Informe IA en Universidades PDF

La inteligencia artificial en las universidades: retos y oportunidades. 2 La inteligencia artificial en las universidades: retos y oportunidades. Autores: Andrés Pedreño Muñoz, Rafael González Gosálbez, Trinidad Mora Illán, Ev...

La inteligencia artificial en las universidades: retos y oportunidades. 2 La inteligencia artificial en las universidades: retos y oportunidades. Autores: Andrés Pedreño Muñoz, Rafael González Gosálbez, Trinidad Mora Illán, Eva del Mar Pérez Fernández, Javier Ruiz Sierra, Aimée Torres Penalva. Diseño de portada: Trini Mora Revisión de texto: Andrés Pedreño Muñoz, Rafael González Gosálbez, Trinidad Mora Illán, Eva del Mar Pérez Fernández, Javier Ruiz Sierra, Aimée Torres Penalva. Copyright ©: Andrés Pedreño Muñoz, Rafael González Gosálbez, Trinidad Mora Illán, Eva del Mar Pérez Fernández, Javier Ruiz Sierra, Aimée Torres Penalva. Todos los derechos reservados. Primera edición: enero de 2024 ISBN: 9798874401900. Queda rigurosamente prohibida sin autorización por escrito de los autores cualquier forma de reproducción, distribución o transformación de la obra, que será sometida a las sanciones establecidas por la ley. 3  ÍNDICE Inteligencia artificial como catalizador de la renovación universitaria 6 Tres décadas de cambios… Y ahora la IA 8 1. CONCEPTOS BÁSICOS E INFORME EJECUTIVO 12 a) Comprender la inteligencia artificial: conceptos básicos 12 b) La IA en las universidades 14 c) IA e investigación 18 d) IA para la eficiencia en la administración y gestión de las universidades 18 e) Mercado laboral e IA 21 f) Desafíos y perspectivas de la IA en la educación superior 23 g) Ética de la IA en el ámbito académico 27 h) Buenas prácticas para la integración ética de la IA en el ámbito académico 28 i) Algunas sugerencias esenciales 29 2. METODOLOGÍA 31 3. ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL? 34 3.1. Tipos de IA: IA débil o estrecha vs IA general o fuerte 38 3.2. IA predictiva vs IA generativa 40 3.3. Estado actual de la IA 41 3.4. Cómo se aplica la IA 44 3.5. IA y empleo de aplicaciones avanzadas 47 3.6. Sobre la IA fuerte y el debate sobre si sería alcanzable 51 4. INTELIGENCIA ARTIFICIAL EN LA ENSEÑANZA 55 4.1. Personalización del aprendizaje 58 4.2. Tutorías inteligentes 60 4.3. Asistentes virtuales como herramientas facilitadoras en la enseñanza 63 4.4. La disrupción de la IA generativa: la era de los modelos LLM (ChatGPT, Bard, Gemini.ai…): E-tutor 67 4.5. Otras ventajas para el estudiantado 71 4.6. La IA y la evaluación del progreso estudiantil 73 4.7. El profesorado y el fortalecimiento y capacitación pedagógica 75 5. LA GESTIÓN UNIVERSITARIA Y LA INTELIGENCIA ARTIFICIAL: EL CAMINO HACIA LA EFICIENCIA 80 4  5.1. Administración y gestión universitaria: eficacia y eficiencia 80 5.2. IA y servicios a estudiantes 83 5.3. La IA y la retención de estudiantes 86 5.4. Otros servicios clave en las universidades 88 6. IA Y ACTIVIDAD INVESTIGADORA EN LAS UNIVERSIDADES 92 6.1. Estado actual de la investigación sobre IA 92 6.2. Herramientas IA para la investigación 94 6.3. Riesgos e implicaciones de la implementación de la IA en la investigación 97 7. IA, UNIVERSIDADES Y ENTORNO PROFESIONAL Y EMPRESARIAL 99 7.1. La IA, el futuro del mercado laboral y las universidades 99 7.2. Aprendizaje continuo 101 7.3. La IA generativa y el impacto laboral 102 8. RETOS DE LA IA EN LA EDUCACIÓN SUPERIOR 104 8.1. Retos tecnológicos de la IA 104 8.2. Inteligencia artificial e impacto económico 107 8.3. Brechas globales en la adopción y acceso a la IA 108 8.4. El papel de la IA en los conceptos de diversidad e inclusión 111 8.5. Perspectivas futuras de la IA en la educación superior 114 8.6. Déficit STEM: vocación vs igualdad de oportunidades en la nueva era IA 117 9. ÉTICA, IA, REGULACIÓN Y UNIVERSIDADES 119 9.1. La Unión Europea, primer regulador mundial de la IA 125 9.2. Ética en el ámbito académico 128 9.3. Normas y directrices 130 9.4. Seguridad y privacidad de los datos 132 9.5. Promoción y comercialización 133 10. LA IA Y LAS UNIVERSIDADES EN ESPAÑA 135 10.1. La universidad española y los datos 135 10.2. Los Fondos Next Generation como oportunidad 137 Agradecimientos 155 5  Inteligencia artificial como catalizador de la renovación universitaria Andrés Pedreño Muñoz Presidente Grupo 1MillionBot Catedrático de Economía Aplicada Fundador de TJ OST, hub especializado en IA Nos encontramos en una coyuntura histórica marcada por la incipiente pero decisiva presencia de la Inteligencia Artificial (IA) en todos los ámbitos de nuestra sociedad. Este fenómeno no es ajeno al sector educativo, en especial a las universidades, instituciones que han sido y deben continuar siendo faros de conocimiento, innovación y transformación social. La irrupción de la IA en el panorama universitario no debería ser simplemente un eslabón más en el desarrollo tecnológico, sino un cambio paradigmático en la forma en que concebimos la educación, la investigación y la gestión universitaria. La personalización del aprendizaje, por ejemplo, se erige no sólo como un ideal pedagógico, sino como una posibilidad palpable gracias a sistemas de IA capaces de adaptarse y responder a las necesidades individuales de cada estudiante. En el ámbito de la investigación, la IA se presenta como un catalizador potencial de descubrimientos y avances. Herramientas como el análisis de grandes volúmenes de datos o los sistemas predictivos abren puertas a investigaciones que, hasta ahora, eran impensables debido a las limitaciones humanas y técnicas. Asimismo, la gestión universitaria se ve beneficiada por la implementación de sistemas de IA. La eficiencia administrativa, la gestión de recursos, la atención personalizada a los estudiantes y el análisis predictivo para la toma de decisiones son solo algunos ejemplos de cómo la IA puede revolucionar este aspecto vital de las instituciones educativas. Sin embargo, con grandes oportunidades vienen también grandes retos. La ética de la IA, la brecha digital, la adecuación de los currículos y la capacitación del personal son cuestiones que deben abordarse con seriedad y compromiso. Las universidades han de liderar no solo en la adopción de estas tecnologías, sino también en la reflexión crítica sobre su impacto y en la formación de profesionales capaces de trabajar ética y efectivamente en esta nueva era. 6 La IA no es solo una herramienta, es un espejo de nuestras capacidades, aspiraciones y limitaciones como sociedad. Su integración en el mundo universitario es una oportunidad para reimaginar y redefinir lo que significa educar, investigar y gestionar en el siglo XXI. Las universidades, por tanto, no solo deben adaptarse a esta nueva realidad, sino que deben ser protagonistas activos en la configuración de un futuro donde la IA sea un vector de equidad, calidad y excelencia educativa. Este informe es una llamada a la acción, una invitación a embarcarnos en una travesía transformadora, donde la IA no es el fin, sino el medio a través del cual las universidades pueden alcanzar su máximo potencial en beneficio de la sociedad. 7  Tres décadas de cambios… Y ahora la IA Tomás Jiménez Coordinador Global Metared (https://metared.org) Fundación Universia Dios mueve al jugador, y este, la pieza. ¿Qué Dios detrás de Dios la trama empieza…? (Jorge Luis Borges) No creo que Jorge Luis Borges intuyera que quizá la respuesta a su filosófico poema “Ajedrez” pudiera estar relacionado con los avances de la IA, pero desde luego que tanto en el ajedrez como en la educación superior como en prácticamente todos los ámbitos de nuestra sociedad, la IA se ha propuesto revolucionar lo que creíamos principios básicos sólidamente establecidos. A fecha de hoy, podemos convenir sin discrepancias que la IA aporta indudables respuestas sencillas y rápidas a problemas anteriormente tremendamente complejos…; y sin embargo, en su conjunto, también debemos concluir que, por ahora, la visión panorámica de lo que nos puede aportar contradictoriamente aumenta nuestras incertidumbres. En general, y también muy especialmente en su aplicación y repercusión en la educación superior. Efectivamente, la transformación digital viene impactando desde hace décadas en la educación y revolucionando la manera en que se lleva a cabo la enseñanza y el aprendizaje. La integración de tecnologías digitales en los entornos educativos ha conducido a cambios significativos: Acceso a la información. Internet y los recursos digitales han aumentado exponencialmente la disponibilidad de contenido educativo. Estudiantes y educadores pueden acceder a una vasta gama de información, que incluye artículos académicos, contenido interactivo y cursos en línea, facilitando el aprendizaje autónomo y a lo largo de la vida. Aprendizaje personalizado. Las herramientas digitales permiten una educación personalizada que posibilita caminos de aprendizaje adaptados a las 8  necesidades individuales y estilos de aprendizaje de cada estudiante. Esta personalización puede conducir a resultados de aprendizaje más efectivos. Colaboración y comunicación. Las plataformas digitales han habilitado una comunicación y colaboración más fáciles y eficientes entre el alumnado y el profesorado, tanto dentro como fuera del aula. Herramientas como foros, videoconferencias y documentos colaborativos apoyan el trabajo en grupo y la interacción global. Compromiso e interactividad. La tecnología, incluyendo la gamificación, las simulaciones interactivas y la realidad virtual o aumentada, ha introducido nuevas formas y oportunidades de involucrar a los estudiantes. Estos métodos pueden hacer que el aprendizaje sea más interactivo y agradable, mejorando potencialmente la retención y comprensión. Percepciones basadas en datos. Las herramientas de educación digital pueden rastrear y analizar el rendimiento de los estudiantes, proporcionando a los educadores datos para comprender mejor el progreso y los desafíos de los estudiantes. Estos datos pueden informar sobre las estrategias de enseñanza y las intervenciones. Globalización de la educación. Las tecnologías digitales han derribado barreras geográficas, permitiendo a estudiantes de todo el mundo acceder a una educación de calidad, participar en programas internacionales y obtener exposición a perspectivas diversas. Desafíos y brecha digital. Mientras que la transformación digital en la educación ofrece muchos beneficios, también presenta desafíos. No todos los estudiantes tienen el mismo acceso a herramientas digitales y a Internet, lo que produce una brecha digital. Además, los educadores necesitan formación y recursos para integrar eficazmente la tecnología en su enseñanza. Preparación para un futuro digital. La exposición a herramientas digitales y entornos de aprendizaje prepara a los estudiantes para una fuerza laboral cada vez más dependiente de habilidades digitales. Esto alinea la educación con las demandas en evolución del mercado laboral. Cambio en los modelos educativos. Se observa un cambio hacia modelos de aprendizaje más mixtos y en línea que integran métodos tradicionales de aula con plataformas digitales. Esto se ha acelerado particularmente debido a la pandemia de COVID-19. En general, la transformación digital en la educación no está consistiendo únicamente en implementar nuevas tecnologías, sino en un cambio fundamental en la cultura, mentalidad y enfoque hacia la enseñanza y el aprendizaje, alineándose con el mundo dinámico e interconectado en el que vivimos. 9 Y a todo lo anterior, añadamos ahora… ¡la inteligencia artificial! La irrupción de la IA generativa con herramientas populares como ChatGPT y otras propuestas cumple ahora un año. Estas herramientas han provocado un profundo debate en la sociedad y también obviamente en la Universidad. En Universia y en nuestros foros de trabajo colaborativo de Metared, siempre vivos y cercanos a toda novedad que impacte en la transformación digital de nuestras instituciones superiores, la eclosión de la IA ha despertado, como no podía ser de otra forma, un tremendo interés entendiendo que esta tecnología de utilidad general que tendrá ya un impacto decisivo en nuestras economías, en nuestra sociedad y en nuestras vidas lo tendrá también, por supuesto, en nuestras instituciones de educación superior. Ya hemos compartido primeras aplicaciones y casos de éxito de IA en las universidades que no solo están mejorando la eficiencia y la efectividad de los procesos educativos, sino que también ayudan a los estudiantes para prosperar en un mundo cada vez más digital y basado en datos. Pero también sabemos que es crucial abordar desafíos abiertos y complejos, como la equidad en el acceso a la tecnología, la ética en el uso de datos de estudiantes y la capacitación del profesorado en estas nuevas herramientas. Observamos y compartimos reflexiones con nuestros directivos de Estrategia Tecnológica en los 10 capítulos de los 14 países iberoamericanos que conforman Metared, pero, aunque se aspira a llegar a sentirse como el director de una orquesta bien afinada, útil y necesaria como soporte para la docencia, la investigación y la gestión universitaria, sin embargo la imagen se asemeja cada vez más a la del equilibrista de circo obligado a manejar simultáneamente decenas de platillos en el aire en complicadísimo equilibrio… y al que ahora, de manera estruendosa, se le añade el revolucionario “complemento” de la IA. Y además, en este caso, la IA es una tecnología que no solo pone patas arriba nuestros departamentos de informática, sino que afecta y hace replantearse todos los ámbitos de la estrategia universitaria. Y a todo ello añadamos que en nuestras instituciones de educación superior se está demandando la aplicación de la IA PARA TODO Y PARA HOY. Quizá nunca esté más cercana a la realidad de nuestras instituciones universitarias la hipótesis de la Reina Roja de Lewis Carroll: “Para quedarte donde estás tienes que correr lo más rápido que puedas. Si quieres ir a otro sitio, deberás correr, por lo menos, dos veces más rápido”. 10 En este frenesí, el presente informe aporta la pausa necesaria para reflexionar y abordar de forma amplia, exhaustiva y enriquecedora las propuestas para el empleo de la IA en la educación superior mediante una perspectiva abierta al diálogo y al fomento del debate sobre tan apasionante revolución. 11  1. CONCEPTOS BÁSICOS E INFORME EJECUTIVO a) Comprender la inteligencia artificial: conceptos básicos Imagen: GPT4/DALL-E. La definición más sencilla y generalizada de inteligencia artificial (IA) la concibe como "máquinas capaces de emular determinadas funcionalidades de la inteligencia humana", incluyendo percepción, aprendizaje, razonamiento, resolución de problemas, interacción lingüística y producción creativa. 12  Categorización de la IA: débil o estrecha vs general IA estrecha e IA general Conciencia y autonomía Existen dos categorías principales de IA: - IAE: La IAE carece de conciencia y estrecha (IAE) y general (IAG). autoconciencia. No tiene comprensión de sí misma ni de su entorno. Simplemente La principal diferencia entre ambas radica ejecuta tareas según lo programado o en su alcance y capacidad: entrenado. - IAE: IA estrecha o débil. Está diseñada - IAG: La IAG, en su definición teórica, para realizar tareas específicas y limitadas. tendría la capacidad de tener algún nivel Su capacidad se enfoca en una tarea de conciencia y autoconciencia, lo que particular: reconocimiento de voz, significa que podría comprender su traducción automática, diagnóstico existencia y tomar decisiones médico... No puede realizar tareas fuera independientes más allá de las de su ámbito de especialización. instrucciones predefinidas. - IAG: En contraste, la IAG, también Complejidad y capacidad de llamada IA fuerte o general, aspira a ser tan razonamiento versátil como la inteligencia humana. Si se lograra, sería capaz de llevar a cabo cualquier tarea intelectual que un ser - IAE: La IAE suele depender de humano pueda realizar, sin estar limitada algoritmos específicos y no realiza un a una única tarea o dominio. razonamiento profundo. Su funcionamiento se basa en patrones y datos previamente procesados. Nivel de adaptabilidad - IAG: La IAG tendría la capacidad de - IAE: Generalmente, no puede adaptarse razonar, comprender contextos a nuevas tareas o nuevos entornos sin complejos y aprender de manera reprogramación significativa o rediseño continua, lo que le permitiría abordar específico por tarea. Su adaptabilidad es problemas que requieren un pensamiento limitada a su función original. más abstracto y profundo. - IAG: En teoría, sería altamente adaptable y capaz de aprender y realizar nuevas tareas sin necesidad de una programación extensa. Podría aplicar sus habilidades de manera amplia y flexible. 13  En resumen, la principal diferencia entre la IA estrecha y la IA general radica en su capacidad para realizar tareas específicas y limitadas (IAE) frente a un potencial para llevar a cabo una amplia variedad de tareas intelectuales y mostrar versatilidad similar a la inteligencia humana (IAG). La IAG es un objetivo de investigación en la IA y, actualmente, la mayoría de las aplicaciones de IA en uso son ejemplos de IA estrecha. IA generativa IA predictiva La IA generativa se enfoca en producir La IA predictiva utiliza algoritmos de nuevo contenido o soluciones, a menudo aprendizaje automático para analizar de forma creativa o innovadora. datos existentes y hacer pronósticos sobre futuros eventos o resultados. Desarrollo y crecimiento de la IA Impacto económico El auge de la IA ha sido propulsado por la El potencial económico de la IA es disponibilidad de grandes conjuntos de impresionante. Se proyecta que para 2030 datos, avances en algoritmos y un la IA podría añadir $15,7 billones a la aumento en la financiación. La economía global (PWC, 2019). investigación en el campo de la IA está creciendo a ritmos exponenciales: en Esta cifra subraya la importancia de la 2018, las publicaciones sobre IA inversión en este campo, tanto por parte representaron más del 2,2 % de todos los del sector privado como de los gobiernos. estudios científicos (Baruffaldi et al., 2020), y en 2021, el número ascendió a casi medio millón en inglés y chino (Universidad de Stanford, 2023). b) La IA en las universidades La IA está redefiniendo el marco de la educación superior, originando oportunidades innovadoras que permiten transformar el modo en que se enseña y se aprende. La IA generativa está propiciando una curiosidad generalizada y un intenso debate internacional sobre su impacto en la educación superior. Esto debe sumarse a la trayectoria de los últimos años en los que, mediante herramientas avanzadas de IA, como sistemas de tutoría inteligente, chatbots educativos —y más recientemente plataformas de realidad aumentada—, los educadores ahora pueden proporcionar instrucción que se 14 adapte a las necesidades y ritmos de cada estudiante. Estas herramientas son especialmente valiosas para estudiantes con discapacidades, ofreciendo recursos como la conversión de texto a voz, la transcripción instantánea y herramientas de traducción, promoviendo así una educación más inclusiva y accesible para todos. Además, en el ámbito de la evaluación y la retroalimentación, la IA está marcando una diferencia. La capacidad de automatizar evaluaciones y usar analíticas avanzadas ofrece a los docentes insights sin precedentes sobre el desempeño y las áreas de mejora de cada estudiante, permitiéndoles ofrecer intervenciones más personalizadas y eficientes. Este enfoque centrado en el estudiante potencia el aprendizaje individualizado y puede mejorar la retención y el éxito académico a largo plazo. Imagen: GPT4/DALL-E. 15 El alumnado universitario se enfrenta además a un dilema importante: la IA predictiva o generativa, especialmente esta última, será una herramienta imprescindible en su futuro profesional: aquellos que no la utilicen en las aulas tendrán una significativa desventaja en el mercado laboral. Junto con estos avances vienen desafíos significativos. Hay un desconocimiento importante entre docentes y profesores en general sobre la IA. Es imprescindible una formación y desarrollo profesional para docentes asegurando que puedan evaluar correctamente y aprovechar al máximo estas herramientas tecnológicas. Dada la rápida evolución de la IA en la educación, es crucial que las instituciones de educación superior adopten un enfoque proactivo y reflexivo, maximizando los beneficios de la IA mientras se enfrentan de manera efectiva a sus desafíos inherentes. La personalización de la enseñanza Inclusión y apoyo Mediante la IA, el aprendizaje Las herramientas de IA pueden ser personalizado puede adaptarse a las particularmente valiosas para estudiantes necesidades individuales de cada con discapacidades, ofreciendo soluciones estudiante. Los sistemas basados en IA personalizadas que respaldan la inclusión. detectan áreas donde los estudiantes Algunas aplicaciones: pueden estar luchando y adaptan el contenido según sea necesario, ofreciendo Traducción y subtítulos una retroalimentación valiosa tanto para automáticos: Benefician a estudiantes como para profesores. estudiantes con discapacidades Algunas aplicaciones y casos de uso más auditivas o lingüísticas. generalizados: Herramientas sensoriales: Apoyan a quienes sufren Sistemas de Tutoría Inteligente: discapacidades visuales. Proporcionan orientación en tiempo real basada en las Evaluación y retroalimentación necesidades del estudiante. Asistentes o chatbots educativos: Los sistemas de IA pueden ayudar a Ofrecen respuestas instantáneas a calificar tareas, liberando tiempo para que dudas y ayudan en la enseñanza. el profesorado se centre en la enseñanza. Además, estas herramientas pueden proporcionar retroalimentación 16  Realidad Virtual y Aumentada: constructiva y rápida al alumnado. Crea experiencias de aprendizaje Algunos casos de uso: inmersivas y adaptativas. Plataformas Automatizadas de PLN a través de IA generativa Calificación: Brindan resultados para el tratamiento de rápidos y consistentes. documentos didácticos. Herramientas como ChatGPT y Analíticas de aprendizaje tutores virtuales: Apoyan a estudiantes en la preparación de Las analíticas basadas en IA pueden evaluaciones. identificar tendencias y patrones en el progreso del estudiantado, proporcionando información valiosa sobre cómo optimizar la enseñanza. Empoderamiento del alumnado La IA generativa puede proporcionar herramientas decisivas para facilitar al alumnado la comprensión de textos y potenciar su capacidad y proactividad en el seguimiento de las clases, maximizando el éxito estudiantil y reduciendo el fracaso y abandono. Sin embargo, los sistemas educativos deberán adaptarse para preservar su integridad y la capacidad de maximizar las ventajas de herramientas cada vez más avanzadas a las que alumnos y profesionales tendrán acceso. Desafíos y desarrollo profesional La incorporación de IA en la educación superior no está exenta de desafíos. Es vital que el personal docente esté adecuadamente formado y preparado para utilizar estas herramientas de manera efectiva y ética. La integridad académica debe mantenerse a la vanguardia, y es esencial que las instituciones de educación superior (universidades) proporcionen desarrollo profesional continuo en esta área. La IA tiene el potencial de revolucionar la educación superior, haciendo que el aprendizaje sea más personalizado, inclusivo y eficiente. Sin embargo, la adopción exitosa de estas tecnologías requiere una formación adecuada y una reflexión cuidadosa sobre las implicaciones éticas y pedagógicas. 17 c) IA e investigación Igualmente, los investigadores se enfrentarán a una situación similar a los alumnos. Ningún profesor universitario es capaz de leerse actualmente todo lo que se publica sobre una materia específica. Si hablamos incluso de un cáncer específico, es imposible asimilar miles de páginas publicadas, ensayos clínicos o ingentes volúmenes de datos sin procesar. La IA sí es capaz de hacerlo, y además puede ofrecer síntesis o generar respuestas a preguntas específicas que podrían pasar desapercibidas entre millones de datos o páginas. Las universidades ocupan un lugar central en la construcción y el despliegue ético de las tecnologías de inteligencia artificial (IA). Resulta imperativo que se integren directrices claras en estas instituciones, enfocándose en áreas críticas como la integridad académica, la ética investigativa y las consecuencias más amplias de incorporar IA en el ámbito educativo. La inserción de la IA en el panorama universitario trae consigo una serie de retos que van más allá de lo técnico y se adentran en el terreno organizacional. Estos retos engloban desde la adquisición de equipamiento hardware y software adecuados a la formación del personal y las preocupaciones sobre la seguridad y la privacidad de la información, pasando por estrategias efectivas de gestión de datos. En cualquier caso, las actuales prestaciones de la IA pueden generar enormes brechas entre instituciones universitarias a nivel mundial. Por un lado, investigadores empoderados con herramientas avanzadas que le ayudan a gestionar y rentabilizar grandes volúmenes de textos y datos frente aquellos que, al no disponer de tales herramientas, quedan rezagados en muy cortos espacios de tiempo. d) IA para la eficiencia en la administración y gestión de las universidades No solo el ámbito académico se verá influido por la IA. Su irrupción ya está transformando diversas funciones administrativas en las universidades. Las áreas de tecnologías de la información (TI) son, evidentemente, susceptibles a este cambio, pero también lo son otros departamentos, como admisiones (preinscripción y matrícula), servicios estudiantiles, bibliotecas, marketing y finanzas, entre otros. La verdadera integración de la IA no solo dependerá de la tecnología, sino también de una formación de calidad y un cambio en la cultura organizativa de la institución. Las tareas administrativas de gran envergadura, como el proceso de preinscripción, matrícula y admisión, pueden llegar a ser abrumadoras en términos de recursos. 18  Imagen: GPT4/DALL-E. La IA tiene el potencial de aliviar esta carga, especialmente en escenarios donde ya existen extensas bases de datos. Los chatbots, por ejemplo, que ya están siendo utilizados por estudiantes en tareas educativas, son herramientas valiosas para guiarlos en procedimientos administrativos, que a menudo pueden resultar tediosos. Además, la IA ofrece la posibilidad de identificar de forma anticipada a los estudiantes con riesgo de abandonar sus estudios, permitiendo a las universidades actuar de manera preventiva y estratégica. 19 La revolución de la inteligencia artificial en la educación superior va más allá de la sala de clases. Su influencia en la administración y gestión transforma las operaciones diarias, mejora la eficiencia y refuerza la toma de decisiones. Mejora en la toma de decisiones Administración eficiente Las herramientas de IA pueden analizar Al automatizar tareas administrativas grandes cantidades de datos para repetitivas con IA, las universidades proporcionar información valiosa, pueden ahorrar tiempo y recursos, haciendo que la toma de decisiones en permitiendo a los empleados centrarse en administración y gestión sea más precisa y tareas más complejas y de mayor valor. se base en datos. Servicios para el estudiantado/Retención de estudiantes Al mejorar la experiencia del alumnado, se pueden abordar proactivamente posibles problemas, como la deserción. Chatbots y asistentes virtuales inteligentes ayudan en procedimientos de admisión y consultas generales, proporcionando respuestas rápidas y precisas. La IA permite asimismo la detección proactiva de deserción al identificar a estudiantes en riesgo de abandonar sus estudios, permitiendo intervenciones tempranas. Desafíos y preparación institucional El despliegue exitoso de la IA requiere no sólo recursos técnicos, sino también una adaptación organizativa. La inversión en hardware y software, la gestión adecuada de datos y la capacitación del personal son fundamentales. Además, se deben abordar preocupaciones de seguridad y privacidad para proteger la información del estudiante y garantizar la confianza. La IA, si se integra correctamente, puede ser un activo invaluable para la administración y gestión de la educación superior, ofreciendo soluciones más rápidas, precisas y basadas en datos. Sin embargo, es esencial que las universidades aborden de manera proactiva los desafíos asociados, asegurando que la tecnología se utilice de manera ética y responsable. 20 e) Mercado laboral e IA España dobla actualmente la tasa de desempleo juvenil de la UE. La IA está trazando un puente entre la educación superior y las demandas cambiantes del mercado laboral. A medida que la relevancia de la IA en el mundo profesional aumenta exponencialmente, es evidente la urgencia por capacitar a más individuos en esta área. Esta necesidad se refleja en la creciente oferta laboral, donde las posiciones relacionadas con IA y aprendizaje automático se posicionan entre las de mayor crecimiento. Sin embargo, es preocupante que solo el 22 % de los especialistas en IA sean mujeres, lo que resalta una desigualdad de género en el sector. Desde 2018 hasta 2022, la oferta de cursos sobre IA se ha duplicado, superando los 6.000 solo para aquellos impartidos en inglés. Igualmente, las universidades españolas están haciendo un enorme esfuerzo para ofrecer una creciente oferta formativa vinculada a la IA. Ante este panorama, las universidades deben estar a la vanguardia, adaptando y creando currículos que no solo aborden la tecnología, sino que también fomenten la interdisciplinariedad o hibridación de conocimientos con todas las disciplinas o áreas de conocimiento. Además, más allá de los conocimientos técnicos, es esencial enfocarse en las metahabilidades que serán cruciales en la era de la IA. Estas incluyen capacidades como la creatividad, el análisis crítico, la comunicación efectiva y el liderazgo. En un mundo donde los algoritmos dan ventajas comparativas decisivas, la capacidad de cuestionar y comprender el funcionamiento y las implicaciones éticas detrás de la tecnología se vuelven vitales. La alfabetización digital y el pensamiento crítico son herramientas esenciales que permiten a los estudiantes descifrar no solo el "cómo", sino también el "por qué" y las ramificaciones de la tecnología en la sociedad. 21  Imagen: GPT4/DALL-E. Las universidades tienen la misión de democratizar el acceso a la educación. En este sentido, deben diseñar programas que aborden la IA a diversos niveles, desde introducciones básicas hasta formaciones especializadas, favoreciendo la inclusión y apoyando a quienes deseen reintegrarse al sistema educativo. Emplear métodos en línea y a distancia, potenciados por la propia IA, puede ser una estrategia clave para expandir el alcance de la educación y promover el aprendizaje continuo a lo largo de la vida. Como hemos dicho antes, las universidades deben vigilar el ritmo de adopción de estas herramientas en sus instituciones para evitar brechas profesionales entre los egresados de unas universidades respecto de otras más diligentes en la adopción de herramientas e innovaciones disruptivas como la IA. 22 f) Desafíos y perspectivas de la IA en la educación superior La implementación de la inteligencia artificial (IA) en la educación superior muestra una distribución geográfica desigual. Mientras que países como China y Estados Unidos lideran en su adopción, Europa ha quedado relativamente rezagada y regiones como el África subsahariana, algunas zonas de Asia Central o del Sur y América Latina se encuentran aún más distanciadas. Las limitaciones en estas áreas, especialmente en términos de disponibilidad y compatibilidad de datos, agravan esta disparidad. De cualquier modo, la IA abre una enorme oportunidad para aquellos países más atrasados que sean capaces de implantar sistemas y herramientas al tiempo que propicien una revolución cultural y educativa, como está siendo el caso de China y muchos países asiáticos. Si bien la IA puede minimizar sesgos en la interpretación de datos, paradójicamente también puede amplificarlos. La eficacia de la IA se sustenta en la calidad y diversidad de los datos. Datos sesgados pueden llevar a sistemas de IA con resultados injustos. Además, la falta de diversidad entre los desarrolladores e investigadores puede resultar en la propagación de prejuicios. La subrepresentación de las mujeres en la investigación de IA y en campos STEM es evidente, influida tanto por factores educativos como por normas sociales. Más allá de la desigualdad de género, existe el riesgo de que la IA perpetúe o exacerbe formas de discriminación racial y étnica. Solo al cultivar un entorno STEM diverso e inclusivo se pueden diseñar sistemas de IA verdaderamente justos e imparciales. El impacto ambiental de la IA, con su intensivo consumo de energía, también plantea cuestiones de sostenibilidad. Por ejemplo, entrenar un modelo como ChatGPT puede consumir energía comparable a la de una ciudad pequeña en un mes. Hacer un uso eficiente y responsable de la IA es una exigencia desde la perspectiva de la sostenibilidad. 23  Imagen: GPT4/DALL-E. Los 5 grandes retos de la IA La IA en Europa tiene cinco grandes retos en lo que a su desarrollo e implantación se refiere. Un país, sus ecosistemas de innovación, sus empresas, el ámbito de la investigación y desarrollo tienen como objetivos relevantes: 1. Controlar y optimizar la IA. La IA actual, aunque con prestaciones y potencialidades extraordinarias, tiene retos que son oportunidades para las empresas europeas, en el sentido de conseguir una IA con cuadros de mando 24  controlada por los humanos y con recursos sólidos para controlar la calidad de sus prestaciones (sesgos, errores, alucinaciones de la IA generativa…). 2. Democratizar la IA. Potenciar el desarrollo de herramientas fáciles y a bajo coste que permitan a las entidades y agentes con menos recursos su adopción y explotación. 3. Gestionar la IA. La IA en sus diferentes vertientes (generativa, predictiva, de toma de decisiones…) requiere de una gestión eficiente ética, responsable y transparente. Para ello hace falta personal cualificado que acometa la creación y puesta en marcha de oficinas de IA que establezcan prioridades y construyan y recolecten data, además de aplicar las técnicas y algoritmos correctos de IA generativa (PLN) o predictiva (machine learning, deep learning…), propiciando su escalabilidad y beneficios. 4. Desarrollar soluciones a medida. No es lo mismo una IA en el sector sanitario que en el de defensa, productividad empresarial o educación. Dentro de la educación, la gestión, la investigación o la enseñanza requieren de soluciones específicas con exigencias concretas. La colaboración público-privada es esencial para lograr resultados rápidos y competitivos internacionalmente con todas las garantías éticas que venimos indicando. 5. Empoderar a los humanos. Debemos desarrollar herramientas de IA que empoderen a las personas: profesionales, trabajadores, estudiantes… Que complementen y faciliten su trabajo. Los retos de las universidades Más específicamente, las universidades también tienen retos concretos muy relevantes, como: Retos de las universidades (Unesco) Síntesis Informe 1MB - Políticas universitarias sobre el uso - Integración tecnológica. La adopción de la IA. Las universidades deberían de IA requiere una infraestructura establecer políticas claras sobre el uso de tecnológica avanzada y la capacidad para la IA en pedagogía y evaluación. integrar estas herramientas en los sistemas existentes. -Enriquecer la experiencia estudiantil. Es imprescindible enriquecer las -Formación-desarrollo de habilidades. experiencias estudiantiles con Para utilizar eficazmente la IA, el personal 25 herramientas de IA, incluidos chatbots y docente y administrativo necesita otras herramientas generativas que les formación específica. Esto implica un familiaricen con su uso y explotación desafío en cuanto a la capacitación y actualización continua de las habilidades - Evaluación de impactos. Se deberán del personal y los estudiantes. redefinir roles y expectativas dentro de las universidades, así como su impacto en - Cuestiones éticas y de privacidad. La dirigentes, personal y docentes. IA en el entorno educativo plantea preocupaciones éticas, especialmente en - La toma de decisiones basada en lo que respecta a la privacidad de los datos se consolidará en instituciones con datos de los estudiantes y profesores. Las infraestructuras de datos sólidas; por universidades deben establecer políticas tanto, deberán establecerse los medios claras y garantizar el cumplimiento de las necesarios. normativas sobre protección de datos. - Nuevas vías a explorar en la IA bajo - Personalización de la enseñanza. La principios éticos. La investigación en IA ofrece oportunidades para educación superior profundizará en áreas personalizar la enseñanza y el aprendizaje. de la IA aún no exploradas y la formación Sin embargo, desarrollar sistemas que se en ética de la IA será esencial. adapten eficazmente a las necesidades - Formación sobre IA. Se deberán individuales de los estudiantes es un reto ofrecer más cursos sobre IA, no solo para tanto en términos de diseño como de nuevos alumnos o especialistas, sino para implementación. informar al público sobre sus Investigación y desarrollo. La IA puede dimensiones éticas y técnicas. Las potenciar la investigación, pero las universidades tendrán la responsabilidad universidades enfrentan el desafío de de educar a la comunidad sobre IA como mantenerse al día con las rápidas parte integral de su compromiso social. innovaciones en este campo y de integrar - Evaluación permanente. Las estas tecnologías en sus metodologías de metodologías de evaluación deben investigación. revisarse para incorporarlas o sustituirlas - Equidad y Acceso. Garantizar que los por IA. beneficios de la IA sean accesibles para todos los estudiantes y docentes, con independencia de su trasfondo socioeconómico o ubicación geográfica, es un desafío clave. 26  - Impacto en el empleo y las competencias. La IA puede cambiar las demandas del mercado laboral, lo que requiere que las universidades adapten sus programas para preparar a los estudiantes para las competencias futuras. - Evaluación y acreditación. Adaptar los sistemas de evaluación y acreditación para incorporar los avances y métodos de enseñanza asistidos por IA es otro reto importante. - Colaboración. Las universidades deben equilibrar la colaboración con otras instituciones y la industria con la necesidad de mantener una ventaja competitiva. - Innovación y Cambio Cultural. Adoptar la IA implica un cambio cultural significativo dentro de la institución, que debe ser gestionado cuidadosamente para asegurar la aceptación y el aprovechamiento efectivo de estas tecnologías. g) Ética de la IA en el ámbito académico Europa es líder en recomendaciones y regulaciones en torno a la IA. En 2021, la UNESCO estableció recomendaciones sobre la ética de la inteligencia artificial, definiendo once áreas estratégicas para guiar a los Estados en la incorporación de valores y principios éticos. Este documento explora cómo estas áreas pueden interpretarse e integrarse en el contexto de la educación superior, ligándose a acciones concretas que las universidades deberían considerar. Las demandas para que las universidades revisen y mejoren sus normas en relación con la aplicación de la IA en la enseñanza y evaluación están en alza. Este clamor proviene de 27 diversos actores: educadores, legisladores y líderes empresariales (especialmente en Europa) que buscan una regulación y orientación más claras. El vasto volumen de datos que se recolecta y se emplea en la creación y mantenimiento de los sistemas de IA en las universidades puede ofrecer grandes ventajas. Pero estos mismos datos, si se utilizan de manera errónea, también representan amenazas. Es crucial implementar medidas de protección contra el acceso no autorizado y la alteración de datos. Para esto, toda universidad debe establecer una estrategia sólida de gestión de datos al adoptar tecnologías de IA. Desde una perspectiva ética, hay tres fases críticas donde el data puede introducir y magnificar sesgos: durante el etiquetado de datos, en la selección de conjuntos de datos y en la perpetuación de prejuicios existentes. A día de hoy resulta un desafío emergente que la industria, a través de los gigantes tecnológicos, sea más proactiva en el campo de la IA que la Academia, lo que puede llevar a recelos y retrasos en la implantación de la IA. h) Buenas prácticas para la integración ética de la IA en el ámbito académico La revolución de la inteligencia artificial está destinada a transformar profundamente el mundo de la educación superior. Este panorama promete numerosas ventajas, pero también plantea retos críticos y apremiantes en el camino hacia una educación centrada en sistemas de IA. Se identifican medidas concretas en áreas como el fortalecimiento de habilidades internas, la gestión institucional, la pedagogía, la investigación y el compromiso con la comunidad. Además, siguiendo recomendaciones de la UNESCO, se incorporan directrices orientadas específicamente a fomentar la igualdad de género a fin de generar un impacto transformador al enfrentar y resolver las raíces del problema. 28  Imagen: GPT4/DALL-E. i) Algunas sugerencias esenciales Las universidades enfrentan un futuro en el que la incorporación de la inteligencia artificial (IA) es inminente y esencial. Sin importar su localización o recursos disponibles, es crucial que sus responsables estén preparados para una adopción ética y eficaz de la tecnología. En esencia, estas propuestas se centran en: 29  Fortalecer habilidades internas. Establecer directrices claras para la adopción de la IA. Revolucionar la enseñanza y capacitación. Fomentar la investigación y el uso adecuado de la IA. Potenciar la IA en la sociedad de manera correcta. Generar conciencia y conectar comunidades alrededor de la IA. Impulsar una visión igualitaria en la IA y la educación. Para las entidades gubernamentales y responsables de políticas Instituciones como la UNESCO hacen recomendaciones a entidades gubernamentales y responsables de políticas educativas encaminadas a fortalecer la comprensión de la IA, explorando sus capacidades y limitaciones. Dotar de los fondos y recursos necesarios estableciendo planes y dotaciones que potencien una implantación de la IA sólida y capaz de maximizar sus beneficios. Al respecto, España y Europa, con los fondos Next Generation, tienen una oportunidad única de conseguir un liderazgo mundial en la implantación de la IA en las universidades. Establecer foros interdisciplinarios para discutir sobre la IA e integrar múltiples perspectivas. Establecer normativas claras en torno a la IA, especialmente en áreas éticas y de seguridad, y guiar a las universidades en tal sentido. Subvencionar la formación en IA y promover su uso ético en la Academia. Apoyar investigaciones interdisciplinarias en IA y alentar la cooperación internacional. Garantizar que las universidades dispongan de la infraestructura tecnológica y conectividad necesarias. Asegurarse de que los estándares de calidad educativa incluyan aspectos éticos de la IA. Diseñar políticas para contrarrestar la exclusión basada en género, raza, etnicidad u otros factores en el ámbito de la IA. 30  2. METODOLOGÍA Este informe sobre la relación entre la educación superior y la IA es fruto de un trabajo en equipo que desde enero de 2023 hasta noviembre 2023 se ha llevado a cabo con investigaciones para nuestro Observatorio de Inteligencia Artificial1 y sobre la base de un elevado número de encuentros, seminarios, debates, etc.2 Como director de este informe, Andrés Pedreño ostenta una larga trayectoria de compromiso en torno a la educación, las universidades, la digitalización y la inteligencia artificial. Ha sido rector de la Universidad de Alicante (1993-2000), CEO de Universia y consejero de Universia Holding (2000-2018), fundador de la Biblioteca Virtual Miguel de Cervantes (Premio Stanford University), miembro asesor del Gobierno español para el libro blanco de la IA y big data, fundador del campus Torre Juana OST especializado en IA e impulsor de distintos proyectos y empresas vinculadas a la inteligencia artificial. Pedreño ha participado en más de un centenar de foros institucionales (Asociación de Presidentes de Tribunales Constitucionales de América Latina, Congreso de los Diputados, sede del Partido Popular, informe Fundación Alternativas para la cumbre de jefes de Gobierno europeos de Granada y eurodiputados en Bruselas). Esta experiencia y conocimiento se han plasmado en dos libros de los que es coautor con el profesor Luis Moreno: Europa frente a EE. UU. y China. Prevenir el declive en la era de la Inteligencia Artificial (2022, 2.ª edición), prologado por Vinton Cerf, uno de los padres de Internet; y, más recientemente, España en la nube. Startup Nation o país del desempleo juvenil. Afrontando los retos en la era de la inteligencia artificial. Para la elaboración del presente informe ha dirigido uno de los equipos más cualificados e importantes en Europa en materia de IA y PLN, vinculado al grupo de empresas 1MillionBot, especializadas en IA, que trabaja actualmente para más de 30 universidades y está apoyado accionarialmente y vía convenios por casi un centenar de universidades, instituciones públicas y empresas tecnológicas líderes en su especialidad. En el último año, Pedreño y su equipo han participado en más de medio centenar de congresos, encuentros, seminarios y debates con colectivos, etc., exponiendo muchas de las ideas contenidas en este informe y ajustándose a las exigencias y necesidades de las 1 https://observatorio-ia.com/ 2 https://ost.torrejuana.es/category/encuentros/ 31 instituciones educativas. Igualmente, han apoyado o participado en la organización de seis congresos internacionales sobre IA, algunos de ellos centrados en temas educativos. Desde 1MillionBot agradecemos las invitaciones a participar en diversos foros, así como los apoyos y las colaboraciones de la Universidad de Murcia, la Universidad de Alicante, la Universidad de Lleida, la Universidad de Barcelona, el Grupo Planeta, la CRUE, la Universidad Internacional de La Rioja (UNIR), el Grupo SEK, la UAX y el resto de universidades que nos han dado su confianza para trabajar con nosotros: Universidad de Granada, Universidad Politécnica de Valencia, Universidad Politécnica de Madrid, Universidad de Alcalá, Universidad de León, Universidad de Cádiz, Universidad Rey Juan Carlos, Universidad de Almería, Universidad de Sevilla, Universidad Pablo de Olavide, Universidad Autónoma de Madrid, Universidad de Huelva, Universidad de Oviedo, Universidad de Buenos Aires (Argentina), Universidad de Jaén, Universidad Técnica Federico Santa María (Chile), Universidad de Castilla-La Mancha, Universidad Carlos III de Madrid, Universidad de Zaragoza, y Universidad Complutense de Madrid, entre otras. El propósito de este informe es esclarecer los aspectos clave que unen la IA y la educación superior y profundizar en ellos. Para su elaboración, se ha acudido a un variado conjunto de recursos (literatura académica, noticias de proyectos internacionales universitarios en medios y blogs especializados, como UniversidadSi o Espacios de Educación Superior…). Destacamos la inclusión de aportes de la UNESCO sobre IA, particularmente en sus dimensiones éticas, y cómo estas se entrelazan con la educación superior. El informe se enriquece con ejemplos prácticos de la implementación de la IA en instituciones educativas superiores. Las referencias utilizadas están principalmente en inglés y español. Por último, hemos puesto a prueba a la propia IA (GPT4, Bard, Millie-1Millionbot Prompts…) con informes y data para asimilar una gran cantidad de información y outputs. Esto ha sido de gran ayuda para sistematizar y resumir textos en el informe. Se predica con el ejemplo. En todos los casos los textos han sido repasados y contrastados. Se ha hecho, pues, un gran esfuerzo dirigido a identificar las tendencias y conceptos clave de la IA en el contexto educativo, así como a realizar una búsqueda detallada de estudios y casos en bases de datos académicas y no académicas que generan opinión cualificada a nivel mundial. Ha sido de gran ayuda en lo que se refiere a la recopilación de fuentes el 32 informe de la UNESCO Oportunidades y desafíos de la era de la inteligencia artificial para la educación superior: una introducción para los actores de la educación superior3. La constante evolución del ámbito de la IA impone retos para mantener una perspectiva constante, por lo que el esfuerzo realizado con este informe pretende tener continuidad en los próximos años. 3 https://unesdoc.unesco.org/ark:/48223/pf0000386670_spa 33  3. ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL? La inteligencia artificial (IA) es un campo de estudio en constante evolución y, como tal, aún carece de una única definición ampliamente aceptada. La diversidad de interpretaciones y enfoques del término se hace evidente al observar las definiciones ofrecidas por diversas instituciones, empresas tecnológicas y expertos en el campo. John McCarthy, de la Universidad de Stanford, ampliamente reconocido como uno de los pioneros en la conceptualización de la IA, consideró esta disciplina como la intersección entre ciencia e ingeniería con el objetivo principal de crear máquinas y programas que emulen la inteligencia humana (Martínez-Ávila et al., 1998). Stuart Russell y Peter Norvig (2021), en su libro Artificial Intelligence: A Modern Approach, definen la IA como "el estudio de agentes que perciben su entorno y toman decisiones para maximizar sus posibilidades de éxito". Esta definición se centra en la autonomía y la capacidad de toma de decisiones. De forma más concisa, Google ve la IA como la esencia de la creación de entidades inteligentes. Por su parte, AI Watch ofrece una perspectiva más detallada y técnica, centrando su definición en sistemas que, basados en datos, pueden razonar y decidir cómo actuar para alcanzar un objetivo. Yoshua Bengio, de la Universidad de Toronto, se refiere a la IA en función de las habilidades humanas que las computadoras tradicionales aún no pueden replicar (2009). Amazon, en su enfoque, relaciona la IA con la resolución de problemas cognitivos, similares a aquellos asociados con el pensamiento humano. Demis Hassabis (DeepMind) describe la IA como el intento de entender la inteligencia explorando la construcción de entidades inteligentes. Esta definición destaca el aspecto de exploración y comprensión de la IA. ¿Cómo se define la propia IA? GPT4/DALL-E nos contesta de la siguiente manera a la pregunta/prompt “Dame una imagen que responda a la pregunta ¿qué es la inteligencia artificial? (definición)”: “He generado una imagen conceptual –la que se recoge más arriba– que representa la definición de la inteligencia artificial (IA) mostrando un cerebro digital compuesto de circuitos y código binario, simbolizando la combinación de aprendizaje automático, análisis de datos y procesos algorítmicos que definen la IA”. 34  Imagen: GPT4/DALL-E. ¿Qué diferencias y similitudes hay entre las redes neuronales artificiales y las redes biológicas de nuestros cerebros? Las redes neuronales artificiales (ANN, por sus siglas en inglés) se inspiran en el funcionamiento de las redes neuronales biológicas. Ambas usan unidades básicas (neuronas artificiales en las ANN y neuronas biológicas en el cerebro) que procesan y transmiten información. 35 Hay muchas diferencias entre las ANN y las redes biológicas (el cerebro humano), tanto por la complejidad y escala, el procesamiento o la capacidad computacional como por el aprendizaje y adaptabilidad, así como el propio funcionamiento neuronal, entre otras que recogemos en el siguiente cuadro sinóptico: Cerebro humano Redes neuronales artificiales Contiene aproximadamente 86.000 Aunque algunas redes pueden ser grandes millones de neuronas con un número y complejas, aún están muy lejos de astronómicamente alto de sinapsis alcanzar la escala y complejidad del (conexiones). cerebro humano. Funciona de manera altamente paralela y Aunque están diseñadas para distribuida. Es increíblemente eficiente en procesamiento paralelo, no alcanzan el términos de energía y puede realizar nivel de eficiencia energética o la tareas complejas, como el reconocimiento capacidad de realizar tareas complejas de de patrones, con mucha eficacia. forma tan natural como el cerebro humano. Aprende y se adapta de manera continua, Aprenden a partir de datos y requieren integrando experiencias nuevas y pasadas grandes cantidades de ellos para de manera muy eficiente. Tiene la entrenarse. Pueden tener dificultades con capacidad de generalizar y abstraer la generalización y son menos adaptables información de manera flexible. a situaciones o datos nuevos y desconocidos. Las neuronas biológicas tienen Las neuronas artificiales son modelos mecanismos complejos y dinámicos de matemáticos simplificados que no procesamiento y transmisión de capturan completamente la complejidad información. de las neuronas biológicas. Las sinapsis son dinámicas y pueden Los pesos de las conexiones en redes cambiar en segundos o mantenerse neuronales artificiales son más estáticos y, estables durante toda la vida. aunque se ajustan durante el entrenamiento, no exhiben la misma dinámica que las sinapsis. 36  Evolucionó para una variedad de tareas de Son diseñadas con propósitos específicos supervivencia y cognición. en mente, como clasificación de imágenes, procesamiento de lenguaje natural, etc. Es notablemente resistente a daños y Son menos resistentes a daños o errores puede adaptarse y reorganizarse después en sus componentes; una falla puede de lesiones. afectar significativamente su rendimiento. En resumen, aunque las redes neuronales artificiales se inspiran en el cerebro humano, difieren significativamente en términos de complejidad, eficiencia, aprendizaje y adaptabilidad. Las ANN son herramientas poderosas para tareas específicas, pero aún están lejos de emular completamente la complejidad y versatilidad del cerebro humano. Definiciones y usos de IA inspiracionales El informático británico Andrew Ng es un eminente pensador en el campo de la IA y ha sido pionero en su aplicación durante muchos años. Fundó el proyecto Google Brain (cerebro de Google), fue jefe científico de IA en Baidu y cofundó la plataforma de aprendizaje en línea Coursera, vinculada a la Universidad de Stanford: “La IA es la nueva electricidad. Transformará todos los sectores de actividad y creará un ingente valor económico. La tecnología del tipo del aprendizaje supervisado es una tecnología de automatización doblemente potente. Resulta muy eficaz en la automatización de tareas y tendrá repercusiones en todos y cada uno de los sectores, desde la sanidad hasta la industria manufacturera, la logística y el comercio minorista”4. Algunos autores han subrayado el potencial de la IA en beneficio de la humanidad: a) Potencial de resolución de problemas. La IA tiene la capacidad de analizar grandes cantidades de datos rápidamente y con una precisión que a menudo supera la capacidad humana. Esto permite resolver problemas complejos en diversos campos, como la medicina, donde puede ayudar en el diagnóstico y tratamiento de enfermedades; la ingeniería, donde puede optimizar diseños y procesos, y la ecología, donde puede contribuir en la modelización del cambio climático y la preservación de la biodiversidad. Este potencial convierte a la IA en una herramienta invaluable para el avance y el bienestar de la humanidad, capaz de enfrentar algunos de los desafíos más significativos del mundo. 4 https://www.wipo.int/wipo_magazine/es/2019/03/article_0001.html 37  b) Automatización y eficiencia. La IA puede manejar tareas repetitivas y de gran volumen con una eficiencia y precisión que no pueden igualar los seres humanos. Esto libera a las personas para enfocarse en trabajos más creativos y estratégicos, mejorando la productividad en industrias y negocios. Por ejemplo, en la fabricación, la IA puede aumentar la eficiencia de la línea de producción, mientras que en el sector servicios puede automatizar las respuestas a consultas de clientes. c) Personalización y adaptación. La IA tiene la capacidad de aprender y adaptarse al comportamiento y preferencias de los usuarios. Esto se manifiesta en la personalización de servicios, como las recomendaciones de productos en el comercio electrónico o la personalización de experiencias de aprendizaje en la educación. Este nivel de personalización ayuda a mejorar la experiencia del usuario y puede impulsar avances significativos en la medicina personalizada y la educación adaptativa. d) Colaboración humano-máquina. La IA está cambiando la forma en que interactuamos con la tecnología, pudiendo fomentar una colaboración más estrecha entre humanos y máquinas. Esto puede mejorar la eficiencia en las tareas y abrir nuevas formas de creatividad y exploración. En campos como el diseño gráfico, la composición musical o la investigación científica, la IA se convierte en una herramienta que amplía de forma considerable las capacidades humanas. e) Avances en conocimiento y descubrimiento. La IA tiene el poder de analizar y encontrar patrones en conjuntos de datos que serían imposibles de examinar manualmente. Esto conduce a nuevos descubrimientos y conocimientos en áreas como la genómica, la astrofísica y la arqueología, entre otras. La capacidad de procesar y entender grandes volúmenes de información está llevando a descubrimientos revolucionarios que pueden cambiar nuestra propia comprensión del mundo y del universo. 3.1. Tipos de IA: IA débil o estrecha vs IA general o fuerte Aunque hay múltiples formas de abordar y clasificar la IA, para facilitar su comprensión se pueden destacar principalmente dos categorías: inteligencia artificial estrecha o débil (IAE) e inteligencia artificial general o fuerte (IAG). La IAE es lo que la tecnología ha logrado desarrollar hasta ahora. Estas máquinas o programas están diseñados para desempeñar tareas específicas dentro de parámetros y marcos predeterminados. Ejemplos comunes de IAE incluyen asistentes virtuales, sistemas de reconocimiento biométrico y herramientas de traducción automática. A pesar 38 de su capacidad para realizar tareas con precisión, la IAE carece de la versatilidad y profundidad de razonamiento de la inteligencia humana. En contraste, la inteligencia artificial general (IAG) es un ideal aún no alcanzado que se refiere a máquinas o sistemas capaces de realizar cualquier tarea intelectual que un ser humano pueda hacer. Esta forma de IA no solo sería capaz de realizar funciones específicas, sino que también podría aprender, razonar y adaptarse de manera similar a como lo haría un humano en una variedad de contextos. La evolución de la IA plantea muchas oportunidades y desafíos, en especial en la educación superior. Es esencial comprender estas categorizaciones y desarrollos para prepararse y adaptarse a la era de la IA en la educación y otros campos. Nick Bostrom, un destacado filósofo de origen sueco, introduce otra categoría, la superinteligencia artificial (SA), que describe como "un intelecto que supera ampliamente las capacidades cognitivas humanas en casi todos los campos de estudio" (Bostrom, 2014: 24). Junto a estas ordenaciones, la IA se puede organizar por su función o desarrollo: máquinas reactivas, memoria limitada, teoría de la mente y autoconciencia. Máquinas reactivas. Estas son formas Memoria limitada. Representa una básicas de IA que no almacenan forma de IA más avanzada que las experiencias pasadas, sino que máquinas reactivas. Estas máquinas simplemente responden a situaciones retienen información de manera temporal presentes (Chaudhari et al., 2020). Un y actúan según ella. Un ejemplo ejemplo icónico es Deep Blue, la contemporáneo sería un vehículo computadora de IBM que venció al autónomo que usa datos del entorno campeón de ajedrez Gary Kasparov. Sin para tomar decisiones en tiempo real, embargo, su especialización se limita a como frenar o girar (Vatan et al., 2019). jugar al ajedrez, no puede realizar otras tareas. Teoría de la mente. Se centra en la Autoconciencia. Representaría la cúspide capacidad de comprender y empatizar con de la evolución de la IA, donde una emociones, creencias y pensamientos. máquina no solo sería capaz de procesar Aunque aún no se ha logrado información y emociones, sino también completamente este nivel en la IA de tener conciencia de sí misma y de sus 39  (Cuzzolin et al., 2020), ciertos avances, propios pensamientos (Chaudhari et al., como el robot Kismet, que puede 2020). Es una etapa aún teórica, no detectar emociones basadas en presente en la tecnología actual. expresiones faciales, indican progresos en esa dirección. El desarrollo y la categorización de la IA demuestran el vasto potencial y los desafíos que presenta este campo en constante evolución. 3.2. IA predictiva vs IA generativa La IA se manifiesta actualmente en dos dimensiones principales: generativa y predictiva. Mientras que la dimensión predictiva se apoya en algoritmos para interpretar datos y anticipar acontecimientos futuros basándose en historiales, la dimensión generativa tiene como propósito la elaboración de contenido inédito. En el ámbito de la educación, la IA predictiva desempeña un papel fundamental en la optimización de plataformas de aprendizaje personalizado, la administración de inscripciones estudiantiles y el impulso hacia el éxito académico. En contraste, la IA generativa, que utiliza técnicas avanzadas como redes neuronales artificiales, es capaz de generar contenido de una calidad comparable a la humana. Las redes generativas adversarias (RGA) son fundamentales en este enfoque, donde una red elabora contenido y otra lo evalúa. Los autocodificadores variacionales (AV) son otra herramienta relevante que procesa y produce nuevos conjuntos de datos. En el contexto educativo, la IA generativa aporta materiales didácticos, retroalimentación automatizada y soporte fundamental. Además, esta modalidad permite a los educadores adaptar y traducir sus materiales para públicos diversos. Con la llegada de herramientas como ChatGPT al sector educativo, la discusión sobre el papel de la IA generativa ha cobrado fuerza. A pesar de ser un concepto relativamente reciente, la facilidad de acceso y uso de estas herramientas ha impulsado su popularidad. Sin embargo, existe la preocupación de que puedan exacerbar sesgos humanos. 40  Es vital que quienes las adopten actúen con precaución, especialmente en contextos educativos, donde pueden surgir problemas como imprecisiones en el contenido o evaluaciones erróneas. De ahí que las empresas que trabajan para el sector de la educación deban centrarse en modelos controlados y optimizados que utilicen recursos diversos para propiciar las mayores garantías posibles para su explotación. Al profundizar en las técnicas y subcampos de la IA, es importante señalar que, cuando se habla de IA, se hace referencia a la inteligencia artificial específica (IAE), la modalidad más presente en la actualidad. Aunque el aprendizaje automático es esencial en este campo, existen otras técnicas muy relevantes. Entre estas técnicas destaca la lógica simbólica, que se basa en reglas lógicas preestablecidas para producir información. Los chatbots o asistentes virtuales inteligentes son ejemplos notables que pueden emplear esta técnica. Durante la reciente pandemia de COVID-19, la demanda de soluciones en línea aceleró la adopción de chatbots, transformando la manera en que la sociedad interactúa y accede a diferentes servicios. 3.3. Estado actual de la IA A pesar de que la inteligencia artificial (IA) aún no posee capacidades de autoconciencia o teoría de la mente, su relevancia ha crecido significativamente en los últimos años. Publicaciones y patentes Las publicaciones en este campo se han incrementado drásticamente, experimentando un salto en su tasa anual de crecimiento del 10 % entre 2005 y 2015 al 23 % después de ese periodo. En 2018, estas publicaciones representaron el 2,2 % de toda la investigación científica (Baruffaldi et al., 2020). En 2021, se publicaron cerca de medio millón de trabajos sobre IA, especialmente en inglés y chino (Universidad de Stanford, 2023). Sin embargo, es de destacar que la mayoría de estas investigaciones provienen de unos pocos países, principalmente Estados Unidos, China y Reino Unido. Además, estas investigaciones se concentran en áreas como la informática, lo que indica una cierta falta de enfoque multidisciplinario en la materia. 41 El interés creciente en la IA no solo es evidente en publicaciones, sino también en el ámbito de las patentes. Desde 2015, las solicitudes de patentes relacionadas con IA se han multiplicado por más de treinta. De hecho, más de la mitad de todas las invenciones en IA han sido publicadas desde 2013. Este auge en el interés por la IA no se limita al mundo académico. El sector empresarial también ha invertido considerablemente en el área. Los acuerdos y las inversiones en empresas de IA aumentaron en un 75 % anual entre 2013 y 2018. En 2019, se invirtieron alrededor de $40.000 millones en startups de IA, y debido a transacciones no reveladas, el número real podría ser de hasta $74.000 millones. Fuente: Asgard Capital y Roland Berger. 42 Las proyecciones económicas sugieren que la IA podría aportar hasta 15,7 billones de dólares a la economía global para 2030. La importancia de la IA en el mundo empresarial es tal que el 84 % de los ejecutivos cree que no alcanzarán sus metas de crecimiento si no implementan la IA a gran escala. Además, el 75 % siente que podrían quedarse obsoletos en el mercado laboral dentro de cinco años si no adoptan esta tecnología. Una gran parte de las estimaciones señalan que la IA explicará hasta la mitad del crecimiento del PIB de los países avanzados en los próximos 15 años. Según McKinsey, solo la IA generativa generará un volumen equivalente al PIB del Reino Unido, únicamente a través de 62 casos de uso y sin considerar su impacto en el software. Fuente: Moreno L. y Pedreño (2020) y McKinsey (2023): The economic potential of generative AI: The next productivity frontier. La reciente fascinación por la IA se debe a varios factores, como la disponibilidad de datos más fiables y en abundancia, los avances en algoritmos y una financiación robusta. Actualmente, el mundo está inundado de datos provenientes de fuentes como teléfonos y relojes inteligentes, redes sociales, tiendas en línea, sistemas de seguridad, plataformas educativas y hasta termostatos. Estos datos son recopilados a un ritmo sin precedentes y se prevé que esta tendencia continúe en aumento (Reinsel et al., 2018). La IA se nutre de estos datos, utilizándolos como base para aprender y ofrecer servicios tales como recomendaciones personalizadas en streaming o compras online. Algunos expertos han 43 comparado la importancia de los datos para la IA con la del petróleo para la industria (The Economist, 2017). Es por esto que las redes sociales, por ejemplo, ofrecen servicios gratuitos a los usuarios, pero monetizan sus datos al venderlos para publicidad o investigación de mercado. Para gestionar esta avalancha de información, la demanda de capacidad computacional ha crecido exponencialmente. Además de la proliferación de datos y el incremento en capacidad computacional, los avances en algoritmos han sido cruciales para el renacimiento de la IA (Oficina Ejecutiva del Presidente, 2016). Un algoritmo es básicamente un conjunto de instrucciones diseñadas para resolver un problema específico (Negnevitsky, 2005), como determinar qué contenido mostrar en una red social o cómo filtrar correos no deseados. Sin estos algoritmos, la IA no sería posible. A medida que aumenta la potencia computacional, los algoritmos se han vuelto más sofisticados, lo que ha facilitado el surgimiento de técnicas avanzadas de IA, como el aprendizaje automático profundo. 3.4. Cómo se aplica la IA La inteligencia artificial (IA) ha permeado múltiples facetas de nuestra vida diaria, transformando el modo en que interactuamos con la tecnología y cómo ésta nos sirve. Dentro de la cotidianidad, encontramos a los asistentes virtuales clásicos, como Siri y Alexa. Estos no son simples programas que responden a comandos; de hecho, integran algoritmos de aprendizaje automático que les permiten adaptarse, aprender de sus errores y brindar respuestas cada vez más precisas y personalizadas conforme van interactuando con los usuarios. En el ámbito de la comunicación digital, los chatbots han revolucionado la manera en que las empresas interactúan con sus clientes. Y, más allá de los chatbots convencionales, modelos como ChatGPT han destacado por su capacidad de mantener conversaciones casi, o simplemente, humanas. A diferencia de chatbots básicos que se rigen por respuestas predefinidas, ChatGPT y otros modelos avanzados de lenguaje grandes (LLM) se alimentan de enormes conjuntos de datos, permitiéndoles entender el contexto y ofrecer respuestas adaptadas a cada situación. Esta evolución en la comunicación basada en IA ha sido tan significativa que, en 2023, ChatGPT se convirtió en una herramienta indispensable para los estudiantes universitarios con asignaturas algunos de cuyos profesores actuaron con una mente abierta a esta tecnología. La IA cotidiana también ha dejado su huella en áreas como el correo electrónico y las redes sociales. En lugar de servir simplemente como plataformas de comunicación, estas 44 tecnologías pueden aprender ahora de las interacciones y preferencias de los usuarios, mejorando así la experiencia general, ya sea mediante la organización de correos o sugiriendo contenido adaptado a gustos individuales. En el mundo del entretenimiento, las plataformas de streaming (Netflix, Spotify…) usan algoritmos de IA para analizar las preferencias de los usuarios y recomendar contenido acorde a sus gustos. Asimismo, aplicaciones de transporte (Uber , Cabify…) incorporan IA para optimizar rutas, asignar conductores y mejorar la eficiencia del servicio. La industria automotriz no se queda atrás: avanza hacia la creación de vehículos semiautónomos y, finalmente, totalmente autónomos. Estos vehículos no solo ofrecerán comodidad, sino también, al menos potencialmente, mayores niveles de seguridad. Sin embargo, el camino hacia la autonomía total está plagado de desafíos técnicos y éticos. Los sectores financiero y de salud también han experimentado transformaciones gracias a la IA. Mientras que los bancos y otras instituciones financieras utilizan la IA para llevar a cabo análisis predictivos y detección de fraudes, el sector médico la utiliza para ofrecer diagnósticos más precisos a través del análisis de imágenes médicas y la IA generativa. IMAGEN GPT4/DALL-E: Collage que muestra el impacto positivo de la IA en la asistencia sanitaria, la educación, la agricultura, las finanzas, la automoción y el entretenimiento. 45 En el ámbito educativo, la IA promete revolucionar la forma en la que se enseña y se aprende. Las herramientas basadas en IA, como los sistemas de tutoría inteligente, ofrecen soluciones adaptativas, proporcionando a los estudiantes una experiencia de aprendizaje personalizada. Además, tecnologías emergentes como la realidad virtual (RV) y la realidad aumentada (RA) están siendo integradas por las entidades más audaces en el currículo educativo, ofreciendo experiencias inmersivas y enriquecedoras. Chatbots contra el COVID Durante la pandemia de COVID-19, 1MillionBot desarrolló un asistente virtual inteligente para informar al público sobre la enfermedad, ofrecer diagnósticos preliminares basados en síntomas y responder a preguntas frecuentes. Utilizando como fuente únicamente la información difundida por entidades oficiales, como la Organización Mundial de la Salud (OMS), el Centro Europeo para la Prevención y el Control de Enfermedades, el Ministerio de Sanidad del Gobierno de España…, el asistente, de nombre Carina, se cedió de manera gratuita a empresas privadas y administraciones públicas para insertarlo en sus respectivas páginas web y ayudar de esta manera a contender con la avalancha de preguntas e informaciones de dudosa certeza que surgieron a partir de mediados de marzo de 2020. El propósito que alentó la creación de Carina fue proporcionar respuestas rápidas y precisas a las preguntas más comunes sobre la pandemia y la enfermedad, así como aliviar la presión sobre los sistemas de salud y ayudar en la difusión de información basada en la evidencia científica. Según Raquel Pomares, doctora en biología y directora del proyecto, la pretensión no era otra que, aplicando la IA, “poder resolver las dudas generales sobre el coronavirus que están a nuestro alcance y dar respuesta inmediata y eficaz, sin entrar en cuestiones que deben quedar en manos del personal médico y de los epidemiólogos”. Tras la gran aceptación de Carina, a principios de 2021 1MillionBot lanzó Salva, un asistente virtual que informaba sobre cuestiones relativas a las diversas vacunas contra la COVID-19 que ya entonces habían salido al mercado, así como sobre el propio proceso de vacunación en España. Este asistente, con una disponibilidad ininterrumpida de 24 horas, despejó con agudeza las incógnitas sobre la vacuna y el protocolo de vacunación, apelando a lo colectivo y adaptándose con precisión a las singularidades y directrices de cada comunidad autónoma. De este modo, Salva, además de proporcionar información 46  veraz y actualizada (las respuestas estaban basadas en información del Ministerio de Sanidad del Gobierno de España) sobre un tema complejo y especialmente sensible, ayudó a mitigar el recelo que cierta parte de la población tenía respecto al proceso de vacunación, convirtiéndose en un canal capaz de comunicar sobre las vacunas en circulación, los protocolos frente a reacciones adversas, las posibles contraindicaciones, los beneficios intrínsecos de vacunarse y los plazos establecidos. 3.5. IA y empleo de aplicaciones avanzadas En los últimos años, la IA ha extendido su capacidad de aplicación a innumerables casos de uso. Con la IA generativa ha habido una eclosión de aplicaciones relevantes. Pero los científicos y las grandes empresas tienen elevadas expectativas en que con la IA se podrán afrontar grandes retos de la humanidad, desde la complejidad del cambio climático a la progresiva respuesta a enfermedades complejas como el cáncer. La IA también potencia y se potencia con otras tecnologías digitales como sensorización, IoT, software especializado (robotización) o futuros desarrollos que incremente nuestra capacidad, como la computación cuántica. 47 Dos ejemplos: IA aplicada a la agricultura y al cambio climático Un ejemplo de caso de uso avanzado es la IA aplicada a la agricultura con el propósito de regenerar la tierra y propiciar métodos sostenibles y no agresivos contra el medio natural. Aplicaciones avanzadas de la IA a la agricultura La aplicación más avanzada de IA en la agricultura, especialmente en el contexto de regeneración de tierras y diseño de ecosistemas naturales, combina varias tecnologías y estrategias. Exponemos un resumen de cómo puede integrarse en este ámbito: 1. Análisis de datos y predicción de cultivos. La IA puede analizar grandes conjuntos de datos para predecir las condiciones óptimas de crecimiento de diferentes cultivos. Esto incluye el uso de drones y satélites para monitorear las condiciones del suelo, el clima y la salud de los cultivos. 2. Optimización del uso del agua y nutrientes. La IA puede ayudar en la gestión eficiente de agua y nutrientes con sensores y sistemas inteligentes de riego que ajustan automáticamente las cantidades de una y otros según las necesidades de las plantas. 3. Diseño de ecosistemas permaculturales. Usando modelos de IA, se pueden diseñar ecosistemas que imiten procesos naturales. Ejemplo: seleccionar combinaciones de plantas que se benefician mutuamente (alubias, que fijan nitrógeno en el suelo) y plantas que repelen plagas de forma natural. 4. Control de malas hierbas y plagas. La IA puede identificar y diferenciar entre cultivos y malas hierbas, permitiendo el control selectivo de las malas hierbas sin dañar los cultivos. También puede monitorear y predecir brotes de plagas, permitiendo intervenciones tempranas y más naturales. 5. Regeneración de tierras degradadas. La IA puede analizar las características del suelo y proponer estrategias concretas para su regeneración: rotación de cultivos, plantación de especies que enriquecen el suelo y técnicas de labranza mínima o nula. 6. Integración con otras tecnologías sostenibles. La IA se puede combinar con otras tecnologías (agricultura de precisión, robótica…) para mejorar la eficiencia y sostenibilidad de las prácticas agrícolas. 7. Modelado y simulación de ecosistemas. La IA puede crear modelos detallados de ecosistemas que ayuden a entender mejor cómo diferentes prácticas agrícolas afectan al medio ambiente y la biodiversidad. 48 La IA en la agricultura sostenible y regenerativa se centra en aumentar la eficiencia y productividad y en mantener y mejorar la salud del ecosistema, conservando los recursos naturales y fomentando la biodiversidad. Proyecto NaLamKI, Colaboración entre CiBO Technologies, Alemania Microsoft y Danone, Global: CiBO Europa Technologies El Fraunhofer Institute for En colaboración con EIT Utiliza análisis de datos, Telecommunications, Food, Microsoft y Danone modelado estadístico e IA Heinrich-Hertz-Institut están trabajando para para simular ensayos de (HHI) está trabajando en acelerar el desarrollo de campo y ecosistemas el proyecto NaLamKI para startups agrícolas agrícolas bajo diferentes crear un software como especializadas en IA. condiciones. Esto permite servicio basado en la nube Danone, en particular, se a los agricultores evitar que recopilará datos de enfoca en prácticas de ensayos de campo dispositivos y máquinas agricultura regenerativa, costosos y probar prácticas con el fin de proporcionar protegiendo el suelo y de agricultura regenerativa una base de datos para empoderando a una nueva virtualmente, sin el riesgo pronósticos y ayudas que generación de agricultores de dañar el medio puedan emplearse en la a través de contratos a ambiente o sacrificar el toma de decisiones. largo plazo y sistemas de rendimiento. Además, Optimiza con IA procesos gestión de precios. Este combinan algoritmos de agrícolas (irrigación, proyecto busca optimizar y IA con tecnologías fertilización y control de simplificar la agricultura robóticas para automatizar plagas) para mejorar los regenerativa para que se y controlar el proceso rendimientos de los integre en las actividades agrícola, como determinar cultivos, reducir las diarias de los agricultores6. el momento óptimo para la emisiones y cuidar la cosecha y realizarla con biodiversidad5. robots autónomos7. 5 https://www.fraunhofer.de/en/press/research-news/2021/november-2021/ai-technologies-for-s ustainable-agriculture.html 6 https://www.eitfood.eu/blog/farming-for-a-better-climate-five-examples-of-regenerative-agricult ure-done-well 7 https://www.mckinsey.com/capabilities/sustainability/our-insights/feeding-the-world-sustainably 49 IA y cambio climático Eficiencia en la monitorización y reducción de emisiones. Empresas como Google y Microsoft y consultorías globales como BCG y PwC están utilizando IA para mejorar la eficiencia en la monitorización y reducción de emisiones de gases de efecto invernadero. Pronóstico y recuperación de desastres. La IA se utiliza para mejorar las capacidades de pronóstico y recuperación ante desastres naturales, un aspecto crucial dado el aumento de eventos climáticos extremos. Descarbonización de procesos industriales. La IA está ayudando a las industrias a descarbonizar sus procesos, reduciendo así su huella de carbono. Reducción de contrails en aerolíneas. American Airlines ha utilizado la IA para reducir a más de la mitad sus contrails (estelas de condensación), que contribuyen al calentamiento del planeta. Rutas eco-amigables en Google Maps. Google afirma que, gracias a las rutas eco-amigables impulsadas por IA en Google Maps, se han evitado más de 2,6 millones de toneladas de gases de efecto invernadero. Herramientas de monitorización como Climate Trace. Utilizando IA y una red de satélites, herramientas como Climate Trace de Al Gore pueden monitorear con detalle las emisiones de más de 350 millones de sitios. Investigación y desarrollo de tecnologías climáticas. La IA acelera la investigación y desarrollo de tecnologías emergentes para el clima, como la fusión nuclear, mediante el análisis rápido de literatura científica y la identificación de materiales y procesos prometedores. Modelo de aprendizaje de IA en Fusión Nuclear. Google's DeepMind ha desarrollado un modelo de aprendizaje de IA para controlar las formas de plasma en reactores de fusión nuclear, un paso crítico hacia la comercialización de la energía de fusión. Contribución a la Inteligencia social Climática. Herramientas como ClimateGPT, un chatbot de IA, contribuyen a la formación de un consenso global sobre la acción climática y ayudan a comprender mejor las políticas y acciones necesarias para enfrentar el cambio climático. Fuente: ImpactAlpha (2023) AI’s killer app: Guiding humanity through the climate challenge. 50 3.6. Sobre la IA fuerte y el debate sobre si sería alcanzable La inteligencia artificial fuerte (IAC), también conocida como inteligencia artificial general (AGI, por sus siglas en inglés), se refiere, como hemos dicho, a una forma de inteligencia artificial que puede comprender, aprender y aplicar su inteligencia a una amplia gama de problemas, de manera similar a como lo hace un ser humano. A diferencia de la inteligencia artificial débil o estrecha, que está diseñada para tareas específicas, la IAC tendría la capacidad de aplicar su inteligencia de manera flexible y adaptable. Respecto a cuándo se logrará la IAC, actualmente no existe un consenso claro en la comunidad científica y tecnológica. Es un tema de gran especulación y debate, y las estimaciones varían ampliamente. No hay un consenso sobre una fecha específica; las opiniones oscilan desde un optimismo tecnológico cauteloso hasta un escepticismo científico significativo. La IAC sigue siendo un objetivo a largo plazo en el campo de la IA, con muchos desafíos técnicos y éticos por resolver. Un informe interesante sobre la inteligencia artificial, incluyendo aspectos de la inteligencia artificial fuerte (IAC) o general (AGI), es el presentado por el Parlamento Europeo, titulado Informe sobre la inteligencia artificial en la era digital (Parlamento Europeo A9-0088/20228). Este informe fue desarrollado por la Comisión Especial sobre Inteligencia Artificial en la Era Digital (AIDA). Se centra en el impacto y la importancia de la IA en la transformación digital actual y propone una hoja de ruta para que la Unión Europea responda a los retos económicos y sociales relacionados con la IA en los próximos años. Este informe destaca la necesidad de un entorno normativo favorable para la IA, incluyendo la regulación de aplicaciones de alto riesgo y la importancia de datos de alta calidad. También aborda la necesidad de un mercado único digital integrado y armonizado, infraestructura sólida y conectividad para facilitar la innovación en IA. Además, subraya la importancia de fomentar un ecosistema de excelencia en IA, donde los ciudadanos puedan adquirir competencias digitales y de IA, y se promueva la cooperación internacional en estos campos. La Universidad de Stanford y el MIT han contribuido significativamente al debate y la investigación sobre la inteligencia artificial fuerte (IAC) o general (AGI). A continuación, se presenta un resumen de sus perspectivas y hallazgos: 8 https://www.europarl.europa.eu/doceo/document/A-9-2022-0088_ES.html 51 Algunos activos importantes de cara a la IAC Avances en aprendizaje autosupervisado y transformadores. Stanford9 destaca avances significativos en el aprendizaje autosupervisado y en arquitecturas de redes neuronales como los transformadores. Estos métodos se están convirtiendo en herramientas prometedoras para la creación de sistemas de IA más generales, aplicables a una amplia variedad de datos. El MIT también destaca varios enfoques en desarrollo, como el aprendizaje autosupervisado ya citado, el aprendizaje por transferencia, la inclusión de sentido común y la inferencia causal, y optimizadores de aprendizaje. Estas áreas se basan en el aprendizaje profundo. El meta-aprendizaje y aprendizaje multitarea son sistemas de IA que pueden aprender múltiples tareas simultáneamente, evitando la interferencia catastrófica entre tareas. El meta-aprendizaje está contribuyendo a un conocimiento implícito sobre el mundo y la capacidad de hacer analogías10. Tanto Stanford como el MIT reconocen avances significativos hacia la AGI, aunque también enfatizan que todavía estamos lejos de alcanzarla. Hay un creciente interés y aceptación del concepto de AGI, pero se reconoce que aún quedan importantes desafíos, incluyendo el desarrollo del sentido común en la IA y la capacidad de aprender de manera más generalizada y flexible. Por qué los avances de Open AI, como GPT-4, hacen pensar que la IA general está más cerca GPT-4, con sus capacidades avanzadas, ha avivado el debate sobre cuán cerca estamos de alcanzar la IA general. Algunas de las razones de este entusiasmo incluyen: 1. Capacidades multidisciplinarias. GPT-4 muestra una notable habilidad para realizar tareas en una amplia gama de disciplinas, desde lenguajes de programación hasta escritura creativa, sugiriendo un paso hacia la flexibilidad de la AGI. 2. Mejora en la comprensión y generación de textos. GPT-4 demuestra un entendimiento más profundo del lenguaje natural y una capacidad para generar 9 https://ai100.stanford.edu/gathering-strength-gathering-storms-one-hundred-year-study-artificial -intelligence-ai100-2021-1/sq5 10 https://www.technologyreview.com/2020/10/15/1010461/artificial-general-intelligence-robots-a i-agi-deepmind-google-openai/ 52 respuestas coherentes y contextuales, acercándose más a cómo los humanos procesan y utilizan el lenguaje. 3. Capacidad de aprendizaje y adaptación. Aunque GPT-4 todavía se basa en aprendizaje supervisado y no puede aprender de manera autónoma como lo haría una AGI, su capacidad para adaptarse a una amplia gama de tareas y preguntas muestra una notable versatilidad. 4. Interfaz más intuitiva con los humanos. La facilidad de interacción con GPT-4, donde los usuarios pueden obtener respuestas detalladas y contextualizadas, refleja un avance hacia sistemas de IA con los que los humanos pueden interactuar de manera más natural y efectiva. Sin embargo, es importante destacar que, aunque GPT-4 es un avance significativo en la IA, todavía est?