Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
1
La Antropomorfización de las Máquinas: ¿Existe la Inteligencia Artificial?
1
Carlos José Pereira
2
Pereira-carlos-jose@outlook.com
ORCID: https://orcid.org/0009-0002-7915-5779
Artículo presentado para su publicación el día: 14 de mayo de 2025
Artículo aceptado para su publicación el día: 10 de julio de 2025
ARK/CAICYT: https://id.caicyt.gov.ar/ark:/s25915266/s0uvj9ucr
RESUMEN
Este artículo explora la antropomorfización de la Inteligencia Artificial (IA), destacando
cómo las analogías entre máquinas y humanos, aunque útiles, pueden ser engañosas.
Términos como “aprendizaje” y “memoria” aplicados a la IA oscurecen las diferencias
fundamentales entre el aprendizaje humano y el aprendizaje automático. La IA, a pesar de sus
avances, todavía enfrenta desafíos para replicar la complejidad de la cognición humana,
especialmente en áreas como la toma de decisiones y la comprensión de los matices. La
dependencia de la IA de grandes volúmenes de datos y potencia computacional contrasta con
1
Artículo aceptado para su publicación el día 10 DE JULIO DE 2025.
2
Doctorando en Ciencias Empresariales y Sociales por la Universidad de Ciencias Empresariales y Sociales (UCES).
Lic. en Ciencias Contables por la Fundación Universitaria de la Región de Blumenau (FURB).
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
2
la capacidad humana de aprender de unos pocos sucesos. Además, la ausencia de emociones
en las máquinas plantea interrogantes sobre su capacidad para alcanzar la verdadera
inteligencia. El exceso de confianza en los sistemas automatizados también es problemático,
una situación evidenciada por estudios que muestran cómo la presencia de robots,
compartiendo tareas, puede conducir a errores humanos. Si bien la IA es una herramienta
poderosa, es crucial reconocer sus limitaciones y evitar atribuirle indiscriminadamente
características humanas. Comprender las distinciones entre humanos y máquinas es esencial
para el desarrollo y el uso ético de la IA.
RESUMO
Este artigo explora a antropomorfização da Inteligência Artificial (IA), destacando como
as analogias entre máquinas e humanos, embora úteis, podem ser enganosas. Termos como
“aprendizado” e “memória”, aplicados à IA, obscurecem as diferenças fundamentais entre o
aprendizado humano e o aprendizado de máquina. A IA, apesar de seus avanços, ainda
enfrenta desafios para replicar a complexidade da cognição humana, especialmente em áreas
como a tomada de decisões e a compreensão de nuances. A dependência da IA de grandes
volumes de dados e de poder computacional contrasta com a capacidade humana de aprender
a partir de poucos eventos. Além disso, a ausência de emoções nas máquinas levanta
questionamentos sobre sua capacidade de alcançar uma inteligência genuína. O excesso de
confiança em sistemas automatizados também é problemático, situação evidenciada por
estudos que mostram como a presença de robôs, ao compartilhar tarefas, pode levar a erros
humanos. Embora a IA seja uma ferramenta poderosa, é crucial reconhecer suas limitações e
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
3
evitar atribuir-lhe indiscriminadamente características humanas. Compreender as distinções
entre humanos e máquinas é essencial para o desenvolvimento e o uso ético da IA.
ABSTRACT
This article explores the anthropomorphization of Artificial Intelligence (AI),
highlighting how analogies between machines and humans, while useful, can be misleading.
Terms such as “learning” and “memory” applied to AI obscure the fundamental differences
between human learning and machine learning. Despite its advances, AI still faces challenges
in replicating the complexity of human cognition, especially in areas such as decision-making
and understanding nuances. AI’s dependence on large volumes of data and computational
power contrasts with the human ability to learn from just a few events. Moreover, the
absence of emotions in machines raises questions about their capacity to achieve true
intelligence. Overconfidence in automated systems is also problematic, a situation evidenced
by studies showing how the presence of robots sharing tasks can lead to human errors. While
AI is a powerful tool, it is crucial to recognize its limitations and avoid indiscriminately
attributing human characteristics to it. Understanding the distinctions between humans and
machines is essential for the ethical development and use of AI.
Introducción
Históricamente, los dispositivos tecnológicos buscaban superar las limitaciones físicas de los
seres humanos sin replicar sus capacidades mentales. No obstante, en las últimas décadas se ha iniciado
un proceso de intensa investigación y desarrollo centrado en la creación de sistemas informáticos que
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
4
imitan la estructura y la función del cerebro. Así, la tecnología, según Sadin, comenzó a adoptar un
fuerte enfoque antropomórfico (Sadin, 2020, pp. 17–20).
Es a partir de este enfoque que deriva el significado morfológico del término antropomorfizar,
es decir, atribuir a algo no humano formas o características humanas, tal como lo definen Houaiss y
Villar (2001, p. 240). Con respecto al término máquina, se utiliza para efectos de este trabajo y según la
cibernética, en referencia a fórmulas matemáticas, cálculos y reglas de transformación, y no se limita
necesariamente a dispositivos electrónicos o mecánicos (Luhmann, 2011, pp. 108–109).
En este campo conceptual, un algoritmo es una máquina y la ejecución de un programa consiste
en proporcionar un acoplamiento estructural entre dos sistemas, hardware y software, cuyos elementos
son de naturaleza maquínica. Tavares-Pereira afirma que un algoritmo es una máquina virtual que
depende de una máquina física para manifestarse y que quien realmente aprende es el algoritmo y no la
máquina física, en el contexto de la inteligencia artificial (Tavares-Pereira, 2021, p. 70).A mediados del
siglo pasado, los pioneros de la inteligencia artificial se fijaron una misión con un objetivo ambicioso y
claro: replicar la inteligencia humana en una máquina. Esta combinación de claridad de propósito y
complejidad de la tarea atrajo a algunas de las mentes más brillantes en el entonces incipiente campo
de la informática. Desde su aparición, la IA ha experimentado varios ciclos de crecimiento y declive. A las
fases de gran optimismo les siguieron fases de estancamiento señaladas por Lee como “inviernos de IA”
(Lee, 2019, p. 19).
El objetivo de la IA se refuerza con la afirmación de Domingos (2017, p. 30) de que el propósito
es enseñar a los ordenadores a hacer lo que los humanos hacen bien, es decir, principalmente a
aprender. Si no aprende, una computadora no puede comportarse como un ser humano, lo que
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
5
conduce a la antropomorfización. El aprendizaje automático es un subcampo de la IA en rápido
crecimiento que ha eclipsado el objetivo original de la disciplina (Domingos, 2017, pp. 30-31).Analogías
Útiles, Pero También Engañosas
El proceso de antropomorfización de las máquinas conduce a analogías que pueden ser útiles y
también presentarse como funcionalmente engañosas. Esto ocurre cuando uno se pregunta ¿qué
significa realmente imitar al ser humano en sus capacidades, comportamientos y características? En una
dimensión acelerada del tiempo no lineal, términos como redes neuronales, memoria, pensamientos,
alucinaciones e incluso inteligencia, que son expresiones atribuidas al ser humano, no pueden migrar al
área de la tecnología de la información, como si existiera una correspondencia operacional simétrica
entre la forma en que aprenden las máquinas y la forma en que aprenden los sistemas psíquicos.
De acuerdo con Maturana y Varela (2001), las palabras, al designar objetos o situaciones en el
mundo, no reflejan el funcionamiento del sistema nervioso, ya que este no opera como una
representación del mundo (p. 230).
Kenneth Burke, como se cita en Luhmann (2011), afirma que, en la búsqueda de un lenguaje que refleje
fielmente la realidad, la humanidad se enfrenta a un reto: la necesidad de seleccionar y, en
consecuencia, distorsionar esta misma realidad. El vocabulario, como herramienta de representación,
debe encontrar un equilibrio entre reflejar el mundo y, al mismo tiempo, reducirlo a términos
comprensibles. Esta selección implica inevitablemente una deformación: se vuelve problemática cuando
el lenguaje o los cálculos utilizados no se ajustan al objeto de estudio (pp. 179–180).
Se debe tener cuidado con los términos o palabras ampliamente utilizados en un dominio
determinado, con significados definidos y establecidos. Estos se transponen, principalmente por
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
6
analogía, a otras áreas del conocimiento. La distinción entre los dos tipos de aprendizaje, el machine
learning y el aprendizaje humano, tal como afirma Tavares-Pereira (2021), es evidente e implícita en el
propio término machine learning, pues al destacar solo “aprendizaje” se oscurece la calificación de
“máquina”, que es claramente limitante. Esto da lugar a una “falsa equivalencia”, pero a menudo se
ignora (Tavares-Pereira, 2021, pp. 110–112).
1. Máquinas que Sustituyen a los Seres Humanos, Pero con Métodos y Técnicas Diferentes
A pesar de que las técnicas y algunos métodos utilizados para el desarrollo de la inteligencia
artificial son nombrados con términos relacionados con los sistemas psíquicos, principalmente humanos
y permiten que las computadoras los reemplacen en diversas actividades - incluidas las actividades
dependientes del cerebro-, no se puede decir que sus operaciones internas sean iguales a la forma en
que operan los sistemas psíquicos, que es mediante el pensamiento, tampoco son iguales a los sistemas
sociales que operan a través de la comunicación y a los organismos que operan a través de la vida.
1.1. Cerebro y mente
La palabra Cerebro, en una concepción antropocéntrica de la palabra, se usa actualmente en dos
sentidos, a saber, la parte física, representada por la forma de un kilogramo y trescientos gramos de
materia gris, y como Mente. Y a menudo indistintamente, como una unidad, donde la mente y la parte
física se confunden.
Minsky (The Society of Mind, 1989, p. 288) se pregunta por qué una mente parece tan diferente
de cualquier otro tipo de cosa y afirma que las mentes no son cosas, al menos no comparten ninguna de
las propiedades habituales de las cosas, como colores, tamaños, formas o pesos. Las mentes están más
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
7
allá del alcance de los sentidos del oído, la vista, el olfato y el gusto. Aunque no son cosas en absoluto,
ciertamente poseen vínculos vitales con los cerebros.
Aunque el sistema de la ciencia ha evolucionado mucho sobre el funcionamiento del cerebro
humano e incluso no humano (de algunos animales), los científicos saben mucho sobre el cerebro
humano, pero aún no ha sido posible comprender su funcionamiento en su conjunto. Michio Kaku
(Physics of the Future, 2014, p. 18) corrobora esta observación, afirmando que cuando observamos
otros órganos del cuerpo, como músculos, huesos y pulmones, parece haber una relación obvia y
razones que podemos ver de inmediato; sin embargo, la estructura del cerebro parece un poco caótica,
como si las partes se golpearan entre sí. De hecho, un mapa del funcionamiento del cerebro a menudo
ha sido denominado “cartografía para tontos”.Damasio define la mente como un flujo continuo de
patrones mentales, y muchos de ellos parecen estar lógicamente interrelacionados. El flujo avanza en el
tiempo, rápido o lento, ordenadamente o a saltos, y ocasionalmente se mueve no a lo largo de una sino
varias secuencias. A veces las secuencias son concurrentes, otras veces convergentes y divergentes, o
incluso superpuestas (2015, p. 272).
Recientemente, en su newsletter, OpenAI, la creadora del software ChatGPT, anunció que su
modelo 'o1' es capaz de razonar. La compañía presenta este modelo como un cambio radical en el
avance del desarrollo de la inteligencia artificial generativa. Según la compañía, este nuevo modelo está
diseñado para razonar a través de las decisiones, como lo hacen los humanos (Stokel-Walker, 2024). Aun
así, se entiende que las máquinas no piensan, porque sus operaciones maquínicas no constituyen
pensamientos. Existen diferencias muy relevantes y notables en la etapa actual del desarrollo
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
8
tecnológico entre el aprendizaje humano y el aprendizaje automático, que aún impiden la sustitución de
agentes humanos por agentes automatizados en una amplia gama de tareas.
Tavares-Pereira (2021) presenta muy acertadamente las dificultades casi insuperables, en el
estado actual de la tecnología, de utilizar agentes automatizados que actúan como jueces, por ejemplo.
Esto no significa que las máquinas no puedan utilizar diferentes métodos y técnicas que les permitan
superar a los humanos en la resolución de problemas complejos. Kai-Fu Lee (2019, p. 20) afirma que se
subestima el poder de la IA para producir inteligencia sobrehumana en áreas muy especializadas.
Tampoco se dice que no se deba buscar una aproximación con los métodos y técnicas de los sistemas
psíquicos. Sin embargo, una cuestión fundamental es que dotar a los computadores de inteligencia no
necesita equivaler al camino tortuoso adoptado por la naturaleza durante el proceso evolutivo que
originó los cerebros, los sistemas psíquicos y la revolución cognitiva de la que habla Yuval Noah Harari
(2017, pp. 32–33).
1.2. Sistemas expertos frente a redes neuronales
A mediados del siglo pasado, inicio del proceso técnico para dotar de inteligencia a los
ordenadores, algunos informáticos adoptaron un enfoque basado en reglas, creando “sistemas
simbólicos” o “sistemas expertos”, enseñando al ordenador a pensar codificando una serie de reglas
lógicas. A partir de entrevistas con expertos en ciertos temas, codificaron su sabiduría para la toma de
decisiones en computadoras. Este enfoque funcionó incluso para la ejecución de tareas simples y bien
definidas, como juegos simples, pero se desmoronó cuando el universo de opciones era demasiado
complejo.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
9
Otros científicos de la computación, B. Widrow, G. Carpenter, S. Grossberg, P.J. Werbos, D.
Parker, D. Rumelhart y otros, han adoptado otro enfoque, basado en “redes neuronales”. El campo de
las redes neuronales siguió un camino diferente. En lugar de enseñar a la computadora las reglas que el
cerebro humano ya domina, estos investigadores buscaron replicar el cerebro humano en sí. Al observar
que las complejas redes de neuronas en el cerebro de los animales eran las únicas capaces de generar
inteligencia tal y como la conocemos, decidieron ir directamente a la fuente. Este enfoque imita la
estructura del cerebro, creando capas de neuronas artificiales que pueden recibir y transmitir
información de manera similar a las redes neuronales biológicas. A diferencia del enfoque basado en
reglas, los desarrolladores de redes neuronales a menudo no proporcionan reglas específicas para la
toma de decisiones. En su lugar, alimentan las redes con numerosos ejemplos de datos de un fenómeno
específico y determinado - como imágenes, partidas de ajedrez o sonidos - lo que permite a las propias
redes identificar patrones en los datos. Cuanta menos intervención humana, mejor (Lee, 2019, pp. 20-
21).
2. ¿Existe Inteligencia Artificial?
La inteligencia es un término amplio y difícil de definir. Kevin Kelly afirma que nuestra propia
inteligencia tiene una comprensión muy pobre de lo que es la inteligencia (2020). Durante mucho
tiempo, la gente ha estado estudiando y tratando de definir qué es realmente la inteligencia o ser
inteligente.
El término inteligencia ayuda a entender la etapa actual de desarrollo de la inteligencia artificial
con énfasis en el aprendizaje automático, como se verá en el siguiente enfoque reflexivo.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
10
2.1. El término Inteligencia
A pesar de que existe una imposibilidad básica de analizar ciertos fenómenos sistémicos, sus
detalles, sus características y la forma en que hacen sus selecciones internas para obtener un resultado,
un observador externo utiliza términos para designar estos fenómenos. Incluso si no entendemos
exactamente cómo un sistema psíquico autorreferencial elige la solución específica a un problema, este
fenómeno sistémico se llama inteligencia. La imposibilidad de observar cómo la información
desencadena cambios estructurales en un sistema sin interrumpir su autoidentificación se denomina
aprendizaje (Luhmann, 1998, pp. 119-120).
Luhmann afirma que estas atribuciones de términos son artificios de los observadores, a través
de los cuales se interpreta lo inobservable. Uno se acostumbra a este proceso y se cree que una persona
tiene inteligencia y es capaz de aprender. Y esto difícilmente puede ser contradicho, porque nadie
puede observar estos fenómenos nombrados con más precisión de lo que lo permiten los términos que
se les atribuyen. Hay muchos ejemplos que demuestran la inutilidad de la búsqueda de un sustrato
psíquico o incluso orgánico de algo como la inteligencia y el aprendizaje. Al final, se concluye que estos
términos son herramientas interpretativas utilizadas por los observadores para dar sentido a procesos
que no pueden ser observados directamente (Luhmann, 1998, pp. 119-120).
Las cualidades abstractas de estos términos permiten a un observador aplicar estas mismas
herramientas a su propia autoobservación, creyendo que las tiene y también comienza a atribuirlas, por
ejemplo, a las máquinas. Es muy difícil, y hay que tener buenos argumentos para refutar estas
atribuciones, porque la observación está limitada por los propios términos que definen estos conceptos.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
11
2.2. Inteligencia Artificial
El área de conocimiento de la IA tiene una larga historia que comienza en los primeros días de
las computadoras. El término inteligencia artificial se registró por primera vez en 1956, en la
Conferencia del Dartmouth College en New Hampshire (EE.UU.) y se refería a un nuevo campo del
conocimiento, aunque las ideas sobre esta área son anteriores a 1956, ya que se remontan a la Segunda
Guerra Mundial. En 1943, Warren McCulloch y Walter Pitts escribieron un artículo sobre las estructuras
de razonamiento artificial en forma de modelo matemático que imitan el sistema nervioso humano (De
Castro Barbosa y Bezerra, 2020, p. 93).
Obviamente, en ese momento, también estaban trabajando con datos que todavía eran muy
incipientes. Hoy en día, en cualquier cafetería de Silicon Valley, la gente debate si estos algoritmos son
solo código como cualquier otro, con personas a cargo, o si los que piensan de esa manera no están
entendiendo la profundidad de esta nueva tecnología. Los argumentos no son del todo racionales.
Muchos individuos se impresionan con los modelos generativos y se mantienen vigilantes a la espera de
una mayor inteligencia. La posición más pragmática sería pensar en la IA como una herramienta y no
mitificar la tecnología, sino asumir que no existe la inteligencia artificial, escapando un poco del enfoque
antropomórfico, para que se pueda trabajar mejor y poder usarla bien como medio para diversos fines.
Gestionar las nuevas tecnologías de forma inteligente requiere pensar de esta manera, argumenta
Lanier (2023).
2.3. Inteligencia artificial versus inteligencia humana
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
12
Jean Piaget (2014) afirma que la inteligencia es un término genérico que designa formas
superiores de organización o equilibrio de las estructuras cognitivas. La inteligencia no consiste en una
categoría aislada y discontinua de procesos cognitivos, como si fuera una estructurante entre otras, sino
en una forma de equilibrio hacia la que tienden todas las estructuras (pp. 33-34). Kelly (2020) argumenta
que tendemos a pensar en la inteligencia como una sola dimensión; como si se pudiera evaluar con una
sola nota que se hace cada vez más grande, cuanto más inteligente es el evaluado. La medición del
coeficiente intelectual es un ejemplo, es decir, se puede tener una escala creciente empezando por un
ratón, pasando por un orangután, luego un individuo aparentemente estúpido y culminando con los
genios con puntuaciones muy altas. La inteligencia humana, sin embargo, es como una sinfonía con
diferentes notas.
En la década de 1970 (Davis & Christodoulou & Seider & Gardner) presentaron la Teoría de las
Inteligencias Múltiples (IM) de Howard Gardner, que desafía la concepción tradicional de la inteligencia
como una entidad única y general, medible por un tipo específico de prueba, al clasificar la inteligencia
en siete categorías: lingüística, lógico-matemática, espacial, musical, corporal-cinestésico, interpersonal
e intrapersonal (2011, pp. 485-503). Obviamente, tal clasificación es esclarecedora, pero no explica
claramente los matices estructurales de las capacidades humanas para resolver problemas. Hay
individuos que se diferencian de la mayoría en varias de estas categorías señaladas por Gardner, siendo
muy buenos en varios o excepcionalmente buenos en uno y muy por debajo de las expectativas en
otros.
A su vez, ¿podrían los animales, y no los humanos, tener diferentes tipos de inteligencia? ¿Y las
máquinas con modelos generativos tendrían un tipo especial de inteligencia, una lógico-matemática, ya
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
13
que se basan en resolver problemas matemáticos, realizar operaciones matemáticas, identificar
patrones y permitir diálogos con humanos que la mayoría de las veces presenta argumentos
coherentes?
Pronto, los algoritmos basados en técnicas de IA conducirán los coches mejor que los humanos,
ya que no se distraen; si están conduciendo, se enfocan solo en esa actividad y procesan la información
mucho más rápido, además de analizar contextos mucho más amplios para la toma de decisiones.
Además, según Kai-Fu Lee, no cabe duda de que los algoritmos de IA acabarán superando a los médicos
humanos en su capacidad para diagnosticar enfermedades y recomendar tratamientos (2019, p. 249).
¿Significa esto que estos algoritmos son más inteligentes que los humanos? En algunos aspectos, sin
embargo, estamos lejos de tener computadoras con las habilidades de los niños de 3 años, como lo
demuestra muy bien Fei-Fei Li. Un niño de tres años tiene mucho que aprender sobre el mundo, pero ya
es un experto en dar sentido a lo que observa (2017), mientras que los ordenadores más avanzados aún
no realizan esta tarea. Un ser humano aprende de pocos datos, mientras que una computadora necesita
muchos datos y ocurrencias para presentar estadísticamente casos similares. Aaamodt y Wang dicen
que un bebé, después de ver una serie de imágenes de gatos, obtiene una mirada más larga y presta
más atención a una sola imagen de un perro que se le presenta. Esto significa que los bebés pueden
distinguir a los gatos de los perros con una sola ocurrencia diferenciada (2013, p. 33).
Por lo tanto, el cerebro humano realiza la compleja función de procesar un flujo constante de
información sensorial. En medio de un gran volumen de datos irrelevantes, necesita identificar y extraer
información relevante, actuar sobre ella y, posiblemente, almacenarla en la memoria a largo plazo. La
comprensión de la memoria humana presenta un desafío importante: ¿cómo se pueden formar nuevos
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
14
recuerdos sin que los recuerdos existentes se corrompan o se pierdan? Este desafío se conoce como el
dilema estabilidad-plasticidad (Loesch y Sari, 2011, pp. 111-112).
Stephen Grossberg, investigador en el campo de la inteligencia artificial y la neurociencia
computacional, conocido por sus importantes contribuciones al desarrollo de modelos teóricos que
explican cómo el cerebro procesa la información (citado en Loesch y Sari, 2011), describe el problema de
la estabilidad-plasticidad afirmando que el desafío central radica en cómo se puede diseñar un sistema
de aprendizaje para adaptarse a la información relevante permaneciendo estable frente a información
irrelevante. Entre las preguntas que se plantean para hacer frente a este reto se encuentran: ¿cómo
puede este sistema cambiar entre los modos de estabilidad y plasticidad, garantizando la flexibilidad sin
comprometer la estabilidad y evitando el caos durante la adaptación? Más precisamente, ¿cómo puede
el sistema retener el conocimiento previamente adquirido mientras continúa aprendiendo nueva
información? ¿Cómo evitar que la adquisición de nueva información interfiera con las memorias ya
consolidadas? (p. 112). Con esto en mente, Grossberg desarrolló la Teoría de la Resonancia Adaptativa
(ART), para su uso en redes neuronales artificiales, en 1976.
ART busca demostrar cómo integrar un modelo de aprendizaje competitivo en una estructura de
control autoorganizada, de modo que el reconocimiento de patrones y el aprendizaje autónomo
permanezcan estables incluso cuando se exponen a una secuencia aleatoria de patrones de entrada. La
autonomía, en este contexto, implica la ausencia de control o supervisión externa. Los sistemas de
aprendizaje autónomos deben aprender de sus propios errores, observaciones e interacciones con el
entorno. Deben ser capaces de generalizar, creando categorías completas a partir de datos específicos.
Para ello, estos sistemas necesitan organizar los conocimientos adquiridos, identificar la información
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
15
relevante y reorganizarse cuando sea necesario. Los detalles inicialmente irrelevantes pueden volverse
importantes más tarde, lo que requiere que el sistema se ajuste automáticamente (Loesch & Sari, 2011,
p. 112).
Si bien es posible analizar las regularidades de las relaciones externas de un sistema psíquico, no
es posible conocer en detalle la parte interna de este sistema, debido a su complejidad (Luhmann, 2011,
p. 65). Así, en la medida en que se le da autonomía a una red neuronal artificial para organizar el
conocimiento adquirido a partir de los datos y reorganizarse cuando sea necesario, estableciendo sus
propios parámetros, es imposible observar exactamente la parte interna de este sistema debido a su
complejidad, y por lo tanto no se puede decir que la forma de autoorganización de una red neuronal
artificial sea la misma que la de un sistema psíquico, aunque tenemos acceso a las regularidades de sus
manifestaciones.
2.4. Inteligencia humana, máquinas y emociones
Según Capra, existen fuertes evidencias de que la inteligencia humana, la memoria y las
decisiones humanas, nunca son completamente racionales, sino que siempre se manifiestan coloreadas
por las emociones. Nuestro pensamiento siempre va acompañado de sensaciones y procesos somáticos
(2010, p. 68). Según la teoría luhmmanniana de los sistemas, el sistema psíquico no está aislado del
cuerpo. El cuerpo, con sus diversos sistemas, constituye el entorno del sistema psíquico (Luhmann,
1990, pp. 103-14). El entorno es constitutivo del sistema, porque no hay sistema sin entorno y viceversa.
Según Maturana, nuestra cultura devalúa las emociones, porque estamos permanentemente
haciendo una demanda de comportamiento racional, pero no se pueden ignorar las emociones;
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
16
Maturana ejemplifica el hecho de que cuando aprendió a leer en una semana, lo movió la envidia (2001,
pp. 108-109).
Damásio concluyó, con estudios en su laboratorio, que la emoción es parte de los procesos de
razonamiento y decisión, ya sea buena o mala. Los hallazgos tuvieron en cuenta a individuos que eran
completamente racionales en la forma en que llevaban sus vidas hasta el momento en que, como
resultado del daño neurofisiológico en lugares específicos del cerebro, perdieron cierta clase de
emociones y, como resultado, también perdieron la capacidad de tomar decisiones racionales (2015, pp.
43-44).
La pregunta es si las máquinas pueden ser verdaderamente inteligentes sin emociones. El
término “mecanizado” significa, por un lado, la ausencia de sentimientos, emociones o intereses; por
otro lado, por el contrario, representa un compromiso obsesivo con una sola causa. Ambos extremos
sugieren una falta de humanidad e incluso estupidez, ya sea debido a la incapacidad de realizar
múltiples tareas o a la falta de propósito. La IA necesita cierto nivel de emoción o experiencia para
alcanzar su máximo potencial y evitar caer en extremos dañinos (Minsky, 1989, p. 163). Giskard, el robot
de Isaac Asimov, afirmó que “dado que las emociones son pocas y las razones son diversas [...],
podemos predecir más fácilmente el comportamiento de una multitud que el de una persona” (Isaac
Asimov, citado en Minsky, 1989, p. 172).
La tecnología actual no está dotando a los ordenadores de emociones para sus decisiones y esto
puede descalificarlos para tareas que requieren esta cualidad humana. Pero no se puede decir que en el
futuro no se puedan configurar algoritmos con hiperparámetros que les obliguen a simular el proceso
emocional, a tener más o menos “emociones” a la hora de crear sus parámetros internos como
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
17
resultado de sus elecciones, o que trabajen con métodos y técnicas que sean independientes de las
emociones y que las máquinas puedan hacer elecciones iguales o mejores que las selecciones que hacen
los seres humanos para resolver problemas.
Siempre se enfatiza el aspecto positivo de las emociones, especialmente el comportamiento
amoroso de los seres humanos, y se olvidan las barbaridades cometidas por estos mismos seres
humanos emocionales, individual o colectivamente. Los seres humanos, paradójicamente, cometen
inhumanidades. Quizás las máquinas inteligentes puedan ser superiores a los humanos en la toma de
ciertas decisiones racionales no influenciadas por las emociones o ser un complemento fundamental de
los humanos ante decisiones complejas, presentando nuevos escenarios y contextos que les ayuden en
sus decisiones involucradas por las emociones. Las máquinas pueden, quizás, ser una posibilidad de
salvación para el mantenimiento y el aumento de la humanidad y no al revés como algunos defienden.
3. Las máquinas: de la alta fiabilidad a las herramientas que pueden cometer errores
Un estudio de Pinker (2023) sugiere que las personas prestan menos atención a los detalles
cuando creen que una máquina les está ayudando. El fenómeno, conocido como “merodeo social”, se
produce cuando los individuos de un equipo reducen su esfuerzo al depender de otros para hacer el
trabajo. La investigación demostró que esta dinámica también se aplica a la relación entre humanos y
robots. Los participantes que creían que estaban siendo asistidos por un robot para inspeccionar
componentes electrónicos tuvieron un desempeño un 20 por ciento peor que aquellos que trabajaron
solos, incluso si el robot no estaba realmente presente. Pinker dice que este hallazgo plantea
preocupaciones sobre la colaboración entre humanos e IA en áreas críticas como la medicina y la
aviación, donde la falta de atención puede tener graves consecuencias, y que la dependencia excesiva
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
18
de los sistemas automatizados puede llevar a las personas a “mirar, pero no ver”, comprometiendo la
seguridad y la eficiencia.
El 22 de junio de 2023, un juez federal de Manhattan (EE.UU.) multó a dos abogados por citar
una investigación jurídica falsa generada por ChatGPT en un caso de lesiones personales. El juez
dictaminó que el caso no tenía precedentes y sancionó la firma de abogados Levidow, Levidow &
Oberman y a dos de sus abogados con una multa de 5.000 dólares por utilizar material falso creado por
inteligencia artificial generativa en un caso judicial. El uso de encuestas falsas se hizo para apoyar a un
cliente que afirmó haberse lesionado en un vuelo comercial. Los abogados castigados, Steven A.
Schwartz y Peter LoDuca, utilizaron ChatGPT para respaldar el argumento de que la demanda
presentada por su cliente era válida. Schwartz afirmó desconocer la capacidad de la herramienta para
“inventar casos”, y LoDuca dijo que confiaba en la investigación de su colega. El juez, sin embargo,
señaló que los abogados inicialmente insistieron en la veracidad de las encuestas, incluso después de ser
interrogados. La firma Levidow, Levidow & Oberman dijo que acatará la decisión, pero niega la mala fe
(Mulvaney, 2023).
Gerrit De Vynck dice que el término alucinaciones se ha popularizado en el área de la IA para
identificar los resultados inexactos de los nuevos algoritmos generativos. Los técnicos, investigadores y
escépticos de la IA están enfocados en resolver este problema, aunque no se sabe con certeza cuándo
sucederá y si sucederá. Ahora que millones de personas acceden a esta tecnología y la integran en
campos críticos y sensibles como la medicina y el derecho, es crucial comprender este proceso
alucinógeno y encontrar formas de mitigarlo (2023).
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
19
Gran parte del trabajo con el aprendizaje automático se lleva a cabo en segundo plano. Los
algoritmos se utilizan para predecir la demanda, organizar los resultados de búsqueda, recomendar
productos, detectar fraudes, realizar traducciones y otras tareas. Aunque menos evidente, el impacto
futuro del machine learning será de este tipo: discreto, pero con mejoras sustanciales en nuestras
operaciones principales (Balakrishnan citado en Mussa, 2020, p. 161).
La transformación de máquinas precisas en máquinas imprecisas tuvo lugar de forma gradual e
imperceptible con la llegada de la IA. Los modelos generativos más recientes demuestran que
seleccionar y fusionar datos para componer información rica y útil, sobre cualquier tema, con cierta
creatividad, también abre las puertas a resultados cuestionables y a menudo erróneos.
4. Potencia computacional, algoritmos, datos y modelos de inteligencia artificial
Hay algunos componentes esenciales en la estructuración de lo que se denomina inteligencia
artificial, sin los cuales la IA tal y como la conocemos hoy en día, con sus avances más recientes, los
modelos generativos, no sería posible. La delimitación de este estudio se centra en los componentes
técnicos, dejando de lado el componente humano, aunque es el componente más importante, ya que es
el que crea los algoritmos básicos; genera datos brutos o trabajos de preparación y etiquetado que
serán utilizados por las máquinas; utiliza los resultados de la IA y justifica su existencia.
4.1. componentes esenciales en la estructuración de la IA
Desde el punto de vista técnico, destacan algunos componentes, sin una secuencia jerárquica,
considerando la interdependencia entre ellos.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
20
En primer lugar, hay que considerar la máquina desde el punto de vista del hardware y de la
gran capacidad informática. En segundo lugar, se enfatiza la máquina desde el punto de vista del
algoritmo (software) creado por humanos y configurado por ellos. En tercer lugar, los millones de datos
disponibles en formato digital. En cuarto lugar, el modelo, resultado de la interacción entre el algoritmo
creado por un agente humano y los datos. El modelo es un algoritmo inicialmente rudimentario, con
hiperparámetros aplicados por humanos y seleccionados arbitrariamente a partir de pruebas con masas
iniciales de datos. Sin embargo, es al mismo tiempo, un nuevo algoritmo creado durante la operación en
el proceso de aprendizaje, transformándose en una base de conocimiento estructurada con miles de
millones e incluso billones de parámetros internos creados por el propio algoritmo. Esta base puede ser
utilizada por otros algoritmos, agentes automatizados, que se comunican con agentes humanos. En este
sentido, el algoritmo crea sus propias estructuras y sus propios elementos durante el proceso de
aprendizaje.
4.1.1. Potencia de cómputo
Es notable que tanta potencia de cómputo, anclada en computadoras de alto consumo
energético que deben estar en ambientes refrigerados, para simular un pedazo de tejido humano que
pesa una libra y media, cabe dentro de un cráneo, aumenta la temperatura corporal solo unos pocos
grados, usa solo veinte vatios de energía y solo necesita unas pocas hamburguesas para mantenerse a
flote (Kaku, 2023, p. 255).
Las herramientas de IA generativa requieren servidores extremadamente potentes con chips
diferenciados y caros que consumen mucha energía (Dotan & Seetharaman, 2023).
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
21
Algunos expertos proyectan que el consumo de electricidad para las potentes máquinas
necesarias para la IA pronto podría requerir la adición equivalente a la generación de energía de un
pequeño país. Desde 2010, el consumo de energía para los centros de datos se ha mantenido casi
estable, en alrededor del 1 por ciento de la proporción de la producción mundial de electricidad, según
la Agencia Internacional de Energía. Sin embargo, la rápida adopción de la IA puede representar un
aumento significativo en el consumo de electricidad (Mims, 2023). Los algoritmos de IA, basados en el
aprendizaje profundo, utilizan procedimientos matemáticos complejos y requieren un hardware grande
y muy rápido para procesar los datos (Mussa, 2020, p. 90-92).
4.1.2. Algoritmos desarrollados por humanos
Según Knuth, la noción de algoritmo es básica para toda programación informática y se refiere a
un conjunto finito de reglas que proporciona una secuencia de operaciones para resolver un tipo
específico de problema. Knuth ejemplifica con los términos receta, proceso, método, técnica,
procedimiento y rutina (Donald E. Knuth citado en Tavares-Pereira, 2021, pp. 261-264). Los algoritmos,
por lo tanto, son conjuntos de instrucciones paso a paso que definen cómo una computadora debe
procesar datos para lograr un objetivo específico. Esto presupone una estructura muy rígida.
Las analogías de Knuth, incluida una receta, pueden no expresar exactamente las dificultades
que surgen para la escritura de algoritmos por parte de agentes humanos.
Una de las cosas más difíciles de entender para una persona no experta, cuando se habla de
programar una computadora, es que no se le puede decir: “tres huevos medianos”, o “sal al gusto”; no
hay interpretación. Una computadora requiere una disciplina que enfatice el uso de la lógica
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
22
matemática. Las oraciones deben tener solidez sintáctica y semántica y no pueden ser ambiguas
(Pereira, 2022).
En un ordenador, ¿es útil la parte física, el hardware (tecnología dura), sin programas? ¿Es útil
un programa, software (tecnología blanda), sin hardware? No hay que pensar mucho en ello para decir
que hay una interdependencia entre el hardware y el software. La computadora es la unidad de
diferencia entre estos dos tipos de tecnología. En otras palabras, la computadora no es solo hardware o
solo software, no es ni una cosa ni la otra. Es algo diferente. Cuando un programa se está ejecutando,
hay una simbiosis entre las tecnologías blandas y duras; estas tecnologías requieren de científicos
especializados en cada una de las áreas y su avance se produce por separado, pero existe una
coevolución entre ellas. Cuanto más hardware, más software complejo se podía desarrollar, y el
software complejo requería el desarrollo de hardware más potente en términos de velocidad y
capacidad de almacenamiento; esto se ve claramente con el progreso en el área de la IA. Algunos
algoritmos que se conocen desde hace algún tiempo solo se han vuelto efectivos con hardware nuevo y
mucho más rápido. Pero lo que hace que el ordenador sea tan especial es precisamente esta unión, es
decir, un mismo hardware puede dar vida a muchos algoritmos diferentes.
Pedro Domingos dice que, si retrocediéramos en el tiempo, a principios del siglo XX, y le
dijéramos a la gente que pronto se inventaría una máquina y que resolvería problemas en todas las
áreas del conocimiento, la misma máquina para todos los problemas, nadie lo creería. El sentido común
de la época decía que cada máquina sólo podía hacer una cosa: las máquinas de coser no mecanografían
y las máquinas de escribir no cosen (pp. 57-58).
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
23
Los algoritmos desarrollados por humanos tienen sus estructuras muy bien conocidas y
dominadas por quienes los desarrollan. Muchas pruebas a lo largo del tiempo garantizan una cierta
fiabilidad a la hora de introducir datos estructurados con significados esperados, normalmente de una
zona concreta. Las reglas de las transformaciones sobre los datos se explican en el código y todos los
que tienen acceso al código pueden conocer estas reglas. En los algoritmos tradicionales, entran los
datos, que pasan por reglas de transformación asignadas paso a paso por los programadores para
obtener los resultados deseados e iguales, si los datos son siempre los mismos.
Esta visión algorítmica se mantiene parcialmente en el caso del desarrollo de modelos
generativos de IA, ya que la estructuración de los modelos ya no es responsabilidad exclusiva de los
programadores, sino de procesos de autoorganización proporcionados por algoritmos que tratan los
datos y los patrones existentes en ellos, creando sus parámetros internos, su conocimiento.
4.1.3. Datos
El éxito de los algoritmos de IA también depende de grandes volúmenes de datos. En la fase de
implementación, la cantidad y la calidad de los datos se convierten en el factor determinante. En el
contexto del aprendizaje profundo, se aplica la máxima ‘cuantos más datos, mejor”. La disponibilidad de
abundantes datos permite que los algoritmos diseñados por equipos promedio superen a los
desarrollados por expertos de élite. Si bien los investigadores de vanguardia siguen desempeñando un
papel crucial en la evolución del campo de la IA, la creciente disponibilidad de datos es el principal
impulsor de la transformación industrial en curso, liderada por el aprendizaje profundo (Lee, 2019, pp.
27-28).
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
24
4.1.4. El modelo como base de conocimiento estructurado
La IA ha liberado a los humanos de la imposible especificación y creación de algoritmos
altamente complejos para resolver ciertos problemas relacionados con una determinada área del
conocimiento. En muchos casos, era imposible para los programadores establecer en algoritmos los
miles de reglas y sus relaciones para procesar datos y obtener información.
Un algoritmo de IA, desarrollado por un agente humano, es factible de desarrollar, porque,
aunque complejo con sus códigos, técnicas, fórmulas e hiperparámetros, puede obtener patrones a
partir de millones de datos y almacenarlos en una representación codificada binariamente, llamada
modelo. Por lo tanto, un modelo es una representación codificada de un aprendizaje específico basado
en datos. Un modelo no es generado solo por el algoritmo creado por el agente humano, ni es
exactamente un espejo de los datos en bruto. El modelo es el resultado de la aplicación de reglas de
transformación genéricas presentes en el algoritmo, que también crea parámetros internos
desconocidos y complejos en tiempo de ejecución, dependiendo de los datos de entrada. Este proceso
funciona como una caja negra, ya que el agente humano no ha especificado exactamente cuál debe ser
la estructura del modelo codificado. La estructuración del modelo se establece mediante la operación
del algoritmo utilizando los datos.
Para la cibernética, y desde un punto de vista más mecanicista, la caja negra y la caja blanca son
términos convenientes y figurativos de uso bien definido, que se refieren a los procesos internos de un
sistema. El término caja negra indica que un observador no necesariamente necesita tener información
sobre la estructura mediante la cual se realiza la operación, ya sea por ignorancia o porque el fenómeno
no puede ser observable directamente. Por otro lado, la caja blanca es algo con un plan estructural
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
25
definido para asegurar una relación input-output previamente determinada. (Wiener, 1970, p. 13). Los
algoritmos tradicionales pueden considerarse cajas blancas, y los algoritmos de IA que se convierten en
modelos creando sus propios parámetros internos son cajas negras. Cada modelo está vinculado al
algoritmo y a los datos, y sus estructuras cambian si los agentes humanos modifican el algoritmo y sus
hiperparámetros o la base de datos de entrada.
Las empresas de tecnología gastan sumas de dinero probando sus productos. Pero debido a la
forma en que se diseñan los sistemas de IA, que construyen modelos a partir de características de
millones de puntos de datos que pueden generar miles de millones e incluso billones de parámetros y
relaciones, no se pueden desmontar y analizar en busca de errores como lo hace el software tradicional
(McMillan, 2023). Dada la complejidad de las estructuras de los modelos generativos, Sven Cattell
prefiere el término “caos” en lugar de caja negra (Citado en McMillan, 2023). Pero en este caso, el caos
significa sólo una complejidad estructurada que no puede ser comprendida adecuadamente por los
agentes humanos.
Los modelos son representaciones matemáticas y computacionales establecidas a partir de
datos, a través de algoritmos ideados por humanos. Al final, son máquinas que se modifican a sí mismas,
que aprenden. Los modelos encapsulan el conocimiento adquirido durante el entrenamiento y permiten
a la IA hacer predicciones, clasificaciones o generar nuevos datos.
Las salidas de los algoritmos tradicionales reflejan claramente lo determinado por el agente
humano responsable de su programación y el tratamiento de los datos está explícito en el código. Si
llega un dato imprevisto, el algoritmo generalmente no sabe cómo aplicar las reglas de transformación y
puede lanzar una excepción que apunte a un error.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
26
Sin embargo, en los algoritmos de IA, la salida, el modelo generado, refleja la unidad de
diferencia entre el algoritmo base y sus hiperparámetros y los datos; en otras palabras, el modelo
generado no es explícito por ningún agente humano en el algoritmo base, ni su estructura ni sus
elementos, ni los elementos y la estructura están presentes en los datos. No hay similitud en el
algoritmo base ni en los datos. Desde el punto de vista de la Teoría de Sistemas de Niklas Luhmann, el
algoritmo base con sus hiperparámetros, así como el hardware son máquinas alrededor de los modelos
y el mundo está representado por los datos. Lo que no está en los datos no está en el mundo.
El modelo se genera durante el proceso dinámico de la operación de formación sistémica; un
sistema es dinámico y no estático. El algoritmo trata diferentes tipos de datos en busca de patrones no
predichos explícitamente por los agentes humanos, creando su propia información. En otras palabras, la
información creada por el algoritmo no está presente en los datos, no está estructurada como una
selección lista para ser importada, se crea en el proceso dinámico de formación sistémica.
Diferentes algoritmos de IA pueden encontrar información diferente en los mismos datos, ya
que la información se crea en el proceso de operación, lo que implica diferencias estructurales y de
elementos en el modelo generado. Hay que tener en cuenta que el proceso que se forma entre los datos
y el algoritmo base está operacionalmente cerrado y ni el algoritmo ni los datos, ni ningún agente
externo, puede determinar por su “voluntad” cómo se deben crear las estructuras y elementos de este
modelo ni aportar conocimiento directamente.
Se afirma que existe una relación importante entre los datos y el algoritmo base para la
autogeneración del modelo, sin interferencias externas. El modelo utiliza la complejidad del algoritmo
base para autoconstruir sus estructuras y elementos. El modelo en construcción, de esta manera, se
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
27
acopla al algoritmo base para la percepción y el tratamiento de los datos. En otras palabras, el modelo
utiliza la complejidad del algoritmo base para construir sus propias estructuras y sus propios elementos.
Este acoplamiento del modelo al algoritmo base y la percepción de los datos no es contradictorio con la
estructuración de los datos y la estructuración del algoritmo, que permanecen intactas. De este modo,
el algoritmo y los datos son base y ganan valor estructural para la construcción del sistema emergente
que es el modelo, y con ello, para la construcción de un tipo específico de realidad, que es la conexión
entre algoritmo y datos. Esta irritación constante
3
del algoritmo base y de los datos es lo que estimula la
creación del modelo.
Al final, el modelo generado es lo que se podría llamar aprendizaje, en este trabajo un
aprendizaje automático, no igual, pero sí similar a lo que ocurre con los sistemas psíquicos humanos y
animales. El aprendizaje, en este contexto maquínico, así como en el contexto de un sistema psíquico, es
la designación de no poder observar cómo la información, extraída de los datos, desencadena cambios
estructurales parciales en un sistema, sin que el sistema pierda su característica. Sin embargo, todavía
hay máquinas. La inteligencia es precisamente la denominación para no poder observar cómo, en este
sistema autorreferencial, en contacto con uno mismo, se produce la elección que uno hace para la
solución del problema.
Esto es precisamente lo que afirma Luhmann, que la búsqueda de una base para conceptos
como la memoria y la inteligencia es infructuosa. Estos conceptos son en realidad constructos que
3
Esta interacción constante entre el algoritmo base y los datos es fundamental para la existencia del modelo.
Según Luhmann, la línea que separa las operaciones del sistema de su entorno también distingue lo que estimula
el sistema y lo que no. Sólo de esta manera un sistema puede convertir las "irritaciones" en causalidades. El
sistema no puede hacer frente a todas las irritaciones del entorno (Luhmann, 2011, p. 132-134).
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
28
utilizamos para interpretar el comportamiento de sistemas complejos. Es importante destacar que esto
no quita la existencia del algoritmo base y los datos y la necesidad de ellos para que el modelo se
autoconstruya, porque, al final, las características de este entorno están presentes en el modelo, en este
sistema emergente, es decir, pertenecen a esta realidad que se forma, pero ya no se puede buscar un
sustrato, ni en el algoritmo ni en los datos. Eso coincide exactamente con el modelo emergente. Esta
falta de un sustrato de esta nueva estructura adquirida y emergente, el modelo, se compensa
justamente con la libertad de elección para crear esta estructura y sus elementos, lo que indica que
podría ser de otra manera, refiriéndose al concepto de contingencia. La elección y formación de la
estructura y los elementos del modelo se fijan durante el funcionamiento del algoritmo y su relación con
los datos, y no pueden existir de ninguna otra manera.
El progreso de la IA se ha producido de forma gradual y se ha producido una disrupción con los
llamados modelos generativos. ¿En qué se diferencian estos modelos en relación con los que se han
difundido hasta ahora denominados discriminativos?
4.1.4.1. Modelos discriminativos.
Los modelos, comúnmente utilizados hasta ahora, que han dominado el mundo de la IA en los
últimos tiempos, están siendo empujados a una categoría llamada “discriminativa”. Esta categoría está
siendo eclipsada por la categoría de lo “generativo”. Hay muchas formas de crear programas que
aprenden, pero en general, se utilizan tres técnicas básicas: el aprendizaje no supervisado, el
aprendizaje supervisado y el aprendizaje por refuerzo. Todos se basan en datos históricos. Para los
modelos discriminativos, el más común es el uso del aprendizaje supervisado, en el que se proporcionan
dos conjuntos de datos al ordenador, como son los textos y sus clasificaciones realizadas por agentes
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
29
humanos. La gran característica de una computadora que se basa en un “modelo discriminativo” es la
capacidad de comparar datos y encontrar otros similares. En el caso de las imágenes, un modelo
discriminativo puede diferenciar a un perro de un gato, ya que esto se enseñó a partir de miles de
imágenes puestas a disposición (Pereira, 2023).
4.1.4.2. Modelos generativos
Usando el ejemplo de imágenes dado anteriormente, un modelo generativo puede generar
nuevas fotos de animales que parecen animales reales.
Mientras que un modelo discriminativo depende de etiquetas asociadas a los datos: esto es un
gato, esto es un perro, esto es un tigre, es decir, depende del aprendizaje supervisado, un modelo
generativo puede o no utilizar este recurso.
El modelo generativo puede, en este caso, aprender de miles de millones de puntos de datos no
supervisados. Es decir, sin que los humanos tengan que etiquetar los datos de forma explícita. En
términos de ejemplo, se puede describir que existen modelos generativos simples que sugieren la
siguiente palabra en una secuencia de palabras para formar una oración y, en este caso, no hay
necesidad de supervisión por parte de agentes humanos.
Los algoritmos aprenden “percibiendo” cómo se usa el lenguaje. El “conocimiento”, por lo tanto,
se extrajo de la observación de miles de millones de textos que están disponibles en internet, siendo
esta la forma en que el lenguaje ha sido dominado por estos nuevos algoritmos generativos que no
tienen idea de lo que significa “buenos días”, pero sugieren “día” después de “bueno”, porque
estadísticamente es lo que más ocurre. Esto es lo que experimentamos todos los días en nuestros
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
30
teléfonos celulares al escribir un texto en una de las aplicaciones. Los modelos generativos pueden
realizar varias correlaciones con los datos que manejan. Por ejemplo, los ojos no pueden aparecer en la
barbilla de las personas, generalmente están entre la frente y la nariz. Para la generación de una nueva
imagen, se sigue esta regla. Si alguien le pide a la IA generativa que genere una imagen de un gato
patinando, la patineta debe estar debajo de los pies del gato. Las imágenes no son simples copias, sino
generaciones de nuevas imágenes. La distribución de datos en un contexto forma parte del enfoque de
la IA que utiliza modelos generativos (Pereira, 2023).
5. Consideraciones finales
La Inteligencia Artificial, impulsada por los avances en el aprendizaje automático y los modelos
generativos, está redefiniendo rápidamente varios sectores de la sociedad. Sin embargo, la
antropomorfización de la IA, aunque comprensible, puede dar lugar a expectativas poco realistas y
riesgos potenciales.
Hay algunos componentes esenciales en la estructuración de lo que se denomina inteligencia
artificial, sin los cuales la IA tal y como la conocemos hoy en día, con sus avances más recientes, los
modelos generativos, no sería posible. La delimitación de este estudio en los componentes técnicos, sin
tener en cuenta el componente humano, demostró la dependencia de la IA de grandes volúmenes de
datos y potencia computacional, contrastando con la capacidad humana de aprender con pocas
ocurrencias.
Es fundamental reconocer que la IA, a pesar de su capacidad para procesar grandes volúmenes
de datos y realizar tareas complejas, aún está lejos de replicar la inteligencia humana en su totalidad. La
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
31
comprensión de los matices del lenguaje, la toma de decisiones éticas y la capacidad de innovar
creativamente siguen siendo desafíos importantes para la IA.
Además, la creciente integración de la IA en áreas críticas como la medicina y el derecho
requiere un enfoque cauteloso. El exceso de confianza en los sistemas automatizados puede conducir a
errores graves, y la falta de transparencia en los modelos de IA plantea preguntas sobre la
responsabilidad y el sesgo de las soluciones dadas por la IA.
Por lo tanto, el futuro de la IA depende no solo de los avances tecnológicos, sino también de un
debate crítico y racional sobre sus límites e implicaciones éticas. La claridad conceptual a la hora de
distinguir entre humanos y máquinas es esencial para garantizar que la IA se utilice de forma
responsable y beneficiosa para la sociedad.
La IA debe verse como una herramienta poderosa, pero no como un sustituto de la inteligencia
humana. La colaboración entre humanos y máquinas, en la que cada uno desempeña su papel
específico, es el camino más prometedor para el futuro próximo de la humanidad.
Referencias
Aaamodt, S., & Wang, S. (2013). Bem-vindo ao cérebro do seu filho: Como a
mente se desenvolve desde a concepção até a faculdade. Cultrix.
Bousquette, I. (2023, junio 22). Companies want workers to trust AI—but not
completely. The Wall Street Journal. https://www.wsj.com/articles/companies-want-
workers-to-trust-aibut-not-completely-3ce09029
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
32
Capra, F. (2010). A teia da vida. Cultrix.
Damásio, A. (2015). O mistério da consciência: Do corpo e das emoções ao
conhecimento de si. Companhia das Letras.
Davis, K., Christodoulou, J., Seider, S., & Gardner, H. E. (2011). The theory of
multiple intelligences. En R. J. Sternberg & S. B. Kaufman (Eds.), Cambridge handbook
of intelligence (pp. 485–503). Cambridge University Press.
De Castro Barbosa, X., & Bezerra, R. F. (2020). Breve introdução à história da
inteligência artificial. Jamaxi, 4(1).
De Vynck, G. (2023, mayo 30). ChatGPT ‘hallucinates.’ Some researchers worry
it isn’t fixable. The Washington Post.
https://www.washingtonpost.com/technology/2023/05/30/ai-chatbots-chatgpt-bard-
trustworthy/
Domingos, P. (2017). O algoritmo mestre. Novatec.
Dotan, T., & Seetharaman, D. (2023). Big Tech struggles to turn AI hype into
profits. The Wall Street Journal. https://www.wsj.com/tech/ai/ais-costly-buildup-could-
make-early-products-a-hard-sell-bdd29b9f
Fei-Fei, L. (2017). How we're teaching computers to understand pictures
[Video]. TED.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
33
https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand
_pictures
Gohar, K., & Utley, J. (2024). For conversations you dread, try a chatbot. The
Wall Street Journal. https://www.wsj.com/tech/ai/for-conversations-you-dread-try-a-
chatbot-8eecb643
Harari, Y. N. (2017). Uma breve história da humanidade. LPM.
Houaiss, A., & Villar, M. (2001). Dicionário Houaiss da língua portuguesa.
Objetiva.
Japiassú, H. (1990). Dicionário básico de filosofia. Jorge Zahar.
Jin, B. (2024). The 27-year-old billionaire whose army does AI’s dirty work. The
Wall Street Journal. https://www.wsj.com/tech/ai/alexandr-wang-scale-ai-d7c6efd7
Kaku, M. (2014). The future of mind: The scientific quest to understand,
enhance, and empower the mind. City University of New York.
Kelly, K. (2020). How AI can bring on a second industrial revolution [Video]. TED.
https://www.ted.com/talks/kevin_kelly_how_ai_can_bring_on_a_second_industrial_re
volution
Kurzweil, R. (2014). Como criar uma mente: Os segredos do pensamento
humano. Aleph.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
34
Lanier, J. (2023). There is no A.I. The New Yorker.
https://www.newyorker.com/science/annals-of-artificial-intelligence/there-is-no-ai
Lee, K. (2019). Inteligência artificial: Como os robôs estão mudando o mundo, a
forma como amamos, nos comunicamos e vivemos. Globo Livros.
Loesch, C., & Sari, S. T. (1996). Redes neurais artificiais: Fundamentos e
modelos. Editora da Furb.
Luhmann, N. (1990). Sociedad y sistema: La ambición de la teoría. Espasa.
Luhmann, N. (1998). Sistemas sociales: Lineamientos para una teoría general.
CEJA.
Luhmann, N. (2005). A realidade dos meios de comunicação. Paulus.
Luhmann, N. (2006). La sociedad de la sociedad. Herder.
Luhmann, N. (2011). Introdução à teoria dos sistemas. Vozes.
Maturana, H. (2001). Cognição, ciência e vida cotidiana. UFMG.
Maturana, H., & Varela, F. (2001). A árvore do conhecimento. Palas Athena.
Mims, C. (2023). AI is ravenous for energy. Can it be satisfied? The Wall Street
Journal. https://www.wsj.com/tech/ai/ai-energy-consumption-fc79d94f
Minsky, M. (1989). A sociedade da mente. Francisco Alves.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
35
Minsky, M. (2022). Introduction to “The Society of Mind” [Video]. YouTube.
https://www.youtube.com/watch?v=-pb3z2w9gDg
Mulvaney, E. (2023). Judge sanctions lawyers who filed fake ChatGPT legal
research. The Wall Street Journal. https://www.wsj.com/articles/judge-sanctions-
lawyers-who-filed-fake-chatgpt-legal-research-9ebad8f9
Mussa, A. (2020). Inteligência artificial: Mitos e verdades: As reais
oportunidades de criação de valor nos negócios e os impactos no futuro do trabalho.
Saint Paul.
Pereira, C. J. (2022). Sou jovem: É difícil aprender a programar um computador?
O Analista de Blumenau. https://www.oanalistadeblumenau.com.br/blog/4/sou-jovem-
dif-cil-aprender-a-programar-um-computador
Pereira, C. J. (2023). Unleashed the beast – A inteligência artificial generativa
(IAG) pode ser domada? O Analista de Blumenau.
https://www.oanalistadeblumenau.com.br/blog/35/unleashed-the-beast-a-intelig-ncia-
artificial-generativa-iag-pode-ser-domada
Pinker, S. (2023). Does working with robots make humans slack off? The Wall
Street Journal. https://www.wsj.com/tech/ai/does-working-with-robots-make-humans-
slack-off-b7b645c1
Piaget, J. (2014). A psicologia da inteligência. Vozes.
Revista Científica de UCES
Vol. 30 N°1 (Enero - Julio de 2025)
ISSN Electrónico: 2591-5266 (pp. 1-36)
36
Piaget, J. (2014a). Relações entre a afetividade e a inteligência no
desenvolvimento mental da criança. Wak.
Sadin, É. (2020). La inteligencia artificial o el desafío del siglo: Anatomía de un
antihumanismo radical. Caja Negra.
Stokel-Walker, C. (2024). OpenAI says the latest ChatGPT can ‘think’ – and I
have thoughts. The Guardian.
Tavares-Pereira, S. (2021). O machine learning nas decisões: O uso jurídico dos
algoritmos aprendizes. ArtSam.
Vygotsky, L. S. (1998). Pensamento e linguagem. Martins Fontes.
Wiener, N. (1970). Cibernética: Ou contrôle e comunicação no animal e na
máquina. Polígono e Universidade de São Paulo.
