¿Puede la Inteligencia Artificial General surgir de modelos desconectados del mundo real?
La inteligencia artificial de hoy ha mostrado avances al aprender de grandes cantidades de datos. Sin embargo, muchos creen que con solo aumentar la escala y combinar diferentes capacidades (como ver imágenes, entender lenguaje y realizar acciones) se alcanzará la verdadera inteligencia general. Esta visión, basada en acoplar «modalidades» especializadas en un solo sistema, olvida lo más importante: la auténtica inteligencia necesita comprender e interactuar con el mundo físico.
Un sistema inteligente debe poder resolver problemas reales, como atar un nudo o preparar una comida. Los modelos actuales, como los de lenguaje, suelen simular comprensión a través de reglas y patrones de palabras, pero no construyen un entendimiento genuino de la realidad física. Pueden predecir correctamente la siguiente palabra en una frase compleja, pero carecen de experiencia directa o sentido práctico, a diferencia de los humanos.
Esto se debe a que son expertos en manejar símbolos y estructuras del lenguaje (sintaxis), sin captar siempre su significado profundo (semántica) ni adaptarse al contexto real (pragmática). Por ejemplo, pueden construir frases bien formadas pero sin sentido práctico o lógico respecto al mundo que habitamos.
El valor del aprendizaje a través de la experiencia y la interacción
A lo largo de la historia de la inteligencia artificial se ha debatido entre diseñar sistemas muy estructurados y específicos o dejar que aprendan solos a partir de enormes bases de información. Si bien la escala ha permitido que los algoritmos logren resultados sorprendentes, esto no significa que la inteligencia emerja simplemente por sumar capacidades separadas. De hecho, acoplar módulos para texto, visión y acción puede provocar que pierdan conexiones naturales y profundas entre distintas formas de percibir el mundo.
La inteligencia humana no separa tajantemente ver, leer, hablar o moverse: estas actividades emergen de un mismo proceso flexible y adaptativo. En cambio, las IA multimodales actuales suelen unir competencias diferentes en «paquetes» independientes. Esto limita su creatividad y comprensión de conceptos verdaderamente nuevos. Además, la información queda dispersa entre módulos, dificultando la formación de ideas coherentes y útiles en situaciones complejas.
Para progresar hacia una verdadera inteligencia general, debemos crear sistemas que aprendan y se adapten del mundo real, donde las habilidades especializadas emerjan con naturalidad de la interacción con el entorno. Por ejemplo, usar las mismas herramientas cognitivas para interpretar imágenes, textos o conducir un auto; o construir nuevas ideas a medida que viven experiencias únicas.
Un reto conceptual: repensar cómo enseñamos a las máquinas
El último desafío ya no es solo matemático ni de hardware, sino de definir cuidadosamente las habilidades y experiencias necesarias para que una IA sea realmente inteligente. No basta con copiar resultados humanos o sumarlos; es fundamental entender cómo surgen los conceptos y cómo se organizan para afrontar tareas inéditas. Si seguimos entrenando IA para reproducir comportamientos aprendidos de datos ya preparados, perdemos la oportunidad de descubrir cómo nacen y evolucionan las ideas y estrategias genuinas.
Por eso, resulta más prometedor explorar modelos donde la inteligencia se desarrolla de la interacción constante, la experimentación y la flexibilidad para unir lo visual, lo textual y lo práctico como partes de un solo proceso. Esto permitirá construir soluciones innovadoras y adaptables, dejando atrás los límites impuestos por la simple suma de módulos independientes.
Fuente: https://thegradient.pub/agi-is-not-multimodal/
