https://en.wikipedia.org/wiki/Moravec%27s_paradox
Acá tenés solo el artículo traducido al español, sin menús ni elementos laterales, y en formato Markdown:
La paradoja de Moravec es una observación hecha por Hans Moravec (y también por Marvin Minsky y otros investigadores de IA) en los años 80, que dice algo sorprendente:
Lo que es fácil para los humanos es difícil para las máquinas, y lo que es difícil para los humanos es fácil para las máquinas.
Las máquinas son buenas en cosas que los humanos encuentran difíciles:
Pero las máquinas tienen enorme dificultad con cosas que cualquier niño hace sin esfuerzo:
Moravec lo explica con la evolución. Las habilidades “fáciles” para nosotros —percepción, movimiento, intuición social— llevan cientos de millones de años siendo refinadas por la evolución. Están tan profundamente codificadas en nuestro cerebro que no somos conscientes del enorme procesamiento que requieren.
En cambio, el razonamiento abstracto (matemáticas, lógica, ajedrez) es evolutivamente reciente y costoso para nosotros, así que lo hacemos conscientemente y con esfuerzo. Precisamente por eso es más fácil de formalizar y programar.
“Es comparativamente fácil hacer que las computadoras exhiban un rendimiento de nivel adulto en pruebas de inteligencia o jugando a las damas, y difícil o imposible darles las habilidades de un niño de un año en cuanto a percepción y movilidad.”
Esta paradoja sigue siendo muy relevante hoy: aunque la IA supera a los humanos en tareas cognitivas complejas, la robótica que imita el movimiento natural todavía lucha con lo que cualquier animal hace con facilidad.
Desde Wikipedia, la enciclopedia libre
La paradoja de Moravec es la observación de que, como escribió Hans Moravec en 1988, “es comparativamente fácil hacer que las computadoras muestren un rendimiento de nivel adulto en tests de inteligencia o jugando a las damas, y difícil o imposible darles las habilidades de un niño de un año en lo que respecta a percepción y movilidad”.[1]
Este patrón contraintuitivo puede ocurrir porque las habilidades que parecen fáciles para los humanos, como reconocer rostros o caminar, requirieron millones de años de evolución para desarrollarse, mientras que capacidades como el razonamiento abstracto (por ejemplo, las matemáticas) son evolutivamente recientes. Esta observación fue formulada en la década de 1980 por Hans Moravec, Rodney Brooks, Marvin Minsky y otros.
De manera similar, Minsky enfatizó que las habilidades humanas más difíciles de reproducir son aquellas que están por debajo del nivel de la conciencia. “En general, somos menos conscientes de lo que nuestra mente hace mejor”, escribió, y agregó: “somos más conscientes de procesos simples que no funcionan bien que de procesos complejos que funcionan perfectamente”.[2]
Steven Pinker escribió en 1994 que “la principal lección de treinta y cinco años de investigación en IA es que los problemas difíciles son fáciles y los problemas fáciles son difíciles”.[3]
Para la década de 2020, de acuerdo con la ley de Moore, las computadoras eran cientos de millones de veces más rápidas que en los años 70, y ese aumento de potencia finalmente permitió empezar a abordar habilidades perceptivas y sensoriales, como Moravec había predicho en 1976.[4]
En 2017, el investigador Andrew Ng propuso una “regla general muy imperfecta”: “casi cualquier cosa que un humano típico pueda hacer con menos de un segundo de pensamiento mental, probablemente podamos automatizarla ahora o en el futuro cercano con IA”.[5]
Actualmente no existe consenso sobre qué tareas son las que la IA realiza mejor.[6]
Una posible explicación de la paradoja, propuesta por Moravec, se basa en la evolución. Todas las habilidades humanas están implementadas biológicamente, mediante mecanismos diseñados por la selección natural.
A lo largo de la evolución, la selección natural ha tendido a preservar mejoras y optimizaciones. Cuanto más antigua es una habilidad, más tiempo ha tenido para perfeccionarse. El pensamiento abstracto se desarrolló muy recientemente, por lo que no deberíamos esperar que sea especialmente eficiente.
Como escribe Moravec:
Codificados en las grandes y altamente evolucionadas áreas sensoriales y motoras del cerebro humano hay mil millones de años de experiencia sobre la naturaleza del mundo y cómo sobrevivir en él. El proceso deliberado que llamamos razonamiento es, creo, una delgada capa del pensamiento humano, efectiva solo porque está respaldada por este conocimiento sensoriomotor mucho más antiguo y poderoso, aunque normalmente inconsciente. Todos somos prodigiosos “olímpicos” en áreas perceptivas y motoras, tan buenos que hacemos que lo difícil parezca fácil. El pensamiento abstracto, en cambio, es un truco nuevo, quizás de menos de 100.000 años. Aún no lo dominamos. No es intrínsecamente tan difícil; solo lo parece cuando lo hacemos.[7]
Una forma resumida de este argumento sería:
Ejemplos de habilidades que evolucionaron durante millones de años:
Ejemplos de habilidades más recientes:
Estas son difíciles para nosotros porque no son aquello para lo que evolucionaron principalmente nuestros cerebros, y solo han tenido unos pocos miles de años para desarrollarse culturalmente.
En los primeros años de la inteligencia artificial, muchos investigadores creían que podrían crear máquinas pensantes en pocas décadas.
Este optimismo se debía en parte a que lograban hacer programas que:
Como estas tareas son difíciles para los humanos, se asumía que eran señales de inteligencia.
Muchos investigadores pensaron que, una vez resueltos estos “problemas difíciles”, los “problemas fáciles” como la visión o el sentido común se resolverían rápidamente. Se equivocaron.
El problema es que esas tareas “fáciles” son en realidad extremadamente difíciles para las máquinas.
Rodney Brooks explica que la inteligencia se definía como lo que los científicos encontraban difícil, como el ajedrez o los teoremas matemáticos. En cambio, cosas que un niño de 4 años hace sin esfuerzo (caminar, reconocer objetos, orientarse en una casa) no se consideraban inteligencia.[9]
En los años 80, Brooks propuso un nuevo enfoque en IA y robótica:
“Sin cognición. Solo percepción y acción.”
A este enfoque lo llamó “Nouvelle AI”.[10]
En 1983, Allen Newell criticó esta idea y la llamó un “mito”, señalando que no era tan claro que las funciones superiores fueran más fáciles de automatizar que las básicas.[11]
Por otro lado, Arvind Narayanan sostiene que la paradoja refleja más bien qué problemas elige investigar la comunidad de IA, en lugar de predecir cuáles serán realmente fáciles o difíciles.[12]
El lingüista y científico cognitivo Steven Pinker considera esta paradoja como la principal lección de la investigación en IA, según su libro The Language Instinct (1994).[13]
[1] Moravec 1988 [2] Minsky 1986 [3] Pinker 2007 [4] Moravec 1976 [5] Lee 2017 [6] Brynjolfsson & Mitchell 2017 [7] Moravec 1988 [8] Zador 2019 [9] Brooks (2002) [10] Brooks 1986 [11] Newell 1983 [12] Narayanan [13] Pinker 2007
(lista de obras citadas en el artículo original)