Paradigmes de la IA

Un paradigma de la IA és un conjunt de supòsits fonamentals sobre com s'ha de representar el coneixement i com s'ha d'assolir el raonament o l'aprenentatge en un sistema intel·ligent. No es tracta d'una tècnica concreta, sinó d'un marc conceptual compartit —una manera d'entendre el problema— que condiciona quines arquitectures, algorismes i eines es consideren vàlides en un moment donat. El terme prové de Thomas Kuhn (The Structure of Scientific Revolutions, 1962), que va descriure com les disciplines científiques avancen a través de canvis de paradigma més que per acumulació lineal de coneixement; la IA n'és un exemple clar, ja que ha alternat entre paradigmes dominants segons els resultats i les limitacions de cada moment.

Cada paradigma respon de manera diferent a dues preguntes clau:

• Com es representa el coneixement? De forma explícita i llegible per humans (regles, símbols) o de forma implícita i distribuïda (pesos numèrics)?
• Com s'obté aquest coneixement? Programant-lo directament un expert humà, o fent-lo emergir a partir de dades mitjançant un procés d'aprenentatge?

Conèixer els paradigmes no és un exercici històric: en la pràctica professional, saber a quin paradigma pertany una tècnica ajuda a anticipar els seus punts forts (explicabilitat, robustesa, capacitat de generalització) i les seves limitacions (fragilitat, opacitat, necessitat de dades), i per tant a triar l'eina adequada per a cada problema. Els següents apartats presenten els quatre paradigmes principals.

Paradigma simbòlic (GOFAI)

El paradigma simbòlic, dominant durant les dècades de 1960-1980, part de la premissa que la intel·ligència pot representar-se com la manipulació de símbols i regles lògiques. El coneixement es codifica explícitament per humans experts.

Característiques:

• Representació del coneixement: lògica de primer ordre, xarxes semàntiques, frames
• Raonament: deducció, inducció, abducció
• Explicabilitat: les decisions poden traçar-se pas a pas
• Fragilitat: no tolera dades incompletes, sorolloses o situacions no previstes

Exemples clàssics:

• MYCIN (Stanford, 1972): diagnòstic de malalties infeccioses amb 600 regles IF-THEN. Primera demostració que un sistema podia superar metges humans en un domini específic.
• XCON (Digital Equipment Corporation, 1980): configuració de sistemes d'ordinadors. Va estalviar a DEC $25 milions a l'any però requeria manteniment constant.
• GPS (General Problem Solver, Newell i Simon, 1957): primer intent d'un solucionador de problemes de propòsit general.

Paradigma connexionista

El paradigma connexionista modela la intel·ligència com l'emergència de patrons a partir de la interconnexió massiva d'unitats simples (neurones artificials). El coneixement no es codifica explícitament: emergeix del procés d'entrenament amb dades.

Característiques:

• Representació del coneixement: distribuïda, en els pesos de la xarxa
• Aprenentatge: gradient descent, backpropagation
• Robustesa: tolera soroll i generalitza bé
• Caixa negra: difícil d'interpretar per què pren una decisió concreta

Evolució de les arquitectures:

graph LR
    P[Perceptron 1957] --> MLP[Multilayer Perceptron 1986]
    MLP --> CNN[CNN LeNet 1989]
    CNN --> RNN[RNN-LSTM 1997]
    RNN --> ATTN[Attention 2014]
    ATTN --> TR[Transformer 2017]
    TR --> BERT[BERT 2018]
    BERT --> GPT[GPT-3 2020]
    GPT --> LLMS[LLMs actuals 2024]

Paradigma evolucionari

Inspira't en el procés de selecció natural de Darwin. Una població de solucions candidates evoluciona a través de mutació, creuament (crossover) i selecció basada en una funció d'aptitud (fitness function).

Tipus principals:

• Algorismes Genètics (GA): evolucionen seqüències binàries o cadenes de caràcters.
• Programació Genètica (GP): evolucionen programes o arbres d'expressió.
• Evolució Diferencial (DE): optimització contínua, popular en aprenentatge automàtic.
• Neuroevolució (NEAT): evolucionen les topologies i pesos de xarxes neuronals.

Aplicació moderna: OpenAI va usar Evolution Strategies per entrenar agents de videojocs. Els algorismes evolucionaris s'usen en optimització d'hiperparàmetres de models de ML.

Paradigma híbrid: IA neuro-simbòlica

El neuro-symbolic AI combina la capacitat de generalitzar dels models connexionistes amb la precisió i explicabilitat del raonament simbòlic. És una de les fronteres de recerca més actives el 2025.

Exemples representatius:

• AlphaGo / AlphaZero (DeepMind): combina Monte Carlo Tree Search (MCTS, simbòlic) amb xarxes neuronals profundes per a l'avaluació de posicions.
• RAG (Retrieval-Augmented Generation): combina la recuperació precisa de documents (sistema de cerca, "simbòlic") amb la generació fluent dels LLMs (connexionista).
• IBM Neuro-Symbolic Concept Learner: aprèn conceptes visuals combinant percepció neuronal amb raonament lògic.