La IA i la IAG: dos conceptes que cal distingir
Aprenentatge automàtic, xarxes neuronals, models de llenguatge... Descobreix els fonaments tecnològics que estan transformant l'educació i el món professional.
Parlem de IA, però sovint ens referim a la IAG
En els últims anys, la intel·ligència artificial s'ha convertit en un terme omnipresent als mitjans de comunicació, als debats educatius i a les converses del carrer. Però darrere d'aquest paraigua conceptual s'amaga una distinció fonamental que molts passen per alt: la diferència entre la IA en sentit ampli i la intel·ligència artificial generativa (IAG).
1. Què és la intel·ligència artificial (IA)?
La intel·ligència artificial (IA) és un camp de la informàtica que s'enfoca a crear sistemes capaços de fer tasques que normalment requereixen intel·ligència humana: aprendre, raonar, percebre, planificar i prendre decisions. Aquests sistemes processen la informació derivada de les dades per assolir un objectiu determinat, sense necessitat d'instruccions explícites per a cada situació nova.
Exemples quotidians d'IA que ja formem part de la nostra vida són els assistents de veu com Siri o Alexa, els sistemes de recomanació de plataformes com Netflix o Amazon —que aprenen els nostres gustos per suggerir contingut—, o els algoritmes de cerca de Google, que interpreten la intenció darrere de les paraules que teclegem.
- Les tres capes: IA, Machine Learning i Deep Learning
Per entendre millor el camp, és útil imaginar tres cercles concèntrics. La IA és el concepte més ampli. Dins seu trobem l'aprenentatge automàtic (machine learning), i dins d'aquest, l'aprenentatge profund (deep learning):
- Aprenentatge automàtic i aprenentatge profund
L'aprenentatge automàtic (machine learning) és un subcamp de la IA en el qual els sistemes aprenen patrons directament de les dades, sense ser programats explícitament per a cada tasca. En lloc de seguir instruccions fixes, l'algoritme "entrena" amb exemples i construeix un model estadístic que li permet fer prediccions o decisions en situacions noves.
L'aprenentatge profund (deep learning) és, en particular, el que ha impulsat la revolució de la IA en la darrera dècada. Les xarxes neuronals artificials s'inspiren —de manera molt simplificada— en el funcionament del cervell humà: estan formades per milers o milions de "neurones" artificials connectades en capes que processen la informació de manera jeràrquica. Necessiten grans quantitats de dades (big data) i una gran potència de càlcul per ser entrenades, però un cop entrenades poden reconèixer imatges, comprendre el llenguatge natural o generar text amb una precisió sorprenent.
2. La intel·ligència artificial generativa (IAG) i els LLM
La intel·ligència artificial generativa (IAG) és una branca específica de la IA que, a diferència dels sistemes que simplement classifiquen o reconeixen patrons, és capaç de crear contingut nou: text, imatges, àudio, codi, vídeos o qualsevol combinació d'aquests. La IAG no "copia" del seu conjunt d'entrenament; genera respostes originals basant-se en els patrons estadístics apresos.
- Definició: Model de Llenguatge Gran (LLM)
Un Large Language Model (LLM) és un model de xarxa neuronal gran que prediu el token següent basat en el que s'ha predit anteriorment. Un "token" és la unitat mínima de processament: pot ser una paraula, part d'una paraula, o fins i tot un caràcter de puntuació.
Quan escrius una pregunta a ChatGPT o a Claude, el model genera la resposta token a token, calculant en cada pas quina paraula (o fragment de paraula) té més probabilitat de ser la correcta donada tota la seqüència anterior. No pensa, no comprèn; prediu estadísticament.
- Per què són tan populars els LLM?
La popularitat dels LLM es deu a la seva versatilitat extraordinària. Un únic model ben entrenat pot abordar tasques radicalment diferents sense cap modificació, cosa impensable amb els sistemes d'IA anteriors:
- Diferència clau: IA vs. IAG
| Característica | IA (en general) | IAG (Generativa) |
|---|---|---|
| Funció principal | Classificar, predir, optimitzar | Crear contingut nou |
| Exemples | Siri, recomanadors, detecció de frau | ChatGPT, Claude, DALL-E, Midjourney |
| Sortida | Decisió o etiqueta predefinida | Text, imatge, codi o àudio nous |
| Interacció | Generalment automàtica i en segon pla | Sovint conversacional i directa |
- Les (encara) limitacions dels LLM
Malgrat els avenços espectaculars, és fonamental conèixer les limitacions actuals dels models de llenguatge gran per fer-ne un ús crític i responsable, especialment en contextos educatius:
Exactitud de les dades
La IAG opera basant-se en algorismes i dades prèvies d'entrenament. La seva precisió pot variar considerablement depenent del tema, la llengua o la novetat de la informació.
Actualització de continguts
Els models d'IAG tenen una "data de tall" (knowledge cutoff): no coneixen els esdeveniments posteriors al seu entrenament. Això significa que poden difondre informació obsoleta sobre investigacions recents, canvis curriculars o esdeveniments actuals. Sempre cal verificar les dades amb fonts actualitzades.
Al·lucinació de dades (hallucination)
Potser la limitació més coneguda i perillosa: els LLM poden generar informació potencialment falsa però presentada amb un to segur i convincent. El model no "sap" que s'equivoca; simplement prediu el token més probable. Cites inventades, estadístiques incorrectes i dades fictícies es presenten amb la mateixa fluïdesa que les correctes.
Biaixos en les dades (bias)
Els algorismes reflecteixen els biaixos culturals, socials i de gènere presents a les dades d'entrenament —que sovint reflecteixen desequilibris historials de la societat. Això pot donar com a resultat decisions, avaluacions o continguts injustos o discriminatoris si s'utilitzen sense supervisió crítica.
- Un ecosistema en expansió constant
Cada dia apareixen noves aplicacions que utilitzen IA o recursos digitals existents que incorporen noves eines basades en models d'IAG. Per estar al dia d'aquest ecosistema en constant creixement, és útil recórrer a directoris especialitzats que classifiquen les eines per categories i casos d'ús.
Des d'eines per a l'educació, la productivitat, la creativitat o la investigació, el panorama és vast. Aquí en destaquem algunes de referència per al context docent:
3. Recursos · Per saber-ne més
Per aprofundir en els conceptes tractats en aquesta entrada, hem seleccionat una sèrie de recursos de qualitat contrastada, ordenats per nivell d'aprofundiment:
4. El que hem après
Hem recorregut els conceptes fonamentals que permeten entendre el paisatge de la intel·ligència artificial actual. Aquí en teniu un resum:
| Concepte | Definició breu |
|---|---|
| IA | Camp de la informàtica que crea sistemes capaços de fer tasques que requereixen intel·ligència humana. |
| Aprenentatge automàtic (ML) | Subcamp de la IA: algoritmes que aprenen patrons a partir de les dades. |
| Aprenentatge profund (DL) | Subcamp del ML: xarxes neuronals artificials que extreuen característiques de dades en brut. |
| IAG | IA capaç de crear contingut nou (text, imatge, àudio, codi). |
| LLM | Model de xarxa neuronal gran que prediu el token següent per generar text de forma coherent. |
| Al·lucinació | Generació d'informació falsa però presentada de manera convincent per part del model. |
| Biaix | Prejudicis culturals o socials presents a les dades d'entrenament que es reflecteixen en les respostes. |
Comprendre aquests conceptes no és un luxe tècnic reservat als informàtics: és una competència digital fonamental per a qualsevol professional que vulgui navegar —i ajudar els seus alumnes a navegar— el món de la IA de manera crítica, reflexiva i responsable.
