Los inviernos de la IA: por qué la promesa se enfrió

Un invierno de la IA es un periodo en el que la inteligencia artificial pierde interés y dinero, porque los resultados no cumplen las expectativas. No existe una lista oficial de estos periodos. Esta guía mira dos momentos de desencanto: el que reflejó el informe británico de Lighthill en 1973 y el de mediados de los años ochenta, que el informe AI100 de Stanford llama “invierno de la IA”. Entender ambos ayuda a ver por qué la historia de la IA no avanzó en línea recta.

Las promesas de las primeras décadas

Los investigadores que entraron al campo alrededor de 1950 y 1960 tenían grandes expectativas. Según el informe de Lighthill, muchos de ellos reconocían, hacia 1972, que los resultados estaban lejos de lo que se había anunciado. Algunas predicciones públicas fueron todavía más optimistas que las de los propios investigadores.

Esa brecha entre promesa y resultado es el hilo común de los inviernos. Cuando un logro concreto no llega, la confianza en todo el campo se resiente.

El informe Lighthill de 1973

El Science Research Council, un organismo británico que financiaba la investigación, pidió una revisión independiente de la IA. Encargó el trabajo a James Lighthill, un matemático que no pertenecía al campo, para que describiera cómo se veía la IA desde fuera tras dos meses de lectura y conversaciones.

Lighthill dividió el trabajo en categorías y reconoció logros respetables en algunas, aunque menores de lo esperado. También recordó que, en tareas como el aterrizaje automático de aviones o el análisis de imágenes de microscopio, la industria ya lograba buenos resultados con métodos convencionales de control y programación. Dentro de la automatización avanzada, señaló avances decepcionantes en:

• Reconocimiento de patrones: el reconocimiento de letras impresas resultó más difícil de lo esperado, y el de letra manuscrita parecía fuera de alcance.
• Reconocimiento de voz: funcionaba solo con vocabularios muy limitados.
• Traducción automática: según Lighthill, se gastaron grandes sumas con muy poco resultado útil.
• Demostración de teoremas: los métodos generales chocaron con la explosión combinatoria, que se explica abajo.

La explosión combinatoria

Lighthill atribuyó buena parte del problema a lo que llamó la “explosión combinatoria”. Un programa que debe elegir entre opciones que se multiplican puede volverse inmanejable, aunque cada paso parezca simple.

Supón que un programa debe decidir entre 10 opciones en cada uno de 10 pasos seguidos. Eso da 10 elevado a 10 combinaciones posibles, es decir, diez mil millones. Si el programa las revisa todas, el tiempo crece muy rápido. Por eso, según Lighthill, la tendencia era usar métodos “heurísticos”, que guardan mucho conocimiento sacado de la experiencia humana con ese tipo de problema.

Lo que se aprendió: el conocimiento específico

Lighthill también notó que los métodos que funcionaban mejor no eran los más generales, sino los que guardaban mucho conocimiento detallado sobre un problema concreto. Este punto fue importante. Mostró que la idea de una inteligencia general, válida para cualquier tarea, era más difícil de lograr de lo que se pensaba.

Lighthill dio como ejemplo un programa llamado Dendral, que deducía estructuras químicas a partir de datos de espectrometría de masas. Su éxito venía de guardar mucha información específica del área, no de un método universal.

Mediados de los ochenta: el segundo invierno

Según el informe AI100 de Stanford, a mediados de los ochenta el campo todavía no tenía éxitos prácticos importantes. Ese informe atribuye la distancia entre teoría y práctica a varias causas: poca atención a que los sistemas interactuaran con el mundo físico, un uso excesivo de la lógica de verdadero o falso y poca atención a la incertidumbre.

Como resultado, bajaron el interés y la financiación. Nilsson llamó a ese periodo el “invierno de la IA”, y el término quedó para describirlo.

Cómo se recuperó el campo

Según el mismo informe, la recuperación de los noventa partió de un cambio de enfoque. Se dejó de pensar que un sistema inteligente debía ser un conjunto de reglas explícitas. Se pasó a construir sistemas que resolvieran tareas concretas, a partir de datos reales.

Ayudaron tres factores: robots más baratos y confiables, la cantidad de datos disponible en internet y más capacidad de cómputo. Con esas condiciones, las técnicas estadísticas empezaron a dar mejores resultados. Puedes ver un caso de ese giro en la guía sobre ImageNet y el aprendizaje profundo.

Lo que enseñan los inviernos

Los inviernos no significan que la IA fracasara por completo. Muestran que un avance en una tarea concreta no siempre se traduce en una capacidad general, y que las promesas exageradas dañan la confianza de todos. Para la línea completa, lee la historia de la inteligencia artificial.

Si quieres ver cómo se midió la IA en un juego de alta exigencia, lee la guía sobre Deep Blue y Kasparov.

Más a fondo

El informe Lighthill separa el trabajo en IA en varias categorías; la A es la automatización avanzada. Según el autor, las categorías A y C tuvieron logros respetables, aunque menores de lo esperado, mientras que el avance de la B fue todavía más lento. Esa lentitud fue la que más debilitó la confianza en que el campo tuviera una coherencia real.

Lighthill también llamó a la traducción automática la decepción más notoria, y citó una revisión de la Academia Nacional de Ciencias de Estados Unidos de 1966 que concluyó que se habían gastado sumas enormes con muy poco resultado útil.

Para el lector que quiera entender la diferencia entre IA simbólica y aprendizaje a partir de datos, esa distinción es la clave del cambio de los noventa. Lighthill ya señalaba que solo funcionaban los métodos con mucho conocimiento específico del problema, y lo veía como un revés para las versiones más ambiciosas de la IA.