IA simbólica
Lógica, sistemas expertos, búsqueda y planificación
La primera apuesta de la disciplina: si la inteligencia es razonamiento, entonces basta con representar el mundo en símbolos y darle a la máquina reglas para transformarlos.
Intuición
Imagina un detective que no ve nada: solo recibe fichas con hechos escritos —«el mayordomo estaba en la cocina», «la cocina no tiene ventanas»— y un manual de reglas del tipo «si A y B, entonces C». Razonar es encadenar reglas hasta llegar a la ficha buscada. Esa es la imagen fundadora de la IA simbólica, lo que John Haugeland llamó en 1985 GOFAI: Good Old-Fashioned AI.
El mismo espíritu gobierna la búsqueda: un problema es un grafo de estados (posiciones de un tablero, ciudades de un mapa) y resolverlo es encontrar un camino. La dificultad no es la idea, sino la explosión combinatoria: el número de caminos crece exponencialmente, y la inteligencia consiste en saber cuáles no mirar. Para eso sirven las heurísticas.
La planificación generaliza la búsqueda: los estados ya no son casillas, sino descripciones lógicas del mundo («el bloque A está sobre B»), y las acciones tienen precondiciones y efectos. Un planificador busca una secuencia de acciones que transforme el estado inicial en uno que satisfaga la meta.
Mecanismo
Un sistema experto tiene dos partes: una base de hechos y una base de reglas de producción . El motor de inferencia aplica encadenamiento hacia adelante (de los hechos a las conclusiones, como en el laboratorio de abajo) o hacia atrás (de la meta a los hechos que la justificarían, como en MYCIN y en Prolog). La ventaja decisiva: cada conclusión trae su traza de justificación.
A* (Hart, Nilsson y Raphael, 1968) expande siempre el nodo con menor : el costo real acumulado más una estimación del costo restante. Si la heurística es admisible —nunca sobreestima— A* garantiza el camino óptimo; si además es consistente, nunca necesita reabrir nodos. Con degenera en Dijkstra; con peso sobre se vuelve más rápido pero pierde optimalidad.
En STRIPS (Fikes y Nilsson, 1971) cada acción es una tripleta: precondiciones, lista de adiciones y lista de eliminaciones. El planificador busca en el espacio de estados lógicos; los planificadores modernos (Graphplan, FF, Fast Downward) usan heurísticas derivadas de relajar el problema —ignorar las eliminaciones— para guiar esa búsqueda.
Laboratorio
A* en una retícula editable
Dibuja muros, mueve el origen y la meta, y compara heurísticas. La frontera (abierta) y los nodos cerrados se calculan en vivo.
Motor de inferencia hacia adelante
Un pequeño sistema experto: activa hechos y observa qué reglas se disparan y con qué justificación.
Razonamiento basado en casos
Recupera el caso más cercano, adapta su solución al problema nuevo y la reutiliza. Añade casos con clic; compara distancia euclídea y ponderada.
Historia
- 1956
Newell, Shaw y Simon presentan el Logic Theorist, que demuestra teoremas de los Principia Mathematica. El mismo verano se celebra el taller de Dartmouth, cuya propuesta (1955) acuña «artificial intelligence».
McCarthy, Minsky, Rochester y Shannon (1955), A Proposal for the Dartmouth Summer Research Project on AI
- 1965
J. A. Robinson publica el principio de resolución, base de la demostración automática y, después, de Prolog.
Robinson (1965), J. ACM 12(1)
- 1968
Hart, Nilsson y Raphael formalizan A* en el contexto del robot Shakey del SRI.
Hart, Nilsson & Raphael (1968), IEEE Trans. SSC 4(2)
- 1971
STRIPS introduce la representación de acciones con precondiciones y efectos.
Fikes & Nilsson (1971), Artificial Intelligence 2
- 1972
Colmerauer y Roussel crean Prolog en Marsella.
Colmerauer & Roussel (1993), The birth of Prolog
- 1976
MYCIN diagnostica infecciones bacterianas con ~600 reglas y factores de certeza.
Shortliffe (1976), Computer-Based Medical Consultations: MYCIN
- 1997
Deep Blue vence a Kasparov con búsqueda alfa-beta masiva y evaluación diseñada a mano.
Campbell, Hoane & Hsu (2002), Artificial Intelligence 134
Límites
El cuello de botella del conocimiento: alguien tiene que escribir las reglas, y los expertos no saben explicitar buena parte de lo que saben.
Fragilidad: fuera del dominio previsto, el sistema no degrada con elegancia; simplemente falla.
El problema del marco (McCarthy y Hayes, 1969): ¿cómo representar todo lo que no cambia al actuar sin enumerarlo?
Anclaje de símbolos (Harnad, 1990): los símbolos solo significan algo para quien los interpreta; la máquina manipula formas.
¿Manipular símbolos según reglas es suficiente para entender?
Newell y Simon formularon en 1976 la hipótesis del sistema físico de símbolos: tal sistema tiene «los medios necesarios y suficientes para la acción inteligente general». John Searle respondió en 1980 con la habitación china: alguien que sigue un manual para responder en chino sin saber chino produce conducta competente sin comprensión.
La pregunta sigue viva en otra forma: si los grandes modelos de lenguaje razonan, ¿lo hacen porque aprendieron algo parecido a reglas, o porque la estadística del lenguaje ya contiene la sombra de la lógica?