ia: ¿por qué ignoramos matemáticas más eficientes?

Este artículo explora por qué métodos matemáticos superiores a los utilizados actualmente en inteligencia artificial (IA) han caído en desuso, a pesar de su eficacia. El autor, Guy Freeman, argumenta que no se trata de una cuestión de superioridad técnica, sino de una combinación de factores históricos, organizativos y de conveniencia. El 'Momento ImageNet' marcó un punto de inflexión. En 2012, un modelo de red neuronal convolucional profunda superó significativamente a la competencia en el desafío ImageNet. Esto desencadenó una 'fiebre del oro' en el aprendizaje profundo, atrayendo inversiones, talento y prestigio, eclipsando a otros enfoques como la teoría de la decisión, la inferencia bayesiana y la investigación de operaciones. Aunque estos métodos no eran intrínsecamente inferiores, perdieron visibilidad y apoyo. La fragmentación disciplinaria es un problema estructural. Las áreas de conocimiento que contienen las herramientas para una toma de decisiones óptima bajo incertidumbre (teoría de la decisión, estadística bayesiana, investigación de operaciones) están dispersas en diferentes departamentos académicos que rara vez colaboran. Esto crea una 'diáspora intelectual' donde las ideas existen pero no se enseñan ni se aplican de manera coherente. La 'Especificación del Problema' es un obstáculo. La teoría de la decisión exige una definición explícita de objetivos, modelos de costo y distribuciones de probabilidad. Si bien esto fomenta la honestidad intelectual, es un proceso laborioso. El aprendizaje profundo, por otro lado, es más conveniente: requiere menos especificación inicial y permite que el modelo aprenda patrones a partir de los datos. Esta conveniencia, aunque superficial, es un factor poderoso. La realidad comercial favorece lo 'suficientemente bueno'. Para la mayoría de las aplicaciones comerciales, un sistema que proporciona resultados razonablemente correctos es más valioso que uno que es óptimamente correcto pero más costoso de desarrollar. Esto crea una dinámica similar a la de VHS vs. Betamax o TCP/IP vs. OSI, donde la solución técnicamente superior pierde ante la más fácil de implementar y que cumple con los requisitos básicos. La historia de la metodología estadística es cíclica. Los métodos bayesianos, por ejemplo, han experimentado períodos de auge y declive a lo largo de los siglos, influenciados por factores como la disponibilidad de herramientas computacionales y la presencia de defensores influyentes. Actualmente, las limitaciones del aprendizaje profundo están volviendo a impulsar un interés renovado en enfoques probabilísticos. El artículo concluye que la adopción de metodologías no se basa únicamente en el mérito técnico, sino en un conjunto complejo de factores sociales, económicos y tecnológicos.