¿Qué es AGI y cómo evaluar sus capacidades?
Autor: Redacción Domeny.ForSale Publicado
En pocas palabras: AGI es la inteligencia artificial general: un sistema que sería capaz de aprender y resolver problemas muy diversos, incluso en situaciones nuevas para él, a un nivel comparable al humano. Sin embargo, no existe una definición universalmente aceptada ni una prueba que confirme que se ha alcanzado AGI. Un chatbot versátil no es automáticamente AGI, y la inteligencia por sí sola no implica consciencia.
Qué significa inteligencia artificial general
La sigla AGI procede del inglés artificial general intelligence. La palabra «general» describe el alcance de sus capacidades: no se trata de dominar una sola tarea, sino de poder aplicar conocimientos y habilidades en muchos ámbitos. Un sistema así también debería resolver problemas para los que no se le haya preparado previamente un procedimiento detallado.
Aquí es importante la transferencia de conocimientos, es decir, aplicar en un contexto lo que el sistema ha aprendido en otro. Una persona que aprende a utilizar un programa de contabilidad puede aprovechar su experiencia previa con una hoja de cálculo. De AGI esperaríamos una flexibilidad similar, que abarcase un conjunto de tareas mucho más amplio que el manejo de software.
Las definiciones difieren en el nivel de capacidad exigido. Algunas destacan la ejecución de la mayoría de las tareas cognitivas al nivel de una persona; otras, la capacidad de aprender, la autonomía o la utilidad en el trabajo. Por eso, afirmar «hemos alcanzado AGI» aclara poco si no se especifican los criterios adoptados y cómo se han comprobado.
En qué se diferencia AGI de los modelos actuales de AI
La inteligencia artificial especializada se diseña o entrena para un tipo concreto de tareas, como detectar objetos en fotografías o recomendar productos. Puede superar a una persona en su ámbito y, al mismo tiempo, ser incapaz de realizar una tarea ajena a él. Un programa de ajedrez no adquiere inteligencia general solo por derrotar a los mejores jugadores.
Los grandes modelos de lenguaje, sistemas que aprenden patrones del lenguaje a partir de conjuntos de datos extensos, son más versátiles. Pueden generar texto, analizar información y ayudar a programar. Los modelos multimodales procesan además distintos tipos de datos, como imágenes y sonido. Un abanico de aplicaciones tan amplio dificulta una división simple entre AI «para una sola tarea» y AGI.
Sin embargo, la versatilidad no equivale a una capacidad fiable para resolver problemas nuevos. Un modelo puede explicar bien un tema complejo y, poco después, equivocarse en una tarea sencilla o generar información falsa. Por tanto, la fluidez con la que se expresa no basta para evaluar su inteligencia general.
Tampoco debe confundirse AGI con un agente de AI. Un agente es un sistema que ejecuta pasos sucesivos para alcanzar un objetivo, por ejemplo, utilizando un buscador y ejecutando código. El acceso a herramientas y la posibilidad de actuar sin pedir permiso al usuario en cada paso no demuestran por sí solos una inteligencia general.
Cómo comprobar si un sistema se acerca a AGI
No existe una única prueba que permita resolver esta cuestión. Un benchmark, es decir, un conjunto de tareas que sirve para comparar sistemas, solo mide determinadas habilidades. Un buen resultado también puede ser difícil de interpretar si los datos de entrenamiento del modelo ya incluían tareas similares.
Para evaluar las afirmaciones sobre AGI, conviene plantearse cuatro preguntas:
- ¿Las tareas son realmente nuevas? El sistema debería ser capaz de abordar algo más que patrones conocidos y pequeñas variaciones de estos.
- ¿Cuánta ayuda necesita? Hay que tener en cuenta las pistas, la preparación del entorno y las correcciones realizadas por una persona.
- ¿El resultado es reproducible? Una sola demostración exitosa no revela la tasa de errores ni las condiciones en las que falla el sistema.
- ¿Sabe aprovechar información nueva? Lo importante es que adapte su actuación cuando cambian las reglas, no que se limite a reproducir respuestas aprendidas.
Imagina un sistema que deba planificar el abastecimiento de una pequeña panadería. Tiene que interpretar una hoja de ventas que no conoce, tener en cuenta las fechas de caducidad, detectar los datos que faltan y modificar el plan tras una avería en la cámara frigorífica. Generar un calendario convincente no basta: la evaluación debería abarcar la exactitud de los cálculos, la reacción ante los cambios en las condiciones y la capacidad de reconocer cuándo debe pedir al propietario que tome una decisión. Incluso si resolviera bien este caso, eso demostraría ciertas habilidades, pero no bastaría por sí solo para confirmar que se trata de AGI.
¿AGI implica consciencia o superinteligencia?
AGI describe capacidades, mientras que la consciencia se refiere, entre otras cosas, a la experiencia subjetiva. Un sistema podría cumplir los criterios funcionales de AGI sin que eso demostrase que siente algo. Que un modelo diga «soy consciente» tampoco constituye una prueba de ello.
La superinteligencia es un concepto distinto: sería una inteligencia que superase claramente a la humana en un amplio abanico de ámbitos. Por tanto, AGI no tiene por qué ser, por definición, mejor que una persona en todo. Tampoco necesita un cuerpo robótico, aunque algunas concepciones de la inteligencia destacan el papel de la interacción con el entorno físico.
Cómo interpretar los anuncios sobre AGI y tomar decisiones
No hay una fecha consensuada para la aparición de AGI. Las predicciones dependen tanto de la valoración del progreso técnico como de la definición adoptada. El pronóstico de un investigador o una empresa debe entenderse como una estimación, no como una fecha establecida.
Ante un nuevo anuncio, consulta en la documentación de sus creadores cómo definen el éxito, qué método de prueba utilizan y qué limitaciones describen. Después, busca una evaluación independiente: una declaración oficial refleja la postura de la empresa, pero no determina por sí sola si su sistema ha alcanzado AGI.
Si estás eligiendo una herramienta para trabajar, empieza por una tarea de prueba propia y define el nivel de errores aceptable. Para decidir si implantarla, te serán más útiles la exactitud, el coste y la posibilidad de verificar los resultados que la etiqueta «AGI».
Lee también
