UNIVERSIDAD CATÓLICA

“SANTO TORIBIO DE MOGROVEJO”

ESCUELA PROFESIONAL DE DERECHO

TEMA

Inteligencia Artificial

CURSO: Computación I

PROFESOR: Aguilar Fernández Luís G.

CICLO: II

FACULTAD: Derecho

GRUPO: “PC1Y”

ALUMNO: Vásquez Burga Persi.

Chiclayo, Abril del 2008

 INTRODUCCION

El hombre se ha aplicado a sí mismo el nombre científico de homo sapiens

(hombre sabio) como una valoración de la trascendencia de nuestras habilidades
mentales tanto para nuestra vida cotidiana como en nuestro propio sentido de
identidad. Los esfuerzos del campo de la inteligencia artificial, o IA, se enfocan a
lograr la comprensión de entidades inteligentes. Por ello, una de las razones de su
estudio es el aprender más acerca de nosotros mismos. A diferencia de la filosofía
y de la psicología, que también se ocupan de la inteligencia, los esfuerzos de la IA
están encaminados tanto a la construcción de entidades inteligentes como a su
comprensión. Otra razón por la cual se estudia la IA es debido a que las entidades
inteligentes así construidas son interesantes y útiles por derecho propio. No obstante
las fases tempranas en las que aún se encuentra, mediante la IA ha sido posible
crear diversos productos, de trascendencia y sorprendentes. Si bien nadie podría
pronosticar con toda precisión lo que se podría esperar en el futuro, es evidente que
las computadoras que posean una inteligencia a nivel humano (o superior) tendrán
repercusiones muy importantes en nuestra vida diaria así como en el devenir de la
civilización.
 El problema que aborda la IA es uno de los más complejos: ¿cómo es posible
que un diminuto y lento cerebro, sea biológico o electrónico, tenga capacidad para
percibir, comprender, predecir y manipular un mundo que en tamaño y complejidad
lo excede con creces? ¿Cómo es posible crear apoyándose en esas propiedades?
Preguntas difíciles, sin duda, pero a diferencia de la investigación en torno al
desplazamiento mayor que la velocidad de la luz o de un dispositivo antigravitatorio,
el investigador del campo de la IA cuenta con pruebas contundentes de que tal
búsqueda es totalmente factible. Todo lo que este investigador tiene que hacer es
mirarse en el espejo para tener ante sí un ejemplo de sistema inteligente.
La IA es una de las disciplinas más nuevas. Formalmente se inicia en 1956,
cuando se acuñó el término, no obstante que ya para entonces se había estado
trabajando en ello durante cinco años. Junto con la genética moderna, es el campo
en que a la mayoría de los científicos de otras disciplinas "más les gustaría
trabajar". Es justificada la opinión de un estudiante de física que considere que
todas las ideas interesantes de este campo ya fueron propuestas por Galileo,
Newton, Einsten y otros más, por lo que se necesitaría de muchísimos años de
estudio antes de que alguien pueda contribuir con una idea novedosa. Por el
contrario, en el campo de la IA todavía hay muchas áreas donde uno podría de-
sempeñarse como un Einstein de tiempo completo.
 Sumario

1. Introducción.
2. Inteligencia artificial.
2.1 ¿Qué es la IA?
2.2 Aproximaciones a la Inteligencia Artificial.
2.3 Breve historia de la IA.
2.4 Pensar como humano: el enfoque del modelo cognoscitivo.
2.5 Pensar racionalmente: el enfoque de las leyes del pensamiento.
2.6 Actuar en forma racional: el enfoque del agente racional.
2.7 Futro de la IA.
2.8 Robótica.
2.9 Conclusiones.
2.10Bibliografía.
 Inteligencia artificial

1. ¿Qué es la IA?
Inteligencia Artificial (IA), en una definición amplia y un tanto circular,
tiene por objeto el estudio del comportamiento inteligente en las máquinas. A
su vez, el comportamiento inteligente supone percibir, razonar, aprender,
comunicarse y actuar en entornos complejos/Una de las metas a largo plazo
de la IA es el desarrollo de máquinas que puedan hacer todas estas cosas
igual, o quizá incluso mejor, que los humanos. Otra meta de la IA es llegar a
comprender este tipo de comportamiento, sea en las máquinas, en los
humanos o en otros animales. Por tanto, la IA persigue al mismo tiempo
metas científicas y metas de ingeniería. En este libro, nos dedicaremos
principalmente a la IA como ingeniería, focalizando nuestra atención sobre los
conceptos e ideas más importantes que subyacen en el diseño de máquinas
inteligentes.
La IA ha estado siempre rodeada de controversia. La cuestión básica
de la IA — ¿Pueden pensar las máquinas?— ha interesado tanto a filósofos
como a científicos e ingenieros. En un famoso artículo, Alan Turing, uno de
los fundadores de la informática, expresó esta misma cuestión, pero
formulada en términos más adecuados para su comprobación empírica. Es
lo que se ha dado en llamar el Test de Turing [Turing, 1950]. Describiremos
este test un poco más adelante, en esta misma sección, pero primero es
importante destacar lo que ya observara Turing: que la respuesta a la pregunta
« ¿Pueden pensar las máquinas?» depende de cómo definamos las palabras
máquina y pensar. Turing podría haber añadido que la respuesta depende
también de cómo se defina la palabra pueden.
Consideremos primero la palabra pueden. ¿Queremos decir que las
máquinas pueden pensar ya ahora, o que algún día podrán pensar?
¿Queremos decir que las máquinas podrían ser capaces de pensar, en
principio (incluso aunque nunca lleguemos a construir ninguna que lo haga), o
lo que perseguimos es una implementación real de una máquina pensante?
Estas cuestiones son realmente importantes puesto que todavía no
disponemos de ninguna máquina que posea amplias habilidades pensantes.
 Algunas personas creen que las máquinas pensantes tendrían que ser
tan complejas, y disponer de una experiencia tan compleja (por ejemplo,
interaccionando con el entorno o con otras máquinas pensantes), que nunca
seremos capaces de diseñarlas o construirlas. Una buena analogía nos la
proporcionan los procesos que regulan el clima global del planeta: incluso
aunque conociésemos todo lo que es importante acerca de estos procesos,
este conocimiento no nos capacitaría necesariamente para duplicar el clima en
toda su riqueza. Ningún sistema menos complejo que el formado por la
superficie de la tierra, la atmósfera y los océanos —embebido en un
espacio interplanetario, calentado por el sol e influenciado por las mareas
— sería capaz de duplicar los fenómenos climáticos con todo detalle. De
forma similar, la inteligencia de nivel humano, a escala real, podría ser
demasiado compleja, o al menos demasiado dependiente de la fisiología
humana, para existir fuera de su encarnación en seres humanos inmersos en
su entorno. (Para una discusión acerca de la importancia de la noción de
encarnación véase, por ejemplo, [Lakoff, 1987; Winograd y Flores, 1986;
Harnad, 1990, y Mataric, 1997].) La cuestión de si alguna vez seremos
capaces, o no, de construir máquinas pensantes de nivel humano no admite
aún una respuesta definitiva. El progreso de la IA hacia esta meta ha sido
constante, aunque más lento de lo que algunos pioneros del tema habían
predicho. Personalmente, soy optimista sobre nuestro eventual éxito en esta
empresa.
Consideremos ahora la palabra máquina. Para mucha gente, una
máquina es todavía un artefacto más bien estúpido. La palabra evoca
imágenes de engranajes rechinando, de chorros de vapor siseando y de
piezas de acero martilleando. ¿Cómo podría llegar a pensar una cosa como
ésa? Sin embargo, hoy en día, los ordenadores han ampliado en gran
medida nuestra noción de lo que una máquina puede ser, y nuestra
creciente comprensión de los mecanismos biológicos está expandiéndose
incluso más aún. Consideremos, por ejemplo, un virus simple, como el
denominado Bacteriófago E6. Su cabeza contiene ADN vírico. Este virus es
capaz de adherirse a la pared celular de una bacteria mediante las fibras
de su cola, pinchar la pared e inyectar su ADN ella. Este ADN hace que la
bacteria fabrique millares de copias de cada una de las piezas del virus.
Después, las piezas se ensamblan automáticamente ellas mismas, formando
nuevos virus que salen de la bacteria para repetir el proceso. El ensamblaje
completo se parece mucho al de una máquina, por lo que podríamos, con
toda propiedad, decir que se trata de una máquina —una máquina hecha de
proteínas.
Pero ¿qué ocurre con otros procesos y organismos biológicos? El
genoma completo de la bacteria Haemophilus influenzae Rd ha sido
secuenciado recientemente [Fleischmann, et al., 1995]. Este genoma consta
de 1.830.137 pares de bases (identificadas con las letras A, G, C y T). Esto
equivale, aproximadamente, a 3,6 x 106 bits, es decir, casi medio megabyte.
Aunque todavía no se conoce la función de todos y cada uno de sus 1.743
genes, los científicos están comenzando a explicar el desarrollo y el
funcionamiento de este organismo en los mismos términos en los que
explicarían una máquina, —una máquina muy compleja, desde luego. De
hecho, hay técnicas que son muy familiares a los informáticos, tales como el
uso de cronogramas para los circuitos lógicos, que están demostrando ser
útiles para entender cómo los genes regulan los complejos procesos
bioquímicos de un virus que infecta a bacterias [McAdams y Shapiro,
1995]. La secuenciación de los genomas completos de otros organismos,
incluyendo el genoma humano, está en curso. Una vez que conozcamos estas
«marcas», ¿pensaremos en estos organismos —bacterias, gusanos, moscas,
ratones, delfines, humanos— como máquinas? ¡Si los humanos fuesen
máquinas, entonces es que las máquinas pueden pensar! Tendríamos una
demostración de su existencia. Lo que ocurre, «simplemente», es que no
conocemos aún cómo funciona la máquina humana.
Sin embargo, aunque estuviésemos de acuerdo acerca de lo que es
una máquina, este último argumento es rebatible. Aunque una máquina hecha
de proteínas puede pensar, quizá una hecha de silicio no sería capaz de
hacerlo. Un conocido filósofo, John Searle, cree que la materia de la que
estamos hechos es fundamental para la inteligencia [Searle, 1980; Searle,
1992]. Para él, el pensamiento sólo puede ocurrir en máquinas muy especiales
—las máquinas vivientes hechas de proteínas.
La hipótesis del sistema físico de símbolos de Newell y Simón [Newell
y Simón, 1976] está en oposición directa a las creencias de Searle (y a la
noción de encarnación mencionada anteriormente). Esta hipótesis establece
que un sistema físico de símbolos dispone de los medios necesarios y
suficientes para desarrollar una actividad general inteligente. De acuerdo
con Newell y Simón, un sistema físico de símbolos es una máquina, tal como
un ordenador digital, que es capaz de manipular datos simbólicos —sumar
números, reordenar listas de símbolos (por ejemplo, ordenar alfabéticamente
una lista de nombres), reemplazar algunos símbolos por otros, etcétera. Un
aspecto importante de esta hipótesis es que no importa de qué esté hecho el
sistema físico de símbolos. Decimos que la hipótesis de Newell y Simón es
«neutral respecto al sustrato».
Una entidad inteligente podría estar hecha de proteínas, de relés
mecánicos, de transistores, o de cualquier otra cosa, con tal de que sea
capaz de procesar símbolos.
Otros pensadores creen que no es realmente importante que las
máquinas estén hechas de silicio o de proteínas; piensan que el
comportamiento inteligente es, en su mayor parte, el resultado de lo que ellos
llaman procesamiento subsimbólico, es decir, procesamiento de señales, no
de símbolos. Consideremos, por ejemplo, el reconocimiento de rostros
familiares. Los humanos hacemos esto sin esfuerzo alguno, y aunque no se
sabe exactamente cómo lo hacemos, se sospecha que la mejor explicación
para el proceso es la que se basa en el tratamiento de imágenes, o de partes
de ellas, como señales multidimensionales, no como símbolos.
Podríamos citar muchos otros puntos de vista sobre el tipo de máquinas
que podrían ser capaces de desarrollar habilidades pensantes como las de los
humanos. Algunas de las hipótesis que se oyen a menudo son las siguientes:

 El cerebro procesa la información en paralelo, mientras que los

ordenadores convencionales lo hacen secuencialmente. Por tanto,
tenemos que construir nuevas variedades de ordenadores paralelos
para realizar progresos en la IA.
 La maquinaria computacional convencional está basada en la lógica
binaria (verdadero o falso). Por tanto, los sistemas realmente
inteligentes tendrán que usar algún tipo de lógica borrosa.
 Las neuronas animales son mucho más complejas que simples
 conmutadores —los bloques constructivos básicos de los
ordenadores actuales—. Por tanto, necesitaremos neuronas
artificiales verdaderamente realistas para construir máquinas
inteligentes.

Quizá es aún demasiado pronto para que se alcance un consenso en

el campo de la IA sobre el tipo de maquinaria requerida, aunque muchos
investigadores aceptan ya la hipótesis del sistema físico de símbolos.
Finalmente, llegamos a la palabra más difícil: pensar. En lugar de
intentar definir esta palabra, Turing propuso un test, el llamado Test de Turing,
mediante el cual pudiera decidirse si una máquina particular es o no
inteligente. El test fue descrito originalmente como un juego. Citemos del
artículo de Turing [Turing, 1950]:

En el juego participan tres personas, un hombre (A), una mujer (B) y un

interrogador (C), que puede ser de cualquier sexo. El interrogador permanece
en una sala, separado de los otros dos, pero pudiendo comunicarse con ellos
mediante un teletipo. El objetivo del juego para el interrogador es determinar
cuál de los otros dos es el hombre y cuál es la mujer. El interrogador los
designa mediante las etiquetas X e Y, y al final del juego debe decir «X es A e
Y es B» o «X es B e Y es A». Para ello, el interrogador puede plantear
preguntas ha A y a B, tales como: C: ¿Podría decirme X cuál es la longitud de
su pelo?.
Supongamos que X es realmente A; entonces es A quien debe
responder. El objetivo de A en el juego es intentar que C haga una
identificación errónea.

2. Aproximaciones a la Inteligencia Artificial

Aun aceptando que la IA ya ha sido capaz de producir algunos

sistemas prácticos muy útiles, la creencia general es que el objetivo último de
alcanzar una inteligencia de nivel humano está aún muy distante. Siendo esto
así, todavía hay un gran debate sobre cuáles son las mejores aproxi-
maciones hacia la IA —mejores en el sentido de sentar los fundamentos
centrales para conseguir las metas planteadas a largo plazo, así como mejores
en el sentido de producir resultados prácticos a corto plazo—. En
consecuencia, durante los últimos 40 años ha emergido un cierto número de
paradigmas diferentes. Cada uno de ellos tiene abogados apasionados, y
algunos han producido resultados suficientemente interesantes como para no
ser descartados sin más. Quizá lo que se requiere es una combinación
apropiada de estas aproximaciones diferentes. En cualquier caso, cada
investigador cree, a menudo, que la suya es la metodología avanzada que
merece especial atención. Los principales paradigmas pueden ser clasificados
en dos grupos.
El primer grupo incluye lo que llamaríamos las aproximaciones basadas
en procesamiento de símbolos. Se sustentan sobre la hipótesis del sistema
físico de símbolos de Newell y Simón, y aunque esta hipótesis no puede
considerarse aún como umversalmente aceptada, en ella se basa mucho de
lo que podríamos llamar IA «clásica» (lo que el filósofo John Haugeland llama
«IA al viejo estilo» (GOFAI, o Good-Old-Fashioned-AI). Un miembro
destacado de esta familia de aproximaciones es el que se basa en la
aplicación de operaciones lógicas sobre bases de conocimiento declarativo.
Inspirado originalmente en los informes de John McCarthy sobre su «sistema
consejero» [McCarthy, 1958], este estilo de IA representa el «conocimiento»
sobre un problema del dominio mediante sentencias declarativas, a menudo
basadas en sentencias de la lógica de predicados o sustancialmente
equivalentes a ellas. Para deducir consecuencias a partir de e conocimiento
se aplican técnicas de inferencia lógica. Este método admite numerosas
variant incluyendo aquellas cuyo énfasis está en la axiomatización formal del
dominio en un lengu lógico. Cuando se aplica a problemas «reales», este
método requiere la representación de una c tidad sustancial de conocimiento
del dominio, por lo que se suele hablar de aproximaciones ba das en el
conocimiento. Se han construido muchos sistemas basados en estos métodos.
La funcionalidad de un agente debe verse como una propiedad
emergente de la interacción intensiva del sistema con su entorno dinámico. La
especificación del comportamiento< agente aislado no explica la funcionalidad
que exhibe cuando el agente está operando. P contrario, su funcionalidad se
basa en gran medida en las propiedades del entorno. No hay que tener en
cuenta las características dinámicas del entorno, sino que éstas deben
 mente por su capacidad de aprendizaje. También se han conseguido
resultados interesantes mediante procesos que simulan ciertos aspectos de la
evolución biológica: cruzamiento, mutación y reproducción de los organismos
mejor adaptados. Otras aproximaciones ascendentes, cercanas a las
aproximaciones del tipo «vida artificial», se basan en la teoría del control y en
el análisis de sistemas dinámicos (véase, por ejemplo, [Beer, 1995, y Port y
van Gelder, 1995]).

3. Breve historia de la IA

Cuando empezaron a desarrollarse los primeros ordenadores durante

las décadas de los años 40 y 50, algunos investigadores escribieron
programas que podían realizar tareas elementales de razonamiento. Entre
los resultados más prominentes de esta época podemos citar los primeros
programas de ordenador capaces de jugar al ajedrez [Shannon, 1950, Newell,
y Shaw y Simón, 1958], los programas capaces de jugar a las damas
[Samuel, 1959, y Samuel, 1967] y los programas para demostrar teoremas de
geometría plana [Gelernter, 1959]. En 1956, John McCarthy y Claude
Shannon coeditaron un volumen titulado Autómata Studies [Shannon y
McCarthy, 1956]. La mayoría de los artículos del volumen trataban sobre los
fundamentos matemáticos de la teoría de autómatas, por lo que Mc Carthy,
decepcionado, decidió acuñar el término Inteligencia Artificial y usarlo como
título de una conferencia celebrada en Dartmouth en 1956. En esta
conferencia se presentaron algunos trabajos muy relevantes, incluyendo uno
de Alien Newell, Cliff Shaw y Herbert Simón sobre un programa llamado
Teorizador Lógico [Newell; Shaw y Simón, 1957], que podía demostrar
teoremas en lógica proposicional..
El primer paso hacia la inteligencia artificial fue dado mucho tiempo
atrás por Aristóteles (384-322 a. C.), cuando comenzó a explicar y a codificar
ciertos estilos de razonamiento deductivo que él llamó silogismos. Algunos de
los esfuerzos tempranos para automatizar la inteligencia nos parecerían
quijotescos hoy en día. Ramón Llull (1235-1316), un místico y poeta catalán,
construyó una máquina de engranajes, llamada Ars Magna, que
supuestamente era capaz de responder a todas las preguntas. Pero hubieron
también científicos y matemáticos que perseguían la automatización del
razonamiento. Martin Gardner [Gardner, 1982, p. 3] atribuye a Gottfried Leib-niz
(1646-1716) el sueño de un «álgebra universal mediante la cual todo el
conocimiento, incluyendo las verdades morales y metafísicas, pueda ser algún
día representado en un único sistema deductivo». Leibniz llamó a su sistema
cálculo filosófico o raciocinador, fue, claro está, un sueño que no pudo ser
realizado con el aparataje tecnológico de la época. No comenzó a haber un
progreso sustancial hasta que George Boole [Boole, 1854] desarrolló los
fundamentos de la lógica proposicional. El propósito de Boole, entre otras
cosas, era «recoger... algunos fundamentos probables relativos a la
naturaleza y a la constitución de la mente humana». Hacia el final del siglo XIX,
Gottlieb Frege propuso un sistema de notación para el razonamiento mecánico,
con lo que inventó mucho de lo que hoy conocemos con el nombre de cálculo
de predicados [Frege, 1879]. Llamó a su lenguaje Begriffsschrift, lo que puede
ser traducido como «escritura de conceptos».
En 1958, John McCarthy propuso la utilización del cálculo de
predicados como un lenguaje para representar y usar conocimiento en un
sistema al que llamó «sistema consejero» [McCarthy, 1958]. A este sistema,
en lugar de programarlo, había que decirle lo que necesitaba saber para
resolver un problema. Una modesta, pero influyente, implementación de estas
ideas fue abordada por Cordell Green en su sistema QA3 [Oreen, 1969a].
Como resultado de muchas controversias entre los investigadores de la IA, el
cálculo de predicados y sus variantes han sobrevivido como el fundamento
básico para la representación del conocimiento.
Los lógicos del siglo XX, incluyendo a Kurt Gódel, Stephen Kleene,
Emil Post, Alonzo Church y Alan Turing, formalizaron y clarificaron lo que
puede ser hecho y lo que no puede ser hecho mediante sistemas lógicos y
computacionales. Posteriormente, informáticos como Stephen Cook y Richard
Karp identificaron las clases de cómputos que, siendo posibles en principio,
requerirían cantidades de tiempo y de memoria completamente
impracticables.
Muchos de estos resultados de la lógica y de la informática se
referían a «verdades que no pueden ser deducidas» y a «cálculos que no
pueden ser realizados». Seguramente animados por estos hallazgos
negativos, algunos filósofos y científicos [Lucas, 1961; Penrose, 1989, y
Penro-se, 1994] los interpretaron como confirmaciones de que la inteligencia
humana no podría ser nunca mecanizada. Estos pensadores creían que los
humanos son, de alguna forma, inmunes a las limitaciones computacionales
inherentes a las máquinas. Sin embargo, la mayoría de los lógicos y de los
informáticos creen que estos resultados negativos de ningún modo implican
que las máquinas tengan límites que no sean aplicables también a los
humanos.
El primer artículo moderno que trataba sobre la posibilidad de
mecanizar la inteligencia al estilo humano fue el de Alan Turing que ya hemos
citado anteriormente [Turing, 1950]. Durante el mismo período, Warren
McCulloch y Walter Pitts teorizaban sobre las relaciones entre elementos
computacionales simples y neuronas biológicas [McCulloch y Pitts, 1943].
Demostraron que es posible calcular cualquier función computable mediante
redes de puertas lógicas (véase [Minsky, 1967], para un tratamiento muy
legible de los aspectos computacionales de las «neuronas de McCulloch-
Pitts»). Otro trabajo, de Frank Rosenblatt [Rosenblatt, 1962], exploraba el uso
de redes de tipo neuronal, denominadas perceptrones, para el aprendizaje y el
reconocimiento de patrones. Algunas otras comentes de trabajo, entre ellas la
cibernética [Wiener, 1948], la psicología cognitiva, la lingüística computacional
[Chomsky, 1965] y la teoría del control adaptativc [Widrow y Hoff, 1960], han
contribuido también a esta matriz intelectual dentro de la cual se hí
desarrollado la IA.
Una gran parte del trabajo inicial en la IA (durante la década de los años
60 y la primera par te de la década de los 70) se dedicaba a explorar diversas
representaciones de problemas, técnicas de búsqueda y heurísticas
generales que se aplicaban en programas de ordenador capaces d resolver
puzzles sencillos, de jugar contra el usuario o de recuperar información. Uno de
los prc gramas más influyentes fue el Solucionador General de Problemas
(GPS, o General Problem So ver) de Alien Newell, Cliff Shaw y Herbert Simón
[Newell; Shaw, y Simón, 1959, y Newell Simón, 1963]. Entre los problemas de
muestra resueltos por estos sistemas pioneros se incluí* la integración
simbólica [Slagle, 1963], los problemas de álgebra [Bobrow, 1968], los puzzl
analógicos [Evans, 1968] y el control de robots móviles [Nilsson, 1984b].
Muchos de est< sistemas constituyen el tema central de los artículos reunidos
en el histórico volumen Compul and Thought [Feigenbaum y Fefcfanan, 1963].
Los intentos de «escalar» estos programas y sus técnicas para
enfrentarlos a aplicaciones importancia práctica revelaron que sólo valían
para resolver «problemas de juguete. El programa al que se atribuye el mérito
de ser el primero que demostró la importancia de recoger grandes
cantidades de conocimiento específico del dominio fue DENDRAL, un sistema
para predecir la estructura de moléculas orgánicas a partir de su fórmula
química y de su espectrograma de masas [Feigenbaum; Buchanan, y
Lederberg, 1971, y Lindsay et al., 1980]. Después se desarrollaron otros
«sistemas expertos», incluyendo sistemas para diagnóstico médico [Shortliffe,
1976, y Miller, Pople y Myers, 1982], sistemas para configurar ordenadores
[McDermott, 1982] y sistemas para valorar posibles yacimientos de
minerales [Campbell et al., 1982, y Duda, Gaschnig y Hart, 1979]. Un buen
resumen de la historia de la IA a lo largo de este período fue escrito por
[McCorduck, 1979].
Una de las áreas en la que se han realizado progresos sustanciales al
escalar el tamaño del problema es el área de los juegos. El 11 de mayo de
1997, un programa de ordenador de IBM, denominado DEEP BLUE,
consiguió vencer al entonces campeón del mundo de ajedrez, Garry
Kasparov, por 3,5 a 2,5 en un encuentro a seis partidas. Este alto nivel de
juego se ha conseguido gracias a la sinergia de sofisticados algoritmos de
búsqueda, ordenadores de alta velocidad y hardware específico para el juego
del ajedrez.
La inteligencia humana abarca muchas habilidades, incluyendo la
habilidad para percibir y analizar escenas visuales y la habilidad para entender
o generar el lenguaje. Uno de los sistemas pioneros en comprensión del
lenguaje natural fue el desarrollado por Terry Winograd [Winograd, 1972].
Durante la década de los años 70 se llevó a cabo un proyecto coordinado
multicentro que desarrolló prototipos de sistemas para la comprensión fluida
del habla; el sistema LUNAR [Woods, 1973], desarrollado por William Woods,
era capaz de responder a preguntas orales en inglés sobre las muestras de
rocas recogidas por las misiones lunares de la NASA.
Aunque el interés en las redes neuronales decayó un poco tras el
 trabajo pionero realizado en los últimos años de la década de los 50 por Frank
Rosenblatt, resurgió con energía en los años 80. Las redes de elementos no
lineales con interconexiones de pesos variables se consideran actualmente
como una clase muy importante de herramientas para el modelado no lineal.
Hoy en día existen diversas aplicaciones importantes de las redes neuronales.
El trabajo sobre redes neuronales, junto con el trabajo en temas de vida
artificial, ha ayudado a focalizar la investigación actual en IA sobre los
problemas relacionados con la conexión entre procesos simbólicos y los
sensores y efectores de los robots inmersos en un entorno físico.

4. Pensar como humano: el enfoque del modelo cognoscitivo

Para poder afirmar que un programa determinado utiliza algún tipo
de razonamiento humano, previamente habrá que definir cómo piensan los
seres humanos. Habrá que penetrar en el funcionamiento de la mente
humana. Hay dos formas de hacer esto: mediante la introspección (para
intentar atrapar nuestros propios pensamientos conforme éstos se van
dando) o mediante la realización de experimentos psicológicos. Una vez
que se cuente con una teoría bastante precisa de la mente, puede
procederse a expresar tal teoría en un programa de computadora. Si los
datos de entrada/salida del programa y la duración de tiempo de su
comportamiento corresponden a los de la conducta humana, existe
evidencia de que algunos de los mecanismos del programa también
funcionan en los seres humanos. En el caso de Newell y Simón, creadores
del SGP, solucionador general de problemas (Newell y Simón, 1961), no
bastó con que su programa resolviera correctamente los problemas
propuestos. Lo que les interesaba fundamentalmente era seguir la pista de
los pasos de razonamiento y compararla con la ruta seguida por sujetos
humanos a los que se propuso los mismos problemas. Esta actitud
contrasta fuertemente con la de otros investigadores de la misma época
(como es el caso de Wang, 1960), a quienes lo que les importaba era la
obtención de respuestas correctas independientemente de cómo las
obtendría un ser humano. En el campo interdisciplinario de la ciencia
cognoscitiva concurren modelos computacionales de IA y técnicas
experimentales de psicología para intentar elaborar teorías precisas y
 verificables del funcionamiento de la mente humana.
Si bien la ciencia cognoscitiva es un campo fascinante por sí solo,
en esta obra no se estudiará en detalle. Ocasionalmente se harán
comentarios acerca de similitudes y diferencias que existen entre técnicas
de IA y cognición humana. La auténtica ciencia cognoscitiva
necesariamente se fundamenta en la investigación experimental en seres
humanos o animales; en esta obra se da por sentado que el lector
únicamente cuenta con una computadora para hacer experimentos. Sólo
se desea asentar que la IA y la ciencia cognoscitiva siguen
intercambiando diversas aportaciones, especialmente en áreas de la
vista, lenguaje natural y aprendizaje.

5. Pensar racionalmente: el enfoque de las leyes del pensamiento

El filósofo griego Aristóteles fue uno de los primeros que intentara

codificar la "manera correcta de pensar", es decir, procesos de
pensamiento irrefutables. Sus famosos silogismos son esquemas de es-
tructuras de argumentación mediante las que siempre se llega a
conclusiones correctas si se parte de premisas correctas. Por ejemplo:
"Sócrates es un hombre; todos los hombres son mortales; por lo tanto,
Sócrates es mortal." Dichas leyes del pensamiento debían gobernar la
manera de operar de la mente. Así se inauguró el campo de la lógica.
El desarrollo de la lógica formal a fines del siglo XIX y a principios
del XX (de lo que se hablará detalladamente en el capítulo 6) permitió
contar con una notación precisa para representar aseveraciones
relacionadas con todo lo que existe en el mundo, así como sus relaciones
mutuas. (A diferencia de lo que sucede con la notación de la aritmética
común, en cuyo caso prácticamente sólo se representan aseveraciones
acerca de la igualdad y desigualdad entre números.) Ya para 1965
existían programas que, contando con tiempo y memoria suficientes,
podían describir un problema en notación lógica y encontrarle solución,
siempre y cuando ésta existiese. (De no existir, el programa continuaría sin
cesar de buscarla.) En la IA, la tradición logicista se esfuerza por elaborar
programas como el anterior para crear sistemas inteligentes.
 Este enfoque presenta dos obstáculos. En primer lugar, no es fácil
recibir un conocimiento informal y expresarlo en los términos formales
que exige la notación lógica, especialmente cuando el conocimiento tiene
menos de 100% de certidumbre. En segundo lugar, hay una gran
diferencia entre la posibilidad de resolver un problema "en principio", y
realmente hacerlo en la práctica. Incluso problemas que entrañan una
docena de elementos agotarían la capacidad de cómputo de cualquier
computadora a menos que se cuente con lineamientos sobre los pasos de
razonamiento que hay que utilizar primero. Si bien los dos obstáculos
anteriores están presentes en todo intento de construir sistemas de
razonamiento computacional, fue en la tradición logicista en donde
surgieron por vez primera.

6. Actuar en forma racional: el enfoque del agente racional

Actuar racionalmente implica actuar de

manera tal que se logren los objetivos
deseados, con base en ciertos
supuestos. Un agente es algo capaz de
percibir y actuar. (Quizás el empleo que
se da a esta palabra sea poco común,
pero se irá acostumbrando a él.) De
acuerdo con este enfoque, se considera
la IA como el estudio y construcción de agentes racionales.
En el caso del enfoque de la IA según las “leyes del pensamiento”,
todo el énfasis se ponía en hacer inferencias correctas. La obtención de
estas inferencias a veces forma parte de lo que se considera un agente
racional, puesto que una manera de actuar racionalmente es el
razonamiento lógico que nos asegure la obtención de un resultado
determinado, con lo que se actuará de conformidad con tal razonamiento. Sin
embargo, el efectuar una inferencia correcta no siempre depende de la
racionalidad, pues existen situaciones en las que no existe algo que se pueda
considerar lo que correctamente debería hacerse, y sin embargo hay que
decidirse por un curso de acción. Existen también maneras de actuar
racionalmente que de ninguna manera entrañan inferencia alguna. Por
ejemplo, el retirar la mano de una hornilla caliente es un acto reflejo mucho
más eficiente que una tardía actuación emprendida después de una
cuidadosa deliberación.
Todas las “habilidades cognoscitivas” que se necesitan en la prueba
de Turing permiten emprender acciones racionales. Por lo tanto, es
necesario contar con la capacidad para representar el conocimiento y razonar
con base en él, pues de esta manera se podrán tomar decisiones correctas
en una amplia gama de situaciones. Es necesario ser capaces de generar
oraciones comprensibles en lenguaje natural, puesto que la enunciación de
tales oraciones nos permite desenvolvernos en una sociedad compleja. El
aprendizaje no se emprende sólo por erudición, sino porque el profundizar en
el conocimiento de cómo funciona el mundo facilitará concebir mejores
estrategias para manejarse en él. La percepción visual no es sólo algo
divertido, sino que es algo necesario para darse una mejor idea de lo que una
acción determinada puede producir (por ejemplo, el ver un delicioso
bocadillo contribuirá a la decisión y acción de acercarse a él).
Estudiar la IA adoptando el enfoque del diseño de un agente racional
ofrece dos ventajas. Primera, es más general que el enfoque de las “leyes
del pensamiento”, dado que el efectuar inferencias correctas es sólo un
mecanismo útil para garantizar la racionalidad, pero no es un mecanismo
necesario. Segunda, es más afín a la manera como se ha producido el
avance científico que los enfoques basados en la conducta o pensamiento
humanos, toda vez que se define claramente lo que será la norma de la
racionalidad, norma que es de aplicación general. Por el contrario, la
conducta humana se adapta bien sólo en un entorno específico y, en parte,
es producto de un proceso evolutivo complejo y en gran parte ignoto, cuya
perfección todavía se ve distante. Por ello, esta obra se concentrará en los
principios generales que rigen a los agentes racionales y en los elementos
usados para construirlos. Más adelante se verá que no obstante la aparente
facilidad con la que se definen los problemas, cuando se intenta resolverlos
surge una gran variedad de cuestiones
Hay que tener muy presente desde ahora: que más tarde que
temprano podrá constatarse que lograr la racionalidad perfecta —siempre
 hacer lo correcto— no es posible en entornos complejos. El cómputo que
implican es excesivo. Sin embargo, a lo largo de esta obra se asumirá la
hipótesis de trabajo en el sentido de que ser capaz de comprender la toma
de decisiones perfecta ya es un buen comienzo. Lo anterior simplificará el
problema y servirá de escenario idóneo para todo el material básico de este
campo.

7. FUTURO DE LA IA

La ciencia de la Inteligencia Artificial tiene su

formalización en 1958, en la Conferencia de Dartmouth.
Durante estos años ha habido décadas de un avance decidido
hacia la implementación de inteligencia práctica en las
máquinas. Los. Campos de reconocimiento de voz,
lenguaje natural, reconocimiento de caracteres, etc., han sido campos en
los que se especializó la IA y de su mano vio un gran avance.

Sin embargo, algunos de estos éxitos no tuvieron la continuidad esperada, y

se sucedieron temporadas en las que las expectativas creadas en tomo a
las máquinas inteligentes dejaron paso a una desilusión que hicieron más
lento el desarrollo de las contribuciones prácticas de esta ciencia.
Efectivamente, hay una serie de tareas fáciles para los seres humanos que
son aún impensables para una máquina “inteligente”, pero esto no es óbice
para admitir que se han realizado interesantes progresos en la línea de
incorporar conocimiento, razonamiento y aprendizaje a los sistemas
computacionales.

Las fases de desarrollo de la IA se han ido sucediendo al paso de la

evolución de las computadoras. En los primeros años la mayoría de los
problemas abordados por la IA eran problemas estructurados y con sus
límites muy bien definidos, por ejemplo, juegos (ajedrez), pruebas de
 teoremas, comprobación y depuración de algoritmos y programas, cálculo,
geometría, etc. En esta fase el énfasis se centró sobre todo en crear
máquinas que pudieran pensar, capaces de resolver una amplia clase de
problemas, que incluían fundamentalmente razonamientos sofisticados y
muchas veces artificiosos, y técnicas de búsqueda.
Si proyectamos las tendencias actuales hacia el futuro, es razonable esperar
un nuevo énfasis en el desarrollo de sistemas autónomos integrados, robots
y «softbots». Los softbots [Etzioni y Weld, 1994] son agentes software que
recorren Internet buscando la información que ellos creen que puede ser de
interés para sus usuarios. La constante presión ejercida para mejorar las
capacidades de los robots y de los agentes software motivará y guiará la
investigación en inteligencia artificial durante muchos años.

8. Robótica
La ciencia de la robótica implica diferentes técnicas
de IA. La idea de un robot "listo" con la capacidad de
aprender por experiencia es el tema central de teorías
e investigaciones en IA. El robot debe ser capaz de
comunicarse en lenguaje natural y debe poder
realizar tareas que requieran el equivalente a la iniciativa y la
originalidad, esto implica que el robot debe llegar a realizar, tras un
periodo de aprendizaje cosas para las cuales no estaba inicialmente
programado, a diferencia de los robots que se utilizan actualmente en
la aplicación industrial, los cuales no son más que meros autómatas. La
idea global en la inteligencia artificial estuvo desacreditada durante
varios años debido parcialmente, al excesivo optimismo por parte de la
primera teoría pero, mayormente causado por la exageración y el
sensacionalismo de algunos de sus divulgadores. Los primeros robots
creados en toda la historia de la humanidad, no tenían más que un solo
fin: entretener a sus dueños. Estos inventores se interesaban
solamente en conceder los deseos de entretener a quien le pedía
construir el robot. Sin embargo, estos inventores se comenzaron a dar
cuenta de que los robots podían imitar movimientos humanos o de
alguna criatura viva. Estos movimientos pudieron ser mecanizados, y
de esta manera, se podía automatizar y mecanizar algunas de las
labores más sencillas de aquellos tiempos. El origen del desarrollo de
la robótica, se basa en el empeño por automatizar la mayoría de las
operaciones en una fábrica; esto se remonta al siglo XVII en la industria
textil, donde se diseñaron telares que se controlaban con tarjetas
perforadas.
 Conclusiones

La IA a avanzado de Manera impresionante a medida de

los años, pero todavía quedan algunos paradigmas por
resolver, debido a que no se ha alcanzado totalmente
maquinas que puedan interactuar, es decir, que puedan
tener una conversación como si la estuviesen platicando con
otra persona, pero aunque el intento de los científicos ha
sido grande, hay que tener el cuenta que las maquinas son
solo maquinas diseñadas para hacer funciones indicadas
por sus creadores.
 Bibliografía

 PAJARES MARTINEZ, G Y SANTOS PEÑA, M. (2006). Inteligencia

Artificial e Inteligencia del Conocimiento, 1ª Ed, México:
ALFAOMEGA.
 NILS J, N. (2000). Inteligencia artificial; una nueva síntesis. 1ª Ed,
Madrid: PRINTED IN ESPAIN.
 STUART J, RUSSELL Y PETER NORVIG. (1996). Inteligencia
Artificial; un enfoque moderno, México: Pearson Educación.
 [Link]
Inteligencia_Artificiales.[Link]/wiki/Inteligencia_Artificial.