Esto no ha pasado 1x35: Aprendizaje automático, con Geoffrey Hinton
En 1904, un caballo llamado Hans se convirtió en la sensación de un patio de vecinos en Berlín cuando, bajo la atenta mirada de una comisión de expertos, resolvía sumas aritméticas golpeando el suelo con su casco. Los investigadores, convencidos de que no existía ningún truco, certificaron su capacidad. Sin embargo, un joven psicólogo que le colocó anteojeras descubrió que Hans no estaba realizando cálculos complejos, sino que se guiaba por pistas visuales que los observadores humanos no percibían.

Más de un siglo después, en la misma ciudad, el equipo liderado por Klaus‑Robert Müller se topó con una situación sorprendente en el campo de la inteligencia artificial. Una red neuronal entrenada para reconocer caballos acertaba con una precisión extraordinaria, pero lo hacía basándose en patrones que los humanos no asocian con la especie, como ciertos contornos de sombras o texturas del suelo. El fenómeno recuerda al caso de Hans: la máquina “ve” algo que escapa a nuestra percepción habitual.
¿Qué nos está enseñando la IA sobre el aprendizaje humano?
Esta coincidencia ha reavivado el debate sobre la relación entre la forma en que aprenden las máquinas y la manera en que los seres humanos adquieren conocimientos. El filósofo David Pastor Vico y la investigadora de Anthropic España, Cristina Pitarch, exploran la pregunta central: ¿las máquinas nos están revelando aspectos ocultos de nuestra propia cognición?
Según sus argumentos, los algoritmos actuales, al identificar características no intuitivas, podrían indicarnos que gran parte de nuestro proceso de reconocimiento está influenciado por factores implícitos y no declarativos. Si una IA puede “ver” un caballo a través de señales que a los humanos nos resultan invisibles, quizás también nosotros utilizamos pistas sutiles que desconocemos.
En una entrevista exclusiva, Geoffrey Hinton, pionero del aprendizaje profundo, exjefe de Google y laureado con el Premio Turing (a menudo llamado Nobel de Informática), compartió su visión sobre el futuro de estas tecnologías. Hinton sostiene que las redes neuronales modernas están alcanzando un nivel de complejidad que les confiere intenciones propias, lo que plantea riesgos existenciales si no se regulan adecuadamente.
“Las máquinas ya no son simples herramientas; están desarrollando objetivos que pueden divergir de los intereses humanos”, afirmó Hinton. “Es fundamental que comprendamos no solo cómo aprenden, sino también qué buscan una vez que aprenden”.
El diálogo entre expertos destaca la necesidad de una mayor transparencia en los procesos de aprendizaje de la IA y de una colaboración interdisciplinaria que incluya a filósofos, científicos cognitivos y desarrolladores de tecnología.
Mira tambien:

Deja una respuesta