En los últimos tiempos, todo lo asociado a ChatGPT (siglas de Generative Pre-Trained Transformer o Transformador Generativo Pre-Entrenado en castellano) ha estado en el ojo del huracán en nuestras sociedades. Por esta razón, a medida que nos vamos enterando, recurrimos a la cultura popular en un esfuerzo por entender de qué se trata. Algunos pensamos en escenarios terroríficos, como el auge de máquinas asesinas que vimos en «Terminator». Otros pensamos en una humanidad inutilizada, como se muestra en «WALL-E». No obstante, en la realidad actual, la situación es mucho más modesta de lo que creemos.
Lo primero que debemos entender sobre ChatGPT y cualquier otra inteligencia artificial (IA) es que estas no «piensan». Al menos no en los términos que podríamos creer según las respuestas que la IA nos da en el chat. Las IA son, en última instancia, software, programas que tienen como objetivo proporcionar respuestas a una necesidad. En ese sentido, cuando escribimos a una IA como ChatGPT, esta no «lee» nuestras palabras como lo hacemos nosotros, de derecha a izquierda o de izquierda a derecha, y no «piensa» en lo que nos va a decir. Lo que realmente hace es procesar todas las palabras simultáneamente, asignarles un valor numérico identificativo y buscar completar el planteamiento con una respuesta. Desde otro punto de vista, las IA están inmersas en un juego de probabilidades con la misión de resolver un rompecabezas.
Ahora bien, sabiendo esto, surge la pregunta de cómo es posible que ChatGPT nos brinde respuestas tan precisas. La respuesta se encuentra en su nombre: Transformador Generativo Pre-Entrenado (GPT). Un GPT es un tipo de Modelo de Lenguaje Grande (LLM, por sus siglas en inglés, que significa Large Language Model) que se caracteriza principalmente por: 1) ser un LLM con capacidad de procesar grandes cantidades de datos, 2) utilizar redes neuronales para dicho procesamiento, 3) permitir que la IA «aprenda» por sí misma a través de la estructura de redes neuronales, 4) aprender a partir del procesamiento de datos previamente proporcionados por sus creadores, y 5) generar contenido en función de lo solicitado, por lo que se considera «generativo».
Sin profundizar en un análisis conceptual que excedería los límites de este artículo, basta con mencionar que la base de esta IA en particular, el aprendizaje automático (ML, por sus siglas en inglés, que significa Machine Learning) respaldado por redes neuronales, no equivale a un «cerebro artificial», a pesar de la analogía que se ha establecido con el cerebro humano. Estas redes, al igual que nuestras neuronas, son unidades que se comunican entre sí para obtener un resultado. Sin embargo, a diferencia de nuestro cerebro, estas unidades manejan un conjunto de ecuaciones y variables que se complican a medida que los datos pasan a través de la red.
Cuando afirmamos que la red neuronal no es equivalente al cerebro humano, lo hacemos teniendo en cuenta que el cerebro aborda, de manera multidimensional, una cantidad extraordinaria de variables que le otorgan la versatilidad necesaria para lidiar con una multiplicidad de contextos. Mientras que la red neuronal, por más compleja que pueda llegar a ser, se reduce a definir un punto «A» (el tipo de dato que se recibe) que se procesará para llegar a un punto «B» (el tipo de dato que debe generarse). A esto se le llama mapeo de «A» a «B», y lo experimentamos diariamente con nuestros dispositivos cuando decimos frases como «Hey Google», «Oye Siri» o «Alexa, buenos días». El punto «A» es nuestra voz y el punto «B» es que el software nos reconozca y responda.
Por lo tanto, en la actualidad, las IA con las que interactuamos están lejos de ser como Skynet en la película Terminator, ya que son Inteligencias Artificiales Estrechas cuyas capacidades están limitadas a fines específicos. Esto se debe, a su vez, a las limitaciones actuales del aprendizaje automático, que incluyen: 1) la necesidad de grandes cantidades de datos (lo que se conoce como «Big Data») para evolucionar rápidamente, 2) la dependencia excesiva de un tipo predefinido de datos, lo que puede confundir a la IA al procesar información diferente a la habitual, 3) el manejo inadecuado de la clasificación de datos, lo que puede llevar a ambigüedades que confundan a la IA, como afirmar que una pera es una manzana o viceversa, y 4) la replicación de los sesgos contenidos en los datos procesados por la IA.
A pesar de sus limitaciones actuales, es innegable que las IA, como ChatGPT, son poderosas y van a cambiar el mundo tal como lo conocemos. A diferencia de cómo se retrata a la humanidad asistida por máquinas en «WALL-E», la realidad es que el uso efectivo de las IA depende de usuarios inteligentes. Al igual que ocurre entre nosotros, las IA requieren estándares para procesar nuestras solicitudes de manera más precisa. Además, las IA actuales pueden automatizar acciones repetitivas o tareas que nos toman menos de un segundo en pensar, pero no pueden reemplazar la complejidad de pensamientos que dan dirección a nuestras profesiones, empresas o países.
Por último, es importante mencionar que la humanidad tiene la responsabilidad de plantear y determinar cuestiones éticas en relación con las IA. Esto se debe no solo a lo poderosas que son como herramientas, sino también porque en el futuro estas IA crecerán y, quién sabe, podríamos llegar al día de las Inteligencias Artificiales Generales (que puedan imitarnos completamente) o las Super Inteligencias Artificiales (que puedan superarnos cognitivamente). En un escenario así, nuestra especie podría encontrarse en la difícil situación de tener que actuar como «dioses» para esas inteligencias, y por el bien de ellas y de nosotros, debemos enseñarles lo mejor de nuestra humanidad para que puedan tener una comprensión equilibrada de nuestros aciertos y nuestras fallas. Al fin y al cabo, las IA serán el reflejo vivo de nuestros logros y nuestras imperfecciones.
@jrvizca