¿Cuántos neuronas debe calcular un sistema antes de poder llamarlo IA?
La reciente discusión acerca de la definición de inteligencia artificial (IA) en el contexto de la AI Act de la UE ha abierto un debate filosófico similar al que planteó Bob Dylan en su famosa pregunta: “¿Cuántas carreteras debe recorrer un hombre antes de que se le llame hombre?”. Así, el dilema surge: ¿cuándo un sistema se considera IA?
Las Directrices de la Comisión
Las Directrices de la Comisión sobre la definición de un sistema de IA intentan trazar una línea entre el software tradicional y los sistemas de IA. Sin embargo, esta distinción es problemática, ya que todos los sistemas, independientemente de su complejidad, se basan en las mismas operaciones fundamentales de hardware de computación.
¿Dónde trazamos la línea?
Las directrices se centran en distinguir diferentes técnicas de procesamiento de información, pero no pueden especificar cuándo un sistema cruza de la computación básica a la inferencia impulsada por IA. Por ejemplo, ¿es cuando un modelo pasa de una red neuronal de una sola capa a una de múltiples capas? La falta de claridad en este aspecto genera confusión en la regulación.
El problema de la «inferencia»: IA vs. no-IA
Las directrices definen la inferencia como la característica clave que separa a la IA del software tradicional. Sin embargo, muchos sistemas no IA también inferen de maneras significativas, como los sistemas expertos basados en reglas o los modelos bayesianos. Esta clasificación arbitraria plantea preguntas sobre lo que realmente constituye IA.
Adaptabilidad frente a modelos preentrenados
Otro criterio en la definición de la IA es la adaptabilidad, es decir, la capacidad de un sistema para aprender o cambiar su comportamiento después de su implementación. Sin embargo, no hay una línea clara entre las técnicas modernas de IA y los métodos tradicionales de procesamiento de información, lo que complica aún más la regulación.
Un enfoque en la forma en lugar de la función
Las directrices intentan separar la IA del software tradicional en función de las técnicas utilizadas, clasificando aprendizaje automático, aprendizaje profundo y IA basada en lógica como IA, mientras que excluyen métodos estadísticos clásicos y técnicas de optimización. Esto crea un “acantilado regulatorio” que impone cargas significativas a los desarrolladores.
Un enfoque más práctico: la IA como un espectro
En lugar de intentar definir la IA a través de técnicas computacionales específicas, un enfoque más efectivo podría centrarse en las características funcionales, específicamente en el nivel de adaptabilidad y autonomía que exhibe un sistema. Este enfoque permite evaluar los sistemas en función de su riesgo potencial y sus capacidades.
Conclusión: la respuesta sigue soplando en el viento
A pesar de la publicación de las directrices, la definición de un sistema de IA sigue siendo confusa. Las excepciones arbitrarias basadas en técnicas específicas, en lugar de capacidades fundamentales, generan más preguntas que respuestas. La distinción entre procesamiento de datos básico e inferencia sigue siendo difusa, lo que sugiere que la IA no se define por lo que hace, sino por lo complicado que parece.
