IA completa

En el campo de la inteligencia artificial (IA), las tareas que se hipotetiza que requieren inteligencia artificial general para ser resueltas se conocen informalmente como IA-completas o IA-difíciles . ^{[ 1 ]} Llamar a un problema IA-completa refleja la creencia de que no puede ser resuelto por un algoritmo específico simple.

Antes de 2013, los problemas considerados completamente resueltos por la IA incluían la visión artificial , la comprensión del lenguaje natural y el manejo de circunstancias imprevistas al resolver cualquier problema del mundo real. ^{[ 2 ]} Las tareas consideradas completamente resueltas por la IA se consideraban particularmente útiles para distinguir a los humanos de los agentes automatizados, como pretenden hacer los CAPTCHA . ^{[ 3 ]}

El término fue acuñado por Fanya Montalvo por analogía con NP-completo y NP-difícil en la teoría de la complejidad , que describe formalmente la clase más famosa de problemas difíciles. ^{[ 4 ]} Los primeros usos del término se encuentran en la tesis doctoral de Erik Mueller de 1987 ^{[ 5 ]} y en el Jargon File de Eric Raymond de 1991. ^{[ 6 ]}

Los sistemas expertos , populares en la década de 1980, podían resolver versiones muy simples o restringidas de problemas de IA completos, pero nunca en toda su generalidad. Cuando los investigadores de IA intentaron ampliar sus sistemas para manejar situaciones más complejas del mundo real, los programas tendían a volverse excesivamente frágiles sin conocimiento de sentido común ni una comprensión rudimentaria de la situación: fallaban cuando comenzaban a aparecer circunstancias inesperadas ajenas al contexto original del problema. Cuando los seres humanos se enfrentan a nuevas situaciones en el mundo, se benefician de su conocimiento del contexto general: saben qué son las cosas que los rodean, por qué están ahí, qué es probable que hagan, etc. Pueden reconocer situaciones inusuales y adaptarse en consecuencia. Los sistemas expertos carecían de esta adaptabilidad y eran frágiles al enfrentarse a nuevas situaciones. ^{[ 7 ]}

DeepMind publicó un trabajo en mayo de 2022 en el que entrenaron un único modelo para realizar varias tareas simultáneamente. El modelo, llamado Gato , puede "jugar a Atari, subtitular imágenes, chatear, apilar bloques con un brazo robótico real y mucho más, decidiendo en función de su contexto si generar texto, pares articulares, pulsaciones de botones u otros tokens". ^{[ 8 ]} De manera similar, algunas tareas que antes se consideraban completas para la IA, como la traducción automática , ^{[ 9 ]} se encuentran entre las capacidades de los grandes modelos de lenguaje . ^{[ 10 ]}

Se ha planteado la hipótesis de que los problemas que la IA puede resolver completamente incluyen:

• Revisión por pares de IA ^{[ 11 ]} ( comprensión del lenguaje natural compuesto , razonamiento automatizado , demostración automatizada de teoremas , sistema experto de lógica formalizada )
• Problemas de Bongard ^{[ 12 ]}
• Visión por computadora (y subproblemas como el reconocimiento de objetos ) ^{[ 13 ]}
• Comprensión del lenguaje natural (y subproblemas como la minería de textos , ^{[ 14 ]} la traducción automática , ^{[ 15 ]} y la desambiguación del sentido de las palabras ^{[ 16 ]} )
• Conducción autónoma ^{[ 17 ]}
• Lidiar con circunstancias inesperadas al resolver cualquier problema del mundo real, ^{[ 18 ]} ya sea navegación , planificación o incluso el tipo de razonamiento que realizan los sistemas expertos .

La teoría de la complejidad computacional se ocupa de la dificultad computacional relativa de las funciones computables . Por definición, no abarca problemas cuya solución se desconoce o no se ha caracterizado formalmente. Dado que muchos problemas de IA aún no tienen formalización, la teoría de la complejidad convencional no permite una definición formal de la completitud de la IA.

Roman Yampolskiy ^{[ 19 ]} sugiere que un problema${\displaystyle C}$Se considera que una IA es completa si tiene dos propiedades:

• Se encuentra dentro del conjunto de problemas de IA (resolubles mediante oráculos humanos).
• Cualquier problema de IA se puede convertir en${\displaystyle C}$mediante algún algoritmo de tiempo polinomial.

Por otro lado, un problema${\displaystyle H}$es difícil para la IA si y solo si existe un problema completo para la IA.${\displaystyle C}$que es reducible a Turing en tiempo polinomial${\displaystyle H}$Esto también conlleva la existencia de problemas fáciles para la IA , que pueden resolverse en tiempo polinomial mediante una máquina de Turing determinista con un oráculo para algún problema.

Yampolskiy ^{[ 20 ]} también ha planteado la hipótesis de que la prueba de Turing es una característica definitoria de la completitud de la IA.

Groppe y Jain ^{[ 21 ]} clasifican los problemas que requieren inteligencia artificial general para alcanzar un rendimiento de máquina a nivel humano como problemas de IA completa, mientras que los sistemas de IA actuales solo pueden resolver versiones restringidas de problemas de IA completa. Para Šekrst ^{[ 12 ]} , obtener una solución polinómica para problemas de IA completa no necesariamente equivale a resolver el problema de la inteligencia artificial general, al tiempo que enfatiza que la falta de investigación sobre complejidad computacional es el factor limitante para lograr la inteligencia artificial general.

Para Kwee-Bintoro y Velez, ^{[ 22 ]} resolver problemas que la IA no puede resolver tendría fuertes repercusiones en la sociedad.

• ASR-completo
• Lista de problemas sin resolver en informática
• Inteligencia sintética