Artificial Intelligence (AI)

La inteligencia artificial (AI) es la rama de la informática que crea sistemas capaces de realizar tareas asociadas a la inteligencia humana: percibir imágenes y sonidos, comprender y generar lenguaje, razonar, planificar y aprender de la experiencia. La definición de la OCDE, que sigue de cerca la Ley de IA de la UE, describe un sistema de IA como un sistema basado en máquinas que deduce de sus entradas cómo generar resultados como predicciones, contenido, recomendaciones o decisiones. La mayoría de la IA que se utiliza hoy aprende ese comportamiento a partir de datos de ejemplo mediante el aprendizaje automático (ML).

Breve historia de la IA#

En su artículo de 1950, Alan Turing se preguntó si las máquinas pueden pensar y propuso el juego de imitación, ahora llamado prueba de Turing, en «Computing Machinery and Intelligence». John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon acuñaron el término «inteligencia artificial» en su propuesta de 1955 para el taller de verano de Dartmouth de 1956, que fundó el campo. Durante las tres décadas siguientes dominó la IA simbólica, basada en la lógica, la búsqueda y los sistemas expertos basados en reglas, y la financiación se desplomó dos veces, durante los «inviernos de la IA» de los años setenta y finales de los ochenta, cuando los resultados no cumplieron las expectativas.

Los métodos de IA estadística, que aprenden de los datos, tomaron el relevo en los años noventa. En 1997, Deep Blue de IBM derrotó al campeón mundial de ajedrez Garry Kasparov con hardware especializado que buscaba unos 200 millones de posiciones de ajedrez por segundo. En 2012, la red neuronal convolucional AlexNet ganó por un amplio margen el desafío de clasificación de imágenes de ImageNet y dio comienzo a la era del aprendizaje profundo (DL). La arquitectura Transformer, presentada en 2017, dio lugar a los modelos de lenguaje de gran tamaño (LLM), y el lanzamiento de ChatGPT en noviembre de 2022 acercó la IA generativa a cientos de millones de usuarios.

Relación entre IA, aprendizaje automático y aprendizaje profundo#

La IA es el campo general. La IA simbólica y el aprendizaje automático son sus dos enfoques principales: el primero codifica el conocimiento como reglas explícitas y el segundo aprende patrones a partir de ejemplos. El aprendizaje profundo es un subconjunto del aprendizaje automático que utiliza redes neuronales con muchas capas, y prácticamente todos los avances modernos en visión, lenguaje y generación de imágenes se basan en él.

Los sistemas de aprendizaje automático aprenden de varias formas principales. El aprendizaje supervisado se ajusta a ejemplos etiquetados, como imágenes marcadas con los objetos que contienen. El aprendizaje no supervisado encuentra estructuras en datos sin etiquetar; el aprendizaje autosupervisado genera su propia señal de entrenamiento a partir de datos sin procesar, el método que se utiliza para preentrenar los LLM; y el aprendizaje por refuerzo aprende a partir de las recompensas obtenidas al actuar en un entorno.

Tipos de IA según sus capacidades#

• Inteligencia artificial estrecha (ANI) o IA débil: IA diseñada para una tarea o un conjunto de tareas específico. Todos los sistemas desplegados pertenecen a esta categoría, incluidos los que superan a las personas en su tarea.
• Inteligencia artificial general (AGI): Sistema hipotético que iguala a las personas en prácticamente todas las tareas cognitivas, a menudo denominado IA fuerte.
• Superinteligencia artificial (ASI): Sistema hipotético que supera a las mejores personas en casi todos los ámbitos, el escenario que hay detrás de la singularidad tecnológica.

Los LLM de propósito general difuminan el primer límite. Un mismo modelo puede escribir código, traducir y describir imágenes, pero sus habilidades varían de forma irregular entre tareas; este patrón se conoce como inteligencia irregular. La clasificación de VLM de Ultralytics mide una de esas habilidades: la precisión con la que estos modelos detectan objetos en imágenes del mundo real.

Aplicaciones de la IA#

• Visión artificial: detección de objetos, segmentación de escenas y seguimiento del movimiento para vehículos autónomos, inspección de fábricas, análisis del comercio minorista y análisis de imágenes médicas.
• Lenguaje y voz: chatbots, traducción automática, resumen de documentos y transcripción de voz a texto.
• Predicción y clasificación: detección de fraudes, previsión de la demanda y sistemas de recomendación para plataformas de streaming y compras.
• Ciencia: AlphaFold de DeepMind predice estructuras de proteínas y sus creadores compartieron el Premio Nobel de Química de 2024.
• Agentes y robótica: agentes de IA que planifican tareas de varios pasos y utilizan herramientas de software, y robots que combinan percepción y control.

Ejecutar un modelo de visión preentrenado es la forma más rápida de ver cómo funciona un sistema de aprendizaje profundo. Ultralytics YOLO26 es un detector de objetos que ha aprendido 80 clases de objetos cotidianos a partir de imágenes COCO etiquetadas:

from ultralytics import YOLO

# Cargar un detector de objetos YOLO26 preentrenado
model = YOLO("yolo26n.pt")

# Ejecutar la inferencia en una imagen que el modelo nunca ha visto
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Guardar la imagen con los cuadros, las etiquetas de clase y las puntuaciones de confianza predichos
result.save(filename="bus_detections.jpg")

La imagen guardada marca cada objeto detectado, como el autobús y las personas que lo rodean, con un cuadro, una etiqueta de clase y una puntuación de confianza; todo se ha aprendido a partir de ejemplos.

Riesgos, ética y regulación#

Los sistemas de IA heredan los defectos de sus datos y objetivos. Los modelos pueden codificar sesgos contra grupos infrarrepresentados o tratados injustamente en sus datos de entrenamiento; los LLM pueden afirmar falsedades con fluidez; los modelos generativos pueden producir ultrafalsificaciones; y resulta difícil auditar los modelos opacos sin IA explicable (XAI). La investigación sobre ética de la IA y seguridad de la IA aborda estos riesgos, y el Marco de Gestión de Riesgos de IA del NIST, de aplicación voluntaria, ofrece a las organizaciones un proceso para gestionarlos. La Ley de IA de la UE, en vigor desde agosto de 2024, prohíbe directamente un conjunto reducido de prácticas, como la puntuación social, y establece requisitos estrictos para usos de alto riesgo, como la contratación, la evaluación crediticia y la IA en productos sanitarios.