Los sistemas de IA han avanzado de manera dramática, aunque siguen siendo limitados en alcance, destacando en tareas como la interpretación de imágenes y el procesamiento del lenguaje, pero carecen de una inteligencia más amplia y similar a la humana. Estos logros dependen en gran medida de vastos conjuntos de datos y poder computacional en lugar de de un entendimiento fundamental. Los autores proponen estudiar los mecanismos cognitivos humanos, específicamente la teoría de Daniel Kahneman sobre el pensamiento rápido y lento, para guiar el desarrollo de la IA. Sugieren una arquitectura multiagente en la que los problemas son manejados por agentes del sistema 1 (rápido), que reaccionan basados en experiencias pasadas, o por agentes del sistema 2 (lento), activados para razonamientos deliberados y búsquedas de soluciones óptimas. Ambos tipos de agentes están respaldados por un modelo del mundo que contiene conocimientos de dominio y un modelo del auto que rastrea acciones pasadas y habilidades de resolución. Este enfoque busca integrar una inteligencia más comprensiva en los sistemas de IA imitando los procesos metacognitivos humanos.

Presentado por Andrea Loreggia el 5 de octubre de 2021, el artículo explora cómo un diseño arquitectónico inspirado en la teoría de procesos duales podría cerrar la brecha entre la actual IA estrecha y una inteligencia más general y adaptativa.

Entidades clave: Personas: Andrea Loreggia, D. Kahneman

Pregunta frecuente: ¿Cuál es la principal propuesta en este artículo de investigación sobre IA?

El artículo propone una arquitectura multiagente de IA inspirada en la teoría de procesos duales de Kahneman, utilizando agentes rápidos (sistema 1) y lentos (sistema 2) respaldados por modelos del mundo y del auto para lograr una inteligencia más similar a la humana.

Pregunta frecuente: ¿Cuál es la principal propuesta en este artículo de investigación sobre IA?

Respuesta frecuente: El artículo propone una arquitectura multiagente de IA inspirada en la teoría de procesos duales de Kahneman, utilizando agentes rápidos (sistema 1) y lentos (sistema 2) respaldados por modelos del mundo y del auto para lograr una inteligencia más similar a la humana.