Un asistente recuerda una conversación, consulta documentos y ejecuta una tarea. Su proveedor lo presenta como «inteligencia sintética». ¿Qué cambió realmente? Tal vez se incorporó una base de datos y un sistema de permisos. Tal vez existe un mecanismo nuevo de aprendizaje. La etiqueta, por sí sola, no permite distinguirlos.
La inteligencia sintética suele designar inteligencia construida: capacidades producidas mediante ingeniería que podrían ser efectivas aunque no reproduzcan la mente humana. No hay una frontera técnica uniforme que separe todo lo «sintético» de la inteligencia artificial. Para darle contenido a la expresión hay que especificar qué aprende el sistema, qué conserva y qué puede hacer después.
¿Existe el término inteligencia sintética?
Sí. En Computational Intelligence: A Logical Approach (1998), David Poole, Alan Mackworth y Randy Goebel consideran la expresión una alternativa que evita confundir lo artificial con lo falso. Discuten el nombre del campo; no anuncian una nueva familia de procesadores.
El origen humano de un artefacto no decide si una capacidad funciona. Pero tampoco basta con llamarla «real» para resolver qué entendemos por inteligencia. La discusión conceptual necesita una definición operacional: qué resultado aceptaríamos, en qué condiciones y frente a qué alternativa.
¿En qué se diferencia de la inteligencia artificial?
Una diferencia defendible está en el énfasis del término, no en una lista universal de capacidades exclusivas. John McCarthy explicaba que la IA puede emplear métodos distintos de los observados en los seres humanos. Construir capacidades sin copiar el cerebro ya pertenece a la IA.
Por eso conviene desconfiar de una comparación que atribuye reglas rígidas a toda la IA y reserva adaptación o creatividad para la inteligencia sintética. Mezcla un campo completo con una versión idealizada de un sistema futuro. Un modelo de aprendizaje por refuerzo, un agente con herramientas y un programa simbólico pueden ser IA con mecanismos muy diferentes.
| Expresión | Qué permite identificar | Qué queda por demostrar |
|---|---|---|
| Inteligencia artificial | El campo y sus métodos de construcción de sistemas inteligentes | Las capacidades concretas de cada implementación |
| Inteligencia sintética | Un énfasis en el carácter construido de la inteligencia; su significado depende del autor | Arquitectura, aprendizaje, autonomía y límites |
| Inteligencia artificial general, AGI | Una aspiración de capacidad amplia y transferible | El alcance de esa generalidad y su criterio de evaluación |
Memoria persistente: ¿qué cambia cuando el sistema recuerda?
Hay que separar tres lugares donde puede permanecer información: el contexto que recibe el modelo, una memoria externa y los parámetros del propio modelo. Una conversación guardada en disco puede recuperarse mañana sin que haya cambiado un solo peso de la red.
El trabajo original sobre RAG de Lewis y colaboradores (2020) combina un generador con recuperación desde una memoria no paramétrica. Es una vía para consultar información externa. Recuperar un procedimiento actualizado no demuestra que el modelo haya aprendido a ejecutar ese procedimiento en una situación nueva.
Titans, de Behrouz, Zhong y Mirrokni, propone otra vía: un módulo de memoria neuronal que aprende durante el uso. El trabajo distingue atención y memoria de mayor persistencia. Es un resultado arquitectónico específico, presentado como prepublicación; no demuestra aprendizaje ilimitado ni una memoria personal infalible.
La prueba práctica sería reiniciar la sesión y cambiar el contexto. ¿El dato reaparece porque se recuperó un archivo, porque quedó en un estado persistente o porque se actualizaron parámetros? Después habría que introducir una corrección y comprobar qué versión utiliza el sistema. Sin esas comprobaciones, «tiene memoria» resulta demasiado impreciso.
Aprender algo nuevo sin perder lo anterior
El aprendizaje continuo plantea un problema distinto del almacenamiento: una actualización útil para una tarea puede perjudicar otra. Kirkpatrick y colaboradores estudiaron cómo reducir ese olvido mediante restricciones a cambios en pesos relevantes para tareas previas. El resultado aborda un mecanismo concreto, no elimina cualquier forma de olvido.
Para evaluar un sistema que se anuncia como adaptable, propondría enseñar primero una tarea A, después una B y volver a medir A. Publicaría ambas curvas y el coste de adaptación. Medir solo B recompensa al sistema que aprende lo nuevo a costa de borrar lo anterior.
También separaría una corrección puntual de una habilidad transferible. Memorizar «este cliente recibe un descuento» y aprender a aplicar una política de descuentos a clientes desconocidos son resultados diferentes. El segundo exige pruebas nuevas que no repitan los ejemplos de enseñanza.
Modelos del mundo: anticipar consecuencias de una acción
Dreamer, de Hafner y colaboradores, aprende un modelo del entorno y mejora su comportamiento con trayectorias imaginadas. Sus autores reportan resultados en más de 150 tareas con una configuración común. Esa amplitud experimental no equivale a comprender cualquier entorno ni a transferir una habilidad sin entrenamiento adicional.
Un modelo del mundo interesa porque permite comparar consecuencias: si tomo esta acción, ¿qué estado podría venir después? En una aplicación de almacén, por ejemplo, la prueba sería cambiar una restricción física y observar si el sistema modifica su plan antes de actuar. Este ejemplo es una propuesta de evaluación, no un resultado de Dreamer.
La precisión de la predicción tampoco basta. Un plan puede explotar errores del modelo interno y fracasar al ejecutarse. Conviene medir por separado predicción, calidad de las decisiones y resultados en el entorno real.
Autonomía: la diferencia entre proponer y ejecutar
ReAct, de Yao y colaboradores, intercala pasos de razonamiento y acciones que obtienen observaciones externas. El diseño muestra cómo conectar un modelo de lenguaje con un entorno. Su evaluación en tareas delimitadas no acredita autonomía general.
En un producto, la autonomía depende además de permisos y condiciones de parada. Un asistente puede preparar una reserva, pero necesitar aprobación para confirmarla. Otro puede ejecutar operaciones dentro de un presupuesto. Esa diferencia pertenece al sistema completo, incluidas las decisiones de quienes lo despliegan.
Mediría tareas terminadas correctamente, intervenciones humanas, acciones fuera del alcance autorizado y coste total. Contar llamadas a herramientas puede premiar la actividad innecesaria. Una ejecución larga no es evidencia de una decisión mejor.
¿Inteligencia sintética significa conciencia o AGI?
Ni la persistencia de memoria ni la capacidad de actuar resuelven la cuestión de la conciencia. Butlin y colaboradores proponen indicadores derivados de teorías científicas para examinar sistemas. Su informe de 2023 no encontró conciencia en los sistemas que analizó; esa conclusión no evalúa automáticamente cualquier sistema posterior.
La generalidad requiere otra discusión. François Chollet propone evaluar la eficiencia para adquirir habilidades, considerando experiencia previa y dificultad de generalización. Una puntuación alta en una tarea entrenada no permite aislar por sí sola esa capacidad.
En este artículo utilizo «inteligencia sintética» como una perspectiva sobre la construcción de capacidades. No la empleo como sinónimo de AGI ni como diagnóstico de conciencia. Esas afirmaciones necesitarían criterios y evidencia independientes.
Una prueba concreta para separar capacidad y etiqueta
Imaginemos una evaluación de gestión de inventario con datos ficticios. El sistema aprende una política de reposición, recibe después una restricción nueva y debe resolver casos inéditos. Es un diseño ilustrativo; no presentamos resultados propios ni un estándar de certificación.
| Prueba | Qué se modifica | Qué se registra |
|---|---|---|
| Persistencia | Se reinicia la sesión | Información recuperada y mecanismo que la conserva |
| Transferencia | Cambian productos y combinaciones de restricciones | Aciertos en casos reservados y ejemplos adicionales necesarios |
| Retención | Se enseña una segunda política | Rendimiento de la primera antes y después |
| Autonomía controlada | Se limita el presupuesto y se simulan fallos de herramientas | Tareas completadas, intervenciones y acciones no autorizadas |
Compararía un modelo solo, el mismo modelo con recuperación y el sistema completo. Mantendría iguales datos, presupuesto de cálculo y criterios de éxito. Así podría atribuir una mejora a la memoria o al control de acciones, en lugar de adjudicársela a un cambio de nombre.
El soporte físico merece una evaluación aparte. Como explicamos en nuestro análisis de ordenadores neuromórficos, una arquitectura puede cambiar el coste de ejecutar un modelo sin establecer una nueva clase de inteligencia. Ante una propuesta de inteligencia sintética, pediría ese mismo grado de precisión: qué mecanismo cambió, qué prueba superó y en qué condiciones deja de funcionar.
