Máster en Formación del Profesorado de

Educación Secundaria Obligatoria

Complementos para la Formación Disciplinar en Tecnología e Informática

Unidad didáctica 5. La informática y la inteligencia artificial (IA)

UD 5. La informática y la inteligencia artificial (IA) .............................................................. 3

5.1. Introducción a la inteligencia artificial ....................................................................... 4

5.1.1. Un poco de historia… ......................................................................................... 4

5.1.2. Enfoques ......................................................................................................... 6

5.2. Categorías en la inteligencia artificial ........................................................................ 7

5.2.1. Inteligencia artificial narrow ............................................................................... 8

Machine learning ..................................................................................................... 9

Deep learning ........................................................................................................ 10

Aprendizaje supervisado y aprendizaje no supervisado ............................................... 11

5.2.2. Inteligencia artificial general (AGI) .................................................................... 12

5.2.3. Otras clasificaciones en inteligencia artificial ....................................................... 14

5.3. Robótica ............................................................................................................. 15

5.3.1. Otro poco más de historia…, pero sobre robótica ................................................. 16

5.3.2. Desafíos de la inteligencia artificial con los robots ............................................... 17

5.3.3. El mundo de robot vision ................................................................................. 19

5.3.4. El futuro de la robótica y de la inteligencia artificial ............................................. 21

Resumen ...................................................................................................................... 23

Mapa de contenidos ....................................................................................................... 24

Recursos bibliográficos ................................................................................................... 25

2
UD 5. La informática y la inteligencia artificial (IA)

Después de casi una década desde que descifró la máquina de encriptación nazi Enigma, de la
que ya hemos hablado en unidades didácticas anteriores, y de ayudar a las fuerzas aliadas a
ganar la Segunda Guerra Mundial, el matemático Alan Turing cambió la historia por segunda vez
con una simple pregunta: «¿Pueden pensar las máquinas?»

El artículo de Turing «Computing Machinery and Intelligence» (1950) y su posterior prueba de

Turing establecieron el objetivo fundamental y la visión de la inteligencia artificial. En esencia, la
IA es la rama de la informática que pretende responder afirmativamente a la pregunta de Turing,
y para ello veremos durante la unidad didáctica actual todos los siguientes conceptos:

• Breve introducción a la inteligencia artificial, la historia de cómo comenzó, los enfoques y

los tipos de inteligencia artificial que existen actualmente.
• Las dos categorías esenciales de las que consta la inteligencia artificial y qué son esos
términos de machine learning, deep learning, así como los aprendizajes supervisados y no
supervisados.
• Finalmente, comprobaremos cómo la inteligencia artificial ha influido en nuestras vidas,
sobre todo en el mundo de la robótica, y qué nos depara el futuro.

Figura 1. Inteligencia artificial.

3
5.1. Introducción a la inteligencia artificial

La inteligencia artificial (IA), en términos generales, se refiere a cualquier comportamiento

similar al humano mostrado por una máquina o un sistema. El objetivo de la inteligencia
artificial ha dado lugar a muchos debates, y tanta es la discusión que no existe ninguna definición
que se acepte de forma universal. Cuando definimos la inteligencia artificial, simplemente, como
«construir máquinas que sean inteligentes», realmente, no estamos explicando qué es la
inteligencia artificial. ¿Qué es lo que hace que una máquina pueda ser inteligente?

Sabías que:

En 1997, el supercomputador Deep Blue de IBM ganó al campeón mundial de ajedrez Garri
Kaspárov, y este es uno de los momentos clave en la salida de la IA de los laboratorios y
centros de investigación para entrar en la vida cotidiana.

Esa capacidad de ser inteligente siempre se la aportará el hombre a través de algoritmos que
intentarán resolver problemas en los diferentes ámbitos de la vida. La inteligencia artificial está
compuesta de varias ramas, como el machine learning y el deep learning, que actualmente
están modificando todos los sectores de la industria tecnológica.

5.1.1. Un poco de historia…

Cuando se habla de la historia de cualquier ámbito tecnológico, siempre se atribuyen diferentes

puntos de partida, y, por tanto, la inteligencia artificial no es una excepción.

Los primeros referentes de la IA se remontan a los años 30, gracias a Alan Turing, que es
considerado el padre de esta disciplina. En el año 1943, Warren McCullough y Walter Pitts publican
Un cálculo lógico de las ideas inmanentes en la actividad nerviosa. Este documento, sin duda,
propuso el primer modelo matemático para construir una red neuronal.

Estos autores basaron su trabajo en tres fuentes:

• Conocimientos sobre la fisiología básica de los humanos y, concretamente, del

funcionamiento neuronal.
• La lógica proposicional de Bertrand Russell y Alfred North Whitehead.
• La teoría computacional de Alan Turing.

Propusieron un modelo completamente diferente, el cual estaba inspirado en el funcionamiento

de las neuronas biológicas. Este nuevo modelo estaba constituido por neuronas artificiales, en el
que cada una de ellas se caracterizaba por estar «activada» o «desactivada»; la «activación» era
la respuesta a la estimulación producida por las neuronas vecinas que se excitaban unas a otras
por medio de un circuito específico. El estado de una neurona se veía como «equivalente, de
hecho, a una proposición con unos estímulos adecuados».

4
Se podrían crear funciones de cómputo gracias a redes neuronales artificiales donde los nodos
del grafo representasen a las neuronas, utilizando después conectores lógicos (AND, NOT, OR,
XOR…) y estructuras más sencillas unidas entre sí.

En el año 1949, también en su libro La organización del comportamiento: una teoría

neuropsicológica, Donald Hebb propone la teoría de que las vías neuronales se crean a partir de
las experiencias y que las conexiones entre las neuronas se fortalecen cuanto más se usan. El
aprendizaje hebbiano o de Hebb, o teoría hebbiana, sigue vigente en la actualidad, siendo todavía
un modelo importante en la IA.

Figura 2. Historia de la inteligencia artificial.

Aun así, en ocasiones, el punto de partida de la inteligencia artificial se establece en el año 1950,
cuando publica en la revista Mind el artículo «Computing machinery and intelligence», donde se
describen los fundamentos teóricos de la llamada «prueba de Turing» que, setenta años después,
sigue estando aún vigente.

Además, mientras, y de manera más precisa, algunos investigadores e historiadores consideran

que el punto de partida de la moderna inteligencia artificial fue el año 1956, cuando John
McCarthy, Marvin Minsky y Claude Shannon acuñaron formalmente el término durante la
Conferencia de Dartmouth como: «la ciencia e ingenio de hacer máquinas inteligentes,
especialmente programas de cálculo inteligente».

Finalmente, otros prestigiosos investigadores, como, por ejemplo, Yoshua Bengio, en su artículo
«Aprendizaje profundo», publicado en el año 2016 en Scientific American, da como fecha de
partida de la explosión de la IA el año 2012, cuando se presentaron dispositivos comerciales que
entendían el habla humana.

5
5.1.2. Enfoques

En su innovador libro de texto, Inteligencia artificial: Un enfoque moderno, los autores Stuart
Russell y Peter Norvig abordan la cuestión unificando su trabajo en torno al tema de los agentes
inteligentes en las máquinas. Con esto en mente, la IA es el estudio de agentes que reciben
percepciones del entorno y realizan acciones.

Figura 3. Tipos de inteligencia artificial.

Play

¿Quieres profundizar en lo que significa la prueba de Turing? Echa un vistazo a este vídeo,
donde podrás entender con más profundidad su historia y qué significa.

A pesar de proporcionarnos esta definición, Russell y Norvig nos indican que definir inteligencia
artificial es muy complejo. A lo largo de la historia se ha definido el término desde cuatro enfoques
principales, unos centrados en los humanos y otros que lo hacen alrededor de la racionalidad.
Estas cuatro categorías son las siguientes:

Comportamiento humano

Alan Turing propuso en 1950 una prueba para determinar si un ordenador era inteligente o no.
Si un ser humano al leer las respuestas a unas preguntas planteadas no era capaz de distinguir
si estas eran de una persona o no, entonces se podría considerar como una entidad inteligente.

Pensar como un humano

Para pensar como lo haría un humano necesitamos conocer el funcionamiento del cerebro
humano. En este enfoque existe una relación directa con la ciencia cognitiva, un campo
interdisciplinario que busca entender la mente humana y los procesos que ocurren en esta.

6
 Pensamiento racional

Este enfoque está relacionado con la lógica, que tuvo sus orígenes en la Antigua Grecia. Parte
de premisas correctas para llegar a conclusiones correctas, como «Sócrates es un hombre;
todos los hombres son mortales; por lo tanto, Sócrates es mortal». En 1965 se crearon
programas que, en principio, daban solución a cualquier problema en notación lógica. La
tradición lógica actual construye sistemas a partir de estos programas.

Actuar de forma racional

Se espera que un agente racional consiga el mejor resultado a un problema o, por lo menos, el
mejor resultado esperado. La respuesta en ocasiones debería ser sencilla e instintiva, y no tras
realizar complejas deliberaciones.

Figura 4. Pensar como un humano.

5.2. Categorías en la inteligencia artificial

Mientras se dirigía a una multitud en Japan AI Experience del año 2017, el CEO de DataRobot,
Jeremy Achin, comenzó su discurso ofreciendo la siguiente definición de cómo se usa la IA en la
actualidad: «La IA es un sistema informático capaz de realizar tareas que normalmente requieren
inteligencia humana... muchos de estos sistemas de inteligencia artificial funcionan con
aprendizaje automático, algunos con aprendizaje profundo y otros con cosas muy aburridas como
reglas».

7
 Sabías que:

Existen diversidad de estudios que afirman que para el año 2030 sobre el 40 % de los puestos
de trabajo serán sustituidos por la inteligencia artificial, y estos se basarán en aprendizaje
automático.

Conoces a…

Jeremy Achin, CEO de la empresa DataRobot, es uno de los pioneros y visionarios en machine
learning y en todo lo que tiene que ver con en el mundo de la IA.

¿Te gustaría revivir la keynote del año 2017 en Japón? Echa un vistazo al vídeo.

La inteligencia artificial generalmente se divide en dos amplias categorías:

• Narrow AI: a veces también denominada «Weak AI» (IA débil), este tipo de inteligencia
artificial opera dentro de un contexto limitado y es una simulación de la inteligencia
humana. La narrow AI, a menudo, se enfoca en realizar una sola tarea extremadamente
bien y, si bien estas máquinas pueden parecer inteligentes, operan bajo muchas más
restricciones y limitaciones que incluso la inteligencia humana más básica.
• Inteligencia artificial general (AGI, Artificial General Intelligence): a veces también
denominada «Strong AI» (IA fuerte), es el tipo de inteligencia artificial que vemos en los
robots de las películas taquilleras. AGI es una máquina con inteligencia general y, al igual
que un ser humano, puede aplicar esa inteligencia para resolver cualquier problema.

5.2.1. Inteligencia artificial narrow

La inteligencia artificial narrow nos rodea y es, fácilmente, la realización más exitosa de
inteligencia artificial conocida hasta la fecha. Con su enfoque en la realización de tareas
específicas, narrow AI ha experimentado numerosos avances en la última década que han tenido
«beneficios sociales significativos y que han contribuido a la vitalidad económica de la nación»,
según «Preparing for the Future of Artificial Intelligence», un informe de 2016 publicado por la
Administración Obama.

Algunos ejemplos de Narrow AI incluyen:

• Búsqueda de Google.
• Software de reconocimiento de imagen.
• Siri, Alexa, Cortana y otros asistentes personales.
• Vehículos sin conductor.

8
 Figura 5. Asistente virtual basado en Narrow AI.

Play

¿Quieres conocer un poco más qué hay detrás de los asistentes de voz como Siri, Cortana…?
Echa un vistazo a este vídeo para poder comprobar lo que significa y hacia dónde nos
dirigimos.

Gran parte de la narrow AI se basa en avances en machine learning y deep learning. Comprender
la diferencia entre inteligencia artificial, machine learning y deep learning puede ser, a veces,
confuso.

Figura 6. Visión de la inteligencia artificial.

Machine learning
El capitalista de riesgo Frank Chen proporciona una buena descripción general de cómo distinguir
entre ellos, y señala: «La inteligencia artificial es un conjunto de algoritmos e inteligencia para
tratar de imitar la inteligencia humana. El machine learning es uno de ellos, y el aprendizaje
profundo es una de esas técnicas de machine learning».
9
En pocas palabras, machine learning alimenta una computadora con datos y utiliza
técnicas estadísticas para ayudarla a «aprender» cómo mejorar progresivamente en una
tarea, sin haber sido programada específicamente para esa tarea, eliminando la necesidad
de millones de líneas de código escrito. Machine learning consiste tanto en el aprendizaje
supervisado (usando conjuntos de datos etiquetados) como en el aprendizaje no supervisado
(usando conjuntos de datos no etiquetados).

Figura 7. Machine learning.

Deep learning
Deep learning es un tipo de machine learning que ejecuta entradas a través de una
arquitectura de red neuronal inspirada en la biología. Las redes neuronales contienen una
serie de capas ocultas a través de las cuales se procesan los datos, lo que permite que la máquina
profundice en su aprendizaje, haciendo conexiones y ponderando las entradas para obtener los
mejores resultados.

¿Cuáles son las principales diferencias entre ambas?

Explicado de forma simple, tanto el machine learning como el deep learning imitan la forma
de aprender del cerebro humano, y ambos pueden aprender de forma supervisada o no
supervisada.

Por otro lado, su principal diferencia reside en el tipo de algoritmos que se usan en cada
caso. Aunque deep learning se parece más al aprendizaje humano por su
funcionamiento parecido a las neuronas, machine learning acostumbra a
usar árboles de decisión.

10
 Play

¿Quieres conocer un poco más cómo funcionan los árboles de decisión que son tan usados en
el mundo de la inteligencia artificial?

Echa un vistazo a este vídeo donde podrás aprender un poco más sobre ellos.

Figura 8. Deep learning.

Aprendizaje supervisado y aprendizaje no supervisado

Hasta ahora, hemos escuchado alguna vez los términos de aprendizaje supervisado y no
supervisado, pero ¿conocemos realmente lo que significa y en qué impacta en todo el mundo de
la inteligencia artificial?

El aprendizaje que llevan a cabo los algoritmos puede ser supervisado o no supervisado según
se requiera asistencia humana o no.

Un sistema de aprendizaje no supervisado se basa en algoritmos que aprenden de datos

con elementos no etiquetados buscando patrones o relaciones entre ellos: se facilitan los
datos de entrada (no los de salida). El aprendizaje no supervisado no necesita intervención
humana. Los algoritmos de aprendizaje no supervisado pueden ser de clustering (clusterización
o agrupación), es decir, descubrimiento de grupos en los datos, como, por ejemplo, agrupación
de clientes según sus compras, y de asociación, o sea, el descubrimiento de reglas dentro del
conjunto de datos. Por ejemplo, sirven para descubrir qué clientes de los que compran un coche
también contratan un seguro.

11
 Figura 9. Aprendizaje supervisado y no supervisado.

En cambio, un sistema supervisado se basa en algoritmos que aprenden de datos con elementos
etiquetados. Se facilitan los datos de entrada y de salida esperados, por lo que este tipo de
aprendizaje necesita intervención humana.

En este caso, los algoritmos pueden ser de:

Clasificación

Para clasificar objetos dentro de clases, como, por ejemplo, pacientes enfermos o correo spam.

Regresión

Para predecir un valor numérico, como pueden ser el precio de una casa, la demanda de
ocupación, el peso o la altura.

La inteligencia artificial ha desarrollado otras ramas desde su aparición, como el procesamiento

del lenguaje natural (natural language processing), la robótica o el reconocimiento de imágenes
o del habla (speech and image recognition y machine vision).

5.2.2. Inteligencia artificial general (AGI)

La creación de una máquina con inteligencia a nivel humano que se pueda aplicar a cualquier
tarea es el santo grial para muchos investigadores de IA, pero la búsqueda de AGI ha estado
plagada de dificultades.

La búsqueda de un «algoritmo universal para aprender y actuar en cualquier entorno» (Russel y

Norvig, 2004, p. 27) no es nueva, pero el tiempo no ha aliviado la dificultad de crear
esencialmente una máquina con un conjunto completo de habilidades cognitivas.

AGI ha sido durante mucho tiempo la musa de la ciencia ficción distópica, en la que robots
superinteligentes invaden a la humanidad, pero los expertos están de acuerdo en que no es algo
de lo que debamos preocuparnos a corto plazo.

12
 Figura 10. Inteligencia artificial general.

Actualmente, la industria posee las herramientas para crear sistemas de inteligencia artificial que
muestran niveles notables de comprensión. Algunos programas existentes presentan mucha
semejanza con el razonamiento, el desempeño y el control a nivel humano en tareas específicas.
La integración de AGI en sistemas tecnológicos avanzados les permitirá combinar la flexibilidad y
el razonamiento humano con ventajas computacionales, como la recuperación casi instantánea y
el procesamiento de números divididos por segundos.

Además, usar esta inteligencia para controlar robots que sean, al menos, tan diestros y móviles
como una persona daría como resultado una nueva generación de máquinas que pueden realizar
cualquier tarea. Con el tiempo, esta inteligencia sería capaz de hacerse cargo de casi todos los
roles realizados por los humanos. Ciertos expertos creen que tales avances rápidos en AGI podrían
tener dos condiciones extremas:

• podrían hacer que los humanos sean más baratos que las máquinas.
• permitirles ser más eficientes con sistemas de IA tan avanzados junto a ellos.

Play

¿Te interesa la inteligencia general artificial (AGI)? Echa un vistazo a este vídeo para ponerte
más al día y aprender más cosas sobre esta tecnología tan de ciencia ficción.

Pero es seguro que el advenimiento de tales sistemas podría hacer obsoleto el trabajo humano.
La inteligencia general artificial también ayuda en varios casos de uso industrial del mundo real.
Los científicos de grandes organizaciones tecnológicas están contribuyendo a abordar el cambio
climático mientras desarrollan lo que se requiere para construir AGI para la predicción del clima
y el control de plasma para la fusión, que es una fuente única de energía limpia y sostenible.
Además, estos modelos pueden ayudar a los meteorólogos a proporcionar pronósticos y asistir
en la toma de decisiones para servicios de emergencia, gestión de energía y activación de
sistemas de alerta de inundaciones, lo que permite una mejor preparación y respuestas para
condiciones climáticas extremas. Los sistemas AGI pueden crear sistemas más inteligentes para
la toma de decisiones avanzadas.
13
5.2.3. Otras clasificaciones en inteligencia artificial

Llega más lejos

Las películas de ciencia ficción están a la orden del día, y muchas de ellas nos intentan fascinar
con inteligencia artificial avanzada que haga que nuestro mundo sea más bien un caos en vez
de algo fantástico.

¿Quién no se acuerda de Terminator?, ¿de Yo, robot?, ¿o de algunas películas más nuevas
como Her o Ex Machina?

Como en cualquier ámbito humano, tendemos a clasificar todas las cosas, como los animales, las
plantas, las etapas de la historia humana…, pero no todas las personas están de acuerdo en una
clasificación concreta. Esto es lo que ocurre con la inteligencia artificial, que no existe una única
clasificación, y en ocasiones vemos que ciertos autores añaden otros tipos de inteligencia artificial,
como:

Superinteligencia artificial

También denominada ASI, será aquella inteligencia que supere a la del ser humano en cualquier
tipo de razonamiento. La ciencia ficción ha encontrado en ella su inspiración durante
generaciones, aunque todavía es vista como el futuro de la inteligencia artificial.

Máquinas reactivas

Es el tipo de inteligencia artificial que se utiliza para solucionar tareas repetitivas. El problema
puede llegar a ser muy complejo y la máquina puede ser muy confiable, pero no almacena
experiencias en su memoria. Están especializadas en una tarea concreta y reaccionan ante una
situación habitual.

Memoria limitada

A diferencia de las máquinas reactivas, este tipo de inteligencia artificial sí que recopila
información sobre situaciones pasadas. Estos datos ayudan en la toma de decisiones,
enriqueciéndose y aprendiendo constantemente.

Teoría de la mente

Únicamente conceptual, se basa en que las máquinas deberían comprender que los seres vivos
se ven afectados por emociones y pensamientos, y que toman decisiones con base en estos,
por lo que deberían entender que estos existen y son muy variables.

Autoconciencia

14
 Tras comprender que existen sentimientos en los seres vivos, el último paso sería la conciencia
de sí mismo. Comprender la propia existencia, los sentimientos de los seres vivos no
únicamente por lo que comunican, sino también por cómo lo comunican.

Figura 11. Conciencia de sí mismo.

5.3. Robótica

La inteligencia artificial es el campo más controvertido de la robótica, ya que no genera consenso

entre la población, que ve muchos puntos a favor, pero también muchos en contra. Si pensamos
en una línea de montaje de coches, por ejemplo, los robots podrían ser capaces de montar todas
las piezas, sin riesgos, sin cansarse, más eficientemente y en menor tiempo. Los costes también
serían inferiores a utilizar a personas, pero ¿un robot puede llegar a ser inteligente para hacerlo
todo solo?, ¿esto podrá llegar a ser realidad o es ciencia ficción?

Ya hemos visto que el término de inteligencia artificial es realmente difícil de definir, al igual que
el término «robot». Podríamos decir que un robot es una máquina hecha por humanos con
nuestras habilidades intelectuales. Esta definición es muy general y a su vez compleja, ya
que incluye la capacidad que tenemos los humanos de aprender desde que nacemos. También
somos capaces de expresarnos y razonar. Los especialistas en robótica no están ni cerca de
alcanzar este nivel de inteligencia artificial, pero han progresado mucho con una IA más limitada.

15
 Figura 12. Robots en el mundo actual.

Sabías que:

En su mayor parte, la computadora solo puede resolver problemas para los que está
programada, por lo que no tiene ninguna capacidad analítica generalizada.

Las computadoras que disputan partidas de ajedrez, como la que habíamos comentado
anteriormente, forman parte de este grupo.

Las máquinas de IA pueden replicar algunos aspectos concretos de la capacidad humana, por lo
que las computadoras ya pueden resolver problemas en ámbitos limitados. La idea básica de la
resolución de problemas de IA es simple, aunque su ejecución es complicada.

1. El robot o la computadora de IA recopila información sobre una situación a través de

sensores.
2. La computadora analiza esta información y es capaz de compararla con los datos de los
que dispone en su memoria. Además, es capaz de tomar decisiones con la información
con la que cuenta.
3. La computadora ejecuta varias acciones y es capaz de calcular el porcentaje de éxito de
cada una en función de la información almacenada.

5.3.1. Otro poco más de historia…, pero sobre robótica

Los primeros robots tal como los conocemos fueron creados a principios de la década de 1950
por George Ch. Devol, un inventor de Louisville, Kentucky. Inventó y patentó un manipulador
reprogramable llamado «Unimate», de Universal Automation.

Durante la siguiente década intentó vender su producto en la industria, pero la sociedad no estaba
preparada para un cambio tan grande, por lo que no tuvo éxito. A fines de la década de 1960, el
empresario e ingeniero Joseph Engelberger adquirió la patente del robot de George Devol y pudo
modificarlo en un robot industrial y formar una empresa llamada Unimation para producir y
comercializar los robots.

Conoces a…

Por sus esfuerzos y éxitos, Engelberger es conocido en la industria como «el padre de la
robótica industrial».

La academia también avanzó mucho en la creación de nuevos robots. En 1958, en el Instituto de

Investigación de Stanford, Charles Rosen dirigió un equipo de investigación en el desarrollo de
un robot llamado «Shakey». Shakey era mucho más avanzado que el Unimate original, que fue

16
diseñado para aplicaciones industriales especializadas. Shakey podía dar vueltas por la habitación,
observar la escena con sus «ojos», moverse por un entorno desconocido y, hasta cierto punto,
responder a su entorno. Se le dio su nombre debido a sus movimientos tambaleantes y ruidosos.

De aquí en adelante se desarrollaron más extensivamente los robots dedicados a la industria, es

decir, los robots industriales.

No obstante, ¿cuándo surgieron los robots que pueden interactuar socialmente, aunque sea de
forma muy limitada?

Este campo empezó a desarrollarse en la década de los años 90, y el ejemplo más claro es Kismet,
un robot creado en 1998 en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial
(CSAIL) del MIT, que reconoció el lenguaje corporal humano y la inflexión de la voz, y respondió
de forma apropiada.

Conoces a…

Kismet. Echa un vistazo a este vídeo para ver cómo interactúa y cómo la robótica en el año
1998 (de hecho, empezó a trabajar en Kismet a principios de la década de los años 90) era
así de «avanzada».

Desde entonces, los robots interactivos están disponibles comercialmente y algunos se utilizan
como acompañantes para personas mayores. Aunque los robots son útiles para la limpieza y la
movilidad, agregar interactividad ayuda a reducir el aislamiento social de las personas mayores.

Llega más lejos

¿Te animarías a publicar en el foro algún tipo de ejemplo como el de la aspiradora, en el que
un robot aprende de una situación para después ejecutar de forma exitosa esa misma
situación?

Algunos robots modernos también pueden aprender con una capacidad limitada. Los robots de
aprendizaje reconocen si una determinada acción (mover las piernas de cierta manera, por
ejemplo) logra un resultado deseado (pasar por un obstáculo). El robot almacena esta información
e intenta ejecutar la acción satisfactoria la próxima vez que se encuentra en la misma situación.
Un claro ejemplo de este estilo son las aspiradoras robóticas, las cuales aprenden el diseño de
una habitación, pero están únicamente diseñadas para aspirar y nada más.

5.3.2. Desafíos de la inteligencia artificial con los robots

El verdadero desafío de la IA es comprender cómo funciona la inteligencia natural para

luego extrapolar esta comprensión al funcionamiento de los robots. Desarrollar la inteligencia

17
artificial no es como construir algo de forma artificial: los especialistas no cuentan con un modelo
a partir del cual trabajar. Sabemos que el cerebro contiene billones y billones de neuronas, y que
pensamos y aprendemos estableciendo conexiones entre diferentes neuronas. Sin embargo, no
entendemos cómo estas conexiones permiten alcanzar un mayor razonamiento, o incluso como
se consiguen resolver las operaciones más sencillas. El complejo circuito parece, a día de hoy,
incomprensible.

Debido a esto, la investigación de la inteligencia artificial y de cómo aplicarla a la robótica es en

buena parte evidentemente teórica. Los científicos formulan hipótesis sobre cómo somos capaces
de aprender y pensar, y experimentan utilizando robots. Los investigadores del MIT CSAIL se
enfocan en los robots humanoides porque sienten que poder experimentar el mundo como un ser
humano es esencial para desarrollar una inteligencia similar a la humana. También facilita que
las personas interactúen con los robots, lo que potencialmente facilita que el robot aprenda.

18
 Figura 13. Robots humanoides.

Así como el diseño robótico físico es una herramienta útil para comprender la anatomía animal y
humana, la investigación de IA es útil para entender cómo funciona la inteligencia natural. Para
algunos especialistas en robótica, esta idea es el objetivo final del diseño de robots. Otros
imaginan un mundo en el que vivimos codo a codo con máquinas inteligentes y usamos una
variedad de robots menores para el trabajo manual, el cuidado de la salud y la comunicación.
Algunos expertos en robótica predicen que la evolución robótica, finalmente, nos convertirá en
cyborgs: humanos integrados con máquinas. ¡Seguramente en un futuro podremos tener
nuestro cerebro dentro de un robot durante milenios, ya que será mucho más resistente que
nuestros frágiles cuerpos!

En cualquier caso, los robots, casi con seguridad, jugarán un papel más importante en nuestra
vida diaria en el futuro. En las próximas décadas, los robots saldrán gradualmente del mundo
industrial y científico hacia la vida cotidiana, de la misma manera que las computadoras se
extendieron a los hogares en la década de los años 80.

5.3.3. El mundo de robot vision

En términos básicos, robot vision implica el uso de una combinación de hardware de cámara
y algoritmos informáticos para permitir que los robots procesen datos visuales del
mundo. Por ejemplo, su sistema podría tener una cámara 2D que detecta un objeto para que el
robot lo recoja, o, si queremos un ejemplo un poco más complejo, se podría usar una cámara 3D
para guiar a un robot para montar ruedas en un vehículo en movimiento.

Sin robot vision, su robot es esencialmente ciego, lo cual no es un problema para muchas tareas
robóticas, pero sí es fundamental para otras aplicaciones. Dentro del mundo de robot vision,
existe una gran cantidad de términos que nos conviene aprender.

19
 • Procesamiento de la señal

El procesamiento de señales implica el procesamiento de señales electrónicas para

limpiarlas (por ejemplo, eliminar ruido), extraer información, prepararlas para mostrarlas
en una pantalla o para su posterior procesamiento.

Más o menos, cualquier cosa puede ser una señal. Existen diversidad de señales que se
pueden procesar: señales eléctricas analógicas, señales electrónicas digitales, señales de
frecuencia... Las imágenes son básicamente una señal de dos o más dimensiones.

• Procesamiento de imágenes vs. visión por computadora

Computer vision e image processing (visión por computadora y procesamiento de

imágenes respectivamente) son dominios fuertemente influenciados por el dominio de la
física, especialmente de la óptica, y estos se comportan como primos, pero persiguen
objetivos bastante diferentes.

Las técnicas de procesamiento de imágenes se utilizan principalmente para mejorar la

calidad de una imagen, convertirla a otro formato (como un histograma) o cambiarla para
su posterior procesamiento.

La visión por computadora, por otro lado, trata más de extraer información de las
imágenes para darles sentido.

Como ejemplo se puede inferir que se podría usar el procesamiento de imágenes para
convertir una imagen en color a escala de grises y, luego, usar visión por computadora
para detectar objetos dentro de esa imagen.

• Reconocimiento de patrones

El reconocimiento de patrones tiene mucho que ver con machine learning. Esta rama de
la familia se centra en el reconocimiento de patrones en los datos, lo cual es muy
importante para muchas de las funciones más avanzadas requeridas por robot vision.

Por ejemplo, para poder reconocer un objeto a partir de su imagen, el software debe poder
detectar si el objeto que ve es similar a los objetos anteriores, por lo que como ya hemos
estudiado, podríamos incluir machine learning para este tipo de tarea.

• Visión de máquina

Ahora llegamos a machine vision (visión de máquina), el cual trata más de aplicaciones
específicas que de técnicas. Machine vision se refiere al uso industrial de la visión para la
inspección automática, el control de procesos y la guía de robots.

• Visión robótica

Finalmente, llegamos a robot vision (visión robótica). En muchos casos, robot vision y
machine vision se usan indistintamente, pero, sin embargo, existen algunas diferencias
sutiles.

Algunas aplicaciones de visión artificial, como la inspección de piezas, no tienen nada que ver con
la robótica: la pieza simplemente se coloca frente a un sensor de visión que busca errores o fallos
en dicha pieza.

20
5.3.4. El futuro de la robótica y de la inteligencia artificial

Según los estudios realizados por la revista Byte, la cuota de mercado de los robots que prestan
servicios profesionales puede alcanzar ya los 170 000 millones de dólares, mientras que las
ventas de robots industriales y logísticos ascenderán a unos 80 000 millones de dólares.

En un mercado tan floreciente y en el que se mueve tanto dinero, es imprescindible que las
empresas inviertan dinero en I+D+i para realizar avances significativos y hacerse con un trozo
suculento del mercado. Con los avances demostrados hasta ahora, y teniendo en cuenta que la
robótica es un sector industrial muy ramificado y muy incierto por su posible potencial, el futuro
de la robótica se antoja difícil. No obstante, los objetivos que la robótica pretende conseguir en
un futuro cercano son los siguientes: movilidad y mayor inteligencia.

Llega más lejos

¿Te animarías a comentar en el foro en qué te gustaría que el mundo de la robótica te ayudara
en tu vida personal o profesional?

Luego, también se intenta buscar otros objetivos que están siempre en desarrollo y que, si bien
son algo que ahora mismo no preocupan en demasía, hay que tener también en la mente:
autonomía, nuevos materiales, adaptación a ambientes extremos, enjambres de robots,
ética y seguridad, robótica médica de precisión, y mejorar la interacción social, que,
aunque podría ser parte de uno de los objetivos principales, que es mayor inteligencia, lo
englobaremos como objetivo secundario.

Figura 14. El futuro de la robótica.

21
 Sabías que:

Boston Dynamics es una de las mayores empresas que trabajan en el mundo de la robótica,
usando para ello una avanzada inteligencia artificial que hace que estos robots puedan usarse
en infinidad de ámbitos.

Os dejo un vídeo del robot llamado Atlas.

Según el profesor de Inteligencia Artificial de la Universidad de Nueva Gales del Sur (Australia)
Toby Walsh, un gran desafío en el futuro cercano de la robótica podría ser construir un robot para
descubrir la vida en las lunas del sistema solar o «entrar en la habitación de un adolescente,
recoger la ropa del suelo, lavarla, doblarla y ponerla en el armario».

22
Resumen

Esta unidad didáctica pretende o persigue que el alumno sea capaz de explicar qué es
exactamente la inteligencia artificial y cómo nos está afectando a nuestras vidas cotidianas. Para
ello, es importante primero que hayamos estudiado una breve historia de la inteligencia artificial,
para conocer cómo empezamos y así entender cómo hemos ido evolucionando a lo largo del
tiempo. Es de vital importancia conocer también los enfoques y los tipos de inteligencia artificial
que existen actualmente.

Por otro lado, términos como machine learning, deep learning, aprendizajes supervisados y no
supervisados tienen que ser términos que nos empiecen a sonar dentro de la inteligencia artificial
narrow y la inteligencia general artificial, que son las dos categorías esenciales de la inteligencia
artificial.

Para terminar, resulta importante comprobar cómo la inteligencia artificial ha influido en nuestras
vidas, sobre todo en el mundo de la robótica, qué nos depara el futuro y entender terminología
avanzada de robótica como procesamiento de imágenes, robot vision, reconocimiento de
patrones…

Figura 15. Icono de AI (Artificial Intelligence).

23
Mapa de contenidos

24
Recursos bibliográficos

Bibliografía básica

Russell, S. y Norvig, P. (2004). Inteligencia artificial: Un enfoque moderno. Grupo Anaya

Publicaciones Generales.

Wilkins, N. (2019). Inteligencia artificial: Una guía completa sobre la IA, el aprendizaje
automático, el Internet de las cosas, la robótica, el aprendizaje profundo, el análisis predictivo
y aprendizaje reforzado. Bravex Publications.

Bibliografía complementaria

Executive Office of the President. (2019). Preparing for the future of artificial intelligence: The
Obama administration’s report on AI, automation and the economy. Independently published.

Pickover, C. (2019). Artificial Intelligence: An illustrated history from medieval robots to neural
networks. Sterling.

Rouhiainen, L. (2018). Inteligencia artificial: 101 cosas que debes saber hoy sobre nuestro
futuro. Planeta.

Taulli, T. (2019). Artificial Intelligence Basics. Apress.

Otros recursos

Lennox, J. (2021). Inteligencia artificial y el futuro de la humanidad. Publicaciones Andamio.

Kaplan, J. (2017). Inteligencia artificial: Lo que todo el mundo debe saber. Teell Editorial.

Vannieuwenhuyze, A. (2020). Inteligencia artificial fácil: Machine learning y deep learning

prácticos. Eni.

25