La percepción común sobre el funcionamiento interno de sistemas como ChatGPT a menudo se ancla en la jerga informática, asumiendo una lógica secuencial o una base de datos determinista. Esta interpretación, aunque intuitiva, es fundamentalmente errónea, ya que obvia la profunda influencia de la ciencia cognitiva en el desarrollo de la Inteligencia Artificial. Comprender este linaje es crucial para descifrar por qué la IA no solo procesa información, sino que también exhibe un comportamiento inherente que produce las que hoy conocemos como ‘alucinaciones en la IA’.
Históricamente, la génesis de la IA no se limitó al ámbito de la computación pura; sus cimientos fueron establecidos por pensadores cuyo propósito principal era desentrañar los misterios de la mente humana. Esta distinción es vital, pues los avances seminales en el campo surgieron de un esfuerzo por replicar o entender procesos cognitivos, sentando las bases para sistemas que aprenden de ejemplos, en contraste con los modelos rígidos basados en reglas que se imaginaban inicialmente para dotar de inteligencia a las máquinas.
Un hito significativo fue la creación del Perceptrón en 1958 por el psicólogo Frank Rosenblatt, quien, apartándose de la idea de la programación basada en reglas, concibió una máquina capaz de aprender mediante ejemplos. Este enfoque revolucionario se inspiró directamente en el trabajo de psicólogos como Donald Hebb, cuyas investigaciones sobre el fortalecimiento de las conexiones neuronales sentaron el precedente para lo que hoy entendemos como aprendizaje automático, un pilar indispensable de la IA moderna.
La década de 1980 marcó una era de consolidación, cuando psicólogos cognitivos e informáticos colaboraron para explicar cómo los humanos realizaban tareas complejas como el reconocimiento de palabras o la formación de recuerdos. Figuras como David Rumelhart, Geoffrey Hinton y Ronald Williams desarrollaron métodos para entrenar redes neuronales artificiales de múltiples capas, lo que eventualmente se conocería como ‘aprendizaje profundo’. Estas redes no solo procesaban datos, sino que podían generalizar su conocimiento, aplicando lo aprendido a situaciones completamente nuevas, un salto cualitativo en la emulación de la cognición.
Si bien los progresos posteriores en capacidad computacional, como el desarrollo de procesadores gráficos y arquitecturas de transformadores, fueron esenciales para escalar la IA a sus niveles actuales, la arquitectura fundamental y la metodología de aprendizaje permanecieron arraigadas en el estudio de la mente. Estas innovaciones permitieron a los sistemas de IA procesar vastas cantidades de información y mantener conversaciones complejas en lenguaje natural, pero la esencia de su ‘inteligencia’ —aprender de la experiencia y operar con una estructura cerebral— se mantuvo intacta desde sus orígenes cognitivos.
Esta perspectiva fundacional explica por qué la IA moderna es inherentemente impredecible en comparación con los sistemas deterministas. Al igual que la memoria humana, que es reconstructiva e imperfecta, rellenando huecos con detalles verosímiles, los sistemas de IA operan de manera probabilística. Este diseño, que otorga la capacidad de generalizar ante nuevas preguntas, conlleva el precio de un sistema propenso a la confabulación y, por ende, a las recurrentes ‘alucinaciones en la IA’. La variabilidad en las respuestas a una misma pregunta, similar a la inconsistencia en las reacciones de un niño pequeño, subraya su naturaleza no determinista.
Las implicaciones prácticas de esta falta de comprensión son considerables. Muchos usuarios continúan concibiendo la IA como una base de datos infalible, lo que conduce a una confianza indebida en sus resultados. Esta mala interpretación puede llevar a decisiones críticas, incluso financieras, basadas en respuestas erróneas o ‘confabulaciones’ generadas por la IA, sin la debida verificación que aplicarían a una fuente humana. La persistencia de estos modelos mentales equivocados genera riesgos y desafíos en múltiples esferas sociales y profesionales.
En el ámbito institucional, la disparidad en los modelos mentales sobre la IA genera fricciones. Mientras algunos educadores abogan por la prohibición de estas herramientas, otros buscan integrarlas, tratando a la IA como un colaborador cuyas respuestas están sujetas a revisión. Esta dicotomía revela una brecha conceptual que la propia informática intenta cerrar mediante la ‘interpretabilidad’, una disciplina emergente que busca desvelar los procesos internos de los modelos de IA, emulando la búsqueda de la psicología cognitiva por entender los mecanismos profundos de la mente. Los orígenes importan, no solo para entender el pasado, sino para forjar un futuro más informado y seguro con la Inteligencia Artificial.
Si le ha parecido interesante este análisis, le invitamos a compartirlo y a dejar su opinión en los comentarios.
