El Genio Que Quizás Se Equivocó
Necesito compartirles algo que me dejó pensando esta semana, y es que ahora veo la inteligencia artificial de una manera completamente distinta.
Durante décadas, hemos medido el progreso de la IA comparándola con una visión que Alan Turing propuso en 1950. Su famoso "juego de la imitación"—hoy conocido como la Prueba de Turing—sostenía que si una computadora lograba engañar a humanos haciéndoles creer que hablaban con otra persona, entonces básicamente estaría "pensando".
Suena lógico, ¿verdad?
Bueno, según Peter J. Denning, un científico computacional muy respetado que acaba de publicar un nuevo libro llamado "El Error de Turing: Escapando del Yugo de las Máquinas No Inteligentes", quizás llevamos 75 años persiguiendo el sueño equivocado.
Y siendo honesta? Después de leer sus argumentos, creo que podría tener razón en algo profundo.
El Problema del Cuerpo (Sí, Importa)
Aquí está la primera suposición que Denning cree que Turing cometió mal: la idea de que la inteligencia puede existir de forma independiente a tener un cuerpo físico.
Piénsenlo un momento. Hemos intentado recrear inteligencia a nivel humano dentro de computadoras—puro software, flotando en el espacio digital. Pero Denning argumenta que esto es como intentar entender la natación estudiando las moléculas de agua. Te estás perdiendo algo esencial.
Cuando tú y yo navegamos el mundo, no solo procesamos información. Sentimos las cosas. Sentimos la temperatura, la textura de una perilla, experimentamos ese ligero tambaleo cuando pisamos una acera dispareja. Toda esta experiencia física moldea cómo pensamos, razonamos y entendemos el mundo.
Denning señala que nuestros cuerpos no son simplemente vehículos para cargar nuestros cerebros. Son parte integral de cómo pensamos.
Y aquí está lo interesante—esto no es alguna idea marginal. Los filósofos han hablado de "cognición corporeizada" durante años. Pero la investigación en IA la ha ignorado en gran medida a favor de enfoques puramente computacionales.
El Enigma del Conocimiento Tácito
Aquí es donde las cosas se ponen realmente interesantes (y un poco filosóficas, pero prometo mantenerlo accesible).
Denning introduce el concepto de "conocimiento tácito"—y es honestamente una de esas ideas que, una vez que las comprendes, empiezas a ver por todas partes.
El conocimiento tácito es todo aquello que sabes pero no puedes explicar fácilmente. Como... ¿cómo sabes exactamente cuánta presión aplicar cuando destrabas una puerta? ¿Cómo atrapas una pelota sin hacer cálculos complejos de física en tu cabeza? ¿Cómo sabes cuándo alguien está siendo sarcástico versus sincero basándose en el tono de su voz?
Estas cosas nos parecen automáticas. Pero son increíblemente complejas.
Denning argumenta que hay al menos cinco categorías principales de conocimiento tácito que el aprendizaje automático simplemente no puede capturar:
Sentido común – Los millones de hechos pequeños sobre cómo funciona el mundo que nunca pensamos conscientemente.
Interacciones cotidianas – Cómo leemos situaciones sociales, navegamos relaciones personales, entendemos expectativas no dichas.
Emociones y percepción – La forma en que experimentar alegría o tristeza cambia fundamentalmente cómo procesamos información.
Habilidades prácticas – El tipo de conocimiento que tiene un artesano maestro o un músico virtuoso que no puede articular completamente.
Entendimiento cultural – Valores, normas, historia, y los significados más profundos incrustados en cómo funcionan las comunidades.
Por Qué 40 Años de Cyc No Resolvieron Esto
Para ilustrar el desafío, Denning señala algo llamado el proyecto Cyc. Si no lo conocen, Cyc fue un intento ambicioso comenzado en los años 1980 de construir una base de datos masiva de conocimiento de sentido común—cosas como "si sueltas algo, cae" o "los humanos necesitan agua para sobrevivir".
El proyecto tomó cuatro décadas para acumular aproximadamente 25 millones de entradas de hechos de sentido común.
¡Veinticinco millones de piezas de conocimiento!
¿Saben qué? Aún no era suficiente para crear sistemas verdaderamente inteligentes. Denning nota que "mucho del conocimiento que hace expertos a las personas no puede articularse como proposiciones".
Esta es la tragedia silenciosa del proyecto Cyc. Demostró, con puro esfuerzo, que intentar codificar manualmente el sentido común humano es esencialmente imposible. Hay demasiado de él, y demasiado de él es implícito en lugar de explícito.
El Músico Que No Puede Explicarlo
Déjenme compartir uno de los ejemplos de Denning que realmente se me quedó grabado.
Piensen en un violinista virtuoso. Alguien que puede tocar con una belleza y emoción impresionantes. Ahora imaginen intentar explicarle a un principiante exactamente cómo producir ese sonido.
No puede hacerlo realmente. No completamente. Podría ofrecer algún consejo técnico—angula el arco aquí, aplica presión allá—pero la brecha entre "saber cómo" versus "saber qué" es enorme.
El violinista posee conocimiento corporeizado que existe en sus músculos, sus nervios, su experiencia física de crear sonido. No puedes descargar eso a una computadora. No puedes transcribirlo a una base de datos.
Y aquí está el punto más profundo: incluso si construyeras un robot que pudiera imitar perfectamente los movimientos de un violinista, ese robot aún no podría entender cómo se siente crear música hermosa. Le falta la experiencia biológica, el contexto emocional, la conexión con una audiencia.
El Problema de la Representación
Entonces, ¿qué está pasando realmente aquí? ¿Por qué el conocimiento humano es tan tercamente resistente a ser digitalizado?
Denning lo llama el "problema de la representación", y es genuinamente fundamental.
Las computadoras trabajan con símbolos—unos y ceros que representan cosas. Cuando alimentamos información a las computadoras, estamos codificando conocimiento del mundo real en estas formas simbólicas.
Pero aquí está el detalle: detrás de cada palabra, cada concepto, cada pieza de "conocimiento" que poseemos, hay un pozo profundo de entendimiento tácito que le da significado. Las palabras son solo símbolos que apuntan a significados—no son los significados en sí mismos.
Denning lo dice así: "Detrás de cada palabra hay un pozo profundo de conocimiento tácito que le da significado. Las palabras son meras representaciones simbólicas de significados, no los significados mismos".
Esto significa que cuando hablas con algo como ChatGPT, Claude o Gemini, estás interactuando con sistemas que son increíblemente sofisticados manipulando símbolos, pero que no entienden verdaderamente lo que esos símbolos representan. Pueden hacer coincidencias de patrones brillante, pero hacer coincidencias de patrones no es comprensión.
El Contexto Es Todo (Y las Máquinas No Lo Tienen)
Aquí hay otra capa con la que la IA lucha: el contexto.
Cuando tú y yo tenemos una conversación, estamos tirando de capas interminables de entendimiento compartido. Sabemos quiénes somos, lo que hemos vivido juntos, cuál es la situación actual, qué es apropiado versus inapropiado, cuándo alguien está bromeando versus hablando en serio.
Este contexto no es solo ruido de fondo—es fundamental para el significado.
Denning lo describe como fractal: cada contexto descansa sobre contextos previos, que descansan sobre otros aún más tempranos. Es una cadena sin fin de entendimiento compartido que hemos construido a lo largo de toda una vida de experiencia.
La cultura añade otra dimensión. Denning la describe como abarcando "valores, normas, juicios, historia, comunidades, estados de ánimo, e incluso relaciones que involucran poder y cuidado".
Todo esto es invisible para los sistemas de IA. Pueden detectar patrones en el lenguaje, pero no pueden verdaderamente comprender el peso cultural detrás de palabras y acciones.
Qué Significa Esto Para el Futuro de la IA
Ahora, no estoy diciendo que la IA sea inútil—obviamente no lo es. Estos sistemas son genuinamente impresionantes en tareas específicas, y son herramientas increíblemente útiles.
Pero el argumento de Denning sugiere que podríamos estar acercándonos a un techo. Que la verdadera inteligencia artificial general—máquinas con nivel humano de comprensión y adaptabilidad—podría ser fundamentalmente inalcanzable a través de nuestros enfoques actuales.
Y aquí es donde se pone un poco preocupante: Denning advierte que si seguimos persiguiendo la AGI mientras ignoramos estas limitaciones fundamentales, corremos el riesgo de construir tecnologías que introduzcan riesgos significativos nuevos sin cumplir sus promesas.
Piénsenlo. Estamos construyendo sistemas que no entendemos completamente, usando enfoques que pueden ser inherentemente limitados, para resolver problemas que requieren tipos de comprensión que estos sistemas no pueden acceder.
Mi Opinión
Honestamente, encontré los argumentos de Denning convincentes, pero no completamente devastadores.
Sí, hay desafíos fundamentales con capturar el conocimiento tácito. Sí, la experiencia corporeizada probablemente importa más de lo que hemos reconocido. Y sí, la Prueba de Turing podría ser un mal indicador del verdadero progreso.
Pero también creo que estamos descubriendo estas limitaciones en tiempo real, y ese proceso de descubrimiento en sí es valioso. Cada desafío que Denning identifica es también una pregunta de investigación. Cada pared que encontramos nos enseña algo nuevo sobre la cognición y la consciencia humana.
Quizás la verdadera lección aquí no es que la IA no puede ser inteligente, sino que la inteligencia humana es más remarkable de lo que apreciamos. Cada vez que entiendes un chiste, atrapas una pelota, o sientes que algo "está mal" en una conversación—estás haciendo algo que nuestras computadoras más sofisticadas aún no pueden hacer.
Tal vez la pregunta no es si las máquinas pueden pensar como humanos. Tal vez es: ¿qué pueden hacer bien, y cómo construimos eso en un mundo donde las cualidades humanas importan más, no menos?
Esa es una pregunta que vale la pena considerar un rato.
¿Qué opinan? ¿La crítica de Denning resuena con su experiencia usando herramientas de IA? ¿O creen que estamos subestimando lo que estos sistemas eventualmente pueden lograr?
Dejen un comentario abajo—realmente quiero saber cómo les llega esto.
Fuente: ScienceDaily (https://www.sciencedaily.com/releases/2026/07/260713084850.htm)