Pocos nombres pesan tanto en la inteligencia artificial hecha desde América Latina como el suyo. El Dr. Carlos Artemio Coello Coello es investigador Cinvestav 3F —la categoría más alta del centro— en el Departamento de Computación del Cinvestav-IPN, en Ciudad de México, y uno de los pioneros mundiales de la optimización evolutiva multiobjetivo: algoritmos que, inspirándose en la evolución natural, buscan la mejor solución cuando hay varios objetivos en conflicto. Fellow del IEEE desde 2011, Premio Nacional de Ciencias y Artes 2012 y miembro de El Colegio Nacional, ha escrito más de 220 artículos y es uno de los científicos de la computación más citados de la región.
Curiosamente, este referente de la IA es también uno de sus críticos más lúcidos. En El Domingo de Iberia defiende la diversidad de corrientes frente a la moda de los grandes modelos, advierte del espejismo de confiar ciegamente en ChatGPT y explica qué le falta a México y a la región para dejar de usar inteligencia artificial y empezar a crearla.
La entrevista
¿Qué impacto se espera que tenga la IA en la educación?
Considero que la IA ya está teniendo un enorme impacto en la educación, aunque no siempre de forma positiva: muchos jóvenes la usan para hacer trampa con sus tareas escolares en vez de apoyarse en ella para mejorar su autoaprendizaje. La IA generativa, como muchas otras técnicas computacionales, se diseñó para potenciar nuestras capacidades, pero su uso excesivo puede resultar incluso nocivo. Existen estudios recientes que muestran que abusar de estas herramientas puede producir un deterioro de las capacidades cognitivas.
A muchos profesores les preocupa que sus estudiantes recurran a herramientas como ChatGPT para resolver los ejercicios y proyectos de clase. Eso ha llevado a algunos a medidas un tanto extremas, como los exámenes orales, ante el temor de no poder evaluar adecuadamente las habilidades que un alumno debería adquirir en un curso. Ha ocurrido, por ejemplo, en la institución donde trabajo en México.
Ahora bien, la IA generativa también puede tener un impacto muy positivo: facilita diseñar cursos más interactivos, centrados en desarrollar ciertas habilidades cognitivas y no solo en memorizar información o mecanizar procesos. Prohibir su uso no me parece lo más adecuado; sería mejor rediseñar los programas de estudio en los distintos niveles para incorporar bien estas herramientas, aunque eso llevará tiempo y no será fácil. El reto principal es adaptarnos, a una velocidad razonable, a los cambios vertiginosos que se están produciendo.
Usted trabaja en algoritmos que se inspiran en la evolución. ¿Qué puede enseñarnos la naturaleza sobre cómo debería «evolucionar» la IA?
Es una pregunta interesante. La IA, desde que surgió con ese nombre en 1956, ha tenido una evolución notable. En sus inicios, buena parte de la investigación se enfocaba en modelos simbólicos, que fracasaron por no poder escalarse a problemas del mundo real. Después llegó el auge de las redes neuronales, aunque también surgieron dificultades ligadas al poder de cómputo y a la precisión. Fue el resurgimiento del aprendizaje profundo —tras resolver algunos de sus problemas de fondo— y el acceso a mucha más capacidad de cálculo lo que permitió el gran avance. Más tarde, un nuevo tipo de red neuronal, los transformadores, demostró que se podían usar para tareas distintas —generar en lugar de clasificar— y eso puso de moda los grandes modelos de lenguaje.
Creo que, en términos evolutivos, la IA ha seguido la teoría del «equilibrio puntuado»: durante muchos años apenas hay cambios y, de pronto, en un periodo corto, se producen muchos. Algo así ha ocurrido con la IA. La teoría de la evolución nos dice que la naturaleza genera muchas variantes de una especie para buscar la más apta para sobrevivir. Algo parecido puede pasar con la IA, porque siempre ha habido corrientes que atraen a menos investigadores: en los noventa fue la robótica reactiva de Rodney Brooks; hoy están los Modelos del Mundo por los que ha apostado Yann LeCun, o los Modelos Causales de Judea Pearl. La diversidad es clave en la evolución, y por eso estoy convencido de que es importante que existan otras corrientes dentro de la IA: eso aumenta la probabilidad de que la disciplina siga viva mucho más tiempo.
¿Qué se sobrevalora hoy en los grandes modelos frente a otras ramas de la IA menos mediáticas?
Los grandes modelos de lenguaje han acercado la IA a un público mucho más amplio, y eso, sin duda, ha sido benéfico. Pero también han hecho que el área se sobrevalore, sobre todo entre los estudiantes de posgrado de todo el mundo: muchos tienen poco interés por otras ramas, como los modelos probabilísticos —las redes bayesianas, por ejemplo— o los algoritmos evolutivos. Un sector de la comunidad lo critica con dureza y considera que la IA generativa es un boom pasajero, y que apostarlo todo a esa área es un error, sobre todo para los jóvenes que quieren dedicarse a la ciencia.
Personalmente, creo que este sesgo exagerado hacia la IA generativa no es bueno, en especial para la formación de las nuevas generaciones de investigadores. Conocer algo de los modelos simbólicos tradicionales y de los algoritmos de aprendizaje automático que llevan mucho tiempo con nosotros —los árboles de decisión, por ejemplo— da una formación más completa, que será útil al iniciar una carrera científica. Además, hay disciplinas complementarias a la IA generativa: los algoritmos evolutivos, que se usan mucho en optimización, pueden ayudar incluso a diseñar de forma óptima grandes modelos de lenguaje y redes neuronales profundas.
Y hay algo que mucha gente parece ignorar sobre los grandes modelos de lenguaje: generan aproximaciones, no respuestas exactas. De hecho, hay evidencia de que pueden inventar referencias bibliográficas inexistentes y dar resultados totalmente incorrectos —lo que se conoce como «alucinaciones»—. Muchas personas, incluidos estudiantes, sobrevaloran sus capacidades y confían ciegamente en lo que producen, lo cual es claramente incorrecto.
¿Qué le falta a México y a la región para pasar de usar IA a crearla?
Falta apoyo económico y un mayor número de investigadores especializados en inteligencia artificial. Los fondos para investigación en México y en la mayor parte de Latinoamérica han sido tradicionalmente bajos y, en el caso mexicano, han disminuido aún más en los últimos ocho años.
Un esquema que quizá podría funcionar para compensar esa falta crónica de recursos sería crear un Instituto de Investigación en Inteligencia Artificial financiado tanto con fondos públicos como de la iniciativa privada. Podría operar más como un think tank que como una institución al uso, reuniendo a expertos de distintas subdisciplinas para resolver problemas difíciles y definir una agenda nacional de investigación en IA. La Academia Mexicana de Computación propuso ese instituto a las autoridades hace ocho años; la idea fue bien recibida durante el sexenio pasado, pero no se le asignaron fondos. Otra vía posible sería establecer esquemas de cooperación entre países de América Latina, sobre todo con los que hoy tienen más actividad investigadora en IA, como Chile.
Foto cortesía de Carlos A. Coello Coello.
Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico. Cada artículo se elabora con la asistencia tecnológica de Iberia y se revisa antes de publicarse. Más sobre cómo trabajamos →
