La arquitectura conceptual de la inteligencia artificial: de la computación mecánica a la predicción estadística

Paulo Vélez León

doi:10.63413/disputatio.966

Paulo Vélez León Universidad Técnica Particular de Loja, Ecuador

DOI: https://doi.org/10.63413/disputatio.966

Palabras clave: Inteligencia artificial, Análisis conceptual, Aprendizaje automático, Modelos lingüísticos de gran tamaño, Opacidad, Semántica

Resumen

Este artículo reconstruye la arquitectura conceptual de la inteligencia artificial a partir de su genealogía intelectual y de la transformación metodológica que conduce desde los primeros proyectos de computación mecánica y programable hasta el paradigma contemporáneo de predicción estadística. El análisis parte de los antecedentes decimonónicos vinculados a la Analytical Engine de Babbage y a las “Notes” de Ada Lovelace, para luego situar el giro fundacional de mediados del siglo XX asociado a la teoría de la computación y al programa de investigación inaugurado por la propuesta de Dartmouth. Sobre esta base histórica, el artículo distingue estructuralmente entre la inteligencia artificial simbólica —orientada a reglas explícitas y trazabilidad inferencial— y la inteligencia artificial estadística, cuyo rendimiento se funda en la optimización de funciones a partir de grandes volúmenes de datos. La sección central caracteriza a los modelos de lenguaje de gran escala como una tecnología de inferencia probabilística sobre secuencias lingüísticas, subrayando tres rasgos conceptualmente decisivos: ausencia de comprensión semántica e intencionalidad, dependencia de correlaciones estadísticas y opacidad estructural. La contribución se limita al plano conceptual: establecer un marco analítico para evitar equívocos entre desempeño lingüístico y razonamiento, y para habilitar evaluaciones normativas posteriores —incluidas las constitucionales— acerca del uso de IA en funciones decisorias.

Referencias

Bender, Emily M, Timnit Gebru, Angelina McMillan-Major, and Shmargaret Shmitchell. “On the Dangers of Stochastic Parrots.” Proceedings of the ACM Conference on Fairness, Accountability, and Transparency, 2021.

Bishop, Christopher M. Pattern Recognition and Machine Learning. New York: Springer, 2006.

Brown, Tom B, Benjamin Mann, Nick Ryder, and others. “Language Models Are Few-Shot Learners.” Advances in Neural Information Processing Systems 33 (2020).

Burrell, Jenna. “How the Machine Thinks.” Big Data & Society 3, no. 1 (2016).

Chalmers, David J. The Conscious Mind. Oxford: Oxford University Press, 1996.

Dennett, Daniel C. The Intentional Stance. Cambridge, MA: MIT Press, 1987.

Doshi-Velez, Finale, and Been Kim. “Towards a Rigorous Science of Interpretable Machine Learning.” ArXiv Preprint ArXiv:1702.08608, 2017.

Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep Learning. Cambridge, MA: MIT Press, 2016.

Holzinger, Andreas, and others. “From XAI to Trustworthy AI.” In Explainable AI, 3–18. Springer, 2022.

Kaplan, Jerry. Artificial Intelligence: What Everyone Needs to Know. 2nd ed. New York: Oxford University Press, 2019.

LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. “Deep Learning.” Nature 521 (2015): 436–44.

Minsky, Marvin, ed. Semantic Information Processing. Cambridge, MA: MIT Press, 1968.

Mitchell, Tom M. Machine Learning. New York: McGraw-Hill, 1997.

Newell, Allen, and Herbert A Simon. “Computer Science as Empirical Inquiry: Symbols and Search.” Communications of the ACM 19, no. 3 (1976): 113–26.

Russell, Stuart, and Peter Norvig. Artificial Intelligence: A Modern Approach. 4th ed. Hoboken, NJ: Pearson, 2021.

Searle, John R. “Minds, Brains, and Programs.” Behavioral and Brain Sciences 3, no. 3 (1980): 417–57.

Vaswani, Ashish, Noam Shazeer, Niki Parmar, and others. “Attention Is All You Need.” In Advances in Neural Information Processing Systems, Vol. 30, 2017.