El llibre "Inteligencia artificial" (2017), escrit pels investigadors del CSIC Ramon López de Mántaras Badia i Pedro Meseguer González (dins de la col·lecció ¿Qué sabemos de? del CSIC i Los Libros de la Catarata), ofereix una visió divulgativa i rigorosa sobre la història, els fonaments teòrics, les diferents metodologies, els grans èxits i les perspectives de futur d'aquesta disciplina.
Introducció: El concepte d'intel·ligència i els models de la IA
- Les dues grans preguntes: La investigació en intel·ligència artificial (IA) gira entorn de dues preguntes històriques: ¿És possible construir màquines intel·ligents? i ¿És el cervell una màquina?. L'objectiu d'aconseguir una IA de tipus general similar a la humana constitueix un dels reptes científics més ambiciosos, comparable a explicar l'origen del cosmos o la matèria.
- La naturalesa de la intel·ligència: La intel·ligència no és exclusiva dels humans; molts animals mostren comportaments intel·ligents (planificació, ús d'eines, comunicació), per la qual cosa és més precís parlar d'intel·ligències en plural.
- IA feble vs. IA forta: Termes introduïts pel filòsof John Searle (1980):
- IA feble: Disseny i programació d'ordinadors per realitzar tasques especialitzades que requereixen intel·ligència o ajudar l'ésser humà en activitats mentals sense duplicar la ment.
- IA forta (o general): Pretén replicar o duplicar la ment humana mitjançant màquines, de manera que el sistema no només simuli una ment, sinó que sigui una ment. Tots els avenços aconseguits fins avui pertanyen a l'àmbit de la IA feble.
- La Hipòtesi del Sistema de Símbols Físics (SSF): Formulada per Allen Newell i Herbert Simon el 1975, sosté que un sistema de símbols físics té els mitjans necessaris i suficients per dur a terme accions intel·ligents. Segons aquesta hipòtesi, el sustrat físic (circuits electrònics o xarxes de neurones) no importa mentre permeti processar i transformar símbols.
- Els quatre grans models en IA:
- Simbòlic (top-down / GOFAI): Model clàssic basat en la lògica matemàtica i la cerca heurística sobre representacions abstractes del món.
- Conexionista (bottom-up): Bioinspirat en la fisiologia neuronal; la intel·ligència emergeix de l'activitat distribuïda i paral·lela de moltes unitats senzilles (xarxes neuronals artificials).
- Evolutiu: Inspirat en la selecció natural i la genètica; utilitza operadors de mutació i creuament per evolucionar programes i solucionar problemes d'optimització.
- Corpori i situat (embodied & situated): Defensa que una intel·ligència de tipus general requereix un cos per interactuar directament amb l'entorn, donant lloc a la robòtica del desenvolupament inspirada en les etapes de maduració de Piaget.
Capítol 1: Orígens de la intel·ligència artificial
- Alan Turing: Pare de la informàtica teòrica (màquina de Turing, desxiframent del codi Enigma). El 1950 va publicar Computing machinery and intelligence, on va proposar el Test de Turing (el "joc de l'imitació") i va anticipar conceptes clau com els jocs d'escacs per ordinador, la creativitat computacional, l'aprenentatge automàtic i la robòtica del desenvolupament.
- El naixement oficial (1955-1956):
- El 1955 es va celebrar a Los Angeles una sessió sobre learning machines amb contribucions de Clark i Farley, Dinneen, Selfridge i Newell.
- L'estiu de 1956 va tindre lloc la trobada fundacional al Dartmouth College, organitzada per John McCarthy (qui va encunyar el terme Inteligencia Artificial), Marvin Minsky, Claude Shannon i Nathaniel Rochester, amb la participació de figures com Samuel, Selfridge, Solomonoff, Newell i Simon.
- Els primers programes:
- Logic Theorist (LT): Creat per Newell i Simon, va ser el primer programa capaç de demostrar teoremes de lògica proposicional del Principia Mathematica mitjançant processament simbòlic i heurístiques.
- Demostrador de geometria de Gelernter: Va introduir la tàctica de "divideix i venceràs" descomponent objectius en subobjectius.
- General Problem Solver (GPS): Creat per Newell i Simon com una teoria de la resolució humana de problemes basada en el means-ends analysis (anàlisi mitjans-fins) i la recursivitat.
- Primers sistemes capaços d'aprendre:
- Arthur Samuel (1959) va desenvolupar un programa de checkers (dames) que aprenia ajustant els pesos d'una funció d'avaluació heurística jugant contra si mateix.
- Xarxes neuronals primitives: SNARC de Minsky (amb tub de buit), Pandemonium de Selfridge, el Perceptró de Frank Rosenblatt i els dispositius Adaline de Bernard Widrow.
- Primers intents en llenguatge natural:
- Traducció automàtica (rus-anglès) i la demostració de Bar-Hillel sobre la necessitat del sentit comú ("the box was in the pen").
- Sistemes de pregunta-resposta: Baseball, SAD SAM, Student (Bobrow) i SIR (Bertram Raphael, antecedent de les xarxes semàntiques).
- Eliza (Joseph Weizenbaum, 1966): programa que simulava un psicoterapeuta mitjançant concordança de patrons (pattern matching) sense comprendre el significat de les paraules.
- Primerencs llenguatges de programació: La sèrie IPL de Newell i Simon; LISP de John McCarthy (basat en el processament de llistes de símbols i recursivitat); i Prolog (desenvolupat als anys 70 per Colmerauer i Roussel basant-se en la lògica de clàusules de Horn de Kowalski).
Capítol 2: Els primers grans avenços
- Representació del coneixement:
- Lògica de predicats (primer ordre): Utilitza fórmules i regles d'inferència com el modus ponens o la resolució. Té inconvenients d'ineficiència, semidecidibilitat i dificultats per gestionar excepcions i raonament no monòton.
- Estructures jeràrquiques i de producció: Taxonomies de classes amb herència, regles de producció (SI-ENTONCES), xarxes semàntiques i frames (Marvin Minsky).
- Sentit comú: Coneixement profund i vast sobre el món físic i social que els humans adquireixen en la infància i que resulta indispensable per reduir els espais de cerca.
- Búsqueda heurística: Formulació de problemes en espais d'estats. Enfront de la cerca cega o per força bruta, destaca l'algorisme A*, que avalua cada node \(x\) amb la funció \(g(x) + h(x)\) (cost acumulat més estimació heurística admissible).
- Planificació: Algorismes per trobar seqüències d'accions. Destaquen el planificador STRIPS (basat en precondicions, llistes d'afegir i esborrar) i la solució a l'anomalia de Sussman mitjançant la planificació d'ordre parcial (POP) o de mínim compromís.
- Sistemes experts: Basats en regles SI-ENTONCES:
- Heuristic Dendral: Detecció d'estructures químiques.
- MYCIN: Diagnòstic de malalties infeccioses amb factors de certesa; va introduir la separació entre la base de coneixement i el motor d'inferència (dant lloc a Emycin).
- Prospector: Avaluació de dipòsits minerals mitjançant inferència bayesiana.
- Fragilitat: Els sistemes experts pateixen de rigidesa i fracassen si falta un coneixement específic o de sentit comú.
- Aprenentatge automàtic inductiu: Destaca el sistema EPAM de Feigenbaum i, especialment, l'algorisme ID3 de J. Ross Quinlan per a la construcció d'arbres de decisió basats en la ganància d'informació de Shannon (i les seves evolucions C4.5 o C5.0).
- Visió per computador i Robòtica:
- Investigacions hand-eye en el "món dels blocs".
- Shakey (SRI, Charles Rosen): el primer robot mòbil que integrava percepció (càmera i làser), planificació (STRIPS) i cerca (A*) organitzat en tres capes.
- Llenguatge natural i Parla: El sistema SHRDLU de Winograd; els grafs de dependència conceptual i scripts de Roger Schank; les fases de l'anàlisi lingüística (morfològica, sintàctica amb ATNs, semàntica i pragmàtica); i els models acústics i de llenguatge en el reconeixement de la parla.
Capítol 3: L'hivern de la intel·ligència artificial
A mitjan anys 70 es va produir un període de desànim i retallades de finançament (com el famós Informe Lighthill de 1972 al Regne Unit o les retallades de DARPA als EUA) a causa de la manca de resultats en problemes del món real.
- L'obstacle del sentit comú: Els mètodes tradicionals funcionaven en "problemes joguina", però no podien escalar per la manca de coneixements de sentit comú sobre l'entorn.
- Crítiques filosòfiques i teòriques:
- John Searle i la Cambra Xinesa (1980): Argumenta que la mera manipulació formal de símbols sintàctics no atorga intencionalitat ni comprensió semàntica reals; per tant, la IA fort és impossible.
- Hubert Dreyfus (1965, 1992): Basant-se en la fenomenologia de Heidegger, va sostenir que la intel·ligència humana no es redueix al càlcul discret de regles i requereix imperativament d'un cos (embodiment) situat en el món.
- Roger Penrose (1989): Va al·legar que la ment no és computable a causa dels teoremes d'incompletitud de Gödel i que es requereix una nova física basada en la gravetat quàntica.
- Joseph Weizenbaum (1976): Va denunciar els perills ètics de delegar en ordinadors tasques inherentment humanes o decisions basades en valors.
- Explosió combinatòria i complexitat: La majoria de problemes reals de cerca en espais d'estats tenen complexitat exponencial. Es van desenvolupar tècniques per controlar-la com la poda, les heurístiques i les aproximacions.
- Límits de la lògica clàssica: Crítica de Drew McDermott (A critique of pure reason, 1987) a la lògica deductiva pura per a modelar el raonament humà.
Capítol 4: Una nova primavera: noves aproximacions a la IA
A partir dels anys 80 la disciplina va resorgir diversificant les seves eines teòriques:
- Lògica difusa i teoria de la possibilitat: Formulada per Lotfi Zadeh (1965) per tractar la imprecisió i la incertesa. Utilitza funcions de pertinença, variables lingüístiques i el Modus Ponens Generalitzat (MPG).
- Lògiques de la descripció (DL): Formalismes decidibles basats en la lògica de predicats que separen la informació entre la T-box (terminologia/relacions) i la A-box (afirmacions/elements), essencials per al desenvolupament d'ontologies a la Web Semàntica (com el llenguatge OWL).
- Raonament basat en restriccions (CSP): Problemes NP-complets resolts mitjançant cerca amb backtracking combinat amb tècniques de consistència local (com l'arc-consistència).
- Noves estratègies de cerca:
- Sistemàtiques: Bases de dades de patrons, cerca frontera, profundització iterativa, cerca amb discrepàncies i cerca en temps real (\(RTA^*, D^*\)).
- Local / Metaheurístiques: Descens per gradient, enfriament simulat (simulated annealing), cerca tabú i computació evolutiva (algorismes genètics).
- Xarxes bayesianes: Desenvolupades per Judea Pearl (1988) per modelar el raonament probabilístic exploteu les independències condicionals entre variables mitjançant grafs dirigits.
- Planificació moderna: Destaquen el planificador Graphplan (Blum i Furst, 1997), Fast Forward (FF), Fast Downward (FD), LAMA i SATPLAN.
- Avenços en aprenentatge automàtic:
- No supervisat: Algorismes d'agrupament com k-means o AutoClass.
- Per reforç: Aprendre mitjançant recompenses/penalitzacions per prova i error. Algorismes com Q-Learning (Watkins, 1989) o Processos de Decisió Markovians Parcialment Observables (POMDP).
- Basat en casos (CBR): Resoldre nous problemes reutilitzant solucions anteriors mitjançant el cicle de les 4R (Recuperar, Reutilitzar, Revisar, Retener).
- Aprenentatge profund (Deep Learning): Xarxes neuronals de múltiples capes d'abstracció no línia entrenades amb l'algorisme de backpropagation (Rumelhart, Hinton i Williams, 1986).
- Visió, Robòtica i Sistemes Multiagent:
- Visió activa i basada en models.
- Robòtica de serveis, robòtica blana (soft robotics), el robot STAIR d'Andrew Ng i els geminoides d'Hiroshi Ishiguro (amb material frubber).
- Sistemes Multiagent (MAS): Modelització de la cooperació i competició entre agents mitjançant la lògica epistèmica, el llenguatge KQML (actes de parla), la negociació i el model BDI (Beliefs, Desires, Intentions).
Capítol 5: Grandes èxits de la intel·ligència artificial
Avaluació de les fites més mediàtiques i rellevants dels darrers vint anys:
- Jocs per ordinador:
- Jocs d'informació perfecta i suma zero resolts amb cerca Minimax i poda alfa-beta. Per a jocs complexos s'utilitza la cerca en arbre de Montecarlo (MCTS) amb política UCB1.
- Deep Blue (IBM, 1997): Va vèncer Gari Kasparov explorant 200 milions de posicions per segon amb un alfa-beta paral·lelitzat.
- CHINOOK (2007): Va resoldre completament el joc de les dames (mai pot perdre).
- AlphaGo (DeepMind, 2015): Va vèncer el campió mundial de Go combinant MCTS amb xarxes neuronals profundes.
- Robots a l'espai: L'evolució des del petit Sojourner (1997) fins a Spirit i Opportunity (2004), el robot Curiosity (2012, equipat amb el programari d'autonomia científica AEGIS) i la sonda Deep Space 1 (guiada pel programa Agente Remoto).
- Vehicles autònoms: Des dels antecedents militars (ALV de DARPA) fins als nivells 1 a 5 d'automatització. S'utilitza l'algorisme probabilístic SLAM (Simultaneous Localization and Mapping) per generar cartografia tridimensional en temps real.
- Sistemes de llenguatge avançats:
- Watson (IBM, 2011): Va guanyar el concurs Jeopardy! contestant preguntes complexes en domini obert amb l'arquitectura DeepQA i processament paral·lel massiu.
- Siri (Apple): Assistent virtual basat en reconeixement de la parla, integració de serveis i cerca distribuïda.
- Mastor (IBM): Traducció automàtica de la parla en temps real basada en mètodes estadístics.
- Altres aplicacions de gran impacte: Personatges no jugadors (NPC) en videojocs; la plataforma RoboCup de futbol robòtic; assistents mèdics com ATHENA o GIDEON i predicció d'infarts a les UCI amb big data; la redistribució de fàrmacs en farmacologia; l'estalvi d'energia en centres de dades; la demostració automàtica de la conjectura de Robbins; i la detecció de frens o el control del trànsit.
Capítol 6: Futur
- Sistemes integrats i arquitectures cognitives: Per avançar cap a la IA general no n'hi ha prou amb millorar els "totxos" (algoritmes aïllats), sinó que cal dissenyar la "catedral" (l'arquitectura cognitiva). Destaquen les arquitectures clàssiques ACT-R (Anderson) i SOAR (Laird), així com ICARUS, POLYSCHEME i COMPANION.
- La gran lliçó dels 60 anys de la IA: La lliçó principal és que el que semblava més difícil (diagnosticar malalties, jugar a escacs o al Go) ha resultat realitzable, mentre que el que semblava més fàcil (dotar les màquines de sentit comú i de capacitat d'interacció física amb entorns no restringits) ha resultat ser el més difícil.
- Reptes futurs de la IA basada en dades: Els models basats en deep learning necessiten superar la seva condició de "caixes negres" incorporant capacitat explicativa i components semàntics de sentit comú.
- Noves fronteres:
- Robòtica del desenvolupament, biomimètica i ús de nanomaterials per a sistemes sensorials i musculars.
- Creativitat computacional: Aplicació de la IA com a agent creatiu en música, arts plàstiques i narrativa.
- Consideracions ètiques: Atès que el desenvolupament mental depèn de la cognició situada i corpòria i del procés de socialització, les futures IAs de tipus general seran intel·ligències diferents a les humanes. Per motius ètics (seguint la línia de Weizenbaum), no s'hauria de permetre mai que les màquines prenguin decisions de manera completament autònoma en àmbits que requereixin valors o saviesa humana, com les armes autònomes, els bots de negociació bressol en mil·lisegons o les aplicacions que atemptin contra la privacitat.
