Nota de prensa DE LA COMISION EUROPEA. 13 de noviembre de 2024 Bruselas
La Comisión Europea ha multado a Meta797,72 millones de euros por infringir las normas antimonopolio de la UE al vincular su servicio de anuncios clasificados en línea Facebook Marketplace a su red social personal Facebook e imponer condiciones comerciales desleales a otros proveedores de servicios de anuncios clasificados en línea.
La infracción:
Meta es una empresa multinacional tecnológica estadounidense cuyo producto estrella es su red social personal Facebook. También ofrece un servicio de anuncios clasificados en línea, llamado “Facebook Marketplace”, donde los usuarios pueden comprar y vender productos.
La investigación de la Comisión concluyó que Meta es dominante en el mercado de redes sociales personales, que abarca al menos el Espacio Económico Europeo (EEE), así como en los mercados nacionales de publicidad en línea en las redes sociales.
En particular, la Comisión concluyó que Meta abusó de su posición dominante en infracción del artículo 102 del Tratado de Funcionamiento de la Unión Europea («TFUE») al:
La vinculación de su servicio de anuncios clasificados en línea Facebook Marketplace con su red social personal Facebook significa que todos los usuarios de Facebook tienen acceso automático y están expuestos regularmente a Facebook Marketplace, lo quieran o no. La Comisión concluyó que los competidores de Facebook Marketplace podrían verse excluidos, ya que el vínculo otorga a Facebook Marketplace una ventaja de distribución sustancial que los competidores no pueden igualar.
Imponer unilateralmente condiciones comerciales desleales a otros proveedores de servicios de anuncios clasificados en línea que se anuncian en las plataformas de Meta, en particular en sus populares redes sociales Facebook e Instagram. Esto permite a Meta utilizar los datos relacionados con los anuncios generados por otros anunciantes para el beneficio exclusivo de Facebook Marketplace.
La Comisión ha ordenado a Meta que ponga fin de manera efectiva a la conducta y que se abstenga de repetir la infracción o de adoptar prácticas con un objeto o efecto equivalente en el futuro.
La multa de 797,72 millones de euros se ha fijado sobre la base de las directrices de la Comisión de 2006 en materia de multas
Para determinar el importe de la multa, la Comisión tuvo en cuenta la duración y la gravedad de la infracción, así como el volumen de negocio de Facebook Marketplace, al que se refieren las infracciones y que, por tanto, define el importe básico de la multa. Además, la Comisión tuvo en cuenta el volumen de negocio total de Meta, con el fin de garantizar un efecto disuasorio suficiente para una empresa con recursos tan importantes como los de Meta.
Fundamento:
En junio de 2021, la Comisión abrió un procedimiento formal por posible conducta anticompetitiva de Facebook. En diciembre de 2022, la Comisión envió a Meta un pliego de cargos, al que Meta respondió en junio de 2023.
El artículo 102 del TFUE y el artículo 54 del Acuerdo EEE prohíben el abuso de posición dominante.
La posición dominante en el mercado no es, en sí misma, ilegal según las normas antimonopolio de la UE. Sin embargo, las empresas dominantes tienen la responsabilidad especial de no abusar de su poderosa posición en el mercado restringiendo la competencia, ya sea en el mercado en el que son dominantes o en mercados separados.
Las multas impuestas a las empresas que incumplen las normas antimonopolio de la UE se abonan al presupuesto general de la UE. Estos ingresos no se destinan a gastos concretos, pero las contribuciones de los Estados miembros al presupuesto de la UE para el año siguiente se reducen en consecuencia. Por tanto, las multas contribuyen a financiar la UE y a reducir la carga para los contribuyentes.
Se dispondrá de más información sobre este caso bajo el número de caso AT.40684 en el registro de casos públicos en el sitio web de competencia de la Comisión , una vez que se hayan resuelto las cuestiones de confidencialidad.
Citas:
“Hoy multamos a Meta con 797,72 millones de euros por abusar de su posición dominante en los mercados de servicios de redes sociales personales y de publicidad en línea en plataformas de redes sociales. Meta vinculó su servicio de anuncios clasificados en línea Facebook Marketplace a su red social personal Facebook e impuso condiciones comerciales injustas a otros proveedores de servicios de anuncios clasificados en línea. Lo hizo para beneficiar a su propio servicio Facebook Marketplace, lo que le otorgó ventajas que otros proveedores de servicios de anuncios clasificados en línea no podían igualar. Esto es ilegal según las normas antimonopolio de la UE. Meta debe ahora poner fin a esta conducta”.
Margrethe Vestager, Vicepresidenta Ejecutiva encargada de la Política de Competencia
“Los robots hablarán entre ellos, tendrán voluntad propia, deseos… No sé qué le sorprende de esto”
Ha revolucionado la inteligencia artificial y ahora está dispuesto a revolucionar nuestras vidas. Este ingeniero computacional y filósofo ha sentado las bases matemáticas para que los robots piensen y sientan como los humanos y no solo acumulen datos. Por sus hallazgos acaba de recibir el premio BBVA fronteras del conocimiento.
Autor: Ana Tagarro. ABC Madrid.
Tiene un currículum apabullante. El Premio Turing –el Nobel de las matemáticas–, doctorado en Ingeniería, máster en Física, galardones en Psicología, Estadística y Filosofía y, ahora, el Premio Fundación BBVA Fronteras del Conocimiento en Tecnologías de la Comunicación. Y, por si fuera poco, es un dotado pianista. Judea Pearl, sin embargo, prefiere definirse como poeta. Al fin y al cabo, hace metáforas con ecuaciones. En los ochenta desarrolló un lenguaje matemático, las redes bayesianas, imprescindibles hoy en cualquier ordenador, pero ahora, a sus 87 años, se declara ‘apóstata’ de la inteligencia artificial. ¿Por qué? Pues precisamente por ese porqué. No es un juego de palabras. Es que Pearl afirma que mientras no enseñemos a las máquinas a comprender las relaciones causa-efecto, en sus muy complejas variantes, no pensarán como nosotros. Y él sabe cómo lograrlo. Nos lo explica desde su casa en Los Ángeles. Allí, en la Universidad de California, sigue siendo profesor. Tan lúcido como aquel joven israelí, formado en una pequeña ciudad bíblica, que llegó a la soleada California hace 60 años.
XL. Su objetivo es construir máquinas con un nivel de inteligencia humano, que piensen como nosotros.
Judea Pearl. Sí, porque hasta ahora no hemos hecho máquinas que ‘piensen’. Solo simulan algunos aspectos del pensamiento humano. «Entre humanos y máquinas, solo el ‘hardware’ es diferente; el ‘software’ es el mismo. Quizá puede haber una diferencia: el miedo a la muerte. Pero no sé…»
XL. Y, para hacer máquinas que piensen, sostiene que tienen que pensar en causas y efectos, preguntarse ‘por qué’.
J.P. Sí, pero hay niveles. Es lo que llamamos ‘la escalera de la causalidad’. Las máquinas actuales solo crean asociaciones entre lo que fue observado antes y lo que será observado en el futuro. Es lo que permite a las águilas o las serpientes cazar a su presa. Saben dónde estará el ratón en cinco segundos.
XL. Pero no es suficiente…
J.P. No. Hay dos niveles por encima en esa escalera que las máquinas no hacen. Uno es predecir acciones que no se han llevado a cabo nunca antes en las mismas condiciones.
XL. Pero hay más…
J.P. El siguiente paso es el de la retrospección. Por ejemplo: he tomado una aspirina y mi jaqueca se ha ido. ¿La aspirina me ha quitado el dolor o ha sido la buena noticia que me dio mi mujer cuando la tomé? Pensar en esta línea: si un evento hubiera tenido lugar si otro evento en el pasado no hubiera ocurrido. Por ahora, esto solo lo hacemos los humanos.
La escalera de la inteligencia artificial. El salto definitivo de las máquinas:
XL. Porque hasta ahora esa forma de pensar no se podía traducir en fórmulas matemáticas, pero ya sí, gracias a usted…
J.P. Sí, ahora tenemos herramientas matemáticas que nos permiten razonar en los tres niveles. Solo falta aplicarlos a la inteligencia artificial.
XL. Permítame aclarar lo que ha dicho; significa que usted traduce a ecuaciones la imaginación, la responsabilidad y hasta la culpa…
J.P. Sí, correcto.
XL. Correcto y alucinante, ¿no? Los robots van a poder imaginar cosas que no existen. Y usted mismo dice que esa capacidad ha sido clave para el dominio del ser humano sobre el resto de las especies. ¿Ahora las máquinas van a hacerlo?
J.P. Correcto, totalmente. Los humanos creamos ese ‘mercado de promesas’, convencer a alguien de que haga algo a cambio de una promesa de futuro. Y las máquinas van a poder hacerlo.
“Creamos robots por lo mismo que tenemos hijos. Para replicarnos a nosotros mismos. Y los criamos en la esperanza de que tengan nuestros valores. Y la mayoría de las veces sale bien”.
XL. Afirma usted con soltura, por ejemplo, que los robots jugarán al fútbol y dirán cosas como “tendrías que haberme pasado el balón antes”.
J.P. Sí, claro, y el fútbol será mucho mejor. Los robots se comunicarán como los humanos. Tendrán voluntad propia, deseos… Me sorprende que le sorprenda esto [ríe].
XL. Lo que me sorprende es la naturalidad con la que usted habla de estas máquinas tan ‘humanas’…
J.P. Mire, yo llevo en esto de la inteligencia artificial más de 50 años. Crecí teniendo claro que cualquier cosa que nosotros podamos hacer las máquinas serán capaces de hacerlo. No veo ningún impedimento, ninguno.
XL. Pero, entonces, ¿qué nos diferencia de las máquinas?
J.P. Que nosotros estamos hechos de materia orgánica y las máquinas, de silicio. El hardware es diferente, pero el software es el mismo.
“La inteligencia artificial tiene el potencial de ser aterradora y el potencial de ser extremadamente conveniente. Por ahora, solo es ‘nueva’. Es demasiado pronto para legislar”.
XL. Poca diferencia…
J.P. Quizá puede haber una diferencia: el miedo a la muerte. Pero no estoy seguro de que eso haga una gran diferencia, quizá.
XL. ¿Y enamorarse?
J.P. Las máquinas pueden enamorarse. Marvin Minsky tiene todo un libro sobre las emociones de las máquinas, The Emotion Machine, es de hace años…
XL. Da un poco de miedo…
J.P. No es para dar miedo, es que es nuevo. Tiene el potencial de ser aterrador y el potencial de ser extremadamente conveniente. Por ahora, solo es ‘nuevo’.
XL. ¿Las máquinas podrán distinguir el bien del mal?
J.P. Sí, con la misma fiabilidad que los seres humanos; puede que incluso más. La analogía que a mí me gusta es la de nuestros hijos. Creemos que van a pensar como nosotros, los criamos con la esperanza de que inculcaremos en ellos nuestros valores. Y, con todo, existe el riesgo de que mi hijo resulte un Putin cualquiera. Pero todos pasamos por el proceso de criar a nuestros hijos en la esperanza de que adquirirán nuestros valores. Y suele funcionar bien…
XL. Pero ¿hay alguien trabajando en las bases éticas y morales de esa inteligencia artificial?
J.P. Mucha gente, sí. Pero creo que es demasiado pronto para legislar.
XL. Yo diría que es tarde…
J.P. Tenemos una nueva especie de máquina. Tenemos que observarla porque todavía no sabemos cómo va a evolucionar. Y no podemos legislar desde el miedo, desde los miedos infundados.
XL. Pero usted mismo cuenta que los creadores de una inteligencia artificial de gran éxito, el AlphaGo de DeepMind, no saben por qué es tan eficaz, que ellos mismos no ‘controlan’ su creación…
J.P. Correcto. Pero mire: nosotros tampoco sabemos cómo funciona la mente humana. Tampoco sabemos cómo nuestros hijos desarrollarán su mente y, aun así, confiamos en ellos. ¿Y sabe por qué? Porque funcionan como nosotros. Y pensamos: probablemente piense como yo. Y así ocurrirá con las máquinas.
XL. Pero luego los hijos salen como quieren… Aunque usted defiende que el libre albedrío es «una ilusión». ¡Y nosotros creyendo que decidíamos algo! Qué decepción…
J.P. Para usted es una decepción, para mí es un gran consuelo. Desde Aristóteles y Maimónides, los filósofos piensan cómo reconciliar la idea de Dios con el libre albedrío. Un Dios que predice el futuro, que sabe qué es bueno y qué malo y que, sin embargo, nos castiga por hacer cosas que él nos ha programado para hacer. Este es un terrible problema ético que no podíamos resolver.
XL. ¿Y usted lo va a resolver con inteligencia artificial?
J.P. Claro, porque la primera premisa es que no hay libre albedrío. Tenemos la ilusión de que estamos al mando cuando decidimos, pero no es así. La decisión se ha tomado en el cerebro antes. Son nuestras neuronas las que dicen cómo tenemos que actuar, las que por excitación o nerviosismo me hacen mover la mano o rascarme la nariz. Es determinista y no hay una fuerza divina detrás de ello.
“Llevaremos implantes e interactuarán con los de otras personas. Da miedo, ¿eh? (Ríe). Pero todos tenemos ya implantes: se llaman ‘lenguaje’, ‘cultura’… nacemos con ellos”
XL. ¿Qué podemos hacer para que las matemáticas se enseñen o se aprendan mejor?
J.P. Eso mismo me preguntó Bill Gates. Y busqué en mi propia educación. Yo tuve la suerte de tener excelentes profesores, judíos alemanes que llegaban a Tel Aviv huyendo del régimen nazi. Ellos impartían la ciencia y las matemáticas cronológicamente, no lógicamente. Cuando nos hablaban de Arquímedes, de cómo saltó de la bañera y salió gritando «¡eureka, eureka!», nos implicábamos. La base de nuestra inteligencia son las historias, el relato, porque conectan a la gente. Las historias hacen historia. Es más fácil implantar ideas abstractas, como las matemáticas, a través de historias, de narraciones.
XL. ¿Y qué me dice sobre la filosofía, que ahora está siendo relegada en la educación?
J.P. Es terrible. La filosofía es muy importante. Nos conecta con al menos 80 generaciones de pensadores. Crea un lenguaje común, construye civilización.
XL. Pero no es útil para encontrar un empleo… o eso dicen. Y se da prioridad a las ingenierías que hacen esos robots que, precisamente, nos van a quitar el trabajo…
J.P. Sí, eso ya está ocurriendo. Y va a pasar más. Esto tiene dos aspectos: uno, cómo vamos a sentirnos útiles cuando no tengamos un trabajo. El otro, de qué vamos a vivir, cómo conseguimos un salario. El segundo es cuestión de economía y gestión. No tengo una solución para eso. Pero la hay. La habrá.
XL. ¿Y para el primero?
J.P. Podemos resolverlo. Yo tengo 87 años, soy inútil y encuentro alegría cada hora del día.
XL. [Risas]. Usted no es para nada inútil y lo sabe.
J.P. Mire, casi todo es ilusorio. Vivo con la ilusión de la respuesta de mi entorno, de mis hijos, mis estudiantes. Si doy una clase, me siento feliz porque tengo la ilusión de que a alguien le beneficia. Es posible crear ilusiones. Uno se las crea a sí mismo.
“La base de nuestra inteligencia son las historias, el relato, porque conectan a la gente. Las historias hacen historia. Es más fácil implantar ideas abstractas, como las matemáticas, a través de narraciones”
XL. Hablábamos antes del bien y el mal. Usted ha sufrido el mal de una forma inimaginable, cuando asesinaron a su hijo (véase el recuadro); ahora hay una guerra… ¿Pueden las máquinas cambiar eso, hacernos mejores?
J.P. No tengo la respuesta. Pero quizá, cuando implementemos en las máquinas la empatía o el arrepentimiento, entenderemos cómo se forman en nosotros y podamos ser algo mejores.
XL. Y qué opina de incorporar la tecnología a nuestro cuerpo. Ser transhumamos…
J.P. No veo ningún impedimento a eso. Llevaremos implantes e interactuarán con implantes de otras personas u otros agentes.
XL. ¿A usted le gustaría llevar un implante en el cerebro?
J.P. Da miedo, ¿eh? [Ríe]. Yo ya tengo un implante. Todos tenemos: se llaman ‘lenguaje’, ‘cultura’… nacemos con ellos. Pero, como estamos acostumbrados a ellos, no nos sorprenden.
XL. ¿Pero por qué se empeñan ustedes en hacer máquinas más listas que nosotros?
J.P. Porque estamos intentando replicarnos y amplificarnos a nosotros mismos.
XL. ¿Para qué?
J.P. Por lo mismo que tenemos hijos.
XL. Le ‘compro’ el símil, pero creábamos máquinas para ayudarnos; ahora nos reemplazan.
J.P. No, no. Creamos máquinas para que nos ayuden. Nos reemplazarán, sí. Pero crearlas, las creamos para que nos ayuden [ríe]. Aunque nos superarán.
XL. ¿Hay una fórmula matemática para la justicia?
J.P. Tiene que haberla. Así no habría ambigüedad y ningún dictador podría decirnos lo que es justo. Para combatir a un Putin, se necesitarían más matemáticas.
“Yo no hago predicciones, pero el futuro va a ser totalmente distinto, una revolución. Soy optimista, aunque no sé a dónde nos llevará”
XL. Tiene un montón de libros antiguos.
J.P. Los colecciono. Tengo una primera edición de Galileo [la coge].
XL. Usted viaja en el tiempo. Va de esos libros a la inteligencia artificial. No puedo evitar preguntarle, aunque ya me dijo que no lo hiciera, cómo ve el mundo en 10 o 20 años…
J.P. [Ríe]. Yo no hago predicciones. Pero va a ser totalmente diferente, una revolución. No sé a dónde nos llevará, pero soy optimista. Aunque es triste que mis nietos ya no disfruten, por ejemplo, leyendo mis libros antiguos. El gap cultural entre generaciones va a aumentar. Y eso me preocupa. Porque van a perder toda esa sabiduría que transmitimos de padres a hijos.
XL. ¡Y lo dice usted, que está haciendo robots pensantes!
J.P. Sí, pero yo hago máquinas que piensan para entender cómo pensamos nosotros.
XL. ¿Cuál es el consejo para los jóvenes aún ‘rescatables’?
J.P. Leed historia.
XL. ¿Leer? Es usted demasiado optimista… J.P. Vale, pues que vean documentales. Sobre las civilizaciones, la evolución, cómo hemos llegado a ser como somos. ¡Sed curiosos! Ese es mi consejo: intentad entender las cosas por vosotros mismos.
Inteligencia Artificial – Entrevista a Judea Pearl
El aprendizaje automático que sentó las bases de la Inteligencia Artificial, el hallazgo de los ganadores del Nobel de Física.
El estadounidense John Hopfield y el británico Geoffrey Hinton fueron distinguidos por sus avances en las redes neuronales artificiales, una estructura computacional inspirada en el funcionamiento del cerebro
La Real Academia Sueca de Ciencias otorgó el Premio Nobel de Física 2024 al estadounidense John Hopfield y al británico Geoffrey Hinton por sus contribuciones fundamentales al desarrollo del aprendizaje automático, considerado una herramienta clave para la Inteligencia Artificial (IA) tal como la conocemos hoy.
Hopfield nació en 1933 en Chicago y lleva adelante su investigación en la Universidad de Princeton, Estados Unidos. Hinton nació en 1947 en Londres y es investigador en la Universidad de Toronto, Canadá.
Al presentar a los laureados, el comité del Nobel destacó que “aunque las computadoras no pueden pensar, las máquinas pueden ahora imitar funciones como la memoria y el aprendizaje. Los galardonados de este año en Física han contribuido a hacerlo posible”.
Utilizando principios de la física, ambos científicos lograron avances clave que sentaron las bases para las redes neuronales artificiales, una estructura computacional inspirada en el funcionamiento del cerebro. Este hallazgo no solo cambió la forma en que las máquinas procesan y almacenan información, sino que también fue clave para el desarrollo de la inteligencia artificial (IA) moderna, particularmente en el aprendizaje profundo.
Entender el cerebro para crear redes neuronales artificiales:
El trabajo de Hopfield, de la Universidad de Princenton, y Hinton, de la Universidad de Toronto, está profundamente relacionado con los conceptos de la física y la biología. Aunque hoy asociamos el aprendizaje automático con computadoras y algoritmos, los primeros pasos hacia la creación de redes neuronales artificiales nacieron del deseo de entender cómo funciona el cerebro humano y cómo procesa la información. Hopfield, un físico teórico, jugó un papel decisivo al aplicar conceptos físicos a la neurociencia para explicar cómo el cerebro puede almacenar y recuperar información.
En 1982, desarrolló la red de Hopfield, un modelo de red neuronal artificial que puede almacenar patrones de información y, posteriormente, recuperarlos incluso cuando estos están incompletos o alterados. Este concepto, conocido como memoria asociativa, imita la capacidad humana de recordar, por ejemplo, una palabra que está en la punta de la lengua, procesando otras cercanas en significado hasta encontrar la correcta.
Hopfield aplicó conocimientos de física, como los principios que rigen los sistemas de espín atómico, para crear su red. En física, el espín es una propiedad de las partículas subatómicas que genera un campo magnético. Inspirado por este comportamiento, Hopfield diseñó un sistema en el que las neuronas, o nodos, se conectaban entre sí con diferentes intensidades, de forma similar a cómo los átomos de un material magnético influyen en las direcciones de sus espines vecinos.
Este enfoque permitió a la red asociar y reconstruir patrones de manera eficiente, una idea revolucionaria que marcó el inicio de una nueva era en la computación neuronal.
Inspirado en la neurociencia, Hopfield diseñó un modelo que reproduce patrones incluso incompletos, aplicando principios físicos similares al comportamiento de materiales magnéticos (Imagen Ilustrativa Infobae)
La Red de Hopfield y memoria asociativa:
La red de Hopfield representa un avance significativo porque se basa en un sistema capaz de almacenar múltiples patrones simultáneamente. Cuando se le presenta un patrón incompleto, la red puede encontrar el más cercano entre los que ya memorizó y reconstruyó. Este proceso se asemeja a rodar una bola por un paisaje de picos y valles: si la bola se deja caer cerca de un valle (patrón), rodará hasta el fondo, donde encontrará el patrón más cercano.
En términos técnicos, la red se programa con una imagen en blanco y negro asignando valores binarios a cada nodo (0 para negro, 1 para blanco). Luego, se utiliza una fórmula de energía para ajustar las conexiones entre los nodos, lo que permite a la red reducir la energía total del sistema y, eventualmente, alcanzar un estado estable donde se ha recreado el patrón original. Este enfoque no solo era novedoso, sino que también demostró ser escalable: la red podía almacenar y diferenciar múltiples imágenes, abriendo la puerta a una forma de almacenamiento distribuido de información que más tarde inspiraría los avances en inteligencia artificial.
Hinton y la máquina de Boltzmann:
Mientras Hopfield desarrollaba su red, Geoffrey Hinton exploraba cómo las máquinas podrían aprender a procesar patrones de manera similar a los humanos, encontrando sus propias categorías sin necesidad de instrucciones explícitas.
Hinton fue pionero en la máquina de Boltzmann, un tipo de red neuronal que utiliza principios de la física estadística para descubrir estructuras en grandes cantidades de datos.
La física estadística se ocupa de sistemas formados por muchos elementos similares, como las moléculas de un gas, cuyos estados individuales son impredecibles, pero que colectivamente pueden ser analizados para determinar propiedades como la presión y la temperatura. Hinton aprovechó estos conceptos para diseñar una máquina que pudiera analizar la probabilidad de que un conjunto específico de conexiones en una red ocurriera, basándose en la energía de la red en su conjunto. Inspirado por la ecuación de Ludwig Boltzmann, Hinton utilizó esta fórmula para calcular la probabilidad de diferentes configuraciones dentro de la red.
La máquina de Boltzmann tiene dos tipos de nodos: visibles y ocultos. Los primeros reciben la información inicial, mientras que los nodos ocultos generan patrones a partir de esa información, ajustando las conexiones de la red para que los ejemplos entrenados tengan la mayor probabilidad posible de ocurrir. De este modo, la máquina aprende de ejemplos, no de instrucciones, y puede reconocer patrones incluso cuando la información es nueva, pero se asemeja a los ejemplos previamente vistos.
Las bases del aprendizaje profundo de la Inteligencia Artificial
El trabajo de Hopfield y Hinton no solo revitalizó el interés por las redes neuronales, sino que también abrió la puerta al desarrollo del aprendizaje profundo, una rama de la IA que hoy en día impulsa gran parte de las innovaciones tecnológicas, desde los asistentes virtuales hasta los vehículos autónomos.
Las redes neuronales profundas, que son modelos con muchas capas de neuronas, deben su existencia a estos avances tempranos en las redes neuronales artificiales.
En la actualidad, las redes neuronales son herramientas fundamentales para analizar grandes cantidades de datos, identificar patrones complejos en imágenes y sonidos, y mejorar la toma de decisiones en sectores que van desde la medicina hasta la astrofísica.
Por ejemplo, en la física de partículas, las redes neuronales artificiales han sido fundamentales para descubrir la partícula de Higgs, un logro galardonado con el Premio Nobel de Física en 2013. Asimismo, el aprendizaje automático ha permitido mejorar la detección de ondas gravitacionales, otro hito científico reciente.
Gracias a los descubrimientos de Hopfield y Hinton, la IA sigue evolucionando a un ritmo vertiginoso. En el campo de la biología molecular, por ejemplo, las redes neuronales se utilizan para predecir la estructura de proteínas, lo que tiene implicaciones directas en el desarrollo de medicamentos. Además, en la energía renovable, las redes se están utilizando para diseñar materiales con mejores propiedades para células solares más eficientes.
John McCarthy, nacido en 1927 y fallecido en octubre de 2011, fue un matemático y científico de la computación estadounidense que se destacó por acuñar el término «inteligencia artificial» y por sus contribuciones pioneras en el desarrollo de este campo. El legado de John McCarthy es inmenso. Sus ideas y contribuciones han influido a generaciones de investigadores en inteligencia artificial. John McCarthy es considerado uno de los padres de la inteligencia artificial por su visión, sus contribuciones técnicas y su papel en la fundación de este campo. Su legado continúa inspirando a investigadores de todo el mundo en su búsqueda por crear máquinas inteligentes.
Los inicios y la visión:
La Conferencia de Dartmouth: en 1956, McCarthy organizó la Conferencia de Dartmouth, un evento histórico donde se reunieron los principales investigadores de la época para discutir la posibilidad de crear máquinas inteligentes. Esta conferencia marcó el nacimiento formal de la inteligencia artificial como campo de estudio.
¿Qué fue la Conferencia de Dartmouth?:
La Conferencia de Dartmouth fue un encuentro académico que tuvo lugar en el verano de 1956 en el Dartmouth College, en Hanover, New Hampshire. Organizada por un grupo de científicos de la computación, entre los que destacaban John McCarthy, Marvin Minsky, Claude Shannon y Allen Newell, esta conferencia marcó el nacimiento formal de la inteligencia artificial como campo de estudio.
El objetivo principal de la conferencia era explorar la posibilidad de crear máquinas capaces de realizar tareas que, hasta ese momento, se consideraban exclusivas de los seres humanos, como razonar, aprender y resolver problemas. Los organizadores plantearon la hipótesis de que era posible simular cualquier aspecto del aprendizaje o cualquier otra característica de la inteligencia en una máquina.
Aunque el grupo de participantes fue relativamente pequeño, estaba compuesto por algunos de los científicos de la computación más brillantes de la época. Entre ellos se encontraban:
John McCarthy: el principal organizador y el encargado de acuñar el término «inteligencia artificial».
Marvin Minsky: fundador del Laboratorio de Inteligencia Artificial del MIT.
Claude Shannon: considerado el padre de la teoría de la información.
Allen Newell y Herbert Simon: pioneros en el campo de la inteligencia artificial simbólica y creadores del programa Logic Theorist.
Durante las seis semanas que duró la conferencia, los participantes discutieron una amplia gama de temas relacionados con la inteligencia artificial, entre ellos:
Automatización de procesos creativos: cómo hacer que las máquinas sean capaces de escribir música, componer poemas o crear obras de arte.
Simulación de procesos mentales: cómo modelar el pensamiento humano en una máquina.
Desarrollo de lenguajes de programación: la necesidad de crear lenguajes de programación adecuados para la investigación en inteligencia artificial.
Aprendizaje automático: cómo hacer que las máquinas aprendan de la experiencia.
Neurociencia computacional: la relación entre la inteligencia artificial y el funcionamiento del cerebro humano.
Esta Conferencia tuvo un impacto duradero en el desarrollo de la inteligencia artificial. Algunos de los resultados más importantes fueron:
El nacimiento de un campo: la conferencia consolidó la inteligencia artificial como una disciplina académica y científica.
La creación de laboratorios de investigación: tras la conferencia, se fundaron numerosos laboratorios de investigación en inteligencia artificial en todo el mundo.
El desarrollo de nuevos lenguajes de programación: Lisp, uno de los lenguajes de programación más importantes para la IA, fue desarrollado en los años posteriores a la conferencia.
El financiamiento para la investigación: la conferencia generó un gran interés en la inteligencia artificial y atrajo importantes inversiones para la investigación en este campo.
En síntesis, la Conferencia de Dartmouth fue un evento seminal que sentó las bases para el desarrollo de la inteligencia artificial tal como la conocemos hoy en día. Gracias a esta conferencia, un grupo de visionarios científicos dieron los primeros pasos hacia la creación de máquinas inteligentes.
El término «inteligencia artificial»: fue en esta conferencia donde McCarthy propuso el término «inteligencia artificial» para describir la ciencia y la ingeniería de crear máquinas inteligentes.
Contribuciones clave de McCarthy:
McCarthy desarrolló el lenguaje de programación Lisp, uno de los primeros lenguajes diseñados específicamente para la investigación en inteligencia artificial. Lisp se destacó por su flexibilidad y su capacidad para manipular símbolos, lo que lo convirtió en una herramienta fundamental para el desarrollo de sistemas expertos y la investigación en aprendizaje automático. Lisp, acrónimo de LISt Processor (Procesador de Listas), es un lenguaje de programación de alto nivel con una larga historia y una influencia significativa en el desarrollo de la informática. Desarrollado a finales de los años 50 por John McCarthy, Lisp se destaca por su simplicidad conceptual y su flexibilidad, convirtiéndolo en una herramienta poderosa para la programación y, especialmente, para la investigación en inteligencia artificial.
Las características clave de Lisp pueden sintetizarse de la siguiente manera:
Sintaxis homoicónica: una de las características más distintivas de Lisp es su sintaxis homoicónica. Esto significa que el código Lisp es en sí mismo una estructura de datos, lo que permite una gran flexibilidad en la manipulación del código.
Procesamiento de listas: como su nombre indica, Lisp está diseñado para trabajar con listas. Las listas son la estructura de datos fundamental en Lisp y se utilizan para representar tanto datos como código.
Funciones como datos de primera clase: las funciones en Lisp son tratadas como cualquier otro dato. Pueden ser asignadas a variables, pasadas como argumentos a otras funciones y retornadas como valores.
Macros: Lisp ofrece un potente sistema de macros que permite a los programadores extender el lenguaje y crear nuevas construcciones sintácticas.
Multiparadigma: Lisp es un lenguaje multiparadigma, lo que significa que admite diferentes estilos de programación, como la programación funcional, la programación imperativa y la programación orientada a objetos.
¿Por qué Lisp es importante?:
Por su influencia en otros lenguajes: Lisp ha influido en el diseño de muchos otros lenguajes de programación, como Python, Scheme, Clojure y JavaScript.
Por su uso en la inteligencia artificial: Lisp fue uno de los primeros lenguajes utilizados para la investigación en inteligencia artificial y sigue siendo popular en este campo.
Metaprogramación: la sintaxis homoicónica de Lisp facilita la metaprogramación, es decir, la capacidad de escribir programas que manipulan otros programas.
Por su flexibilidad: Lisp es un lenguaje muy flexible que permite a los programadores expresar ideas de manera concisa y elegante.
Hoy en día, Lisp se utiliza en investigación en inteligencia artificial, en aprendizaje automático y en procesamiento del lenguaje natural. También se utiliza para desarrollar software de propósito general, algunas aplicaciones web y sistemas embebidos. Se utiliza, adicionalmente como lenguaje de enseñanza en universidades y escuelas de programación debido a su simplicidad y poder expresivo.
En resumen, Lisp es un lenguaje de programación con una larga historia y una influencia significativa en el desarrollo de la informática. Su sintaxis homoicónica, su enfoque en el procesamiento de listas y su flexibilidad lo convierten en una herramienta poderosa para la programación y la investigación. Aunque puede parecer un lenguaje antiguo, Lisp sigue siendo relevante hoy en día y continúa inspirando a nuevos programadores.
McCarthy introdujo conceptos fundamentales para el desarrollo de la inteligencia artificial: como la heurística, la búsqueda y los sistemas expertos. Estas ideas sentaron las bases para muchas de las investigaciones posteriores en el campo.
En otro de sus aportes, ayudo a constituir el Laboratorio de Inteligencia Artificial del MIT: Junto a Marvin Minsky, McCarthy fundó el Laboratorio de Inteligencia Artificial del MIT, uno de los centros de investigación más importantes en el campo.
El Laboratorio de Ciencias de la Computación e Inteligencia Artificial del Instituto de Tecnología de Massachusetts (en inglés, MIT Computer Science and Artificial Intelligence Laboratory o CSAIL) es uno de los laboratorios de investigación más importantes y prestigiosos del mundo en el campo de la informática y la inteligencia artificial. El CSAIL es el resultado de la fusión de dos laboratorios preexistentes en el MIT: Laboratory for Computer Science: Fundado en 1963, se enfocaba en la investigación fundamental en ciencias de la computación y Artificial Intelligence Laboratory: Fundado en 1959, se dedicaba a la investigación pionera en inteligencia artificial. En 2003, ambos laboratorios se unieron para formar el CSAIL, creando así un centro de investigación aún más grande y poderoso. Por lo tanto, el CSAIL es el producto de la labor de numerosos investigadores, científicos y visionarios a lo largo de varias décadas.
Sus actuales áreas de investigación mas importantes incluyen:
Inteligencia Artificial: desarrollo de algoritmos de aprendizaje automático, visión por computadora, procesamiento del lenguaje natural y sistemas expertos.
Robótica: diseño y construcción de robots autónomos y sistemas de control inteligentes.
Biología Computacional: aplicación de técnicas computacionales para analizar datos biológicos y desarrollar nuevas terapias.
Seguridad Cibernética: desarrollo de sistemas y protocolos seguros para proteger la información y las infraestructuras críticas.
Interacción Humano-Computadora: diseño de interfaces intuitivas y naturales para la interacción con computadoras.
El trabajo realizado en el CSAIL ha tenido un impacto significativo en la sociedad y en la industria. Algunos de los logros más destacados incluyen: el desarrollo de tecnologías clave como Internet, la WWW y el procesamiento de lenguaje natural; la innovación en robótica y los avances en inteligencia artificial, siendo pionero en el desarrollo de algoritmos de aprendizaje profundo y ha contribuido a la creación de asistentes virtuales y vehículos autónomos.
Más allá de la técnica:
McCarthy no solo se centró en los aspectos técnicos de la inteligencia artificial, sino que también reflexionó sobre las implicaciones filosóficas y sociales de esta tecnología. Fue un defensor de la inteligencia artificial como herramienta para resolver problemas del mundo real y mejorar la calidad de vida de las personas.
John McCarthy jugó un papel fundamental en el desarrollo de los sistemas expertos, una de las primeras aplicaciones prácticas de la inteligencia artificial.
Un empuje muy importante de McCarthy. ¿Qué son los sistemas expertos?:
Los sistemas expertos son programas informáticos diseñados para emular el razonamiento de un experto humano en un dominio específico. Estos sistemas utilizan una base de conocimientos y reglas de inferencia para resolver problemas y tomar decisiones. Por ejemplo, un sistema experto médico podría diagnosticar enfermedades basándose en los síntomas del paciente y en su historial médico.
Aunque McCarthy no desarrolló el primer sistema experto, sus ideas y contribuciones fueron fundamentales para el desarrollo de esta tecnología. Su enfoque en la representación del conocimiento y el razonamiento lógico proporcionó una base sólida para la creación de estos sistemas.
McCarthy enfatizó la importancia de representar el conocimiento de manera formal y estructurada. Esta idea fue fundamental para la creación de las bases de conocimientos utilizadas en los sistemas expertos. McCarthy y sus colegas desarrollaron técnicas de razonamiento basadas en reglas, que permiten a los sistemas expertos llegar a conclusiones a partir de un conjunto de hechos y reglas. El lenguaje Lisp: que fue ampliamente utilizado para desarrollar sistemas expertos debido a su capacidad para
Las ideas de McCarthy sobre la representación del conocimiento y el razonamiento lógico continúan siendo relevantes en el desarrollo de sistemas inteligentes. Aunque los sistemas expertos han evolucionado significativamente desde los primeros días, los principios fundamentales establecidos por McCarthy siguen siendo válidos.
Legado y Reconocimientos:
John McCarthy falleció en 2011, dejando un legado imborrable en el campo de la inteligencia artificial. Sus ideas y contribuciones continúan inspirando a investigadores de todo el mundo. A lo largo de su carrera, recibió numerosos reconocimientos, incluyendo el Premio Turing, considerado el Nobel de la informática.
En resumen, John McCarthy fue un visionario que transformó la forma en que pensamos sobre la inteligencia y las máquinas. Su pasión por la lógica, su capacidad para crear herramientas poderosas y su visión de futuro sentaron las bases para el desarrollo de la inteligencia artificial moderna.
Aunque McCarthy no se dedicó exclusivamente a la robótica, sus ideas y contribuciones fueron fundamentales para el desarrollo de esta disciplina. Su enfoque en la representación del conocimiento, la planificación y el razonamiento proporcionó una base sólida para la creación de robots inteligentes.
Planificación de tareas: Las técnicas de planificación desarrolladas en el contexto de la inteligencia artificial, influenciadas por el trabajo de McCarthy, se aplicaron a la robótica para permitir que los robots planificaran y ejecutaran secuencias de acciones complejas. Por ejemplo, un robot industrial puede planificar el mejor camino para mover una pieza de un punto a otro, evitando obstáculos.
Visión por computadora: El desarrollo de sistemas de visión por computadora, necesarios para que los robots puedan percibir su entorno, se benefició de las investigaciones en representación del conocimiento y el procesamiento de imágenes. McCarthy y sus colegas contribuyeron a sentar las bases para que los robots pudieran «ver» y entender el mundo que los rodea.
Aprendizaje de robots: Las ideas de McCarthy sobre el aprendizaje automático inspiraron el desarrollo de algoritmos que permiten a los robots aprender de la experiencia y mejorar su desempeño. Por ejemplo, un robot puede aprender a caminar de forma más eficiente a través de prueba y error.
McCarthy proporcionó las herramientas conceptuales y técnicas necesarias para que los robots pudieran realizar tareas cada vez más complejas y adaptarse a entornos cambiantes.
La Visión de McCarthy sobre el futuro de la Inteligencia Artificial:
McCarthy era un visionario que creía en el potencial de la inteligencia artificial para transformar el mundo. Su visión era ambiciosa y abarcó desde aplicaciones prácticas hasta cuestiones filosóficas.
Inteligencia Artificial General (IAG): McCarthy estaba convencido de que era posible crear máquinas con una inteligencia comparable a la humana, lo que hoy conocemos como Inteligencia Artificial General (IAG). Creía que la IAG podría resolver algunos de los problemas más importantes de la humanidad, como la pobreza, las enfermedades y el cambio climático.
Superinteligencia: aunque no utilizó el término «superinteligencia», McCarthy previó la posibilidad de que las máquinas superaran la inteligencia humana en muchos aspectos. Expresó tanto entusiasmo como preocupación por esta posibilidad, enfatizando la importancia de desarrollar sistemas de IA seguros y beneficiosos para la humanidad.
Aplicaciones prácticas: también estaba interesado en las aplicaciones prácticas de la inteligencia artificial. Veía un futuro en el que los sistemas inteligentes ayudarían a las personas en una amplia variedad de tareas, desde la atención médica hasta la educación.
En resumen, la visión de McCarthy para el futuro de la inteligencia artificial era optimista y ambiciosa. Creía que la IA tendría un impacto profundo en la sociedad y que era fundamental desarrollar esta tecnología de manera responsable y ética.
Uno de los lideres en el campo del aprendizaje profundo:
Yoshua Bengio es una figura fundamental en el campo del aprendizaje profundo, y sus contribuciones han sido cruciales para el desarrollo de esta tecnología.
Bengio mostró desde joven una gran pasión por la informática y las matemáticas. Su interés se centró en comprender cómo funciona la mente humana y si era posible replicar algunas de estas capacidades en máquinas.Estudió en la Universidad McGill, donde obtuvo su doctorado en informática. Durante sus estudios, se interesó profundamente en las redes neuronales artificiales, una tecnología que en aquel momento era considerada poco prometedora.Bengio se inspiró en el trabajo de investigadores pioneros como Geoffrey Hinton y David Rumelhart. Estos investigadores sentaron las bases del aprendizaje profundo y proporcionaron a Bengio una visión clara del potencial de esta tecnología. Yoshua Bengio es uno de los principales impulsores del campo del aprendizaje profundo. Sus investigaciones en RNNs y aprendizaje representacional han tenido un impacto profundo en el desarrollo de la IA. Bengio es un visionario que cree que la IA tiene el potencial de transformar el mundo, pero también es consciente de los desafíos y riesgos que plantea esta tecnología.
Contribuciones Clave y el Impacto en el Aprendizaje Profundo:
Bengio realizo importantes aportes, especialmente en el campo del Aprendizaje Profundo:
Redes Neuronales Recurrentes (RNNs): Bengio es reconocido mundialmente por sus contribuciones al desarrollo de las RNNs. Estas redes son ideales para procesar secuencias de datos, como texto o series temporales, y han revolucionado el campo del procesamiento del lenguaje natural.
Aprendizaje Representacional: ha realizado importantes investigaciones en el campo del aprendizaje representacional, que busca encontrar representaciones internas de los datos que permitan a las máquinas aprender tareas más complejas.
Fundación de MILA: Bengio fundó el Instituto de Investigaciones en Aprendizaje Profundo de Montreal (MILA), que se ha convertido en uno de los centros de investigación en IA más importantes del mundo. MILA (Institut Québécois d’Intelligence Artificielle) o Instituto Quebequense de Inteligencia Artificial, este centro de investigación, liderado por Yoshua Bengio, es uno de los más influyentes en el mundo del aprendizaje profundo. MILA se dedica a la investigación básica en inteligencia artificial, buscando comprender los principios fundamentales detrás del aprendizaje y la inteligencia. Las investigaciones de MILA han dado lugar a numerosas aplicaciones prácticas en diversos campos, como la visión por computadora, el procesamiento del lenguaje natural y la medicina. Las principales característica del Instituto son:
El énfasis en el talento local: MILA ha sido fundamental en el desarrollo de un ecosistema de IA en Montreal, atrayendo a talentos de todo el mundo y formando a una nueva generación de investigadores.
La colaboración estrecha con la industria: trabaja en estrecha colaboración con empresas como Google DeepMind y Element AI, lo que permite traducir los avances de la investigación en productos y servicios comerciales.
Compromiso con la sociedad: MILA se preocupa por las implicaciones sociales de la IA y trabaja para garantizar que esta tecnología se desarrolle de manera ética y responsable.
Algunas de las contribuciones más importantes de MILA:
Desarrollo de algoritmos de aprendizaje profundo: ha desarrollado algoritmos innovadores para entrenar redes neuronales más grandes y profundas, lo que ha permitido mejorar significativamente el rendimiento en tareas como el reconocimiento de imágenes y el procesamiento del lenguaje natural.
Aplicaciones en la salud: Los investigadores de MILA están trabajando en el desarrollo de herramientas de IA para diagnosticar enfermedades, analizar imágenes médicas y personalizar los tratamientos.
IA para el bien social: también se dedica a investigar cómo la IA puede utilizarse para abordar desafíos sociales importantes, como el cambio climático y la desigualdad.
RNNs y Procesamiento del Lenguaje Natural:
Las RNNs, gracias a su capacidad de procesar secuencias, han sido fundamentales para el desarrollo de modelos de lenguaje avanzados. Estas redes han permitido:
Traducción automática: los modelos basados en RNNs han mejorado significativamente la calidad de la traducción automática.
Generación de texto: las RNNs pueden generar texto coherente y creativo, como poemas o código de programación.
Análisis de sentimientos: pueden analizar el sentimiento de un texto, identificando si es positivo, negativo o neutro.
Chatbots y asistentes virtuales: las RNNs son la base de muchos chatbots y asistentes virtuales, permitiéndoles mantener conversaciones coherentes y significativas.
Bengio y la visión del futuro de la Inteligencia Artificial:
Bengio es un optimista respecto al futuro de la IA, pero también es consciente de los desafíos y riesgos que plantea. Sus principales preocupaciones incluyen:
Sesgos algorítmicos: la IA puede perpetuar y amplificar los sesgos presentes en los datos de entrenamiento.
Privacidad: la recopilación y el uso de grandes cantidades de datos personales plantean importantes cuestiones de privacidad.
Desempleo: la automatización de tareas puede llevar a la pérdida de empleos y a una mayor desigualdad.
A pesar de estos desafíos, Bengio cree que la IA puede ser una fuerza para el bien, ayudándonos a resolver algunos de los problemas más grandes del mundo, como las enfermedades y el cambio climático.
Trabajo Actual:
Bengio continúa trabajando en el desarrollo de nuevas técnicas de aprendizaje profundo y en la aplicación de estas técnicas a problemas del mundo real. Actualmente, se enfoca en:
El aprendizaje auto supervisado: Bengio cree que el aprendizaje autosupervisado es clave para desarrollar sistemas de IA más generales y capaces.
La Inteligencia artificial general: está interesado en el desarrollo de una inteligencia artificial general, es decir, una IA con capacidades cognitivas similares a las humanas. Ética en la IA: Bengio es un defensor de la ética en la IA y trabaja para garantizar que esta tecnología se desarrolle de manera responsable y beneficiosa para la humanidad.
