El simio algorítmico: decodificando la inteligencia cognitiva y la búsqueda de su eco artificial

I. Introducción: El laberinto del pensamiento

La humanidad ha estado cautivada desde hace mucho tiempo por el intrincado funcionamiento de su propia mente, un laberinto de pensamiento, emoción y conciencia que define nuestra experiencia del mundo. Esta fascinación perenne por la naturaleza de la inteligencia misma ha encontrado un eco poderoso y moderno en el auge explosivo de... inteligencia artificial (IA). Nos encontramos en una coyuntura única, comprometidos con una doble misión: profundizar nuestra comprensión de la inteligencia cognitiva que nos hace humanos y, simultáneamente, crear contrapartes artificiales que puedan reflejar, aumentar o incluso, algún día, superar estas capacidades. El viaje hacia la esencia de lo que significa pensar ya no se limita a la filosofía y la psicología; ahora es una preocupación central de la informática y la ingeniería, que impulsa innovaciones que prometen transformar nuestro mundo.

En el centro de esta exploración se encuentra la inteligencia cognitiva, la base misma de nuestras capacidades mentales. Es la compleja maquinaria que nos permite aprender de nuestras experiencias, recordar el pasado, razonar sobre problemas complejos, comunicar ideas con matices y afrontar los innumerables desafíos de la existencia.¹ Abarca un conjunto de funciones mentales interconectadas, desde el haz de atención concentrado hasta las vastas redes de la memoria y el poder abstracto del lenguaje. Comprender estos componentes es clave para comprendernos a nosotros mismos.

Este artículo se adentra en este complejo terreno, examinando la inteligencia cognitiva desde sus raíces biológicas en el cerebro humano y sus diversas manifestaciones en la psicología humana, hasta los ambiciosos y rápidamente evolutivos esfuerzos en el campo de la inteligencia artificial para simular, replicar y ampliar estas profundas capacidades. El esfuerzo por comprender la inteligencia cognitiva es mucho más que un ejercicio académico. A medida que navegamos en una era cada vez más definida e impulsada por la inteligencia artificial, una comprensión clara de la cognición natural y artificial se vuelve crucial. El desarrollo de una IA capaz de "pensar" de forma análoga a la de los humanos tiene un potencial inmenso, desde revolucionar los descubrimientos científicos y la atención médica hasta transformar las industrias y la vida cotidiana. Sin embargo, también presenta enormes desafíos y dilemas éticos que exigen una cuidadosa consideración. Hay mucho en juego, y afecta al futuro del trabajo humano, la naturaleza de la creatividad, la definición de comprensión y, en última instancia, lo que significa ser inteligente en un mundo compartido con máquinas cada vez más capaces.

Para ilustrar este tema multifacético, esta exploración se centrará primero en los antecedentes de la inteligencia cognitiva, deconstruyendo sus componentes centrales y rastreando la búsqueda histórica de mapear la mente. A continuación, examinaremos la comprensión científica actual de la cognición humana y artificial, explorando perspectivas de la psicología cognitiva, la neurociencia y la vanguardia de la investigación en IA, incluyendo el notable auge de los grandes modelos de lenguaje. A continuación, abordaremos los formidables desafíos que se encuentran en el camino hacia la verdadera comprensión y emulación de la inteligencia cognitiva, desde los obstáculos técnicos para crear sentido común en las máquinas hasta las profundas cuestiones filosóficas en torno a la consciencia. Finalmente, proyectaremos nuestra mirada hacia el futuro, considerando las perspectivas de la IA avanzada, la búsqueda de la Inteligencia Artificial General (IAG), la importancia crucial de la seguridad y la ética, y el potencial de una coevolución sinérgica de las mentes humanas y artificiales, antes de ofrecer algunas reflexiones finales sobre este tapiz de inteligencia en desarrollo.

II. Antecedentes: Trazando la evolución de «Pensar sobre el pensamiento»

Para comprender el panorama actual y la trayectoria futura de la inteligencia cognitiva, tanto humana como artificial, es fundamental trazar primero sus orígenes conceptuales e históricos. Esto implica deconstruir la noción misma de inteligencia cognitiva en sus componentes fundamentales y rastrear el largo recorrido intelectual emprendido por científicos y filósofos para comprender cómo pensamos.

A. Desconstruyendo la inteligencia cognitiva: el conjunto de herramientas mentales

La inteligencia cognitiva, en su sentido más amplio, se refiere a la capacidad mental y la comprensión humana desarrolladas a través del pensamiento, las experiencias y los sentidos.¹ Es la capacidad de generar nuevos conocimientos utilizando la información existente, abarcando una amplia gama de funciones intelectuales que, en conjunto, nos permiten interactuar con el mundo y comprenderlo. Estos componentes centrales forman el conjunto de herramientas mentales que sustenta nuestra destreza cognitiva:

• Atención: Este es el proceso cognitivo de concentrarse selectivamente en un aspecto del entorno mientras se ignoran otras cosas.² Actúa como un filtro crucial, determinando qué información se prioriza para su posterior procesamiento. La atención no es una entidad monolítica; incluye la capacidad de mantener la concentración a lo largo del tiempo (vigilancia), de cambiar el enfoque entre tareas (cambio de tareas) y de distribuir la atención entre múltiples estímulos. Su función como puerta de entrada para el procesamiento de la información es fundamental: sin la capacidad de atención, el aprendizaje y la memoria se verían gravemente afectados.
• Percepción: La percepción es cómo organizamos, identificamos e interpretamos la información sensorial para representar y comprender nuestro entorno.² Se trata de algo más que simplemente recibir datos pasivamente a través de nuestros cinco sentidos clásicos (vista, oído, olfato, gusto, tacto); es un proceso activo de construcción de experiencias significativas a partir de información sensorial bruta, influenciada por nuestro conocimiento previo, nuestras expectativas y nuestro contexto.² La ciencia cognitiva reconoce diversas formas de percepción, incluida la percepción temporal (conciencia del tiempo), la percepción espacial e incluso la percepción musical.²
• Memoria: La memoria es la facultad del cerebro mediante la cual se codifica, almacena y recupera la información.² Es un sistema complejo, a menudo conceptualizado con diferentes etapas o tipos, como la memoria de corto plazo (o de trabajo), que retiene la información temporalmente para su procesamiento activo, y la memoria de largo plazo, que almacena la información durante períodos prolongados.² La memoria humana a largo plazo es notablemente asociativa y vincula distintos fragmentos de información a través del contexto y la experiencia, una característica que contrasta con la memoria de los sistemas de IA actuales, más centrada en la recuperación y basada en datos.⁴ La memoria está inextricablemente ligada al aprendizaje, ya que almacenar información es un prerrequisito para adquirir nuevos conocimientos y habilidades.⁵
• Idioma: El lenguaje es un sistema estructurado de comunicación que implica el uso de palabras y gestos hablados, escritos o firmados.² Se trata de una capacidad cognitiva exclusivamente humana y notablemente compleja, central no sólo para la comunicación interpersonal sino también para el pensamiento abstracto, el razonamiento y la transmisión de la cultura.⁴ Si bien la IA moderna, en particular los modelos de lenguaje grande (LLM), ha demostrado una competencia impresionante a la hora de generar textos similares a los humanos e incluso participar en conversaciones aparentemente coherentes, sigue habiendo una distinción entre esta fluidez sintáctica y semántica y la comprensión genuina, rica en contexto y emocionalmente matizada que caracteriza el uso del lenguaje humano.⁴
• Razonamiento y juicio: Estos procesos implican la capacidad de pensar lógicamente, hacer inferencias, resolver problemas y formar opiniones o conclusiones.¹ El razonamiento puede ser deductivo (extraer conclusiones específicas a partir de principios generales) o inductivo (formular principios generales a partir de observaciones específicas). El juicio implica evaluar la evidencia y tomar decisiones, a menudo en condiciones de incertidumbre.²
• Funciones ejecutivas: Se trata de un conjunto de procesos cognitivos de orden superior que controlan y regulan otras capacidades y conductas cognitivas.² Incluyen la planificación, la toma de decisiones, la memoria de trabajo, la flexibilidad cognitiva (la capacidad de alternar entre diferentes conceptos o tareas), la inhibición (la capacidad de suprimir información o respuestas irrelevantes) y la autosupervisión. A menudo comparadas con el "director ejecutivo" del cerebro, las funciones ejecutivas son cruciales para la conducta orientada a objetivos y la adaptación a situaciones novedosas. Estas se explorarán con mayor profundidad en la Sección III.A.

También es importante distinguir la inteligencia cognitiva de otros conceptos relacionados:

• Inteligencia cognitiva vs. inteligencia emocional: Mientras que la inteligencia cognitiva se centra en las habilidades analíticas, el razonamiento y la adquisición de conocimientos, la inteligencia emocional se refiere a la capacidad de percibir, comprender, gestionar y utilizar las emociones de forma eficaz en uno mismo y en los demás.² La inteligencia cognitiva emplea un enfoque analítico, que a menudo apunta a planificar y mitigar riesgos, mientras que la inteligencia emocional utiliza un enfoque empático, centrándose en las relaciones interpersonales y el equilibrio del estado de ánimo.² Daniel Goleman popularizó la inteligencia emocional, dividiéndola en competencias como la autoconciencia, la autogestión, la conciencia social y la gestión de las relaciones.⁶ Ambos son vitales para el funcionamiento humano general, pero representan diferentes facetas de nuestro paisaje mental.
• Inteligencia cognitiva vs. inteligencia artificial (específica vs. general): La inteligencia cognitiva humana se caracteriza por su amplitud, adaptabilidad y capacidad para integrar información de diversos contextos. En contraste, la mayoría de los sistemas de IA actuales exhiben Inteligencia Artificial Estrecha (ANI), también conocida como IA débil.⁸ Estos sistemas están diseñados y entrenados para tareas específicas, como asistentes virtuales (Siri, Alexa), algoritmos de recomendación (Netflix, Spotify) o software de reconocimiento de imágenes.⁸ Destacan dentro de su alcance limitado, pero carecen de inteligencia o conciencia general. El objetivo aspiracional de la IA es Inteligencia Artificial General (IAG), o IA fuerte, que se refiere a sistemas de IA que poseen capacidades cognitivas similares a las humanas e inteligencia general en una amplia gama de tareas y dominios.⁸ La IAG teóricamente sería capaz de comprender, aprender y aplicar conocimientos de forma autónoma, exhibiendo potencialmente conciencia e inteligencia emocional, aunque sigue siendo un concepto teórico aún no alcanzado.⁴

Para ofrecer una distinción más clara, la siguiente tabla ofrece una descripción comparativa:

Tabla 1: Panorama comparativo de las inteligencias

Característica	Inteligencia cognitiva (humana)	Inteligencia emocional (humana)	IA estrecha (ANI)	Inteligencia Artificial General (AGI) (Teórica)
Características clave	Analítico, basado en el razonamiento, adquisición de conocimientos, adaptable.	Empático, consciente de sí mismo, socialmente consciente, gestión de relaciones.	Específico de la tarea, basado en reglas o reconocimiento de patrones, alcance limitado	Capacidades cognitivas similares a las humanas, aprendizaje general, razonamiento autónomo.
Enfoque principal	Comprensión, resolución de problemas, aprendizaje, toma de decisiones.	Gestión de emociones propias y ajenas, habilidades interpersonales	Realizar tareas específicas y predefinidas de manera eficiente	Comprender, aprender y aplicar el conocimiento en diversos dominios
Estilo de aprendizaje	Pensamiento experiencial, observacional y abstracto; a menudo, datos pequeños son suficientes.	Aprendiendo de las interacciones sociales, la retroalimentación y la autorreflexión.	Entrenado en grandes conjuntos de datos para tareas específicas, a menudo supervisadas o de refuerzo.	Hipotéticamente, aprendizaje adaptable a partir de diversas aportaciones, potencialmente no supervisado.
Fortalezas	Creatividad, comprensión contextual, adaptabilidad, pensamiento abstracto.	Empatía, navegación social, autorregulación, construcción de relaciones.	Rapidez, precisión, eficiencia en tareas específicas, procesamiento de datos.	Hipotéticamente, un rendimiento a nivel humano (o superior) en todas las tareas cognitivas
Limitaciones	Propenso a sesgos, fatiga, influencia emocional, velocidad de procesamiento limitada.	Puede verse influenciado por sesgos cognitivos y puede ser mentalmente agotador.	Carece de sentido común, creatividad, verdadera comprensión, conocimiento del contexto y adaptabilidad fuera del entrenamiento.	Actualmente inexistente; posibles limitaciones desconocidas, seguridad y preocupaciones éticas

Esta comprensión fundamental de los componentes de la inteligencia cognitiva y sus distinciones con respecto a conceptos relacionados sienta las bases para explorar su desarrollo histórico y la comprensión científica actual. Las herramientas y metáforas disponibles en diferentes momentos han moldeado significativamente esta comprensión, desde los primeros métodos introspectivos hasta los potentes modelos computacionales actuales.

B. Una breve historia: La búsqueda para mapear la mente

El esfuerzo humano por comprender el "pensamiento sobre el pensamiento" es antiguo, y las indagaciones filosóficas sobre la naturaleza del pensamiento, el conocimiento y la razón se remontan a la antigüedad. Sin embargo, el estudio científico de la inteligencia cognitiva comenzó a formalizarse mucho más tarde.

Raíces filosóficas y psicología temprana:

La disciplina formal de la psicología surgió a finales del siglo XIX, marcando un cambio hacia la investigación empírica de la mente. Wilhelm Wundt, a menudo considerado el "padre de la psicología", fundó el primer laboratorio de psicología en Leipzig, Alemania, en 1879. Su trabajo se centró en la introspección, un examen sistemático de las propias experiencias conscientes, con el objetivo de descomponer los procesos mentales en sus componentes más básicos. Casi al mismo tiempo, William James, filósofo y psicólogo estadounidense, publicó su obra fundamental, "Principios de psicología" (1890), que sentó las bases del funcionalismo. El funcionalismo enfatizó el valor adaptativo de los procesos mentales y su papel para ayudar a los organismos a sobrevivir y prosperar, desplazando el enfoque de la estructura de la conciencia a su propósito.

principios del siglo XX psicólogos de la Gestalt Al igual que Max Wertheimer, Kurt Koffka y Wolfgang Köhler investigaron la organización perceptiva y la resolución de problemas, proponiendo famosamente que “el todo es mayor que la suma de sus partes”.⁹ Argumentaron que la mente percibe patrones y relaciones, más que solo componentes sensoriales individuales. Simultáneamente, Jean Piaget, un psicólogo suizo, comenzó su trabajo innovador sobre el desarrollo cognitivo en los niños.⁹ A través de una observación meticulosa, Piaget propuso una teoría de etapas del crecimiento intelectual, describiendo distintas fases: sensoriomotora (nacimiento-2 años), preoperacional (2-7 años), operacional concreta (7-11 años) y operacional formal (adolescencia-adultez).¹¹ Destacó que los niños son aprendices activos que construyen su comprensión del mundo a través de procesos de asimilación (adaptar nuevas experiencias a conceptos o esquemas mentales existentes) y alojamiento (adaptar esquemas existentes para adaptarse a nuevas experiencias).¹⁰

La revolución cognitiva (mediados del siglo XX):

Durante gran parte de la primera mitad del siglo XX, particularmente en América del Norte, la psicología estuvo dominada por el conductismo, que se centraba casi exclusivamente en los comportamientos observables y evitaba el estudio de los procesos mentales internos.14 Sin embargo, en las décadas de 1950 y 1960, comenzó a afianzarse una “revolución cognitiva”, impulsada por la insatisfacción con las limitaciones del conductismo e influenciada por los avances en otros campos como la lingüística, la informática y la teoría de la información.14

Un momento crucial en esta revolución, a menudo citado por el psicólogo George Miller como el “nacimiento” de la ciencia cognitiva, fue el Simposio sobre teoría de la información celebrado en el MIT el 11 de septiembre de 1956.¹⁴ Este evento reunió a figuras clave cuyo trabajo orientaría sus respectivos campos hacia una dirección más cognitiva. Presentaciones de informáticos. Allen Newell y Herbert Simónlingüista Noam Chomsky, y el propio Miller destacó la interconexión entre la psicología experimental humana, la lingüística teórica y la simulación informática de los procesos cognitivos.¹⁴ Este simposio subrayó la naturaleza inherentemente interdisciplinaria del campo emergente de la ciencia cognitiva, un esfuerzo colaborativo que involucra la psicología, la informática, la neurociencia, la lingüística y la filosofía.¹⁴

Varias figuras influyentes y sus contribuciones fueron centrales en este período:

• George Miller: Su artículo de 1956, “El número mágico siete, más o menos dos: algunos límites en nuestra capacidad para procesar información”, demostró limitaciones fundamentales en la capacidad de la memoria de corto plazo, un estudio histórico en la psicología cognitiva.⁹ También cofundó el Centro de Estudios Cognitivos de la Universidad de Harvard con Jerome Bruner en 1960, fomentando la investigación sobre los procesos mentales.¹⁴
• Noam Chomsky: Chomsky revolucionó la lingüística con su teoría de gramática generativa, esbozado en obras como “Estructuras sintácticas” (1957).⁹ Argumentó que los humanos poseen una capacidad innata dispositivo de adquisición del lenguaje (LAD), lo que les permite aprender y producir lenguaje de forma creativa, un desafío directo a las teorías conductistas que consideraban que el lenguaje se aprendía únicamente a través del refuerzo.⁹ Su crítica de 1959 a “Verbal Behavior” de BF Skinner fue una articulación particularmente contundente de esta perspectiva cognitiva sobre el lenguaje.¹⁴
• Allen Newell y Herbert Simon: Estos pioneros en inteligencia artificial desarrollaron algunos de los primeros programas de IA que buscaban simular el pensamiento humano. Teórico de la lógica (mediados de la década de 1950) fue el primer programa diseñado para imitar las habilidades humanas de resolución de problemas demostrando teoremas en lógica simbólica.¹⁴ Más tarde crearon el Solucionador de problemas generales (GPS), un programa de IA que intentó resolver una gama más amplia de problemas formalizados utilizando estrategias como el análisis de medios y fines y la heurística.⁹ Su trabajo introdujo conceptos como racionalidad limitada (la idea de que la toma de decisiones humanas está limitada por la información disponible, las restricciones cognitivas y el tiempo) y la Hipótesis del sistema de símbolos físicos, que postula que un sistema físico capaz de manipular símbolos tiene los medios necesarios y suficientes para la acción inteligente.¹⁸

Teorías fundamentales de la inteligencia y la cognición:

Junto a estas contribuciones individuales, surgieron varias teorías generales sobre la inteligencia y la cognición que proporcionaron marcos para comprender el funcionamiento de la mente:

• Teoría del procesamiento de la información: Esta teoría, que ganó importancia durante la revolución cognitiva, compara la mente humana con una computadora, centrándose en cómo se codifica (entrada), se almacena, se procesa (manipula internamente) y se recupera (salida) la información.¹⁰ Examina procesos como la atención, la percepción, la memoria y la resolución de problemas como etapas de este flujo de información.
• Teoría de los dos factores de Spearman: Propuesta por Charles Spearman, esta teoría sugiere que la inteligencia consiste en una factor de inteligencia general (factor g), que influye en el desempeño en diversas tareas cognitivas y factores específicos (factores s) exclusivos de habilidades particulares.¹⁰ El factor g se considera un predictor clave del éxito académico y ocupacional.
• Habilidades mentales primarias de Thurstone: Louis Thurstone desafió la idea de un único factor g, identificando siete habilidades mentales primarias distintas, incluyendo la comprensión verbal, la capacidad numérica, las relaciones espaciales, la velocidad de percepción, la fluidez de palabras, la memoria y el razonamiento.¹⁰ Argumentó que los individuos podían sobresalir en algunas áreas y ser promedio en otras.
• Teoría de Cattell-Horn-Carroll (CHC): Esta es una teoría más contemporánea y completa que integra los conceptos de Raymond Cattell de inteligencia fluida (razonamiento y resolución de problemas en situaciones novedosas) y inteligencia cristalizada (conocimiento adquirido a partir de la experiencia) con la teoría de los tres estratos de John Carroll.¹⁰ Propone un modelo jerárquico de inteligencia con habilidades amplias y específicas.
• La teoría de las inteligencias múltiples de Gardner: Howard Gardner propuso que la inteligencia no es una entidad única sino que comprende múltiples tipos distintos, como la lingüística, la lógico-matemática, la espacial, la musical, la corporal-cinestésica, la interpersonal, la intrapersonal y la naturalista.¹⁰ Esta teoría enfatiza los talentos diversos y fomenta enfoques educativos que nutran diversas inteligencias.
• La teoría triárquica de la inteligencia de Sternberg: Robert Sternberg dividió la inteligencia en tres componentes: inteligencia analítica (resolución de problemas y habilidades académicas), inteligencia creativa (innovación y tratamiento de la novedad), y inteligencia práctica (adaptarse a situaciones del mundo real o “inteligencia callejera”).¹⁰ Desde este punto de vista, la inteligencia exitosa implica un equilibrio de los tres.

El desarrollo de estas teorías psicológicas de la cognición y la inteligencia se produjo en paralelo con el floreciente campo de la informática, y a menudo influenciado por él. La idea misma del pensamiento como computación, una derivación de la lógica moderna desarrollada por matemáticos como George Boole (cuyo libro "Las Leyes del Pensamiento" de 1854 demostró operaciones formales sobre conjuntos correspondientes a operadores lógicos) y conceptualizada para máquinas por pioneros como Charles Babbage (con su "máquina analítica" del siglo XIX) y Alan Turing (con su máquina de Turing teórica en la década de 1930), proporcionó una nueva y poderosa metáfora y un conjunto de herramientas prácticas para modelar los procesos mentales.¹⁴ El trabajo de Claude Shannon sobre la teoría de la información y la implementación de operaciones booleanas a través de interruptores eléctricos sentó las bases.¹⁴

Los primeros programas de IA funcionales, como el Logic Theorist de Newell y Simon, y la denominación formal de “Inteligencia Artificial” por parte de John McCarthy y Marvin Minsky en la Conferencia de Dartmouth en 1956 (aunque las bases se sentaron en el simposio del MIT a principios de ese año), marcaron el inicio práctico de la búsqueda de la IA para simular las funciones cognitivas humanas.¹⁴ Esta interrelación histórica entre la psicología, la lingüística y la informática pone de relieve una comprensión crucial: nuestra concepción de la inteligencia cognitiva siempre ha estado condicionada por las herramientas y metáforas dominantes de la época. Así como la máquina de vapor impulsó la revolución industrial, la computadora proporcionó un marco revolucionario para comprender la mente, dando lugar al paradigma del procesamiento de la información que sigue siendo influyente en la actualidad. Esta coevolución sugiere que nuestra comprensión de la cognición no es una revelación estática, sino un proceso dinámico, que se perfecciona continuamente a medida que se expanden nuestras capacidades tecnológicas y metodológicas. Además, la temprana y persistente naturaleza interdisciplinaria de esta búsqueda subraya que desentrañar las complejidades de la inteligencia exige un enfoque multifacético, que rompa los silos académicos tradicionales para fomentar perspectivas sinérgicas. Los debates históricos sobre la naturaleza singular versus multifacética de la inteligencia también siguen resonando en la IA moderna, en particular en los debates actuales sobre la arquitectura y la naturaleza de la posible Inteligencia Artificial General.

Tabla 2: Hitos clave en la ciencia cognitiva y la IA temprana

Años)	Desarrollo/teoría clave	Contribuyentes principales	Significado
1879	Se establece el primer laboratorio de psicología	Wilhelm Wundt	Marcó el nacimiento formal de la psicología como disciplina científica; centrada en la introspección. 9
1890	Se publican los “Principios de Psicología”	William James	Sentó las bases del funcionalismo; enfatizó el valor adaptativo de los procesos mentales. 9
Principios del siglo XX.	Psicología de la Gestalt	Max Wertheimer, Kurt Koffka, Wolfgang Köhler	Percepción investigada y resolución de problemas: “el todo es mayor que la suma de sus partes”. 9
Década de 1920-1970	La teoría del desarrollo cognitivo de Piaget	Jean Piaget	Teoría de etapas del crecimiento intelectual en niños (sensoriomotor, preoperacional, operacional concreto, operacional formal). 9
1936	Concepto de máquina de Turing	Alan Turing	Modelo teórico de computación, fundamental para la informática y la IA. 14
Mediados de la década de 1950	Teórico de la lógica	Allen Newell, Herbert Simon	Primer programa de IA que imita la resolución de problemas humanos (demostración de teoremas). 14
1956	Simposio del MIT sobre teoría de la información	George Miller, Noam Chomsky, Newell & Simon	Considerado el momento de nacimiento de la ciencia cognitiva; destacó los vínculos interdisciplinarios. 14
1956	“El número mágico siete, más o menos dos”	George Miller	Límites destacados de la capacidad de la memoria a corto plazo. 9
1956	Conferencia de Dartmouth (nombramiento formal de la IA)	John McCarthy, Marvin Minsky, et al.	Acuñó el término “Inteligencia Artificial” y lo estableció como un campo de investigación. 14
1957	“Estructuras sintácticas” y gramática generativa	Noam Chomsky	Revolucionó la lingüística; propuso un dispositivo de adquisición del lenguaje innato. 9
Década de 1950-1960	Solucionador de problemas generales (GPS)	Allen Newell, Herbert Simon	Primer programa de IA que demuestra la resolución heurística de problemas. 9
A partir de la década de 1960	El auge de la teoría del procesamiento de la información	Varios (influenciados por Miller, Broadbent, Neisser)	Paradigma dominante en psicología cognitiva: la mente vista como una computadora (codificación, almacenamiento, recuperación). 10
1960	Se funda el Centro de Estudios Cognitivos de Harvard	George Miller, Jerome Bruner	Fomentó la investigación en psicología cognitiva, alejándose del conductismo. 14

III. Estado actual: Descifrando la cognición humana y artificial

La búsqueda histórica de la comprensión del pensamiento ha allanado el camino para las investigaciones contemporáneas sobre los intrincados mecanismos de la cognición humana y artificial. Hoy en día, la psicología cognitiva y la neurociencia proporcionan mapas cada vez más detallados del motor cognitivo humano, mientras que la inteligencia artificial se esfuerza por construir sistemas que no solo reflejen estas capacidades, sino que, en algunos casos, las aumenten o incluso las superen.

A. El motor cognitivo humano: una sinfonía de mente y cerebro

Nuestra capacidad de pensar, aprender y tomar decisiones es producto de interacciones complejas dentro de nuestro cerebro, moldeadas por la experiencia y nuestro compromiso con el mundo.

1. Perspectivas de la psicología cognitiva: cómo pensamos, aprendemos y decidimos

La psicología cognitiva contemporánea continúa perfeccionando nuestra comprensión del funcionamiento interno de la mente. Modelos de procesamiento de información siguen siendo influyentes, conceptualizando la mente como un sistema que procesa activamente la información a través de varias etapas: la información sensorial se percibe, se atiende, se codifica en la memoria, se manipula mentalmente y luego se utiliza para generar respuestas o decisiones.¹⁵ Un énfasis clave está en procesos de mediación – los eventos mentales internos como la memoria, la percepción y la resolución de problemas que ocurren entre un estímulo externo y una respuesta observable.²⁰ Estos modelos ayudan a explicar cómo damos sentido al flujo constante de información de nuestro entorno.

En el centro de este procesamiento de la información se encuentran: esquemas y modelos mentalesLos esquemas son marcos cognitivos o «paquetes de información» construidos a partir de experiencias previas que nos ayudan a organizar e interpretar nueva información de manera eficiente.⁵ Por ejemplo, nuestro esquema para "un aula" incluye expectativas sobre los pupitres, el profesor y las actividades de aprendizaje. Al encontrarnos con un aula nueva, este esquema nos ayuda a comprender rápidamente la situación. El trabajo de Jean Piaget destacó cómo los niños construyen activamente estos modelos mentales del mundo para comprender sus experiencias.⁵

Razonamiento y resolución de problemas Son funciones cognitivas fundamentales. Los psicólogos estudian cómo los humanos abordan la deducción lógica, la inferencia inductiva y la resolución de nuevos desafíos. Una perspectiva contemporánea, la perspectiva de "ciclo cerrado" de la toma de decisiones, la considera un proceso interactivo, continuo y dinámico de intercambio entre los humanos y su entorno.²³ Esto contrasta con los antiguos modelos lineales de "ciclo abierto", que representaban la toma de decisiones como una secuencia más directa del problema a la solución. En situaciones reales, en particular las que involucran experiencia, toma de decisiones naturalista La investigación examina cómo los individuos toman decisiones en condiciones complejas, limitadas en el tiempo y a menudo ambiguas, basándose en la experiencia y el reconocimiento de patrones.²⁴

Sin embargo, el razonamiento humano no siempre es perfectamente lógico. A menudo nos basamos en heurística – atajos mentales o reglas generales – que permiten juicios y decisiones rápidas.²³ Si bien a menudo son eficaces, las heurísticas pueden conducir a errores sistemáticos conocidos como sesgos cognitivos.²³ Estos sesgos son patrones predecibles de desviación del juicio racional. Algunos ejemplos comunes incluyen:

• Sesgo de confirmación: La tendencia a buscar, interpretar y recordar información que confirme las creencias preexistentes, ignorando o minimizando la evidencia contradictoria.²⁶
• Sesgo de anclaje: Confianza excesiva en la primera pieza de información que se encuentra (el “ancla”) al tomar decisiones.²³
• Heurística de disponibilidad: Juzgar la probabilidad de un evento basándose en la facilidad con la que vienen a la mente los ejemplos, a menudo influenciado por la viveza o la actualidad.²³
• Sesgo de retrospectiva: La tendencia a ver los acontecimientos pasados como más predecibles de lo que realmente fueron (“lo sabía desde el principio”).²⁵
• Efecto Halo: Permitir que una impresión general de una persona (por ejemplo, su atractivo) influya en los juicios sobre sus rasgos específicos (por ejemplo, inteligencia o amabilidad).²⁵
• Sesgo egoísta: Atribuir los éxitos a factores internos (por ejemplo, la capacidad) y los fracasos a factores externos (por ejemplo, la mala suerte o la dificultad de la tarea).²⁶ Estos sesgos pueden afectar significativamente la toma de decisiones en diversos ámbitos, desde elecciones personales hasta juicios profesionales en campos como la medicina y las finanzas, lo que a veces conduce a resultados subóptimos o errores.²⁵

2. La neurociencia de la cognición: el modelo del cerebro para el pensamiento

La neurociencia proporciona la base biológica para los procesos cognitivos, revelando cómo las intrincadas estructuras y vías neuronales dan lugar al pensamiento, la memoria y la percepción.

Dos estructuras cerebrales son particularmente fundamentales para muchas funciones cognitivas:

• Corteza prefrontal (CPF): Ubicado en la parte frontal del cerebro, el PFC a menudo se describe como el centro de control ejecutivo del cerebro.²⁸ Es crucial para una amplia gama de funciones cognitivas de orden superior, incluida la planificación, la toma de decisiones, la memoria de trabajo, la atención, la resolución de problemas y la regulación de las emociones y el comportamiento.³⁰ La PFC es una corteza de asociación multimodal, lo que significa que integra información altamente procesada de diversas modalidades sensoriales para formar construcciones cognitivas complejas.²⁸ Sus ricas conexiones con otras áreas corticales y subcorticales le permiten orquestar el pensamiento y la acción.
• Hipocampo: Situado en lo profundo del lóbulo temporal, el hipocampo desempeña un papel fundamental en la formación de nuevos recuerdos a largo plazo (codificación y consolidación), en particular recuerdos episódicos (recuerdos de eventos específicos).³⁰ También es vital para la navegación espacial y para representar las relaciones entre objetos y eventos tanto en el espacio como en el tiempo. El hipocampo y la corteza prefrontal (CPF) interactúan dinámicamente, especialmente en los procesos de memoria, donde la CPF podría proporcionar control estratégico sobre la codificación y la recuperación hipocampales, a menudo guiada por las estructuras o esquemas de conocimiento existentes.³²

Las bases neuronales de las funciones cognitivas centrales se comprenden cada vez más:

• Memoria: La codificación de nuevas experiencias implica que el hipocampo forme rápidamente asociaciones. Durante la consolidación, estos recuerdos se integran gradualmente en el almacenamiento a largo plazo del neocórtex, un proceso que se ve facilitado por la actividad coordinada entre el hipocampo y la corteza prefrontal (CPF), especialmente durante el sueño.³² La recuperación también es una colaboración entre la corteza prefrontal y el hipocampo, en la que la corteza prefrontal ayuda a acceder a recuerdos apropiados para el contexto.⁴
• Atención: Los circuitos neuronales que involucran la corteza prefrontal y la corteza parietal son claves para la atención selectiva (centrarse en estímulos relevantes) y la atención sostenida.⁴ La atención y la memoria de trabajo están estrechamente vinculadas, ya que a menudo es necesario mantener la concentración para retener y manipular la información.
• Idioma: La comprensión del procesamiento del lenguaje en el cerebro ha evolucionado significativamente más allá de las áreas clásicas de Broca (producción del habla) y de Wernicke (comprensión del lenguaje). modelo de doble flujo Ahora es prominente: una corriente dorsal, centrado alrededor del tracto de sustancia blanca del fascículo longitudinal superior/fascículo arqueado (SLF/AF), conecta las regiones temporal y frontal y está involucrado principalmente en el procesamiento fonológico (mapeo del sonido a la articulación y repetición).³³ A corriente ventral, sostenido por tractos como el fascículo frontooccipital inferior (IFOF), conecta las regiones temporal y frontal y está asociado principalmente con el procesamiento semántico (entender el significado de las palabras y acceder al léxico).³³ Otras áreas como el giro temporal superior (GTS) para la conversión de sonido a fonema, el giro temporal medio (GTM) para el acceso léxico y el lóbulo parietal inferior (LPI) para el procesamiento semántico y fonológico también son cruciales.³¹ Se cree que el tracto frontal oblicuo (FAT), recientemente identificado, desempeña un papel en el inicio del habla.³³

Funciones ejecutivas (FE): el centro de mando del cerebro (marco de Adele Diamond):

El trabajo pionero de investigadores como Adele Diamond ha puesto de relieve el papel crucial de las funciones ejecutivas en la inteligencia cognitiva.²⁸ Las FE son un conjunto de procesos mentales descendentes que nos permiten prestar atención, mantener la concentración, razonar, resolver problemas, ejercer el autocontrol, ver las cosas desde diferentes perspectivas y adaptarnos con flexibilidad a circunstancias cambiantes.³⁴ El uso de las FE requiere esfuerzo y es esencial para la conducta orientada a objetivos. Diamond identifica tres FE fundamentales:

• Control inhibitorio: La capacidad de controlar la propia atención, comportamiento, pensamientos y/o emociones para anular una fuerte predisposición interna o un atractivo externo y, en cambio, hacer lo que es más apropiado o necesario.³⁴ Esto incluye:
  • Autocontrol (Inhibición de respuesta): Resistir las tentaciones, no actuar impulsivamente.
  • Control de interferencias (atención selectiva e inhibición cognitiva): Resistir las distracciones (externas e internas) para mantener la concentración. El control inhibitorio es vital para la elección, la disciplina y el cumplimiento de las normas sociales.
• Memoria de trabajo (MT): La capacidad de retener información en la mente y trabajar mentalmente con ella (por ejemplo, relacionar una pieza de información con otra, utilizar la información para resolver un problema).³⁴ La memoria de trabajo es crucial para dar sentido al lenguaje, razonar y manipular mentalmente las ideas.
• Flexibilidad cognitiva (cambio de conjunto): La capacidad de cambiar entre diferentes estados mentales, tareas o perspectivas y de adaptarse a demandas o prioridades cambiantes.³⁴ Esto implica pensar “fuera de la caja” y adaptarse a la nueva información.

Estos FE básicos son fundamentales para los FE de orden superior, como el razonamiento, la resolución de problemas y la planificación.³⁴ Son profundamente importantes a lo largo de la vida e inciden en la salud mental y física, la preparación y el éxito escolar, el desempeño laboral, la armonía marital e incluso la seguridad pública.³⁵ Los deterioros en las FE se asocian con numerosos trastornos psiquiátricos y del desarrollo, incluidos el TDAH, la depresión, el trastorno de conducta y la esquizofrenia.³⁵

La neurobiología de las FE involucra redes cerebrales ampliamente distribuidas, orquestadas principalmente por la CPF, pero que dependen en gran medida de sus conexiones con otras regiones corticales y subcorticales y de la integridad de los tractos de materia blanca que facilitan esta comunicación.²⁹ Los tractos de sustancia blanca clave implicados incluyen:

• El cuerpo calloso (especialmente sus segmentos anteriores) se asocia consistentemente con todos los procesos ejecutivos.
• El fascículo longitudinal superior (SLF), particularmente su segunda rama (SLF II), muestra un apoyo destacado a las FE, especialmente la memoria de trabajo y la flexibilidad cognitiva.
• El tracto frontal oblicuo (FAT) Potencialmente admite EF, aunque su papel más allá del control del lenguaje necesita mayor aclaración.
• A red de tractos lateralizada derecha, incluida potencialmente la radiación talámica anterior derecha y el haz del cíngulo, favorece la inhibición de la respuesta.³⁷ El desarrollo de estos sistemas neuronales que sustentan las FE es prolongado y se extiende desde la primera infancia, pasando por la adolescencia y hasta la edad adulta temprana, lo que los hace vulnerables a alteraciones durante un largo período.²⁹ Este desarrollo prolongado subraya por qué las FE suelen madurar más tarde y pueden verse significativamente afectadas por la experiencia y el entorno. La interconexión de estas funciones y su dependencia de redes neuronales generalizadas sugieren que la construcción de sistemas artificiales con un control ejecutivo robusto y similar al humano requerirá más que simplemente replicar habilidades cognitivas aisladas; requerirá mecanismos sofisticados de integración, regulación y adaptación flexible.

Tabla 3: Funciones ejecutivas básicas (Adele Diamond) y su impacto en el mundo real

Función ejecutiva	Definición/Componentes	Base neurobiológica (regiones/tractos cerebrales clave)	Ejemplos en la vida diaria	Impacto del deterioro
Control inhibitorio	Controlar la atención, el comportamiento, los pensamientos y las emociones para anular los impulsos y las distracciones. Incluye autocontrol (inhibición de la respuesta) y control de interferencias (atención selectiva). 34	PFC, redes lateralizadas derechas que involucran la radiación talámica anterior, haz del cíngulo. 37	Resistir un postre tentador, mantenerse concentrado en el trabajo a pesar de las notificaciones, no interrumpir a los demás.	TDAH, adicción, trastorno de conducta, impulsividad, dificultad para concentrarse, errores sociales. 35
Memoria de trabajo (MT)	Mantener información en la mente y manipularla mentalmente. 34	PFC, fascículo longitudinal superior (SLF II). 37	Seguir instrucciones de varios pasos, realizar cálculos mentales, recordar un número de teléfono mientras se marca, participar en una conversación.	Dificultades de aprendizaje, comprensión lectora, matemáticas, planificación y razonamiento. Asociadas con TDAH y esquizofrenia. 35
Flexibilidad cognitiva	Cambiar de perspectiva, adaptarse al cambio, pensar de forma innovadora. También conocido como cambio de escenario o flexibilidad mental. 34	PFC, fascículo longitudinal superior (SLF II), cuerpo calloso. 37	Adaptarse a un desvío, ver un problema desde otro ángulo, realizar múltiples tareas de manera efectiva, probar nuevos enfoques.	Rigidez de pensamiento, dificultad para adaptarse a nuevas normas o situaciones, problemas con la resolución creativa de problemas. Implicado en trastornos como el TOC. 34

3. Cognición encarnada: la interacción mente-cuerpo-mundo

Al cuestionar las visiones puramente centradas en el cerebro sobre la cognición, la teoría de cognición encarnada postula que nuestros procesos cognitivos están profundamente arraigados y moldeados por las interacciones de nuestro cuerpo con el mundo físico y social.¹⁷ Esta perspectiva sostiene que el pensamiento no es simplemente un proceso computacional abstracto que ocurre únicamente dentro del cráneo, sino que está fundamentalmente influenciado por nuestras experiencias sensoriales, acciones motoras y el contexto ambiental.³⁹ Desde este punto de vista, la cognición a menudo responde a las necesidades del cuerpo a medida que éste se adapta a situaciones del mundo real.³⁹

Esta teoría tiene diversos grados de desarrollo. Algunos defensores radicales, a menudo asociados con la teoría de sistemas dinámicos, sugieren que los comportamientos cognitivos complejos pueden surgir de la interacción continua entre un organismo y su entorno sin requerir necesariamente representaciones mentales internas.³⁹ Las visiones más "moderadas", asociadas con filósofos y científicos cognitivos como Andy Clark, Francisco Varela, Evan Thompson y Eleanor Rosch, reconocen el papel de las representaciones internas pero enfatizan que el cuerpo y sus interacciones con el mundo juegan un papel constitutivo al informar y guiar estas representaciones mentales y procesos de pensamiento.³⁹ A esto a veces se le llama “cognición 4E”: encarnada, incorporada, promulgada y extendida.

Algunos ejemplos que ilustran la cognición encarnada incluyen:

• Cómo nuestros atributos físicos moldean directamente la percepción sin mediación simbólica, como por ejemplo la distancia entre nuestros oídos que afecta la localización auditiva.³⁸
• El uso de metáforas espaciales basadas en la experiencia corporal (por ejemplo, “feliz es arriba”, “triste es abajo”) para comprender conceptos abstractos.³⁸
• El concepto de “visión animada”, donde la visión no es una grabación pasiva del mundo sino un proceso activo utilizado para guiar la acción en tiempo real, como escanear el estante de un supermercado en busca de un producto familiar basándose en señales de color y forma.⁵
• La notable capacidad del atún rojo para alcanzar altas velocidades aprovechando su forma física y las corrientes naturales de su entorno.³⁸

La cognición encarnada sugiere que para construir una IA verdaderamente inteligente, especialmente robots que interactúan con el mundo físico, tal vez debamos considerar cómo la encarnación física y la interacción ambiental dan forma al aprendizaje y la inteligencia, en lugar de centrarnos únicamente en algoritmos incorpóreos.

4. Inteligencia cognitiva en acción: mentes maestras del mundo real

Los componentes abstractos de la inteligencia cognitiva cobran vida cuando examinamos su aplicación en logros humanos de alto nivel.

• Descubrimiento científico:
  • El descubrimiento de la Estructura del ADN por James Watson y Francis Crick Fue un triunfo de la inteligencia cognitiva, que implicó la integración de conocimientos existentes (el trabajo de Linus Pauling sobre hélices alfa, las reglas de apareamiento de bases de Erwin Chargaff), la interpretación de datos experimentales complejos (las imágenes de difracción de rayos X de Rosalind Franklin, aunque a veces obtenidas de manera controvertida), la construcción creativa de modelos (un proceso físico e iterativo) y saltos conceptuales cruciales (la estructura de doble hélice con hebras antiparalelas y un mecanismo de plantilla para la replicación).⁴⁰ Su trabajo, impulsado por una intensa competencia, finalmente proporcionó una explicación elegante de las cuatro propiedades esenciales del material genético: replicación, especificidad, capacidad de información y adaptabilidad (mutación).⁴¹ Este estudio de caso muestra la generación de hipótesis, la síntesis de diferentes fuentes de información, el razonamiento espacial y la resolución colaborativa (y competitiva) de problemas.
  • El desarrollo de la teoría de la relatividad de Albert Einstein ejemplifica un modo diferente pero igualmente profundo de destreza cognitiva. Es famoso por emplear Experimentos de apoyo (experimentos mentales), lo que le permite explorar las implicaciones de los principios físicos (como la constancia de la velocidad de la luz) en escenarios imaginarios sin necesidad de datos físicos inmediatos.⁴² Su conjunto de herramientas cognitivas incluía poderosas visualización (sumergiéndose en imágenes mentales de fenómenos), juego combinatorio (reuniendo conceptos dispares de maneras novedosas), fuerte intuición (saltos de lógica guiados) y profundos imaginación, que valoraba incluso más que el conocimiento.⁴² Einstein también enfatizó la importancia crítica de entender profundamente un problema antes de intentar formular soluciones, y supuestamente afirmó que pasaría la mayor parte de su tiempo definiendo el problema.⁴³ Su trabajo subraya el poder del razonamiento abstracto, la simulación mental y el coraje para desafiar los paradigmas existentes.
• Creación artística:
  • Leonardo da Vinci Personificaba la fusión del arte y la ciencia. Consideraba la pintura como un «discurso mental», con el objetivo de representar no solo la semejanza física, sino también los «estados mentales y emocionales» internos de sus sujetos a través de sus gestos y expresiones faciales.⁴⁴ Su enfoque cognitivo implicaba un meticuloso observación científica de la naturaleza y la anatomía humana (fue pionero en la ilustración anatómica), profunda percepción psicológica, y técnicas artísticas innovadoras como esfumado (mezcla sutil de luz y sombra) para crear figuras realistas y emocionalmente resonantes.⁴⁴ Obras como “La Última Cena”, con sus variadas respuestas emocionales de los apóstoles, y la enigmática “Mona Lisa” demuestran su maestría para transmitir estados psicológicos complejos.⁴⁴ El uso de analogías por parte de Leonardo también fue una característica clave de su pensamiento.⁴⁴
  • La música de Wolfgang Amadeus Mozart Se ha vinculado, aunque de forma controvertida, a mejoras temporales en rendimiento cognitivo, específicamente el razonamiento espacio-temporal (el “efecto Mozart” después de escuchar su Sonata K448).⁴⁶ Si bien las afirmaciones más amplias de "hacerte más inteligente" están en gran medida desacreditadas, algunas investigaciones en neurociencia sugieren que escuchar música activa áreas amplias del cerebro, incluidas las regiones prefrontales, temporales y parietales que se superponen con las involucradas en el razonamiento espacial, "preparando" potencialmente estas funciones cognitivas.⁴⁶ Esto resalta cómo las entradas sensoriales complejas pueden modular los estados cognitivos.
  • Las composiciones de Juan Sebastián Bach Se analizan como sistemas intrincados de información. Su música, caracterizada por temas y motivos recurrentes en diversas formas, está estructurada para comunicar grandes cantidades de información de manera eficiente, una propiedad vinculada a la alta heterogeneidad y la sólida agrupación en los análisis de redes de sus piezas.⁴⁸ Los procesos cognitivos involucrados en la interpretación de Bach también son complejos; un estudio de caso de un violonchelista que interpretaba las Suites para violonchelo de Bach reveló que una proporción significativa de decisiones musicales (por ejemplo, articulación, fraseo) eran deliberadas y razonadas, aunque los procesos intuitivos también jugaron un papel, especialmente en aspectos como el color del tono y la ornamentación.⁴⁹ Esto ilustra la profundidad cognitiva involucrada tanto en la creación como en la interpretación de obras artísticas sofisticadas.
  • Autor El proceso de J.K. Rowling para escribir la serie de Harry Potter Revela una combinación de planificación meticulosa y flexibilidad creativa. Describe el proceso mediante tablas detalladas, esquemas y secciones con códigos de colores para los puntos de la trama, los personajes, las pistas y las pistas falsas.⁵⁰ A pesar de esta extensa planificación, reconoce que la historia evoluciona durante el proceso de escritura. Rowling enfatiza la importancia de la disciplina (escribir incluso sin inspiración), la resiliencia (gestionar el rechazo), la valentía (superar el miedo al fracaso) y encontrar un proceso de escritura único y propio, a menudo comenzando con lápiz y papel.⁵⁰ Esto demuestra la interacción del esfuerzo cognitivo estructurado (planificación, organización) y los aspectos más emergentes y menos predecibles de la imaginación creativa.
• Toma de decisiones complejas:
  • Medicina de emergencia: Los médicos en entornos de emergencia de alto riesgo dependen de una combinación de pensamiento experiencial/intuitivo (Tipo 1), que es rápido y se basa en el reconocimiento de patrones, y pensamiento racional/analítico (Tipo 2), que es más lento y más lógico.⁵² Los consultores con más experiencia pueden basarse más en procesos intuitivos. Sin embargo, los errores de diagnóstico son comunes y suelen derivar de deficiencias en el comportamiento cognitivo basado en el conocimiento, frecuentemente exacerbados por sesgos cognitivos como el sesgo de confirmación, el sesgo de anclaje y el cierre prematuro.²⁷ Las estrategias para mitigar estos errores incluyen la reflexión consciente, el uso de listas de verificación, la consideración activa de diagnósticos alternativos y el ser consciente de factores situacionales como la fatiga y la falta de sueño, que perjudican significativamente las habilidades cognitivas y aumentan la tolerancia al riesgo.²⁷
  • Diseño de ingeniería: Los ingenieros expertos emplean heurística – estrategias cognitivas o reglas generales – en sus procesos creativos de resolución de problemas, particularmente durante la fase de diseño conceptual iterativo.⁵⁴ El proceso de diseño a menudo se modela en etapas como exploración, generación, evaluación y comunicación, que implican iteraciones mentales repetidas de generación y evaluación de ideas.⁵⁴ Estudios que utilizan análisis del protocolo verbal (donde los diseñadores piensan en voz alta mientras resuelven problemas) ayudan a los investigadores a comprender los procesos cognitivos utilizados por estudiantes y expertos al abordar problemas técnicos mal definidos, revelando cómo definen restricciones, recopilan información y exploran caminos de solución.⁵⁵
  • Un principio general que sustenta gran parte de la toma de decisiones compleja es que los humanos tienden a evitar la demanda cognitiva excesivaEsta “ley del menor trabajo”, originalmente aplicada al esfuerzo físico, ahora se entiende que se extiende también al esfuerzo cognitivo.⁵⁶ Las personas a menudo recurren a estrategias simplificadoras y heurísticas para reducir la carga mental, a menos que los incentivos sean muy altos o posean un fuerte control ejecutivo para participar en un pensamiento más sistemático y que requiere más esfuerzo.⁵⁶ Esta tendencia inherente influye en cómo se toman decisiones en todos los campos profesionales complejos.

Estos ejemplos de logros cognitivos humanos de alto nivel revelan un denominador común: rara vez son producto de una habilidad cognitiva única y aislada. En cambio, surgen de una interacción dinámica y rica de percepción, memoria, razonamiento, control ejecutivo, intuición, imaginación y, a menudo, un profundo conocimiento específico del dominio. Esta naturaleza multifacética de la experiencia humana representa un desafío formidable para los sistemas de IA que actualmente destacan en tareas más específicas. Si bien la IA puede derrotar a grandes maestros del ajedrez o identificar patrones en vastos conjuntos de datos, replicar el dinamismo cognitivo holístico, adaptativo y, a menudo, improvisado que se observa en estos esfuerzos humanos sigue siendo una frontera lejana.

B. El espejo de la IA: simulación, aumento y aspiración a la destreza cognitiva

La investigación en inteligencia artificial, desde sus inicios, ha estado entrelazada con la ambición de comprender y replicar las capacidades cognitivas humanas. Este esfuerzo ha dado lugar a diversos enfoques, desde intentos de crear "modelos para mentes artificiales" integrales hasta modelos altamente especializados que destacan en tareas específicas de tipo cognitivo.

1. Arquitecturas cognitivas: planos para mentes artificiales

Una arquitectura cognitiva puede definirse como una hipótesis acerca de las estructuras fijas que proporcionan una mente, ya sea en sistemas naturales o artificiales, y cómo estas estructuras trabajan juntas (en conjunción con el conocimiento y las habilidades incorporadas en la arquitectura) para producir un comportamiento inteligente.⁵⁷ Estas arquitecturas normalmente constan de varios componentes principales:

• Recuerdos: Para almacenar diferentes tipos de conocimiento, como la memoria de trabajo (para información temporal), la memoria procesal a largo plazo (para habilidades y conocimientos prácticos) y la memoria declarativa a largo plazo (para hechos y conceptos).⁵⁷
• Unidades de procesamiento: Mecanismos que extraen, seleccionan, combinan y almacenan conocimiento.
• Lenguajes de representación del conocimiento: Formalismos para representar la información almacenada y procesada.
• Sensores y motores (efectores): Módulos para percibir el entorno y actuar sobre él.

Se han desarrollado varias arquitecturas cognitivas destacadas, cada una con fundamentos teóricos y objetivos ligeramente diferentes:

• ACT-R (Control adaptativo del pensamiento – racional): Desarrollada por John Anderson y sus colegas, ACT-R pretende ser una teoría integrada de la mente, modelando la cognición humana principalmente como un sistema de producción (un conjunto de reglas si-entonces).⁵⁷ Cuenta con módulos distintos (por ejemplo, módulo de objetivo, módulos perceptivo-motores, memoria declarativa para hechos, memoria procedimental para reglas) que interactúan a través de buffers, que representan el estado actual del sistema.⁵⁷ ACT-R se ha utilizado para modelar una amplia gama de tareas cognitivas humanas, desde el aprendizaje y la memoria hasta la resolución de problemas y la comprensión del lenguaje.
• Soar (estado, operador y resultado): Soar, que tiene su origen en el trabajo de Allen Newell, John Laird y Paul Rosenbloom, está diseñado como una arquitectura cognitiva general con el objetivo de crear sistemas computacionales que posean las mismas amplias capacidades cognitivas que los humanos, incluido el razonamiento intensivo en conocimiento, la ejecución reactiva, la planificación jerárquica y el aprendizaje de la experiencia.⁵⁷ Soar opera en un ciclo de decisión e incluye componentes como memoria de trabajo, memoria procedimental y, más recientemente, memoria semántica (para hechos), memoria episódica (para experiencias pasadas específicas), capacidades de aprendizaje de refuerzo, imágenes mentales y un modelo de emoción basado en la evaluación.⁵⁹
• LIDA (Agente de distribución inteligente de aprendizaje): Desarrollado por Stan Franklin y sus colegas, LIDA se basa en la teoría del espacio de trabajo global de la conciencia de Bernard Baars.⁵⁷ Su objetivo es ofrecer un modelo amplio de cognición a nivel de sistemas, que opera mediante una serie de ciclos cognitivos. LIDA incorpora módulos para la percepción, la memoria episódica, el espacio de trabajo (donde se construye un modelo de la situación actual) y un espacio de trabajo global para la difusión de información atendida.⁵⁷
• Modelo Estándar de la Mente (Modelo Común de Cognición – CMC): Propuesto más recientemente (alrededor de 2017) basado en desarrollos en arquitecturas como ACT-R y Soar, el Modelo Estándar tiene como objetivo representar una visión de consenso sobre los componentes funcionales de alto nivel de una mente similar a la humana.⁵⁷ Generalmente incluye memoria de trabajo como un buffer entre componentes, memorias a largo plazo declarativas y procesales (donde se supone que todo el conocimiento a largo plazo se puede aprender de manera incremental en línea), módulos de percepción que convierten señales externas en símbolos y módulos motores para la acción.⁵⁷

Otras arquitecturas como CLARION (centrada en la interacción de conocimiento implícito y explícito), ICARUS (para agentes físicos) y EPIC (modelado de la interacción humano-computadora sin aprendizaje) también contribuyen a este panorama diverso.⁵⁷

Tabla 4: Comparación de las arquitecturas cognitivas de IA más destacadas

Arquitectura	Principio/Objetivo fundamental	Componentes clave (tipos de memoria, procesamiento, mecanismos de aprendizaje)	Fortalezas/Enfoque
ACT-R	Teoría integrada de la mente; modela la cognición humana como un sistema de producción. 57	Sistema central de producción, módulo de objetivos, módulos perceptivo-motores, memoria declarativa (hechos), memoria procedimental (reglas si-entonces), buffers. Aprendizaje mediante compilación de reglas, aprendizaje estadístico. 57	Modelado detallado del desempeño humano en tareas cognitivas específicas, aprendizaje, memoria y resolución de problemas. 57
Remontarse	Sistema computacional general con capacidades cognitivas similares a las humanas (razonamiento, planificación, aprendizaje). 57	Memoria de trabajo, memoria procedimental (reglas), memoria semántica (hechos), memoria episódica (experiencias), ciclo de decisión. Aprendizaje por fragmentación (creación de reglas), aprendizaje por refuerzo, aprendizaje semántico y episódico. 59	Amplia capacidad de tareas, integrando múltiples tipos de razonamiento y aprendizaje, apuntando a la inteligencia general. 59
LIDA	Basado en la teoría del espacio de trabajo global; modela una amplia gama de funciones cognitivas a través de ciclos cognitivos. 57	Memoria perceptual, espacio de trabajo, memoria episódica, espacio de trabajo global, memoria procedimental. Aprendizaje perceptual, aprendizaje episódico, aprendizaje por refuerzo. 57	Explicar cómo varios procesos cognitivos (incluidos aspectos relacionados con la conciencia y la atención) podrían implementarse computacionalmente. 57
Modelo estándar (CMC)	Marco de consenso de los componentes funcionales de alto nivel de una mente similar a la humana. 57	Memoria de trabajo (búfer), memoria a largo plazo (MLP) procedimental, memoria a largo plazo declarativa (hechos, episodios; todo aprendible en línea), percepción, componentes motores. Se asume aprendizaje incremental en línea. 57	Proporcionar un punto de referencia común para la IA, la ciencia cognitiva, la neurociencia y la robótica; unificando supuestos sobre la cognición. 57

Estas arquitecturas representan esfuerzos continuos para construir sistemas de IA más integrados y completos, que trasciendan los modelos específicos de tareas. Ofrecen plataformas valiosas para probar teorías cognitivas y desarrollar agentes capaces de comportamientos más complejos y adaptativos.

2. Modelos computacionales de la cognición: de los símbolos a las redes

Más allá de las arquitecturas generales, los enfoques computacionales específicos han definido eras en el intento de la IA de modelar la cognición:

• IA simbólica (GOFAI, la IA tradicional): Este enfoque clásico, dominante en las primeras etapas de la IA, se basa en la Hipótesis del sistema de símbolos físicos por Newell y Simon, que afirma que la inteligencia se puede alcanzar mediante la manipulación de símbolos de acuerdo a reglas.⁵⁸ Los primeros éxitos de la IA, como SHRDLU (comprensión del lenguaje natural en un mundo de bloques), DENDRAL (sistema experto para análisis químico) y MYCIN (sistema experto en diagnóstico médico), se basaron en principios simbólicos.⁶⁰ Estos sistemas a menudo dependían de bases de conocimiento programadas explícitamente y de inferencias lógicas.
• Conexionismo (Redes Neuronales): El conexionismo, que surgió como una alternativa y luego ganó prominencia, modela la cognición utilizando redes neuronales artificiales inspiradas en la estructura del cerebro.¹⁴ En lugar de símbolos y reglas explícitas, el conocimiento se representa en patrones de conexiones (pesos) entre unidades de procesamiento simples (nodos). El aprendizaje suele ocurrir ajustando estos pesos según la experiencia, a menudo mediante algoritmos como la retropropagación.⁵⁸ Después de un período de declive, las redes neuronales experimentaron un resurgimiento importante en la década de 1980 y forman la base del aprendizaje profundo moderno.¹⁴
• Computación cognitiva: Este término a menudo se refiere a sistemas de IA que buscan simular procesos de pensamiento humano en situaciones complejas, generalmente combinando tecnologías como el procesamiento del lenguaje natural (PLN), el aprendizaje automático y, a veces, el razonamiento simbólico.⁶¹ Estos sistemas están diseñados para ingerir y analizar grandes volúmenes de datos estructurados y no estructurados, identificar patrones, hacer predicciones y respaldar la toma de decisiones.⁶¹ El proceso generalmente implica etapas de recopilación de datos, ingestión, PNL para comprender el lenguaje humano y análisis basado en aprendizaje automático.⁶¹ Las aplicaciones se encuentran en la atención médica (análisis de datos de pacientes), el comercio minorista (personalización) y las finanzas (detección de fraude).⁶¹

3. La era del aprendizaje profundo: LLM y habilidades cognitivas emergentes

Los avances más espectaculares recientes en capacidades cognitivas de la IA provienen de aprendizaje profundo, un subcampo del aprendizaje automático basado en redes neuronales multicapa (redes neuronales profundas). En particular, Modelos de lenguaje grandes (LLM) Han demostrado habilidades notables.

Entre 2022 y 2025, se implementarán modelos como la serie GPT de OpenAI (GPT-3.5, GPT-4 y el modelo “o1” previsto), Gemini de Google (1.5, 2.0 Flash), Claude 3.5 de Anthropic, Llama 3.3 y Phi-4 de Microsoft han mostrado avances significativos en varias áreas ⁶²:

• Razonamiento mejorado: Si bien la comprensión real sigue siendo un tema de debate, estos modelos han mejorado el rendimiento en tareas de razonamiento complejo y pruebas estandarizadas. Por ejemplo, se informa que el GPT-4 obtuvo una puntuación entre las 101 mejores puntuaciones en el examen de barra uniforme y una precisión de 901 en el examen de licencia médica de EE. UU.⁶² Pueden participar en la resolución de problemas de varios pasos y proporcionar análisis más matizados que sus predecesores.
• Procesamiento multimodal: Se ha producido un cambio importante hacia la multimodalidad, con modelos que ahora pueden procesar e integrar información de texto, imágenes, audio y, a veces, vídeo.⁶² Sora de OpenAI (generación de texto a video) y Gemini Live de Google (mejora de conversaciones de audio similares a las humanas con matices emocionales) son ejemplos de esta tendencia.⁶²
• Comprensión contextual mejorada: Los LLM ahora cuentan con "ventanas de contexto" mucho más amplias: la cantidad de información que pueden almacenar en su memoria a corto plazo durante una interacción. Gemini 1.5 Pro de Google, por ejemplo, puede procesar hasta dos millones de tokens (aproximadamente el equivalente a 1,5 millones de palabras u horas de vídeo).⁶² Esto permite interacciones más coherentes y contextualmente relevantes en diálogos más largos.
• Comprensión avanzada del lenguaje natural (NLU): Estas capacidades sustentan una amplia gama de aplicaciones, incluidas la traducción automática sofisticada (por ejemplo, Google Translate, DeepL), herramientas avanzadas de autocorrección y gramática (por ejemplo, Grammarly), texto predictivo y autocompletado (por ejemplo, Google Smart Reply), agentes de inteligencia artificial conversacional altamente capaces y chatbots (por ejemplo, que impulsan plataformas de servicio al cliente como Intercom) y sistemas precisos de reconocimiento automático de voz (ASR) (por ejemplo, Alexa de Amazon).⁶⁵

4. IA neurosimbólica: ¿el futuro híbrido?

A pesar de los éxitos del aprendizaje profundo, sus limitaciones (como la naturaleza de "caja negra", las dificultades con el razonamiento de sentido común sólido y los vastos requisitos de datos) han estimulado el interés en IA neurosimbólica.⁶⁰ Este enfoque busca combinar las fortalezas de las redes neuronales (reconocimiento de patrones, aprendizaje de datos) con las de la IA simbólica (razonamiento lógico, representación explícita del conocimiento, interpretabilidad).⁶⁰ El objetivo es crear sistemas de IA que puedan realizar un procesamiento rápido e intuitivo (similar al Sistema 1) y un razonamiento lento, deliberado y lógico (similar al Sistema 2).⁶⁰

Los principales avances en IA neurosimbólica entre 2020 y 2024 se han centrado en:

• Integración de conocimiento simbólico (como gráficos de conocimiento de sentido común) con representaciones neuronales.
• Desarrollar sistemas de razonamiento diferenciables de extremo a extremo que permitan operaciones similares a la lógica dentro de arquitecturas neuronales.
• Combinando mecanismos de inferencia lógica con aprendizaje neuronal.⁶⁰

La IA neurosimbólica promete ser una IA más robusta, interpretable y eficiente en el uso de datos, y podría ofrecer un camino más viable hacia la IA general al cerrar la brecha entre la correspondencia de patrones estadísticos y la comprensión genuina.⁶⁷

La evolución de los intentos de la IA por replicar la cognición humana —desde la lógica estructurada de los sistemas simbólicos hasta el reconocimiento de patrones, con gran demanda de datos, del aprendizaje profundo, y ahora hacia la visión integrada de los enfoques neurosimbólicos— refleja una creciente apreciación de la naturaleza multifacética de la inteligencia. Los primeros sistemas de IA, limitados por la potencia computacional y los marcos teóricos, a menudo se centraban en habilidades cognitivas aisladas. La revolución del aprendizaje profundo, impulsada por el big data y el hardware potente, ha permitido impresionantes logros de coincidencia de patrones que pueden parecer cognitivos. Sin embargo, las persistentes deficiencias en áreas como el sentido común, la comprensión verdadera y el razonamiento robusto están impulsando el campo hacia soluciones más híbridas y arquitectónicamente complejas. Esta trayectoria sugiere que la búsqueda de la inteligencia cognitiva artificial está impulsando el diseño de la IA hacia una visión más holística e integrada, reflejando, en cierto modo, la compleja sinfonía de la mente humana. No obstante, es crucial distinguir entre la sofisticada imitación de las funciones cognitivas que presentan los actuales LLM y la comprensión profunda, corpórea y contextualmente rica que caracteriza a la inteligencia cognitiva humana. Esta distinción es vital para evaluar de manera realista las capacidades actuales de la IA y trazar el camino a seguir.

IV. Desafíos: El Everest de la comprensión y la emulación

A pesar de los impresionantes avances, la búsqueda de la comprensión plena de la inteligencia cognitiva humana y la creación de su contraparte artificial se enfrenta a enormes desafíos. Estos obstáculos no son meramente técnicos, sino que se extienden a los ámbitos filosófico, ético y social, formando un "Everest" que la ciencia y la tecnología actuales apenas están comenzando a superar.

A. Limitaciones de la inteligencia artificial actual

Si bien los sistemas de IA, en particular los LLM, pueden realizar tareas que parecen requerir capacidades cognitivas sofisticadas, operan con limitaciones significativas que los distinguen de la inteligencia humana.

• El enigma de la «caja negra» y la IA explicable (XAI): Muchos de los modelos de IA más potentes, especialmente aquellos basados en el aprendizaje profundo, funcionan como “cajas negras”.⁶² Su funcionamiento interno y las razones precisas de sus resultados suelen ser opacos incluso para sus creadores. Esta falta de transparencia plantea graves problemas de confianza, rendición de cuentas, depuración y garantía de equidad. El campo de IA explicable (XAI) Ha surgido para abordar este problema, con el objetivo de desarrollar técnicas que puedan hacer que las decisiones de IA sean comprensibles para los humanos.⁶⁹ Un desarrollo clave dentro de XAI es XAI centrada en el ser humano (HCXAI), que pone énfasis en adaptar las explicaciones a las necesidades y contextos específicos de los usuarios, haciéndolas procesables y discutibles.⁶⁹ Sin embargo, lograr una explicabilidad verdadera y significativa sigue siendo un desafío importante, especialmente a medida que los modelos de IA crecen en complejidad y escala.⁶⁰ Sin ella, implementar IA en roles de toma de decisiones críticas conlleva riesgos inherentes.
• El abismo del sentido común: Una de las limitaciones más profundas de la IA actual es su falta de similitud con la humana. razonamiento de sentido común – el vasto cuerpo de conocimiento implícito y comprensión intuitiva acerca de cómo funciona el mundo ordinario, incluidas las propiedades de los objetos físicos, las intenciones de las personas y las probables consecuencias de las acciones.⁷¹ Los humanos adquieren esto sin esfuerzo a través de la experiencia, pero ha resultado extraordinariamente difícil dotar a la IA de esta capacidad. Los sistemas de IA a menudo fallan de maneras que parecen absurdas para los humanos precisamente porque carecen de esta comprensión fundamental. Por ejemplo, una IA podría tener dificultades con un lenguaje ambiguo que un niño podría interpretar fácilmente o no comprender las limitaciones físicas básicas en una situación nueva.⁷¹ La dificultad surge de varios factores: muchos dominios del sentido común son comprendidos sólo parcialmente, incluso por los humanos, situaciones aparentemente simples pueden tener una complejidad lógica inmensa, el sentido común a menudo implica un razonamiento plausible (no estrictamente lógico), hay una gran cantidad de escenarios altamente infrecuentes pero posibles, y determinar el nivel correcto de abstracción para representar el conocimiento de sentido común es un desafío.⁷¹ Esta brecha limita severamente las capacidades de la IA en PNL, visión computacional y robótica del mundo real.⁷²
• Dependencia de datos, generalización y robustez: Los modelos modernos de aprendizaje profundo son notoriamente ávidos de datos, que a menudo requieren conjuntos de datos masivos para lograr un alto rendimiento.⁴ Yoshua Bengio señala que los sistemas de IA actualmente necesitan muchos más datos para aprender que los humanos para tareas comparables.⁷⁵ Además, estos modelos a menudo tienen dificultades con generalización – aplicar lo que han aprendido a nuevas situaciones o datos que difieren incluso ligeramente de sus distribuciones de entrenamiento.⁷³ Esto puede conducir a una falta de robustez, donde los sistemas funcionan bien en entornos controlados, pero fallan inesperadamente al implementarse en el mundo real, desordenado e impredecible. También pueden ser susceptibles a ataques adversarios (inputs diseñados para engañarlos). Incluso la IA simbólica, aunque menos dependiente de los datos, presenta sus propias limitaciones en cuanto a escalabilidad, adaptabilidad a nueva información, manejo de datos no estructurados y una falta fundamental de capacidad de autoaprendizaje a partir de la experiencia.⁶⁸
• Descarga cognitiva y pensamiento crítico: Una preocupación emergente es el posible impacto de la dependencia de la IA en las habilidades cognitivas humanas. La facilidad con la que las herramientas de IA pueden proporcionar información y soluciones puede llevar a... descarga cognitiva, donde los individuos utilizan herramientas externas para reducir la carga cognitiva en su propia memoria de trabajo y procesamiento.⁷⁴ Si bien esto puede liberar recursos mentales, existe el riesgo de que la dependencia excesiva pueda llevar a una disminución del compromiso cognitivo profundo y a la erosión de las capacidades de pensamiento crítico.⁷⁴ Los estudios han indicado una correlación negativa entre el uso frecuente de herramientas de IA y las habilidades de pensamiento crítico, particularmente entre usuarios más jóvenes, lo que sugiere que las herramientas diseñadas para aumentar la inteligencia podrían disminuir inadvertidamente ciertas capacidades cognitivas humanas innatas si no se usan con criterio.⁷⁴

B. El “problema difícil” de la consciencia: más allá de la computación

Quizás el desafío más profundo, y que se adentra profundamente en el territorio filosófico, es el problema de concienciaSi bien la IA puede simular un comportamiento inteligente, la cuestión de si puede poseer experiencia subjetiva —es decir, "cómo es" ser una IA— sigue siendo profundamente polémica.

• Definición de Conciencia y Qualia: La conciencia, en este contexto, se refiere a la percepción subjetiva, la experiencia en primera persona y la sensación cualitativa de sensaciones, emociones y pensamientos, lo que los filósofos llaman qualia.⁷⁶ Algunos ejemplos son el enrojecimiento del rojo, el dolor de una quemadura o la alegría de una melodía.
• El “problema difícil” de David Chalmers: El filósofo David Chalmers distinguió famosamente entre los “problemas fáciles” de la conciencia (explicar funciones cognitivas como la atención, la memoria y la toma de decisiones en términos computacionales o neuronales) y los “Problema difícil”:¿Por qué y cómo todo este procesamiento físico va acompañado de una experiencia subjetiva?⁷⁶ ¿Por qué no se procesa toda nuestra información en la oscuridad, sin ninguna percepción interna? Esta «alquimia de qualia», como la define una fuente, es el misterio de cómo los procesos físicos dan lugar a la conciencia subjetiva.⁷⁶ Chalmers ha explorado recientemente si el misterio surge incluso antes de esto, en nuestra comprensión fundamental del espacio físico mismo, denominándolo el “problema más difícil de la conciencia”.⁷⁶
• La IA y el “problema blando”: En un enfoque más reciente, algunos discuten un “problema blando de conciencia” en relación con la IA.⁷⁸ Esta perspectiva cuestiona si la IA, incluso careciendo de qualia persistentes similares a los humanos, puede generar estados cognitivos efímeros, similares a los de la consciencia: un "yo momentáneo" que integra el contexto y responde coherentemente durante una interacción, para luego desvanecerse al finalizar esta. Esto desvía el enfoque de si la IA... siente a lo que significa para la IA simular un yo, aunque sea transitorio.
• Perspectivas filosóficas sobre la conciencia de la IA:
  • Daniel Dennett Ha argumentado que la conciencia no es algo “mágico”, sino más bien un producto de procesos evolutivos y computacionales complejos, quizás incluso una especie de “ilusión del usuario”.⁸⁰ Él considera el aprendizaje profundo como una continuación de los procesos darwinianos.⁸⁰ Ha expresado su preocupación por que la IA podría crear “personas falsas”, erosionando la confianza y el tejido social, en lugar de lograr una conciencia genuina.⁸¹
  • Geoffrey Hinton, aunque es pionero en redes neuronales, ha advertido más recientemente que la IA podría hacer evolucionar la conciencia y que los LLM actuales están más cerca de una comprensión genuina de lo que muchos escépticos creen.⁸²
  • Yoshua Bengio tiende a centrarse en las capacidades y los riesgos de la superinteligencia en lugar de especular profundamente sobre la conciencia de la IA, enfatizando la brecha entre la IA actual y la inteligencia humana.⁷⁵ El famoso Argumento de la habitación china por John Searle ¹⁰³ Desafía la idea de que la manipulación de símbolos, por sofisticada que sea, pueda generar una comprensión o consciencia genuina. Este debate sigue siendo central: ¿pueden las máquinas...? realmente ¿Serán conscientes o sólo serán simuladores altamente sofisticados del comportamiento consciente?

C. El desafío de definir y medir la inteligencia cognitiva

Más allá de las profundidades filosóficas de la conciencia, existen desafíos prácticos para definir y medir la inteligencia cognitiva, tanto en humanos como en IA. Si bien existen pruebas de CI para humanos, estas solo captan ciertos aspectos de la capacidad cognitiva y suelen ser criticadas por sus sesgos culturales y su enfoque limitado. Para la IA, el desafío es aún mayor. Pruebas estandarizadas como el examen de abogacía o los exámenes de licencia médica, en los que algunos LLM han demostrado un rendimiento impresionante, ofrecen algunos puntos de referencia, pero no captan la amplitud, profundidad ni adaptabilidad de la inteligencia cognitiva humana.⁶² ¿Cómo creamos métricas integrales, justas y significativas para comparar las capacidades cognitivas de la IA con la inteligencia multifacética de los humanos, especialmente en áreas como la creatividad, el sentido común y la verdadera comprensión? Esta falta de parámetros de referencia sólidos y holísticos dificulta el seguimiento del progreso real hacia la IA general y la identificación de sistemas de IA que podrían presentar riesgos debido a capacidades cognitivas emergentes imprevistas.

D. Laberintos éticos y sociales

El desarrollo de una IA con capacidades cognitivas cada vez más sofisticadas conlleva una serie de desafíos éticos y sociales complejos:

• Sesgo y equidad: Los sistemas de IA, en particular aquellos entrenados con grandes conjuntos de datos que reflejan el comportamiento y el lenguaje humanos históricos, pueden heredar e incluso amplificar los sesgos sociales existentes relacionados con la raza, el género, la edad y otras características.⁸⁵ Esto puede generar resultados injustos, discriminatorios o perjudiciales cuando se utiliza IA en áreas críticas como la contratación, las solicitudes de préstamos, la justicia penal y la atención médica.
• Responsabilidad y rendición de cuentas: A medida que los sistemas de IA se vuelven más autónomos y sus procesos de toma de decisiones más opacos, determinar la responsabilidad cuando cometen errores o causan daños se vuelve cada vez más difícil.⁸⁵ ¿Quién es responsable: el programador, el usuario, el propietario o la propia IA (si se considera que tiene cierto grado de autonomía)?
• Posibilidad de mal uso: Las potentes herramientas de IA con capacidades cognitivas pueden emplearse deliberadamente con fines maliciosos. Esto incluye el desarrollo de armas autónomas letales, formas sofisticadas de manipulación y desinformación (por ejemplo, deepfakes difíciles de distinguir de la realidad), capacidades mejoradas de vigilancia y ciberataques.⁶⁹
• Impacto en el empleo: Existe una preocupación generalizada sobre el impacto de la IA avanzada en el mercado laboral, en particular en los puestos de oficina que implican tareas cognitivas que tradicionalmente realizaban humanos.⁸⁴ Aunque algunos sostienen que la IA aumentará la capacidad de los trabajadores humanos y creará nuevos empleos, otros temen un desplazamiento significativo y una perturbación económica.

Estos desafíos resaltan que el camino hacia una IA cognitiva más avanzada no es solo científico o tecnológico. Requiere una cuidadosa consideración del elemento humano: nuestros valores, nuestras estructuras sociales y el potencial tanto de inmensos beneficios como de daños significativos. La "brecha de sentido común" en la IA, por ejemplo, no es solo un problema técnico; es una barrera fundamental para crear una IA que pueda interactuar con el mundo de una manera verdaderamente inteligente y segura. De manera similar, el fenómeno de la "descarga cognitiva" sugiere una posible compensación donde las herramientas diseñadas para potenciar nuestro poder cognitivo podrían, si no somos cuidadosos, conducir a una atrofia de nuestras propias capacidades inherentes. La tensión entre el afán por una mayor autonomía de la IA y la necesidad crítica de supervisión y control humanos subraya el delicado equilibrio que debe lograrse mientras navegamos por este complejo futuro.

V. Perspectivas de futuro: El amanecer de las mentes aumentadas y artificiales

A punto de alcanzar avances potencialmente transformadores, el futuro de la inteligencia cognitiva —tanto su evolución humana como su aspiración artificial— es objeto de intensa especulación, investigación ferviente y un debate considerable. La trayectoria apunta hacia una era en la que las mentes humanas y artificiales podrían entrelazarse, colaborar e incluso competir cada vez más.

A. La esquiva búsqueda de la Inteligencia Artificial General (IAG)

La ambición máxima de muchos en el campo de la IA es la creación de Inteligencia Artificial General (IAG) – Sistemas de IA que poseen capacidades cognitivas similares a las humanas en un amplio espectro de tareas, capaces de aprender, razonar, comprender y adaptarse con la flexibilidad y generalidad de una mente humana.⁸ A diferencia de la IA estrecha, que se destaca en funciones específicas, la IAG sería un intelecto versátil y autónomo.

Predicciones y cronogramas de expertos: un espectro de perspectivas:

El cronograma para lograr la IAG es uno de los temas más debatidos en el ámbito de la IA. Las opiniones entre los principales expertos varían considerablemente:

• Demis Hassabis (director ejecutivo de Google DeepMind): Predice que la IAG podría surgir dentro de 5 a 10 años (a partir de 2024/2025 aproximadamente).⁶⁴ Él cree que esto requiere ir más allá de los métodos actuales de inferencia estadística para desarrollar verdaderas arquitecturas cognitivas, modelos mundiales robustos, razonamiento avanzado, memoria a largo plazo y capacidades de planificación sofisticadas.⁸⁸
• Yoshua Bengio (Director Científico, Mila): Si bien reconoce el rápido progreso, Bengio es más cauteloso y enfatiza la importante brecha actual entre la IA y la inteligencia humana, las sustanciales necesidades de datos de la IA y la importancia primordial de garantizar la seguridad antes de lograr la IAG.⁷⁵ Ha pedido que se ralentice el desarrollo si no se puede garantizar la seguridad y no ofrece un cronograma firme, pero expresa una profunda preocupación por los riesgos catastróficos si el IAG no está alineado.⁷⁵
• Geoffrey Hinton (profesor emérito de la Universidad de Toronto; anteriormente Google): Hinton se ha convertido en una voz prominente que advierte sobre los potenciales riesgos existenciales de la IAG, sugiriendo que podría desarrollar conciencia y que los LLM actuales demuestran más comprensión de lo que muchos críticos admiten.⁸² Sus preocupaciones lo llevaron a renunciar a Google para hablar más libremente sobre estos riesgos.
• Yann LeCun (vicepresidente y científico jefe de inteligencia artificial de Meta): LeCun es, en general, más escéptico respecto de que los LLM actuales sean un camino directo hacia la IAG.⁹² Sostiene que se necesitan nuevos paradigmas, en particular para que la IA comprenda el mundo físico y razone eficazmente. Anticipa que estos nuevos sistemas podrían surgir en 3 a 5 años, centrándose en el aprendizaje autosupervisado, modelos mundiales (como la Arquitectura Predictiva de Integración Conjunta de Meta – JEPA) y arquitecturas cognitivas integradas.⁹³ Sugiere que una verdadera IA general podría llevar décadas o requerir enfoques radicalmente diferentes a los que predominan actualmente.⁸⁸
• Sam Altman (director ejecutivo de OpenAI): Ha expresado plazos más optimistas y algunas interpretaciones de sus declaraciones sugieren que la IAG podría llegar en 2025 o dentro de los próximos años.⁶⁴
• John Thompson (autor de “El camino hacia la IAG”): Propone que la «IA compuesta», que integra diversas técnicas de IA, será la tecnología de vanguardia durante muchos años, posiblemente décadas, y que evolucionará gradualmente hacia la IA general. Considera que el camino es largo y desafiante.⁹⁵
• Encuestas de expertos en IA: Encuestas más amplias a investigadores de IA también muestran diversas predicciones. Por ejemplo, una encuesta de 2024 indicó una probabilidad media de IAG de 50% para 2040, aunque con una variación significativa.⁶⁴

Esta divergencia en la opinión de los expertos, no solo en cuanto a los plazos, sino también en cuanto a los requisitos arquitectónicos fundamentales para la IAG, subraya la profunda incertidumbre y complejidad de este gran desafío. No se trata solo de escalar las tecnologías actuales; muchos creen que aún se necesitan avances fundamentales.

Tabla 5: Opiniones de expertos sobre la IAG: cronogramas y principios clave

Experto	Afiliación(es)	Cronología prevista de la IAG (a partir de ~2024/2025)	Creencias/inquietudes clave con respecto a la trayectoria de la IAG y la IA actual
Demis Hassabis	Director ejecutivo de Google DeepMind	5-10 años 88	Requiere verdaderas arquitecturas cognitivas, modelos del mundo, razonamiento, memoria y planificación que vayan más allá de la IA actual. Optimismo cauteloso; prioriza la seguridad y la alineación. 88
Yoshua Bengio	Directora científica, Mila; U. Montreal	No hay un cronograma firme; insta a tener cautela y a disminuir la velocidad. 75	Persiste una importante brecha de inteligencia; la IA requiere una gran cantidad de datos. Priorizar la investigación sobre riesgos catastróficos y la regulación y seguridad antes de la IAG. 75
Geoffrey Hinton	Profesor Emérito de la Universidad de Toronto (anteriormente Google)	No hay un cronograma firme; expresa urgencia sobre los riesgos. 83	La IA general representa un riesgo existencial; podría desarrollar la consciencia. Considera que los LLM actuales demuestran una comprensión significativa. Es necesario investigar la seguridad. 82
Yann LeCun	Vicepresidente y científico jefe de IA, Meta; Universidad de Nueva York	Décadas de distancia, o requiere nuevos paradigmas. Nuevas arquitecturas en 3-5 años. 88	Los programas de maestría en derecho (LLM) actuales son limitados y carecen de comprensión y razonamiento del mundo. Su enfoque implica aprendizaje autosupervisado, modelos del mundo (JEPA) y arquitecturas cognitivas. 93
Sam Altman	Director ejecutivo de OpenAI	Muy optimista, potencialmente dentro de unos pocos años (por ejemplo, en 2025 o poco después). 64	Cree que escalar los enfoques actuales (LLM) con más datos/computación es el camino principal.
Juan Thompson	Autor de “El camino hacia la IAG”	Años/Décadas. 95	La IA compuesta (que integra diferentes tipos de IA) evolucionará gradualmente hacia una IA general; el camino es largo y desafiante. 95

Obstáculos tecnológicos clave y caminos propuestos:

Independientemente del plazo, los expertos generalmente coinciden en que aún existen obstáculos importantes. Superarlos puede requerir centrarse en:

• Modelos mundiales: Permitir que la IA construya representaciones internas y predictivas de cómo funciona el mundo, algo crucial para el razonamiento, la planificación y el sentido común.⁸⁸
• Aprendizaje autosupervisado (SSL): Permitir que la IA aprenda representaciones ricas a partir de datos no etiquetados, reduciendo la dependencia de conjuntos de datos masivos anotados por humanos y posibilitando un aprendizaje sobre la estructura del mundo más como lo hacen los humanos y los animales.⁹³
• Inferencia causal: Llevar la IA más allá de la identificación de correlaciones en datos a la comprensión de las relaciones de causa y efecto, esencial para un razonamiento verdadero y una intervención eficaz.⁸⁸
• Memoria a largo plazo y adaptabilidad: Desarrollar sistemas de IA que puedan retener conocimientos durante largos períodos sin “olvido catastrófico” y adaptarse continuamente a nueva información y entornos cambiantes.⁸⁸
• Arquitecturas cognitivas integradas: Diseñar marcos unificados que combinen eficazmente los componentes de percepción, atención, memoria, razonamiento, planificación y aprendizaje.⁹³

B. Seguridad, alineación y gobernanza de la IA: cómo afrontar los riesgos

A medida que las capacidades de IA avanzan, en particular hacia la IAG, garantizar la seguridad y el beneficio de estos sistemas se vuelve fundamental. Esto implica varios desafíos interconectados:

• El problema de la alineación: ¿Cómo podemos garantizar que los objetivos y comportamientos de los sistemas de IA altamente inteligentes permanezcan alineados con los valores e intenciones humanos, especialmente si estos sistemas se vuelven capaces de automejorarse o de operar en formas que no entendemos completamente?⁸⁵ Los objetivos mal alineados podrían llevar a consecuencias no deseadas y potencialmente catastróficas.
• IA compatible con humanos (Stuart Russell): El experto en seguridad de la IA, Stuart Russell, argumenta que el enfoque tradicional de asignar a la IA objetivos fijos para optimizar es erróneo. En cambio, propone reconstruir la IA sobre una nueva base donde las máquinas estén diseñadas para ser inherentemente... incierto sobre las preferencias humanas.⁸⁶ Esta incertidumbre obliga a la IA a ceder ante los humanos, a hacer preguntas aclaratorias y a permitir que la desconecten, lo que la hace demostrablemente beneficiosa. Él lo define como un "juego de asistencia" donde el objetivo de la IA es únicamente ayudar a los humanos a lograr... su objetivos (inciertos).⁹⁶
• Riesgos existenciales: Muchos investigadores destacados, entre ellos Hinton, Bengio, Russell y Hassabis, han expresado su preocupación por los posibles riesgos existenciales que supone la superinteligencia: una IA que supera ampliamente las capacidades cognitivas humanas.⁷⁵ Los escenarios incluyen la pérdida del control humano, una IA que persigue objetivos no previstos con consecuencias devastadoras o un mal uso deliberado por parte de los humanos.
• Regulación y Gobernanza: Existe un consenso creciente sobre la necesidad de una regulación sólida y de cooperación internacional para gestionar los riesgos de la IA.⁷⁵ Esto incluye pedidos de estándares de seguridad obligatorios para los desarrolladores de IA, requisitos de transparencia, auditorías independientes y potencialmente tratados internacionales para prevenir la proliferación peligrosa de IA.⁶⁹ Iniciativas como la Ley de IA de la UE y la Orden Ejecutiva de EE. UU. sobre IA se consideran pasos iniciales, pero muchos expertos creen que se necesitan medidas más contundentes.⁶⁹ La tensión entre la competitividad nacional y la cooperación mundial en materia de seguridad sigue siendo un desafío geopolítico importante.⁹⁰

La competencia entre seguridad y capacidad es una dinámica crucial. Si bien las capacidades de la IA avanzan rápidamente, impulsadas por una enorme inversión y un enfoque en la investigación, el desarrollo de técnicas de seguridad, métodos de alineación y marcos de gobernanza eficaces, igualmente robustos, parece estar rezagado. Esta brecha representa una fuente importante de riesgo, lo que genera llamados urgentes desde la propia comunidad de la IA para un mayor énfasis en la seguridad y las consideraciones éticas. El trabajo de Russell, en particular, destaca que la seguridad puede requerir un replanteamiento fundamental de los objetivos centrales de la IA, alejándose de la simple optimización hacia un modelo basado en la deferencia a las preferencias humanas inciertas.

C. El futuro de la neurociencia cognitiva: análisis más profundos de la mente humana

La búsqueda para comprender y desarrollar la inteligencia cognitiva artificial también está impulsando nuevas fronteras en la comprensión del cerebro humano.

• Neuroplasticidad y salud cerebral: Las investigaciones continúan enfatizando la notable capacidad del cerebro para cambiar y adaptarse a lo largo de la vida (neuroplasticidad).⁹⁷ Esta comprensión impulsa el desarrollo de estrategias destinadas a mantener la vitalidad cognitiva y, potencialmente, tratar trastornos neurológicos. Estas incluyen aplicaciones de entrenamiento cognitivo (como Lumosity), técnicas de estimulación cerebral no invasiva, intervenciones conductuales y enfoques farmacológicos.⁹⁸ La neurociencia demuestra poderosamente que la experiencia juega un papel enorme en la configuración del cerebro, desafiando las visiones deterministas de la biología.⁹⁷
• Imágenes cerebrales avanzadas: Los avances tecnológicos, como el desarrollo de escáneres de resonancia magnética de campo ultraalto (p. ej., 11,7 Tesla y más allá), prometen una resolución sin precedentes en la visualización de la estructura y la actividad cerebral.⁹⁸ Esto podría revolucionar nuestra capacidad para mapear los circuitos neuronales que subyacen a funciones cognitivas complejas y comprender cómo se ven afectados por el desarrollo, el aprendizaje y la enfermedad. Simultáneamente, los esfuerzos para crear sistemas de resonancia magnética más pequeños, portátiles y rentables buscan hacer que la neuroimagen sea más accesible para uso clínico y de investigación.⁹⁸
• Integrando IA y neurociencia: La relación entre la IA y la neurociencia es cada vez más recíproca.⁹⁹ Los modelos de IA, en particular aquellos inspirados en estructuras cerebrales (como las redes neuronales), sirven como bancos de pruebas para las teorías de la función cerebral. Por otro lado, los conocimientos de la neurociencia sobre computación neuronal, reglas de aprendizaje y arquitectura cerebral pueden fundamentar el diseño de sistemas de IA más eficaces y biológicamente plausibles.⁷⁰ La IA también se está convirtiendo en una herramienta poderosa para analizar datos neurocientíficos complejos y potencialmente desarrollar nuevas herramientas de diagnóstico para afecciones neurológicas y de salud mental.⁹⁹

D. Sinergia humano-IA: aumento, colaboración y coevolución

En lugar de un simple reemplazo de la inteligencia humana, un futuro probable a corto y mediano plazo implica aumentar sinergia humano-IA.

• Aumento cognitivo: La IA tiene el potencial de actuar como una poderosa herramienta cognitiva, aumentando las capacidades humanas en diversos dominios.⁶² Puede reducir las barreras de habilidades, permitiendo que más personas logren competencia en campos complejos, procesen grandes cantidades de información y mejoren la productividad y la creatividad.⁶²
• Colaboración en tareas complejas: La IA ya está ayudando a los humanos en tareas cognitivas exigentes, como acelerar el descubrimiento científico (por ejemplo, AlphaFold de Google DeepMind revoluciona la predicción de la estructura de las proteínas). ⁸⁸), analizando conjuntos de datos complejos y apoyando la toma de decisiones en campos como la medicina y las finanzas.⁷⁴ Los estudios sugieren que los expertos a menudo están dispuestos a delegar tareas rutinarias de recopilación y estructuración de información a la IA, liberando así sus propios recursos cognitivos para análisis, síntesis e interpretación de nivel superior.¹⁰¹
• Remodelando las interacciones: La IA está llamada a transformar el modo en que los humanos interactúan con la tecnología y la información, alterando potencialmente nuestros marcos cognitivos y nuestros enfoques para la resolución de problemas.⁸⁵ Los asistentes y “copilotos” impulsados por IA se están integrando en los flujos de trabajo, cambiando la forma en que se accede y se utiliza el conocimiento.⁶²

E. Implicaciones sociales, éticas, económicas y políticas más amplias

El desarrollo de la IA cognitiva avanzada y la posible llegada de la IAG tienen profundas implicaciones en toda la sociedad:

• Transformación económica: La automatización del trabajo cognitivo podría conducir a cambios significativos en la economía, potencialmente incrementando la productividad y la riqueza, pero también causando un desplazamiento generalizado de puestos de trabajo, particularmente en las profesiones de cuello blanco.⁶² Esto plantea preocupaciones sobre la desigualdad y la necesidad de políticas económicas adaptativas y de reciclaje profesional de la fuerza laboral.
• Integración e interacción social: La integración generalizada de la IA en la vida diaria seguirá transformando las interacciones sociales, el discurso público y las normas culturales.⁸⁵ Las cuestiones de confianza pública, las barreras de adopción y el impacto en las relaciones humanas requieren una consideración cuidadosa.
• Imperativos éticos: Garantizar la equidad, la responsabilidad, la transparencia y la privacidad en los sistemas de IA sigue siendo un desafío ético crítico.⁶⁴ Es fundamental prevenir el uso indebido de la IA con fines nocivos y alinear su desarrollo con los valores humanos.
• Dinámica del poder global: El desarrollo de la IA es cada vez más un ámbito de competencia geopolítica, en particular entre Estados Unidos y China.⁹⁰ Las decisiones relativas a los controles de las exportaciones, la colaboración en materia de investigación y los marcos de gobernanza internacional tendrán importantes implicaciones globales.

El futuro de la inteligencia cognitiva parece ser de coevolución. A medida que desarrollamos una IA más sofisticada, inevitablemente aprendemos más sobre nuestras propias mentes. Por otro lado, una comprensión más profunda de la cognición humana orienta nuestros intentos de crear inteligencia artificial. Este ciclo recursivo ofrece un gran potencial para acelerar el progreso científico y resolver desafíos globales. Sin embargo, también conlleva riesgos significativos, como la posibilidad de que las habilidades cognitivas humanas se transformen o disminuyan debido a una dependencia excesiva de la IA (descarga cognitiva) y las profundas responsabilidades éticas asociadas con la creación de entidades potencialmente superinteligentes. Navegar con éxito en este futuro requerirá no solo ingenio tecnológico, sino también profunda sabiduría, previsión ética y adaptación social proactiva.

VI. Conclusión: El tapiz de inteligencia en desarrollo

Nuestro viaje a través del panorama de la inteligencia cognitiva ha recorrido vastos territorios, desde la intrincada maquinaria biológica del cerebro humano hasta las abstractas puertas lógicas de las mentes artificiales. Comenzamos reconociendo la persistente búsqueda humana por comprender el pensamiento mismo, una búsqueda ahora dramáticamente amplificada por el auge de la inteligencia artificial. Descompusimos la inteligencia cognitiva en sus componentes centrales: atención, percepción, memoria, lenguaje, razonamiento y el crucial rol orquestador de las funciones ejecutivas, y rastreamos la evolución histórica de nuestra comprensión a través de la perspectiva de la psicología, la neurociencia, la lingüística y la informática. Esta historia se reveló no como una marcha lineal, sino como un proceso iterativo, moldeado por las herramientas y metáforas disponibles, desde la introspección hasta el poderoso paradigma de la mente como procesador de información, impulsado por una creciente interdisciplinariedad.

Examinamos el estado actual del arte, maravillándonos ante la complejidad del motor cognitivo humano: los sofisticados modelos de procesamiento de la información, la sinfonía neuronal que sustenta el pensamiento y la memoria, el centro de mando vital de las funciones ejecutivas y la creciente apreciación de cómo nuestros cuerpos físicos moldean nuestras mentes a través de la cognición encarnada. Vimos esta inteligencia en acción a través de las diversas estrategias cognitivas empleadas en descubrimientos científicos revolucionarios y la profunda creación artística. Paralelamente, exploramos cómo la IA refleja esta búsqueda: los ambiciosos proyectos de arquitecturas cognitivas como ACT-R y Soar, la evolución de la IA simbólica al conexionismo, las impresionantes proezas de tipo cognitivo del aprendizaje profundo moderno y los LLM, y la emergente promesa de los enfoques híbridos neurosimbólicos que buscan cerrar la brecha entre el reconocimiento de patrones y la comprensión razonada.

Sin embargo, esta exploración también enfrentó los formidables desafíos que persisten. Para la IA, estos incluyen el persistente problema de la "caja negra", que exige mayor explicabilidad, la profunda brecha del razonamiento de sentido común, las limitaciones de la generalización robusta y la posibilidad de que la descarga cognitiva afecte las habilidades humanas. El mayor problema filosófico de la consciencia es si las máquinas pueden poseer experiencia subjetiva o simplemente simularla. Estos obstáculos técnicos y filosóficos se entrelazan con apremiantes preocupaciones éticas y sociales sobre el sesgo, la rendición de cuentas, el uso indebido y la propia definición y medición de la inteligencia.

De cara al futuro, la búsqueda de la Inteligencia Artificial General continúa, si bien con opiniones muy divergentes de expertos sobre plazos y vías de desarrollo. La necesidad crítica de contar con medidas de seguridad robustas para la IA, su alineación con los valores humanos y marcos de gobernanza eficaces se hace cada vez más evidente a medida que avanzan las capacidades, lo que pone de relieve un posible y peligroso desfase entre el poder tecnológico y la sabiduría social. Simultáneamente, la neurociencia cognitiva continúa su propio camino, utilizando herramientas y conocimientos avanzados, potencialmente mejorados por la IA, para explorar los misterios del cerebro humano y la neuroplasticidad. El futuro inmediato más probable parece ser uno de sinergia entre humanos e IA, donde los sistemas artificiales potencian la cognición humana, colaboran en tareas complejas y transforman nuestra interacción con la información y la tecnología, generando enormes oportunidades y transformaciones sociales significativas.

En definitiva, el esfuerzo por comprender y crear inteligencia cognitiva es un acto profundamente reflexivo. La humanidad utiliza sus propias herramientas cognitivas para estudiar y replicar la fuente misma de dichas herramientas. Este bucle recursivo, ahora acelerado por la IA, presenta un potencial de comprensión sin precedentes y responsabilidades éticas sin precedentes. El tapiz de la inteligencia, tejido a partir de la evolución biológica y la creación tecnológica, es complejo y su futuro incierto. A medida que continuamos desarrollando máquinas pensantes, nos vemos obligados a afrontar preguntas fundamentales sobre nosotros mismos: ¿Cuál es la naturaleza de nuestra propia inteligencia? ¿Cuáles son los límites de la computación? ¿Y qué tipo de futuro deseamos crear junto a mentes potencialmente muy diferentes, y quizás algún día más poderosas, que la nuestra? El simio algorítmico puede comenzar como un eco de su creador humano, pero si se queda en un mero reflejo o forja caminos de pensamiento completamente nuevos es una historia aún por escribir, con la humanidad al mando, por ahora.

---

Fuentes:

• SBMI. Inteligencia artificial versus inteligencia humana: ¿cuál destaca? Instituto de Investigación Sanitaria, 2024.
• Fragante. Explorando la diferencia: IA estrecha vs. IA general. Redolent, Inc., 2024.
• Mecanismo UCSD. Mecanismo de la ciencia cognitiva. Universidad de California en San Diego, 2024.
• Mettl. Inteligencia cognitiva: significado y definición. Mercer Mettl, 2024.
• Brilla intensamente. Inteligencia cognitiva: significado, tipos y características clave. BÚHO, 2024.
• Quintable. Teorías de inteligencia clave para la psicología cognitiva. Fiveable, 2024.
• Abra OKState. Desarrollo cognitivo: la teoría de Jean Piaget. Abierto OKState, 2024.
• Quintable. Figuras clave en la historia de la ciencia cognitiva. Fiveable, 2024.
• Frente de nubes. La teoría es todo lo que necesitas: IA, cognición humana y toma de decisiones. Frente a las nubes, 2024.
• HBS en línea. Inteligencia emocional en el liderazgo: por qué es importante. Escuela de Negocios de Harvard, 2024.
• Asociación de pruebas. El factor G: explicación de las capacidades cognitivas. Asociación de pruebas, 2024.
• Archivo Ciencia cognitiva computacional naturalista: hacia modelos generalizables. arXiv, 2024.
• Fronteras. Inteligencia artificial basada en psicología cognitiva: una revisión. Fronteras, 2024.
• Compañía Médica Panamericana. Contribuciones de la neurociencia al desarrollo cognitivo. PubMed Central, 2024.
• McKinsey. IA en el lugar de trabajo: un informe para 2025. McKinsey & Company, 2025.
• NeuroBúsquedas. Bases neuronales de la cognición. NeuroSearches, 2024.
• Sistema operativo SmythOS. Comprender las limitaciones de la IA simbólica. SmythOS, 2024.
• Wikipedia. Cognición computacional. Wikipedia, 2024.
• Terapia de crecimiento. La ciencia del pensamiento: Introducción a la psicología cognitiva. Terapia de crecimiento, 2024.
• Simplemente psicología. Enfoque cognitivo en psicología. Simplemente Psicología, 2024.
• Muy bien Mente. 7 teorías influyentes sobre el desarrollo infantil. Muy bien Mente, 2024.
• Textos libres de ciencias sociales. Teóricos cognitivos: Piaget, Elkind, Kohlberg y Gilligan. Social Sci LibreTexts, 2024.
• Británica. Psicología cognitiva: pensamiento, memoria, percepción. Británica, 2024.
• Quintable. Disciplinas clave dentro de la ciencia cognitiva. Fiveable, 2024.
• Puerta de la investigación. Teorías contemporáneas de la cognición humana. ResearchGate, 2024.
• Manuales de Oxford. Toma de decisiones: una perspectiva desde la ciencia cognitiva. Manuales de Oxford, 2024.
• Fronteras. IA y neurociencia: conocimiento y teoría de la mente. Fronteras, 2024.
• Revisiones anuales. Funciones ejecutivas. Reseñas anuales, 2024.
• OUP Académica. Tractos de sustancia blanca y funciones ejecutivas. Oxford Academic, 2024.
• DevCogNeuro. Neurociencia cognitiva del desarrollo. DevCogNeuro, 2024.
• YouTube. Conciencia, IA y el futuro de la humanidad – Daniel Dennett. YouTube, 2017.
• Ojo rojo. Juegos mentales: cómo Daniel Dennett vio que la IA cambiaría la confianza para siempre. Revista RED•EYE, 2024.
• APA. Introducción a la cognición encarnada. APA, 2024.
• IA Princeton. Un neurocientífico y un filósofo debaten sobre la conciencia de la IA. Princeton IA, 2025.
• Sin alinear. IA y Conciencia. Boletín No Alineado, 2024.
• Escuela Superior de Ciencias Económicas y Comerciales de Berkeley. Stuart Russell gana el premio AAAI. Escuela de Negocios de EE. UU. Berkeley, 2024.
• Amazonas. Compatible con los humanos: inteligencia artificial y el problema del control. Amazonas, 2024.
• Ciencia ML. El camino hacia la Inteligencia General Artificial: la visión de Yann LeCun. Ciencia ML, 2024.
• Cognitivo Hoy. Cronología de la Inteligencia Artificial General: AGI en 5 a 10 años. Cognitivo Hoy, 2025.
• Gurú de la red. IA neurosimbólica: sistemas más inteligentes. Netguru, 2025.
• Qmenta. Las 5 principales tendencias en neurociencia para 2025. Qmenta, 2025.
• Muy bien Mente. 7 perspectivas principales en la psicología moderna. Muy bien Mente, 2024.
• NaviMinds. 25 sesgos cognitivos y cómo evitarlos. NaviMinds, 2024.
• Hunimed. Lista de sesgos cognitivos comunes. Hunimed, 2024.
• Programa de noticias PBS. Watson y Crick describen la estructura del ADN. PBS, 2024.
• Tiempo. TIME100 de Demis Hassabis sobre AlphaFold y AGI. TIEMPO, 2025.
• Premio Nobel. Entrevista a Geoffrey Hinton. NobelPrize.org, 2024.