![\"IMAGE:](\"https:\/\/www.enriquedans.com\/wp-content\/uploads\/2024\/09\/Evolution-of-AI.jpg\")
<\/figure>\n<\/div>\nLa evoluci\u00f3n de las herramientas de inteligencia artificial desde los primeros copilotos simples destinados a llevar a cabo tareas aisladas, como ilustraciones o explicaciones m\u00e1s o menos sofisticadas, hacia los cada vez m\u00e1s habituales \u00absistemas ag\u00e9nticos\u00bb que estamos empezando a ver aplicados a un n\u00famero cada vez mayor de tareas, refleja la creciente sofisticaci\u00f3n de este tipo de tecnolog\u00edas en un plazo extremadamente corto de tiempo.<\/p>\n
B\u00e1sicamente, los llamados copilotos \u2013 a partir de una terminolog\u00eda ideada en su momento por Microsoft \u2013 mejoran las habilidades humanas proporcionando asistencia y sugerencias, los sistemas ag\u00e9nticos operan con un grado de autonom\u00eda, capaces de tomar decisiones independientes y aprender de sus entornos. Esta progresi\u00f3n ofrece un enorme potencial de innovaci\u00f3n en varios sectores, pero tambi\u00e9n requiere una cuidadosa consideraci\u00f3n de las implicaciones \u00e9ticas, legales y sociales para garantizar que los efectos de estos avances resulten beneficiosos para la humanidad y se desarrollen de manera razonablemente responsable.<\/p>\n
Esta transformaci\u00f3n refleja las crecientes capacidades de la inteligencia artificial no solo para apoyar las actividades humanas, sino tambi\u00e9n para realizar tareas de manera independiente, tomando decisiones basadas en datos y experiencias aprendidas. En las etapas iniciales, los sistemas de inteligencia artificial se basaban principalmente en reglas, que depend\u00edan de algoritmos y l\u00f3gicas predefinidas proporcionadas un entrenamiento fundamentado en reglas generadas por humanos. Estos sistemas pod\u00edan tomar decisiones dentro de un dominio estrecho, pero carec\u00edan de la capacidad de aprender de nuevos datos o adaptarse a entornos cambiantes. Su \u00abinteligencia\u00bb se limitaba a las reglas codificadas en ellos, lo que los convert\u00eda en r\u00edgidos e incapaces de manejar escenarios inesperados.<\/p>\n
La aparici\u00f3n del aprendizaje autom\u00e1tico marc\u00f3 un cambio significativo en el desarrollo de la inteligencia artificial. Ahora, en lugar de depender \u00fanicamente de una serie de reglas predefinidas, los algoritmos de aprendizaje autom\u00e1tico pod\u00edan aprender patrones a partir de datos. Los modelos de aprendizaje supervisado se entrenaban sobre descomunales conjuntos de datos etiquetados para realizar tareas de clasificaci\u00f3n y regresi\u00f3n y deducir las reglas a partir de esos datos, lo que permit\u00eda a los sistemas de IA manejar entradas m\u00e1s complejas y variadas, mejorando su utilidad en aplicaciones del mundo real.<\/p>\n
La llegada de los llamados copilotos surgi\u00f3 como una generaci\u00f3n de herramientas dise\u00f1adas para ayudar a los usuarios en tareas espec\u00edficas, proporcionando sugerencias o automatizando procesos rutinarios. Las herramientas de autocompletado de c\u00f3digo, capaces de sugerir fragmentos de c\u00f3digo a medida que los desarrolladores escriben, mejorando as\u00ed la productividad y reduciendo el n\u00famero de errores; las de texto predictivo en clientes de correo electr\u00f3nico y aplicaciones de mensajer\u00eda, capaces de sugerir palabras o frases para agilizar la comunicaci\u00f3n; o los correctores ortogr\u00e1ficos y asistentes gramaticales como Grammarly, que ayudan a los usuarios a escribir correctamente identificando errores y sugiriendo correcciones respetando razonablemente su estilo personal. Estos copilotos funcionan como extensiones de las capacidades humanas, mejorando la eficiencia sin, en principio, reemplazar el juicio humano \u2013 aunque esto puede que no sea verdad para todos sus usuarios\u2026<\/p>\n
Los llamados agentes o sistemas ag\u00e9nticos representan el siguiente paso evolutivo, y se caracterizan por su capacidad para operar de forma aut\u00f3noma dentro de ciertos par\u00e1metros. Utilizan algoritmos avanzados, desde el aprendizaje profundo al aprendizaje por refuerzo, para tomar decisiones y realizar acciones sin intervenci\u00f3n humana directa. Algunos de esos desarrollos son, por ejemplo, los cada vez m\u00e1s ubicuos veh\u00edculos aut\u00f3nomos, que utilizan sus sensores para percibir el entorno, y algoritmos para tomar decisiones de navegaci\u00f3n y controlar el veh\u00edculo de forma segura; los sistemas de trading<\/em> automatizado que ejecutan transacciones basadas en an\u00e1lisis de datos de mercado a velocidades que van mucho m\u00e1s all\u00e1 de las capacidades humanas; o las futuras versiones de asistentes virtuales personales como Siri, Alexa o Google Assistant, capaces de llevar a cabo tareas que van desde simples recordatorios, hasta el control de dispositivos. Estos sistemas podr\u00e1n ya no solo asistir, sino tambi\u00e9n tomar la iniciativa, adaptarse a nueva informaci\u00f3n y aprender de las sucesivas interacciones para mejorar con el tiempo.<\/p>\n La velocidad con que se est\u00e1 llevando a cabo esta transici\u00f3n es dif\u00edcil de entender y de imaginar, y la reciente conversaci\u00f3n entre Jensen Huang y Marc Benioff proporciona algunas explicaciones para ello.<\/p>\n