\n<\/p>\n
Si Wu-Tang lo hubiera producido en el 23 en lugar del 93, lo habr\u00edan llamado SUE\u00d1O, porque los datos gobiernan todo lo que me rodea. Donde una vez nuestra sociedad negoci\u00f3 el poder en funci\u00f3n de la fuerza de nuestros brazos y nuestros bolsillos, el mundo moderno est\u00e1 impulsado por algoritmos de empoderamiento de datos para clasificarnos, aislarnos y vendernos. Estos or\u00e1culos de caja negra de toma de decisiones imperiosas e imperceptibles se dignan qui\u00e9n obtiene pr\u00e9stamos hipotecarios, qui\u00e9n obtiene fianza, qui\u00e9n encuentra el amor y qui\u00e9n consigue que el estado les quite a sus hijos. <\/p>\n
En su nuevo libro, C\u00f3mo ocurrieron los datos: una historia desde la era de la raz\u00f3n hasta la era de los algoritmos<\/em>, <\/em>que se basa en su plan de estudios existente, los profesores de la Universidad de Columbia Chris Wiggins y Matthew L Jones examinan c\u00f3mo los datos se convierten en informaci\u00f3n procesable y se utilizan para dar forma a todo, desde nuestras opiniones pol\u00edticas y costumbres sociales hasta nuestras respuestas militares y actividades econ\u00f3micas. En el extracto a continuaci\u00f3n, Wiggins y Jones analizan el trabajo del matem\u00e1tico John McCarthy, el profesor junior de Dartmouth que acu\u00f1\u00f3 por s\u00ed solo el t\u00e9rmino \u00abinteligencia artificial\u00bb… como parte de su estrategia para asegurar la financiaci\u00f3n de la investigaci\u00f3n de verano.<\/p>\n <\/p>\n ww norton<\/p>\n<\/figure>\n Extra\u00eddo de C\u00f3mo ocurrieron los datos: una historia desde la era de la raz\u00f3n hasta la era de los algoritmos<\/em> por Chris Wiggins y Matthew L Jones. Publicado por WW Norton. Copyright \u00a9 2023 por Chris Wiggins y Matthew L Jones. Reservados todos los derechos.<\/p>\n Apasionado defensor de los enfoques simb\u00f3licos, al matem\u00e1tico John McCarthy se le suele atribuir la invenci\u00f3n del t\u00e9rmino \u00abinteligencia artificial\u00bb, incluso por s\u00ed mismo: \u00abInvent\u00e9 el t\u00e9rmino inteligencia artificial\u00bb, explic\u00f3, \u00abcuando intent\u00e1bamos conseguir dinero para un verano\u00bb. estudio\u201d para apuntar a \u201cla meta a largo plazo de lograr la inteligencia a nivel humano\u201d. El \u00abestudio de verano\u00bb en cuesti\u00f3n se titul\u00f3 \u00abEl proyecto de investigaci\u00f3n de verano de Dartmouth sobre inteligencia artificial\u00bb, y la financiaci\u00f3n solicitada proced\u00eda de la Fundaci\u00f3n Rockefeller. En ese momento, un profesor junior de matem\u00e1ticas en Dartmouth, McCarthy fue ayudado en su presentaci\u00f3n a Rockefeller por su antiguo mentor Claude Shannon. Como McCarthy describe el posicionamiento del t\u00e9rmino, \u00abShannon pens\u00f3 que inteligencia artificial era un t\u00e9rmino demasiado llamativo y podr\u00eda atraer una atenci\u00f3n desfavorable\u00bb. Sin embargo, McCarthy quer\u00eda evitar la superposici\u00f3n con el campo existente de \u00abestudios de aut\u00f3matas\u00bb (incluidas las \u00abredes nerviosas\u00bb y las m\u00e1quinas de Turing) y tom\u00f3 posici\u00f3n para declarar un nuevo campo. \u201cAs\u00ed que decid\u00ed no enarbolar m\u00e1s banderas falsas\u201d. La ambici\u00f3n era enorme; la propuesta de 1955 afirmaba que \u201ccada aspecto del aprendizaje o cualquier otra caracter\u00edstica de la inteligencia puede, en principio, describirse con tanta precisi\u00f3n que se puede hacer una m\u00e1quina para simularlo\u201d. McCarthy termin\u00f3 con m\u00e1s modeladores cerebrales que matem\u00e1ticos axiom\u00e1ticos del tipo que quer\u00eda en la reuni\u00f3n de 1956, que lleg\u00f3 a conocerse como el Taller de Dartmouth. El evento vio la uni\u00f3n de diversos esfuerzos, a menudo contradictorios, para hacer que las computadoras digitales realicen tareas consideradas inteligentes, sin embargo, como argumenta el historiador de inteligencia artificial Jonnie Penn, la ausencia de experiencia psicol\u00f3gica en el taller signific\u00f3 que la descripci\u00f3n de la inteligencia fue \u00abinformada principalmente por un conjunto de especialistas que trabajan fuera de las ciencias humanas\u201d. Cada participante vio las ra\u00edces de su empresa de manera diferente. McCarthy record\u00f3, \u00abcualquiera de los que estaban all\u00ed era bastante obstinado en seguir las ideas que ten\u00eda antes de venir, y hasta donde pude ver, no hubo ning\u00fan intercambio real de ideas\u00bb.<\/p>\n Al igual que el art\u00edculo de Turing de 1950, la propuesta de 1955 para un taller de verano sobre inteligencia artificial parece incre\u00edblemente prof\u00e9tica en retrospectiva. Los siete problemas que McCarthy, Shannon y sus colaboradores se propusieron estudiar se convirtieron en los principales pilares de la inform\u00e1tica y el campo de la inteligencia artificial:<\/p>\n \u201cComputadoras autom\u00e1ticas\u201d (lenguajes de programaci\u00f3n)<\/p>\n<\/li>\n \u201c\u00bfC\u00f3mo se puede programar una computadora para usar un idioma?\u201d (procesamiento del lenguaje natural)<\/p>\n<\/li>\n \u201cNeuron Nets\u201d (redes neuronales y aprendizaje profundo)<\/p>\n<\/li>\n \u201cTeor\u00eda del Tama\u00f1o de un C\u00e1lculo\u201d (complejidad computacional)<\/p>\n<\/li>\n \u201cSuperaci\u00f3n personal\u201d (aprendizaje autom\u00e1tico)<\/p>\n<\/li>\n \u00abAbstracciones\u00bb (ingenier\u00eda de caracter\u00edsticas)<\/p>\n<\/li>\n \u201cAleatoriedad y Creatividad\u201d (m\u00e9todos Monte Carlo incluyendo aprendizaje estoc\u00e1stico).<\/p>\n<\/li>\n<\/ol>\n El t\u00e9rmino \u00abinteligencia artificial\u00bb, en 1955, era una aspiraci\u00f3n m\u00e1s que un compromiso con un m\u00e9todo. La IA, en este sentido amplio, involucr\u00f3 tanto el descubrimiento de lo que comprende la inteligencia humana al intentar crear inteligencia artificial como un esfuerzo menos cargado filos\u00f3ficamente simplemente para hacer que las computadoras realicen actividades dif\u00edciles que un humano podr\u00eda intentar.<\/p>\n Solo algunas de estas aspiraciones impulsaron los esfuerzos que, en el uso actual, se convirtieron en sin\u00f3nimo de inteligencia artificial: la idea de que las m\u00e1quinas pueden aprender de los datos. Entre los cient\u00edficos inform\u00e1ticos, el aprendizaje a partir de datos ser\u00eda menospreciado durante generaciones.<\/p>\n La mayor parte del primer medio siglo de la inteligencia artificial se centr\u00f3 en combinar la l\u00f3gica con el conocimiento codificado en las m\u00e1quinas. Los datos recopilados de las actividades cotidianas no eran el centro de atenci\u00f3n; palidec\u00eda en prestigio al lado de la l\u00f3gica. En los \u00faltimos cinco a\u00f1os, inteligencia artificial y aprendizaje autom\u00e1tico han comenzado a usarse como sin\u00f3nimos; es un poderoso ejercicio de pensamiento para recordar que no ten\u00eda por qu\u00e9 ser as\u00ed. Durante las primeras d\u00e9cadas en la vida de la inteligencia artificial, aprender de los datos parec\u00eda ser el enfoque equivocado, un enfoque no cient\u00edfico, utilizado por aquellos que no estaban dispuestos a \u00absimplemente programar\u00bb el conocimiento en la computadora. Antes de que reinaran los datos, lo hac\u00edan las reglas.<\/p>\n A pesar de todo su entusiasmo, la mayor\u00eda de los participantes en el taller de Dartmouth trajeron consigo pocos resultados concretos. Un grupo era diferente. Un equipo de la Corporaci\u00f3n RAND, dirigido por Herbert Simon, hab\u00eda tra\u00eddo los productos en forma de probador autom\u00e1tico de teoremas. Este algoritmo podr\u00eda producir pruebas de teoremas aritm\u00e9ticos y l\u00f3gicos b\u00e1sicos. Pero las matem\u00e1ticas eran solo un caso de prueba para ellos. Como ha subrayado el historiador Hunter Heyck, ese grupo empez\u00f3 menos con la inform\u00e1tica o las matem\u00e1ticas que con el estudio de c\u00f3mo comprender las grandes organizaciones burocr\u00e1ticas y la psicolog\u00eda de las personas que resuelven problemas dentro de ellas. Para Simon y Newell, los cerebros humanos y las computadoras eran solucionadores de problemas del mismo g\u00e9nero.<\/p>\n Nuestra posici\u00f3n es que la forma apropiada de describir una parte de la conducta de resoluci\u00f3n de problemas es en t\u00e9rminos de un programa: una especificaci\u00f3n de lo que el organismo har\u00e1 bajo diversas circunstancias ambientales en t\u00e9rminos de ciertos procesos elementales de informaci\u00f3n que es capaz de realizar. Las computadoras digitales entran en escena solo porque pueden, mediante una programaci\u00f3n adecuada, ser inducidas a ejecutar las mismas secuencias de procesos de informaci\u00f3n que los humanos ejecutan cuando est\u00e1n resolviendo problemas. Por lo tanto, como veremos, estos programas describen la resoluci\u00f3n de problemas tanto humanos como mec\u00e1nicos al nivel de los procesos de informaci\u00f3n.<\/p>\n Aunque proporcionaron muchos de los primeros \u00e9xitos importantes en la inteligencia artificial temprana, Simon y Newell se centraron en una investigaci\u00f3n pr\u00e1ctica de la organizaci\u00f3n de los humanos. Estaban interesados \u200b\u200ben la resoluci\u00f3n de problemas humanos que mezclaban lo que Jonnie Penn llama un \u201ccompuesto de la l\u00f3gica simb\u00f3lica brit\u00e1nica de principios del siglo XX y la l\u00f3gica administrativa estadounidense de una organizaci\u00f3n hiperracionalizada\u201d. Antes de adoptar el apodo de IA, posicionaron su trabajo como el estudio de \u00absistemas de procesamiento de informaci\u00f3n\u00bb que inclu\u00edan humanos y m\u00e1quinas por igual, que se basaban en la mejor comprensi\u00f3n del razonamiento humano de la \u00e9poca.<\/p>\n Simon y sus colaboradores estaban profundamente involucrados en los debates sobre la naturaleza de los seres humanos como animales racionales. Simon recibi\u00f3 m\u00e1s tarde el Premio Nobel de Econom\u00eda por su trabajo sobre las limitaciones de la racionalidad humana. Le preocupaba, junto con un grupo de intelectuales de la posguerra, refutar la noci\u00f3n de que la psicolog\u00eda humana deber\u00eda entenderse como una reacci\u00f3n animal a los est\u00edmulos positivos y negativos. Como otros, rechaz\u00f3 una visi\u00f3n conductista del ser humano como impulsado por reflejos, casi autom\u00e1ticamente, y que el aprendizaje se refer\u00eda principalmente a la acumulaci\u00f3n de hechos adquiridos a trav\u00e9s de dicha experiencia. Las grandes capacidades humanas, como hablar un lenguaje natural o hacer matem\u00e1ticas avanzadas, nunca podr\u00edan surgir solo de la experiencia; requer\u00edan mucho m\u00e1s. Centrarse solo en los datos era malinterpretar la espontaneidad y la inteligencia humanas. Esta generaci\u00f3n de intelectuales, central para el desarrollo de la ciencia cognitiva, enfatiz\u00f3 la abstracci\u00f3n y la creatividad sobre el an\u00e1lisis de datos, sensoriales o de otro tipo. El historiador Jamie Cohen-\u200bCole explica: \u201cEl aprendizaje no era tanto un proceso de adquisici\u00f3n de datos sobre el mundo como el desarrollo de una habilidad o la adquisici\u00f3n de competencia con una herramienta conceptual que luego pod\u00eda implementarse creativamente\u201d. Este \u00e9nfasis en lo conceptual fue fundamental para el programa Te\u00f3rico L\u00f3gico de Simon y Newell, que no solo atraves\u00f3 procesos l\u00f3gicos, sino que despleg\u00f3 \u00abheur\u00edsticas\u00bb similares a las humanas para acelerar la b\u00fasqueda de los medios para lograr los fines. Acad\u00e9micos como George P\u00f3lya que investigan c\u00f3mo los matem\u00e1ticos resuelven problemas han enfatizado la creatividad involucrada en el uso de la heur\u00edstica para resolver problemas matem\u00e1ticos. Por lo tanto, las matem\u00e1ticas no eran un trabajo pesado, no era como hacer montones y montones de divisiones largas o reducir grandes cantidades de datos. Era una actividad creativa y, a los ojos de sus creadores, un baluarte contra las visiones totalitarias de los seres humanos, ya sea de izquierda o de derecha. (Y tambi\u00e9n lo era la vida en una organizaci\u00f3n burocr\u00e1tica; no tiene por qu\u00e9 ser laborioso en esta imagen; podr\u00eda ser un lugar para la creatividad. Simplemente no se lo diga a sus empleados).<\/p>\n \n Todos los productos recomendados por Engadget son seleccionados por nuestro equipo editorial, independiente de nuestra empresa matriz. Algunas de nuestras historias incluyen enlaces de afiliados. Si compra algo a trav\u00e9s de uno de estos enlaces, podemos ganar una comisi\u00f3n de afiliado. Todos los precios son correctos en el momento de la publicaci\u00f3n.<\/em>\n <\/p>\n<\/div>\nConfeccionando \u201cInteligencia Artificial\u201d<\/h2>\n
\n