ámbitos del conocimiento. Por lo tanto, lo que llamamos inteligencia artificial es menos una nueva forma de inteligencia que una nueva infraestructura de predicción.
Así como la imprenta transformó la circulación del conocimiento e internet reorganizó la información a través de redes, la IA moderna reorganiza el conocimiento mediante una nueva infraestructura de predicción probabilística. En ciencia, economía, medios de comunicación y gobernanza, los modelos predictivos influyen cada vez más en cómo se produce, interpreta y utiliza el conocimiento.
La inteligencia humana no está desapareciendo; se está realineando, redistribuyendo a través de interfaces hombre-máquina y reorganizando dentro de sistemas cognitivos híbridos que combinan el razonamiento humano con la predicción computacional. En tales entornos, el conocimiento surge de la interacción del juicio humano, el análisis algorítmico y las infraestructuras de datos a gran escala.
El desafío educativo, por lo tanto, no es preparar a los estudiantes para competir con las máquinas, sino prepararlos para pensar críticamente dentro de sistemas cada vez más moldeados por la inferencia estadística. Los estudiantes deben aprender cuándo se puede confiar en los resultados algorítmicos, cuándo deben cuestionarse y cuándo el juicio humano debe, en última instancia, prevalecer sobre las predicciones de las máquinas.
La responsabilidad de las universidades
Históricamente, las universidades han desempeñado un papel vital para ayudar a las sociedades a comprender las revoluciones tecnológicas.
Si bien la imprenta revolucionó la difusión del conocimiento, las universidades preservaron los marcos intelectuales esenciales para una comprensión responsable. De manera similar, la maquinaria industrial transformó las economías, pero las universidades formaron ingenieros para comprender tanto las capacidades como las limitaciones de los sistemas mecánicos.
El surgimiento de la IA exige un enfoque comparable; la educación superior debe evitar la trampa de concentrarse únicamente en la formación técnica en aprendizaje automático, descuidando sus principios fundamentales.
Los estudiantes deben aprender teoría de la probabilidad, ya que los sistemas modernos de IA operan mediante inferencia estadística en lugar de razonamiento; comprender la probabilidad les ayuda a interpretar la incertidumbre, la predicción y las limitaciones de los modelos.
Deben estudiar el diseño de algoritmos, puesto que estos estructuran el procesamiento de datos y la generación de decisiones. La ciencia de datos es igualmente esencial, ya que enseña cómo se recopilan, estructuran e interpretan los datos, procesos que dan forma fundamental a los resultados de los sistemas computacionales.
Sin embargo, el conocimiento técnico por sí solo es insuficiente. Los estudiantes también deben familiarizarse con la filosofía de la mente, que explora el verdadero significado de la inteligencia, la comprensión y la consciencia.
La ética les ayuda a evaluar las consecuencias de las decisiones automatizadas y las responsabilidades asociadas al poder tecnológico. La epistemología capacita a los estudiantes para examinar cómo se produce, valida y, potencialmente, distorsiona el conocimiento mediante sistemas algorítmicos. Finalmente, la economía política revela cómo se gobiernan, financian y distribuyen los datos, las plataformas y las infraestructuras tecnológicas en la sociedad.
Por lo tanto, comprender la IA requiere conocimientos tanto de matemáticas como de significado humano. Sin esta base intelectual más amplia, las universidades corren el riesgo de graduar estudiantes capaces de construir sistemas poderosos sin comprender los supuestos, valores y estructuras de poder inherentes a ellos.
De vuelta al aula
Al final del seminario, el estudiante que había formulado la pregunta original se acercó de nuevo. «Si la IA no es realmente inteligencia», dijo, «¿en qué deberíamos centrarnos para aprender?».
La respuesta fue más sencilla de lo que esperaba.
Los estudiantes necesitan comprender cómo funciona la inteligencia humana. Necesitan comprender el proceso de creación de conocimiento, la evaluación de la evidencia y el impacto de los sistemas tecnológicos en el poder social. Deben desarrollar la capacidad de plantear preguntas que vayan más allá de las capacidades de las máquinas e interpretar respuestas que estas no pueden comprender.
En resumen, necesitan aprender a pensar.
La paradoja de la era de la IA podría ser, en última instancia, la siguiente: a medida que nuestras máquinas estadísticas se vuelven más poderosas, las universidades deben hacer mayor hincapié en cultivar las capacidades exclusivamente humanas que esas máquinas no poseen.
La verdadera transformación de nuestra era no es el auge de la inteligencia artificial, sino la creciente influencia de los sistemas estadísticos en la configuración de cómo se produce el conocimiento y se toman las decisiones. En un mundo así, la responsabilidad más importante de las universidades no es simplemente capacitar a los estudiantes para construir estos sistemas, sino cultivar el criterio necesario para cuestionarlos.
En la era de los algoritmos, la forma más importante de inteligencia que las universidades pueden cultivar sigue siendo el juicio humano.
