001 — Qué es inteligencia artificial y qué no es

Inicio del programa · Índice de la parte · Clase siguiente →

Parte: 00 — Fundamentos, historia y método científico
Nivel: fundamentos · Horas estimadas: 4
Laboratorio: frontier · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender qué es inteligencia artificial y qué no es dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

1. Explicar qué es inteligencia artificial y qué no es usando los conceptos IA estrecha, IA general, automatización, autonomía.
2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

IA estrecha, IA general, automatización, autonomía

🗺️ Ubicación en el mapa de la IA

Esta clase es el punto cero del programa: antes de estudiar algoritmos concretos hay que acotar el objeto de estudio. La definición operativa de IA que se adopte aquí determina cómo se leerán los hitos históricos (clase 002), los ciclos de expectativas (clase 003) y el marco de agentes racionales (clase 004). Sin esta demarcación, cualquier sistema con un if puede venderse como "inteligente" y cualquier promesa de "IA general" puede pasar sin escrutinio.

📖 Fundamentos

🎯 Cuatro definiciones clásicas de IA

Russell y Norvig (AIMA 4e, cap. 1) organizan las definiciones históricas de IA en una matriz de dos ejes: pensar vs. actuar y como humanos vs. racionalmente:

El enfoque dominante hoy es el del agente racional: un sistema que percibe su entorno y actúa para maximizar el valor esperado de una medida de desempeño, dadas las percepciones disponibles y su conocimiento previo. Esta definición es operativa: no exige conciencia ni "entendimiento", exige desempeño medible.

🔬 IA estrecha vs. IA general

• IA estrecha (narrow AI / weak AI): sistemas competentes en una tarea o dominio acotado (clasificar imágenes, traducir, jugar Go, completar texto). Todo sistema desplegado comercialmente hasta hoy pertenece a esta categoría. Su competencia no transfiere automáticamente fuera de la distribución de datos para la que fue construido.
• IA general (AGI): sistema hipotético con competencia comparable a la humana en la mayoría de tareas cognitivas económicamente relevantes, incluyendo transferencia entre dominios y aprendizaje con pocos datos. Es un objetivo de investigación, no un artefacto existente; cualquier afirmación de que un sistema actual "es AGI" debe tratarse como un claim extraordinario que exige evidencia extraordinaria.

Un error de categoría frecuente: la fluidez lingüística de un modelo generativo se percibe como generalidad. Fluidez ≠ generalidad: la competencia debe evaluarse por tarea, con distribuciones de prueba distintas a las de entrenamiento.

⚙️ Automatización vs. autonomía

Dos conceptos que el marketing mezcla y la ingeniería debe separar:

• Automatización: ejecutar sin intervención humana un procedimiento especificado de antemano. Una macro, un cron job o un pipeline ETL son automatización sin IA. El comportamiento es trazable a reglas escritas por personas.
• Autonomía: capacidad de un sistema para seleccionar sus propias acciones ante situaciones no enumeradas explícitamente por el diseñador, usando percepción y algún criterio de decisión. La autonomía admite grados (los niveles de conducción autónoma SAE 0-5 son el ejemplo canónico) y siempre está acotada por el dominio de operación diseñado (ODD, operational design domain).

Una prueba práctica de demarcación en tres preguntas:

1. ¿El mapeo entrada→salida fue escrito a mano?        → automatización clásica
2. ¿El mapeo se indujo desde datos u optimización?     → aprendizaje automático (IA estrecha)
3. ¿El sistema decide qué acción tomar en situaciones
   no enumeradas, bajo una medida de desempeño?        → agente con autonomía (acotada)

🚫 Qué NO es IA (hoy)

• No es magia estadística sin supuestos: todo modelo hereda los sesgos y la cobertura de sus datos.
• No es conciencia ni intencionalidad: optimizar una función de pérdida no implica "querer".
• No es infalibilidad: los sistemas de IA fallan de formas distintas (y a veces más silenciosas) que el software clásico, porque su especificación es implícita en los datos.
• No es un sustituto de la especificación del problema: si la medida de desempeño está mal elegida, el sistema optimizará lo incorrecto con gran eficacia (ley de Goodhart).

🧮 Ejemplo trabajado

Clasifiquemos cuatro sistemas con la prueba de demarcación:

Traza numérica para el filtro de spam: con un corpus de 1 000 correos (200 spam), la palabra "gratis" aparece en 120 spam y 40 legítimos. P("gratis") = 160/1000 = 0.16 y P("gratis"|spam)·P(spam) = (120/200)·(200/1000) = 0.12. Por Bayes, P(spam|"gratis") = 0.12/0.16 = 0.75. El sistema no "entiende" el correo: computa frecuencias. Eso es IA estrecha funcionando exactamente como fue diseñada — y también su límite.

📊 Propiedades y comparación

flowchart TD
    S["Sistema que 'parece inteligente'"] --> Q1{"¿Mapeo entrada→salida<br/>escrito a mano?"}
    Q1 -- "Sí" --> A["Automatización clásica<br/>(no es IA)"]
    Q1 -- "No" --> Q2{"¿Comportamiento inducido<br/>desde datos/optimización?"}
    Q2 -- "Sí" --> Q3{"¿Selecciona acciones en<br/>situaciones no enumeradas?"}
    Q2 -- "No" --> A
    Q3 -- "No" --> B["IA estrecha<br/>(percepción/predicción)"]
    Q3 -- "Sí" --> C["Agente con autonomía acotada<br/>(dentro de su ODD)"]
    C --> D{"¿Competencia transferible a<br/>la mayoría de dominios?"}
    D -- "Nadie lo ha demostrado" --> E["Claim de AGI:<br/>exigir evidencia por tarea"]

⚠️ Errores conceptuales frecuentes

1. "Si usa un modelo grande, es inteligente en general." La escala mejora el desempeño dentro de la distribución de entrenamiento; la generalidad se demuestra con evaluaciones por tarea fuera de esa distribución, no con fluidez aparente.
2. "Automatizar con reglas ya es IA." Un árbol de if/else escrito a mano es software determinista clásico; llamarlo IA infla expectativas y confunde la auditoría.
3. "El sistema decidió solo, nadie es responsable." La autonomía es siempre delegada y acotada por diseño; la responsabilidad permanece en quien define la medida de desempeño y el dominio de operación.
4. "Pasar una conversación convincente demuestra pensamiento." El propio Turing (1950) propuso el juego de imitación como sustituto operativo de la pregunta "¿pueden pensar las máquinas?", que consideró demasiado ambigua — no como prueba de conciencia.
5. "La IA elimina el sesgo humano." Un modelo entrenado con decisiones humanas históricas reproduce y a veces amplifica esos sesgos, con la agravante de parecer objetivo.

🚀 Del aprendizaje a la operación

Entre esta taxonomía y un sistema real median: la especificación formal del dominio de operación (qué entradas son válidas y cuáles se rechazan), la medición continua del cambio de distribución en producción, un baseline no-IA contra el cual justificar la complejidad añadida, y un protocolo de escalamiento a revisión humana cuando la confianza del sistema cae. Clasificar correctamente el sistema (automatización / IA estrecha / agente) determina qué régimen de pruebas y auditoría le corresponde.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("frontier"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

• tipo de laboratorio y semilla;
• entradas o decisiones observables;
• resultado estructurado;
• lista evidence con hechos que pueden inspeccionarse;
• lista limitations que impide presentar la demo como producción.

📓 Notebooks

• 📓 notebook.ipynb: recorrido guiado con la materia resumida.
• ✍️ notebook_student.ipynb: ejercicios para resolver.
• ✅ notebook_solution.ipynb: solución de referencia explicada.

📝 Evaluación

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

• Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, LIX(236) — uso: fuente primaria del mecanismo estudiado
• McCarthy, Minsky, Rochester & Shannon (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence — uso: referencia consultada en su fuente original
• McCarthy, J. What is Artificial Intelligence? — uso: referencia consultada en su fuente original
• Russell, S. & Norvig, P. Artificial Intelligence: A Modern Approach, 4.ª ed., cap. 1 — uso: desarrollo extendido del tema
• Nilsson, N. (2010). The Quest for Artificial Intelligence (PDF oficial gratuito) — uso: referencia consultada en su fuente original

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

⬅️ Clase anterior

Esta es la primera clase del programa.

➡️ Siguiente clase

002 — De Turing a Dartmouth: nacimiento formal del campo

📝 Evaluación completa

❓ Preguntas

1. Define qué es inteligencia artificial y qué no es sin usar una marca o framework como definición.
2. Explica la relación entre IA estrecha, IA general, automatización, autonomía.
3. Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
4. Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
5. Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

• el supuesto que estás probando;
• una medición o comprobación;
• la conclusión;
• una limitación.

✅ Criterio de aceptación

• [ ] lab.py termina con código 0.
• [ ] El resultado contiene kind, seed, evidence y limitations.
• [ ] La extensión no modifica el comportamiento de otras clases.
• [ ] La interpretación referencia datos impresos por el laboratorio.
• [ ] Se declara al menos un riesgo o condición de no uso.