- Inteligencia: proceso dinámico, no atributo estático.
- Los LLM priorizan la predicción, remodelando la comprensión de la IA.
- Shieber redefine la IA, enfatizando su utilidad como herramienta.
En una crítica audaz y provocadora, Joseph Shieber desafía la narrativa predominante en torno a la inteligencia artificial (IA) y sus aplicaciones, proponiendo una reevaluación fundamental de la terminología y la conceptualización.
Shieber argumenta que la nomenclatura actual malrepresenta la naturaleza y las capacidades de lo que comúnmente se denomina sistemas de «inteligencia artificial», particularmente los Modelos de Lenguaje Grande (LLM).
Redefiniendo los LLM: Herramientas genuinas, no artificiales
La primera objeción de Shieber desafía la propia terminología utilizada para describir estos sistemas. Estableciendo paralelismos con electrodomésticos cotidianos como lavadoras y coches, Shieber sostiene que etiquetar los LLM como «artificiales» es un error.
A diferencia de construcciones falsas o fraudulentas, los LLM son ayudas genuinas diseñadas para simplificar y mejorar los esfuerzos humanos. Sus avances en comprensión y lenguaje, como se ha señalado en estudios recientes, subrayan su utilidad tangible.
La falacia de la «inteligencia artificial»
Shieber sostiene que el término «inteligencia artificial» en sí mismo es engañoso, ya que implica un nivel de capacidad cognitiva que los LLM no poseen. Aunque reconoce los avances significativos realizados por los LLM, Shieber afirma que la inteligencia es un proceso continuo en lugar de un atributo estático. Refuta los argumentos basados en la conciencia, la encarnación y la experiencia, centrándose en cambio en la naturaleza de la inteligencia como una búsqueda colectiva y evolutiva guiada por instituciones.
Desmintiendo mitos: Inteligencia frente a predicción
Central en el argumento de Shieber está una distinción crucial entre los objetivos de la inteligencia humana y los LLM. Mientras que la inteligencia humana busca la verdad a través de pruebas e iteración, los LLM priorizan predecir respuestas basándose en datos existentes.
Shieber sostiene que los LLM son excelentes generando respuestas plausibles similares a las respuestas humanas, en lugar de representar la realidad con precisión. Esta diferencia crítica socava su clasificación como entidades inteligentes.
La crítica de Shieber desafía la sabiduría convencional y despierta una reevaluación de cómo la sociedad percibe y etiqueta los avances en inteligencia artificial. Al reformular los LLM como herramientas genuinas y enfatizar su naturaleza predictiva en lugar de la búsqueda de la verdad, Shieber ofrece una perspectiva matizada que invita a una reflexión más profunda sobre la naturaleza de la inteligencia y el papel de la tecnología en la configuración de los esfuerzos humanos.
Implicaciones para el desarrollo futuro
El análisis de Shieber tiene implicaciones significativas para el desarrollo y despliegue continuos de las tecnologías de IA. Al reconocer las limitaciones de la terminología y los marcos conceptuales actuales, los investigadores y formuladores de políticas pueden adoptar un enfoque más matizado para la gobernanza y la ética de la IA.
El llamado de Shieber a reevaluar los objetivos y capacidades de los LLM fomenta un cambio hacia prácticas de desarrollo de IA más transparentes y responsables.
Redefinir la IA requiere un cambio de paradigma
La crítica de Joseph Shieber desafía las nociones predominantes sobre la inteligencia artificial, abogando por una reevaluación de la terminología y los marcos conceptuales. Al reformular los LLM como herramientas genuinas y enfatizar su naturaleza predictiva, Shieber impulsa una comprensión más profunda de los objetivos y limitaciones de las tecnologías de IA.
A medida que la sociedad continúa lidiando con las implicaciones de la IA, las ideas de Shieber ofrecen una perspectiva valiosa para navegar la compleja intersección entre la tecnología y la inteligencia humana.
Si estás leyendo esto, ya vas por delante. Mantente así con nuestro boletín.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
Emman Omwanda
La experiencia de Emmanuel Omwanda se centra en los mercados de criptomonedas, abarcando tanto el análisis fundamental como el técnico. Anteriormente trabajó en diversos medios especializados en criptomonedas antes de unirse a Cryptopolitan, incluyendo CoinEdition, The Crypto Basic, CryptoNews Flash y DroomDroom. Es licenciado en Ciencias (BSc.) en Matemáticas y Ciencias de la Computación por la Universidad Kenyatta de Kenia y actualmente cursa su último año de una Licenciatura en Artes en Comunicación y Estudios de Medios.
