Orígens i evolució de la intel·ligència artificial
Abans de poder construir, avaluar o desplegar sistemes d'intel·ligència artificial, cal entendre de què parlem quan diem que una màquina és "intel·ligent". Aquesta pregunta, aparentment senzilla, ha generat dècades de debat filosòfic, científic i tecnològic. L'objectiu no és memoritzar dates i noms, sinó construir un marc mental sòlid que permeti situar qualsevol tecnologia d'IA dins un context més ampli i prendre decisions informades sobre quan i com aplicar-la.
Els precursors
La idea de crear màquines que "pensin" és anterior als ordinadors moderns. El matemàtic britànic Alan Turing va plantejar el 1950, en el seu article seminal "Computing Machinery and Intelligence", la pregunta fonamental: "Can machines think?" Per evitar el debat filosòfic sobre la definició de pensament, va proposar el famós Test d'Imitació (Test de Turing): si un examinador humà no pot distingir les respostes d'una màquina de les d'un humà en una conversa textual, la màquina pot considerar-se intel·ligent.
Altres precursors clau: - Warren McCulloch i Walter Pitts (1943): primera descripció matemàtica d'una neurona artificial. - Norbert Wiener (1948): fundació de la cibernètica, l'estudi dels sistemes de control i comunicació. - Claude Shannon (1950): primer programa de joc d'escacs, demostrant que les màquines poden realitzar tasques considerades "intel·ligents".
El naixement oficial de la IA (1956)
L'any 1956 és considerat el moment fundacional de la IA com a disciplina científica. A la Conferència de Dartmouth, organitzada per John McCarthy, Marvin Minsky, Claude Shannon i Nathaniel Rochester, es va encunyar per primera vegada el terme "artificial intelligence" i es va establir l'agenda de recerca: màquines que utilitzen el llenguatge, que aprenen, que es millorin a si mateixes i que resolguin problemes.
McCarthy és, a més, el creador del llenguatge LISP (1958), durant dècades el principal llenguatge de programació de sistemes d'IA simbòlica.
Els hiverns de la IA
La història de la IA no és lineal. Ha patit dos periódes d'estancament ("hiverns") caracteritzats per la reducció dràstica del finançament i l'interès:
Primer hivern (1974-1980): Les limitacions computacionals i la incapacitat de les tècniques simbòliques per escalar van defraudar les expectatives excessives. L'informe Lighthill (1973) al Regne Unit va criticar durament el camp.
Segon hivern (1987-1993): La decepció amb els sistemes experts comercials, que resultaven costosos de mantenir i fràgils davant casos no previstos, va reduir novament el finançament.
El renaixement: deep learning i la revolució actual
El ressorgiment de la IA modern s'atribueix principalment als avenços en aprenentatge profund (deep learning), impulsats per tres factors:
- Dades massives: l'explosió d'internet ha generat quantitats ingents de dades estructurades i no estructurades.
- Capacitat computacional: les GPU (targetes gràfiques), originalment dissenyades per a videojocs, s'han revelat ideals per a l'entrenament de xarxes neuronals.
- Avenços algorítmics: la propagació cap enrere (backpropagation), les xarxes convolucionals (CNNs) i l'arquitectura Transformer han canviat el panorama.
Els Tres Pares del Deep Learning — Geoffrey Hinton (Universitat de Toronto / Google), Yann LeCun (NYU / Meta) i Yoshua Bengio (Universitat de Montréal) — van rebre el Premi Turing 2018 pels seus contribucions fonamentals.
timeline
title Evolucio de la IA
1950 : Test de Turing
: Neurona McCulloch-Pitts
1956 : Conferencia de Dartmouth
: Neix el terme IA
1966 : Primer chatbot ELIZA (MIT)
1974 : Primer hivern de la IA
1980 : Sistemes experts XCON, MYCIN
1987 : Segon hivern de la IA
1997 : Deep Blue guanya a Kasparov
2006 : Hinton reinventa deep learning
2012 : AlexNet revoluciona la visio
2017 : Paper Attention is All You Need
2020 : GPT-3 - 175B parametres
2022 : ChatGPT - 100M usuaris en 2 mesos
2024 : GPT-4o multimodal - AI Act UE
2025 : Agents IA autonoms - ModularitatEl Test de Turing i les seves limitacions
El Test de Turing ha estat objecte de crítica constant des de la seva proposta. Les principals objeccions inclouen:
L'argument de la Cambra Xinesa (John Searle, 1980): Una persona tancada en una habitació que segueix regles per manipular símbols xinesos pot respondre correctament en xinès sense "entendre" el contingut. De la mateixa manera, una màquina pot simular comprensió sense tenir-la. Searle distingeix entre sintaxi (manipulació de símbols) i semàntica (comprensió del significat).
El problema de la forma d'interpretació: El test mesura la capacitat d'enganar un humà, no la intel·ligència en si. Un sistema pot superar el test usant trucs conversacionals (canviar de tema, admetre ignorància, fer preguntes) sense ser capaç de resoldre cap problema real.
El test CAPTCHA inversa: De fet, avui dia molts LLMs (GPT-4, Claude 3.5) superarien el Test de Turing original amb facilitat. Alguns investigadors argumenten que ja l'han superat. Però continuem sense considerar-los "intel·ligents" en el sentit humà complet.
Alternatives al Test de Turing: - Test de Winograd: comprensió de referències anafòriques ambigües. - BIG-bench: conjunt de tasques difícils que van més enllà de la memòria. - ARC-AGI (François Chollet): mesura de la capacitat d'adaptació a problemes nous amb exemples mínims.
Miniactivitat — AC5071/01/01
Accedeix a Claude.ai o ChatGPT. Dissenya una seqüència de 5 preguntes que intentin "enganxar" el model i demostrar que no és humà. Registra les respostes i analitza: en quin moment el model falla? On té el comportament més "humà"? Comparteix el resultat a l'aula virtual.