La lección amarga

Principio de la historia de la inteligencia artificial según el cual los métodos generales que escalan con más computación acaban superando, a largo plazo, a los sistemas que dependen de conocimiento humano codificado a mano. Richard Sutton lo formuló en 2019 como una lección “amarga” porque contradice una intuición humana: queremos que la IA use nuestras ideas elegantes sobre cómo pensamos, pero los mayores avances suelen venir de búsqueda, aprendizaje y escala.

La lección no prohíbe el conocimiento experto. Sostiene que codificarlo directamente suele ayudar al principio y estorbar después. En ajedrez, visión, habla, Go y modelos de lenguaje, el patrón se repite: las reglas especializadas dan resultados tempranos; los métodos generales que aprenden de muchos datos, ajustan políticas por aprendizaje por refuerzo y explotan más cómputo terminan ganando cuando el problema crece.

Para la IA, la lección explica por qué la fuerza bruta sofisticada no es una falta de inteligencia, sino una ruta histórica de progreso. Sus vecinas técnicas son las leyes de escalamiento y la calidad de datos. Para los humanos, funciona como advertencia epistemológica: no podemos multiplicar nuestro cómputo por miles, pero sí elegir qué datos consumimos, cómo procesamos los errores y en qué entornos aprendemos. Ahí entra la respuesta cognitiva de los pilares del aprendizaje.

Dónde aparece en Nuevas Ciencias

  • La lección amarga: el ensayo usa el texto de Sutton para conectar ajedrez, AlphaGo, LLM y aprendizaje humano.

Conceptos vecinos

Fuentes

Retroenlaces

Conexiones

Conexiones