1. Introducción a la inteligencia artificial

Modelos de inteligencia artificial

¿Qué es la inteligencia artificial?


Inteligencia	Capacidad de aprender, comprender y resolver problemas.
Inteligencia artificial	Estudio y construcción de sistemas capaces de percibir, razonar, aprender o actuar para alcanzar objetivos.
Máquina inteligente	Sistema que utiliza información del entorno para seleccionar acciones orientadas a un objetivo.

Agentes inteligentes (I)

Un agente percibe el entorno mediante sensores y actúa en él con actuadores.
Un agente racional selecciona acciones para maximizar el rendimiento esperado con la información disponible.
El objetivo describe qué se quiere conseguir.
La medida de rendimiento permite evaluar el resultado: por ejemplo, limpieza, tiempo y energía consumida.

Agentes inteligentes (II)

La asignatura trata sobre la construcción de agentes inteligentes.
Veremos:
- Diferentes técnicas para construir agentes inteligentes.
- Sus ventajas e inconvenientes.
- Sus campos de aplicación.
- Sus riesgos y retos éticos.

Un poco de historia

1950: Alan Turing

Turing publica Computing Machinery and Intelligence.
Propone sustituir «¿pueden pensar las máquinas?» por el juego de imitación, una prueba del comportamiento observable.
La prueba evalúa la capacidad de conversar de forma parecida a una persona.
Superarla no demuestra, por sí sola, conciencia o comprensión.

Fuente: Turing (1950).

La prueba

En la versión habitual, una persona conversa por escrito con un humano y una máquina, sin verlos.
Debe identificar cuál de los interlocutores es la máquina a partir de las respuestas.
El resultado depende de las preguntas, el tiempo y las condiciones de la prueba.
Imitar una conversación humana no equivale a demostrar todas las capacidades intelectuales humanas.

Fuente: Turing (1950).

La pregunta de Turing

Pregunta inicial: «¿Pueden pensar las máquinas?»
Dificultad: no hay una definición única y operativa de «pensar».
Propuesta: estudiar si una máquina puede participar con éxito en el juego de imitación.
Alcance: es un criterio de comportamiento en una situación concreta, no una prueba general de conciencia.

Este resumen es una paráfrasis del artículo, no una cita literal.

Fuente: Turing (1950), apartados 1 y 6.

1955–1974: Los inicios

1955: McCarthy y sus colaboradores utilizan el término inteligencia artificial en la propuesta de Dartmouth.
1956: se celebra el encuentro de Dartmouth.
1958: Rosenblatt publica su trabajo sobre el perceptrón, un modelo que aprende a clasificar.
Las primeras demostraciones generan expectativas que superan las capacidades de los sistemas de la época.

Fuentes: Dartmouth (1955), Rosenblatt (1958).

1974–1993: Expectativas y límites

Los inviernos de la IA son periodos de desencanto y reducción de la financiación.
En los años 80 crece el uso comercial de los sistemas expertos, con antecedentes como DENDRAL en los años 60.
Recopilar y mantener el conocimiento experto resulta costoso.
Las dificultades comerciales no hacen desaparecer la investigación ni los sistemas basados en reglas.

Fuente: Historia de DENDRAL y de los sistemas expertos.

1997: Deep Blue

Deep Blue, de IBM, derrota al campeón mundial Garri Kaspárov en un encuentro de ajedrez.
Combina búsqueda, evaluación de posiciones y hardware especializado.
Demuestra que una máquina puede superar a los mejores humanos en una tarea delimitada.
Ganar al ajedrez no demuestra inteligencia general.

Fuente: IBM: Deep Blue.

2002: Roomba

iRobot lanza Roomba en 2002 y contribuye a popularizar los robots aspiradores domésticos.
Combina sensores y acciones para limpiar el suelo y reaccionar ante obstáculos.
La autonomía no elimina el mantenimiento ni la preparación del entorno por parte del usuario.
Las funciones, como volver a la base o crear mapas, dependen del modelo y de la generación.

Fuente: Historia de iRobot.

2004–2005: DARPA Grand Challenge

En 2004, 15 vehículos intentan recorrer autónomamente una ruta desértica de unos 229 km.
Ningún vehículo completa el recorrido.
En 2005, cinco equipos completan una nueva ruta de unos 212 km.
El reto impulsa la integración de percepción, planificación y control para la conducción autónoma.

Fuentes: DARPA: 2004, DARPA: 2005.

2011: Watson

Watson, de IBM, gana a Ken Jennings y Brad Rutter en un concurso de Jeopardy!.
Procesa preguntas en lenguaje natural y busca posibles respuestas.
Combina evidencias y estima la confianza de cada respuesta.
El éxito en el concurso no implica que comprenda cualquier situación como una persona.

Fuente: IBM: Watson en Jeopardy!.

2016: AlphaGo

AlphaGo derrota a Lee Sedol por 4–1 en un encuentro de Go.
Combina redes neuronales, aprendizaje por refuerzo y búsqueda.
La jugada 37 de la segunda partida ejemplifica una decisión sorprendente para los expertos.
Alcanzar un nivel sobrehumano no significa haber resuelto matemáticamente el juego.

Fuente: Google DeepMind: AlphaGo.

2017: AlphaGo Zero

Parte de las reglas del Go, sin entrenarse con partidas humanas.
Aprende jugando contra sí mismo mediante aprendizaje por refuerzo.
Combina una red neuronal con búsqueda para seleccionar jugadas.
Tras tres días de entrenamiento, supera por 100–0 a la versión de AlphaGo que había derrotado a Lee Sedol.

Fuente: Silver y Hassabis (2017).

2020: GPT-3

Modelo de lenguaje autoregresivo de la familia GPT, basado en Transformers.
La versión más grande presentada tiene 175.000 millones de parámetros.
Genera texto prediciendo el siguiente token a partir del contexto.
Puede realizar tareas como traducir y responder preguntas mediante instrucciones y ejemplos en el contexto, sin actualizar los pesos.

Fuente: Brown y colaboradores (2020).

2021: DALL·E

El primer DALL·E genera imágenes a partir de descripciones textuales.
Utiliza un Transformer que modela secuencias de tokens de texto e imagen.
El modelo tiene 12.000 millones de parámetros: esta cifra no es el tamaño de una base de datos en GB.
Se entrena con pares de texto e imagen.

Fuente: Ramesh y colaboradores (2021).

2023: GPT-4

El informe de 2023 presenta un modelo basado en Transformers que acepta texto e imágenes y produce texto.
Puede generar explicaciones, resúmenes y código; esto no equivale a generar directamente imágenes o audio.
El informe no publica el número de parámetros.
Puede producir errores e información inventada, aunque la respuesta parezca convincente.

Fuente: Informe técnico de GPT-4 (2023).

Situación actual

Los sistemas de IA pueden trabajar con texto, imágenes, audio, predicciones o acciones, según el modelo y la tarea.
Sus capacidades y limitaciones varían: un buen resultado en una prueba no garantiza el mismo rendimiento en cualquier contexto.
Para valorar una aplicación, pregúntate qué hace, con qué datos y en qué condiciones.

Persona en un encuentro de trabajo sobre IA.

Mundo laboral

La IA puede automatizar, complementar o reorganizar tareas. Exposición potencial no es una predicción de puestos de trabajo que desaparecerán.
Según la OIT (2025), una de cada cuatro personas trabajadoras ocupa un puesto con algún grado de exposición a la IA generativa. El estudio apunta a que es más probable que muchos empleos se transformen a que desaparezcan.
La OCDE compara las capacidades de la IA con las tareas de las ocupaciones; los efectos reales también dependen de la adopción, la regulación y las decisiones de cada organización y sociedad.
Para valorar un caso concreto, analiza qué tareas cambian, quién asume las consecuencias y qué competencias o controles hacen falta.

¿Tenemos ya una máquina inteligente?

Inteligencia humana (I)

Es una capacidad muy compleja, resultado de millones de años de evolución.
Algunos aspectos de la inteligencia humana:
- Aprender
- Resolver problemas
- Adaptarse a entornos nuevos
- Tomar decisiones
- Comunicarse y colaborar con otras personas
- Sentir emociones

Inteligencia humana (II)

La inteligencia humana implica percepción, memoria, aprendizaje, razonamiento e interacción social.
Estos procesos se relacionan entre sí y con la experiencia de cada persona.
Los modelos computacionales permiten estudiar y reproducir aspectos concretos de estas capacidades.
Resolver una tarea con éxito no implica utilizar los mismos mecanismos que una persona.
¿Cómo podemos evaluar las capacidades y los límites de un sistema?

Inteligencia computacional

La IA estudia y construye sistemas capaces de percibir, razonar, aprender o actuar para alcanzar objetivos.
Algunos enfoques se inspiran en la inteligencia humana; otros buscan soluciones distintas.
Evaluamos los sistemas según las tareas que resuelven y las condiciones en las que funcionan.
Es un campo de la informática con aportaciones de las matemáticas, la psicología y otras disciplinas.

Inteligencia humana y artificial

Aspecto	Personas	Sistemas de IA
Aprendizaje	Experiencia, cuerpo e interacción social	Datos, reglas e interacción, según el sistema
Adaptación	Transferencia entre contextos	Variable; hay que evaluarla en cada tarea
Decisiones	Razonamiento, emociones y sesgos	Objetivos definidos, aproximaciones y sesgos
Limitaciones	Errores y recursos limitados	Errores y dependencia del diseño y los datos

El rendimiento observable no demuestra, por sí solo, conciencia o experiencia subjetiva.

IA estrecha, IA general e IA fuerte

IA estrecha: especializada en tareas o dominios delimitados; puede superar el rendimiento humano en esos ámbitos.
IA general (AGI): capacidad de aprender y transferir conocimiento entre una gran variedad de tareas. La definición y la evaluación son objeto de debate.
IA fuerte, en sentido filosófico: tesis de que un sistema computacional puede tener comprensión o estados mentales reales.
Son distinciones diferentes: amplitud de capacidades y naturaleza de la comprensión. No conviene usar «general» y «fuerte» como sinónimos automáticos.

Fuente: McCarthy sobre el debate de la IA fuerte.

Racionalidad

¿Qué es una decisión racional?

Un agente racional selecciona la acción con mayor utilidad o rendimiento esperado, según la información disponible.
Hay que considerar los posibles resultados, sus probabilidades, los costes y las restricciones.
Ejemplo: un robot puede elegir una ruta más larga si reduce suficientemente el riesgo de colisión.
Racionalidad no significa omnisciencia: una buena decisión puede tener un resultado desfavorable.

Fuente: Poole y Mackworth: utilidad esperada.

Paradigmas de la IA

Definiciones

Un paradigma es un enfoque para representar y resolver problemas.
En IA podemos destacar los enfoques simbólico, conexionista y estadístico.
Esta clasificación es orientativa: los enfoques se solapan y pueden combinarse.
Por ejemplo, una red neuronal también puede entrenarse con métodos estadísticos.

Paradigma simbólico

Representa conocimiento explícito mediante símbolos, hechos, relaciones y reglas.
Manipula estas representaciones para inferir conclusiones o construir planes.
La validez de los resultados depende del conocimiento y de las reglas utilizadas.
Ejemplos: sistemas basados en reglas, planificación y razonamiento lógico.

Paradigma conexionista

Utiliza redes de neuronas artificiales, unidades de cálculo interconectadas.
Ajusta los pesos de las conexiones durante el aprendizaje.
La inspiración biológica es parcial: estas redes no reproducen fielmente el cerebro.
Aplicaciones: reconocimiento de imágenes, lenguaje y control.

Fuente: Stanford CS231n: neuronas artificiales.

Paradigma estadístico

Utiliza modelos estadísticos y probabilísticos para analizar datos y representar la incertidumbre.
Estima patrones o relaciones y evalúa las predicciones con datos.
La calidad depende de los datos, de los supuestos del modelo y del contexto de uso.
Se combina con otros enfoques, incluidas las redes neuronales.
Ejemplos: clasificación, regresión y agrupamiento.

Técnicas de IA

Definiciones

Técnica: conjunto de procedimientos o recursos que se aplican para alcanzar un objetivo.
Técnicas de IA: conjunto de técnicas, algoritmos y métodos que se aplican para resolver problemas de IA.
Una técnica puede combinar ideas de distintos paradigmas.

Técnicas de IA

Algunas de las técnicas más utilizadas son:
- Sistemas expertos
- Redes neuronales
- Algoritmos genéticos
- Sistemas multiagente
- Algoritmos de búsqueda
- Algoritmos de planificación
- Algoritmos de aprendizaje

Sistemas expertos

Un sistema experto utiliza conocimiento especializado para resolver problemas en un dominio concreto.
Combina una representación del conocimiento con mecanismos de razonamiento.
Puede apoyar tareas que requieren experiencia, pero los resultados dependen de la calidad del conocimiento incorporado.

Sistemas expertos (II)

Sistemas basados en casos

Se intenta resolver un problema a partir de casos similares resueltos anteriormente.
Se recuperan casos parecidos y se adaptan a la nueva situación.
Una vez resuelto el problema, el caso se guarda para utilizarlo en el futuro.
Los casos nuevos, una vez revisados, pueden ampliar el conocimiento reutilizable del sistema.
Campos de aplicación: medicina, ingeniería, diseño, etc.

Sistemas expertos (III)

Sistemas basados en reglas

La base de conocimiento contiene hechos y reglas, a menudo definidos con ayuda de especialistas.
El motor de inferencia aplica las reglas para derivar nuevos hechos o conclusiones.
Ejemplo: «si el suelo está seco, hay que regar» + «el suelo está seco» → «hay que regar».
Inferir conclusiones no es lo mismo que aprender o generar nuevas reglas.
Aplicaciones: diagnóstico, control de procesos y apoyo a decisiones.

Fuente: Poole y Mackworth: inferencia con cláusulas definidas.

Sistemas expertos (IV)

Sistemas basados en lógica difusa

Representan conceptos graduales, como «temperatura alta» o «velocidad baja».
Un grado de pertenencia entre 0 y 1 indica hasta qué punto un valor encaja en un conjunto difuso.
Ejemplo: 28 °C puede pertenecer a «calor» con grado 0,7, según la función definida. No significa una probabilidad del 70 % de que haga calor.
Las reglas se activan gradualmente y combinan sus resultados.
Aplicaciones: control de temperatura, robótica y otros sistemas de control.

Fuente: Fuzzy sets, Scholarpedia.

Redes neuronales

Modelos formados por unidades de cálculo y conexiones con pesos que se ajustan durante el entrenamiento.
En una red de propagación hacia delante, la información va de la entrada a la salida sin ciclos.
En un perceptrón multicapa, cada capa transforma la salida de la anterior.
Otras arquitecturas incorporan recurrencia o conexiones entre capas no consecutivas.
Aplicaciones: clasificación, regresión y generación de contenido.

Fuente: Deep Learning, capítulo 6.

Diagrama de una red neuronal con capas de entrada, ocultas y de salida.

Tipos de redes neuronales

Perceptrón: modelo sencillo de clasificación con una frontera de decisión lineal.
Redes profundas: combinan múltiples capas de transformación para aprender representaciones.
Redes recurrentes: mantienen un estado que se actualiza al procesar una secuencia.
Redes convolucionales: utilizan filtros compartidos para detectar patrones locales, por ejemplo, en imágenes.

Estas categorías se solapan: una red convolucional o recurrente también puede ser profunda.

Algoritmos genéticos

Los algoritmos genéticos son una técnica de optimización basada en la teoría de la evolución de Darwin.
Se genera una población de individuos y se les aplican operadores genéticos.
La selección favorece a los individuos con mejor valor de la función de aptitud, definida según el problema.
Son útiles para resolver problemas de optimización y búsqueda.

Sistemas multiagente

Un sistema multiagente está formado por varios agentes que interactúan entre sí.
Un agente es un sistema computacional que actúa en un entorno.
Los agentes pueden ser reactivos, deliberativos o sociales.
Son útiles para resolver problemas de planificación, diseño, control, etc.

Algoritmos de búsqueda

Exploran estados y acciones para encontrar una solución.
Búsqueda no informada: no utiliza una estimación heurística del coste restante.
- Anchura, profundidad, profundidad limitada, profundización iterativa y coste uniforme.
Búsqueda informada: utiliza una heurística para orientar la exploración.
- Búsqueda voraz y A*.
Coste uniforme ordena por el coste acumulado; A* combina ese coste con la estimación del coste restante.

Fuente: Poole y Mackworth: búsqueda A*.

Algoritmos de aprendizaje

Ajustan un modelo a partir de datos o de la interacción con un entorno.
Supervisado: aprende con ejemplos que incluyen la respuesta esperada; clasificación y regresión.
No supervisado: busca estructura en datos sin respuestas etiquetadas; por ejemplo, agrupamiento.
Por refuerzo: aprende a seleccionar acciones a partir de recompensas; por ejemplo, Q-learning.

Aplicaciones de la IA

Robot industrial trabajando en una máquina; la fotografía no indica si incorpora IA.

Robótica

La robótica es una de las aplicaciones más conocidas de la IA.
Estudia el diseño, la construcción y el control de robots.
Un robot es un sistema físico programable que actúa sobre su entorno.
Los robots pueden ser autónomos o teleoperados.
Campos de aplicación: industria, sanidad, exploración espacial, ámbito militar, hogar, etc.

Procesamiento del lenguaje natural

El PLN estudia métodos para analizar, representar y generar lenguaje humano.
El contexto y la ambigüedad hacen que una misma expresión pueda tener distintas interpretaciones.
Las respuestas de un sistema pueden ser útiles sin implicar comprensión humana.
Aplicaciones: traducción automática, resumen de textos, clasificación de documentos y asistentes conversacionales.

Visión por computador

Extrae e interpreta información de imágenes y vídeos para resolver tareas concretas.
Clasificación: asigna una categoría a una imagen.
Detección y segmentación: localizan objetos o asignan categorías a los píxeles.
Aplicaciones: inspección industrial, seguimiento de objetos y reconstrucción 3D.
Los resultados pueden cambiar con la iluminación, el punto de vista y la calidad de la imagen.

Sistemas de recomendación

Un sistema de recomendación propone un conjunto de elementos a una persona usuaria.
Las personas utilizamos recomendaciones para tomar decisiones.
El acceso a grandes cantidades de datos ha hecho que estos sistemas sean cada vez más importantes.
Campos de aplicación: recomendación de productos, música, películas, libros, noticias, etc.

Juegos

Los juegos nos ayudan a entender la inteligencia.
Las personas jugamos para aprender, divertirnos y competir.
Las reglas y los resultados medibles hacen de los juegos un buen banco de pruebas para la IA.
Campos de aplicación: juegos de mesa, cartas, rol, estrategia, etc.

Silla de ruedas asistida, ejemplo de tecnología accesible; la imagen no demuestra que utilice IA.

Otras aplicaciones

Medicina: apoyo al diagnóstico, cirugía asistida y medicina personalizada.
Ingeniería: diseño y control de procesos.
Finanzas: predicción de mercados y recomendación de inversiones.
Ámbito militar: drones y sistemas autónomos.
Ámbito doméstico: robots, asistentes virtuales y domótica.
Transporte: vehículos autónomos y planificación de rutas.

Referencias

Trabajo práctico 1 · Analiza una aplicación de IA

Elige una aplicación documentada y explica:

qué problema resuelve, quién la utiliza y qué recibe o produce;
qué técnicas del tema 1.1 intervienen;
qué pruebas muestran sus resultados y cuáles son sus límites.

Entrega: informe breve y explicación de 3 minutos.

Guía, estructura y criterios de evaluación

La pregunta sobre las personas afectadas, los riesgos y los controles dará paso al tema 1.2.