Proyectos con horizontes maximalistas de esta envergadura se enmarcan en lo que ha pasado a llamarse inteligencia artificial general o inteligencia artificial fuerte.

La hipótesis fundamental es la factibilidad de construir mecanismos con habilidades cognitivas equivalentes a un humano que podrían resolver desde la base cualquier problema al que se vean enfrentados. Sin embargo, esto no es el tema central en el quehacer de la inmensa mayoría de los especialistas del área. Los objetivos son en realidad mucho más acotados, típicamente asociados a tareas específicas. Entonces, en el día a día: ¿Qué se entiende por inteligencia artificial?

Lo “artificial” es fácil de precisar: se trata simplemente del mecanismo que se pretende construir, esto es una máquina convenientemente programada. La máquina por excelencia es el computador digital que todos conocemos. Otro modelo de máquina muy utilizado son las redes neuronales que, contrariamente al computador digital, no ejecutan instrucciones elementales paso a paso, sino que se conciben como mecanismos masivamente paralelos con muchas unidades elementales que en general se organizan en capas conectadas secuencialmente. Sin embargo las redes neuronales y otros modelos alternativos de procesamiento se pueden implementar simulándolos en un computador digital clásico, por lo que no hay pérdida de generalidad en restringirse a este último.

La atribución de “inteligencia” a una máquina programada se ha justificado históricamente por el tipo de problema abordado. En general se asocia a soluciones que involucran un alto grado de flexibilidad en las acciones llevadas a cabo para maximizar las posibilidades de éxito en la tarea propuesta. Por ejemplo, un sistema de contabilidad no se considera inteligente, pero uno que juega ajedrez sí. La diferencia radica en que la contabilidad sigue reglas preestablecidas que se pueden codificar de antemano, mientras que para jugar bien al ajedrez hay que elegir la siguiente jugada analizando una situación compleja que además va evolucionando a lo largo del juego. Esta noción de inteligencia suele basarse en una intuición antropocéntrica, habría inteligencia artificial toda vez que un humano enfrentado al mismo problema deba utilizar su propia inteligencia natural para resolverlo. Así, una máquina demostraría inteligencia en la medida que su desempeño fuera equivalente al de un humano en las mismas circunstancias (ya en 1950 el test de Turing proponía un criterio similar aplicado a una tarea de diálogo en lenguaje natural). Aunque puede ser una aproximación útil, esta concepción no es técnicamente precisa ya que no se refiere a lo que tiene de computacionalmente específico la inteligencia artificial 

Las técnicas de inteligencia artificial responden a la necesidad de administrar los elementos de información cuando los problemas abordados no permiten el análisis exhaustivo requerido para una programación estándar. En el caso del ajedrez, aunque en principio es posible explorar todas las posibilidades, en la práctica en vez de tomar una decisión en minutos se necesitarían millones de años (y quizás mucho más).  En otros casos, por ejemplo para un sistema de pilotaje de un vehículo autónomo que debe decidir si conserva o modifica dirección y velocidad, ni siquiera queda claro qué podría ser esa información exhaustiva.

En el caso del ajedrez, puede que el programa no siempre obtenga la victoria, pero si gana con una probabilidad comparable a un buen jugador humano podemos considerar que cumple con la exigencia de calidad. En el caso de pilotaje automático no se puede eliminar la posibilidad de accidentes, pero es posible reducir su probabilidad de tal manera que el riesgo sea aceptable, quizás con un nivel de exigencia sustancialmente mayor que para un conductor humano. Cuando se procede a construir soluciones computacionales de estas características, se está aplicando un método heurístico (también se habla de racionalidad acotada) que se contrapone al método algorítmico exhaustivo.

Las soluciones basadas en inteligencia artificial pueden dar la ilusión de operar de una manera muy parecida a como lo haría un humano, pero hay grandes diferencias. Por ejemplo, un jugador de ajedrez humano analiza solo una posición por segundo, mientras que una máquina, un millón. El humano demuestra por lo tanto capacidades heurísticas mucho más desarrolladas. En comparación, la máquina aplica bastante fuerza bruta y no tanta inteligencia. Esto no debe considerarse reprochable en la medida que los resultados sean apropiados. Si se pudiera imitar al humano, como lo propone la inteligencia artificial general, sería un gran avance, pero desde el punto de vista técnico lo importante es resolver pragmáticamente el problema de la mejor manera posible aprovechando al máximo el poder computacional disponible. 

Debido a que la programación directa de heurísticas resulta por lo general demasiado difícil, el auge de la inteligencia artificial ha sido posible en gran medida gracias a un enfoque indirecto que involucra aprendizaje automático. Uno de los esquemas más prolíficos consiste en explotar datos representativos del problema abordado para “entrenar” redes neuronales artificiales. Lo usual es que los datos se refieran a casos donde una configuración está asociada a un resultado, por ejemplo, un conjunto de síntomas y signos clínicos asociado a la presencia de una enfermedad. El objetivo del entrenamiento es ajustar la red neuronal para reproducir estas asociaciones, modulando la fuerza o peso de las conexiones entre las unidades elementales de la red. Esto se conoce como aprendizaje supervisado (y cuando la red está constituida de muchas capas se habla de aprendizaje profundo). Una red entrenada así producirá para una configuración dada un resultado que se puede interpretar como una generalización estadística de los datos utilizados en el entrenamiento.

Sin embargo para lograr una calidad aceptable se requieren redes neuronales muy complejas y un conjunto de datos de gran tamaño, exigiendo muchos recursos computacionales y un gasto considerable de energía, lo que solo es alcanzable en un ámbito industrial a gran escala. Por ejemplo, hasta el 2020, uno de los modelos más avanzados, GPT-3, utiliza una red neuronal con 175 mil millones de parámetros y fue entrenado con un conjunto de 500 mil millones de palabras, para lo cual fue necesario el equivalente de 350 años de computador. A pesar que GPT-3 puede genera textos muy convincentes, también comete errores de sentido común que son evidentes para un humano. Entonces no estamos frente a una simulación con capacidades de razonamiento ni menos de conciencia que se podría adscribir a una inteligencia artificial general. En vez de la imagen antropomórfica ingenua que suele acompañar a la inteligencia artificial, quizás en la práctica su verdadera proximidad con lo humano sea cultural. La podemos concebir como un nuevo medio de expresión de la cultura con capacidades avanzadas de interacción.