Como profesional que ha trabajado con redes neuronales determinísticas y sistemas de e-learning desde hace ya varias décadas, observo el panorama actual de la Inteligencia Artificial con una mezcla de profunda admiración y escepticismo terminológico.
En los inicios de estas arquitecturas, a ninguno de nosotros se nos habría ocurrido pensar, ni por asomo, que allí dentro residía una "inteligencia en sí misma". Sabíamos exactamente lo que eran: aproximadores de funciones, álgebra lineal y optimización estadística.
Hoy en día reconozco plenamente las bondades de los Modelos de Lenguaje Grandes (LLMs). De hecho, los utilizo casi a diario para múltiples objetivos: desde la generación y estructuración de texto, pasando por la creación de videos y conversiones, hasta el soporte en tareas de programación. No cabe duda de que estamos ante una de las propuestas y avances más disruptivos de los últimos tiempos. Pero usar la IA como una herramienta extraordinaria es una cosa; atribuirle "inteligencia" real es algo muy diferente.
A menos que estemos dispuestos a relajar el término por completo (y caigamos en derivaciones laxas como inteligencia colectiva, inteligencia emocional o incluso inteligencia muscular), considero que catalogar a un LLM como inteligente es irse por las ramas.
Nadie diría jamás que Microsoft Excel es inteligente, a pesar de su abrumadora capacidad de cálculo matemático en milisegundos. ¿Por qué con los LLMs cambiamos el estándar?
A continuación, comparto mis apreciaciones técnicas sobre por qué considero que estamos ante un malentendido conceptual derivado de la escala y el lenguaje:
1. El truco de la compresión de patrones vs. La comprensión semántica.
Lo que hoy nos sorprende de los modelos modernos no es la aparición de un "ánima" o consciencia, sino el resultado de llevar el cómputo y el volumen de datos a escalas antes impensables. Al entrenar un modelo con billones de parámetros, la red neuronal no solo memoriza; genera una compresión estadística masiva de las relaciones entre las palabras escritas por la humanidad.
El sistema calcula probabilísticamente cuál es el siguiente token óptimo basándose en un contexto matemático. Resuelve problemas complejos conectando puntos distantes dentro de sus pesos ponderados, lo cual emula un proceso de razonamiento. Sin embargo, no hay introspección ni comprensión real del fondo; hay una perfecta asimilación de la forma del lenguaje.
2. El sesgo del antropomorfismo:
El "Efecto Excel" con esteroides¿Por qué nos cuesta tanto ver a la IA como vemos a una hoja de cálculo? La respuesta está en la interfaz.
- Con Excel: Interactuamos mediante fórmulas y celdas rígidas. La abstracción matemática es evidente a la vista, por lo que entendemos la herramienta como un sistema puramente determinista.* Con los LLMs: La interfaz es el lenguaje humano. Estamos evolutivamente cableados para asumir que si algo nos responde usando la primera persona ("yo"), estructurando argumentos impecables y simulando empatía, obligatoriamente debe existir un sujeto consciente detrás de la pantalla.
El modelo domina el vehículo del pensamiento humano (el lenguaje), y eso nos genera la ilusión cognitiva de que también posee la esencia del pensamiento.
3. Inteligencia Colectiva Cristalizada:
El verdadero valorSi definimos la inteligencia bajo los estándares de la psicología cognitiva y la filosofía clásica —requiriendo intencionalidad, agencia propia, autoconsciencia y comprensión semántica real—, la IA generativa actual está completamente fuera de la definición.
Sin embargo, tu planteamiento sobre la inteligencia colectiva da en el clavo. Un LLM no es un ente inteligente autónomo; es un espejo estadístico del conocimiento digitalizado de millones de seres humanos. Cuando un desarrollador usa un modelo para optimizar código, no está colaborando con una entidad; está accediendo a un destilado algorítmico del pensamiento acumulado de la comunidad global. La inteligencia sigue estando del lado de quien formula la pregunta y sabe qué hacer con la respuesta; el modelo es solo una palanca cognitiva sumamente potente.
La magia sigue siendo nuestra.
Estamos ante una herramienta disruptiva y fascinante que está transformando el desarrollo de software y la educación (e-learning). Sin embargo, la verdadera hazaña tecnológica no es que las máquinas hayan aprendido a "pensar", sino que los seres humanos hayamos sido capaces de empaquetar, estructurar y comprimir nuestro propio pensamiento colectivo dentro de una arquitectura de software.
Al final del día, las redes neuronales siguen respondiendo a los mismos principios matemáticos que analizábamos hace décadas, solo que ahora cuentan con el combustible de una infraestructura de hardware monumental.
¿Cuál es tu apreciación respecto al tema? Como desarrolladores, ingenieros o investigadores, ¿creen que hemos relajado demasiado el término "inteligencia" por puro marketing, o consideran que la capacidad de resolución de problemas de los LLMs ya justifica una nueva definición? ¡Abramos el debate en los comentarios! 👇
Top comments (0)