El presente manuscrito busca satisfacer un interrogante. Un ejemplo sería hasta qué punto es necesario para jugar al ajedrez el establecer una relación física o a través de los sentidos con las piezas, el tablero y el contrincante. Es decir, ¿Es posible prescindir de toda la ontología ajedrecística para centrarnos en un plano estrictamente lógico del juego?
La idea central radica en comparar las leyes del pensamiento, con la normatividad o las reglas del juego, en este caso del ajedrez. Qué hace que una computadora, debidamente programada, o entrenada, sea capaz de “jugar” sin haber tocado el plano ontológico del tablero de ajedrez. O la pregunta subsiguiente, y pareja a esta, consistiría en preguntar qué hace que una computadora, debidamente programada o entrenada, sea capaz de “pensar el juego de la vida” sin haber tocado el plano ontológico del mundo real.
Hay que pensar, que cuando abstraemos de casos particulares mediante un método inductivo, para formular principios universales y necesarios, estamos definiendo leyes que en su conjunto están en relación con otras en un entramado conceptual, que por sí solo permite inferir el comportamiento del mundo.
La pregunta es si una vez construido este modelo, es capaz de reproducir las pautas particulares asociadas a cada caso, y en consecuencia si es capaz de “entender” el juego mientras juega.
También habría que preguntarse, qué significa jugar bien a un juego. Y si esto es inseparable de la condición de un conocimiento del mismo. El descubrimiento por parte de una máquina entrenada para establecer patrones en base a los inputs y outputs en cada interacción, en un número dado de casos suficiente, permite realizar una lógica inductiva, que combinada con la lógica deductiva clásica, dota de las herramientas necesarias para tomar mejores decisiones adaptadas a las necesidades de cada juego.
Lo que se deduce, a raíz de estas reflexiones, es que no es necesario una ontología del ajedrez para entender de forma lógica el ajedrez y poder jugarlo de forma exitosa.
Pero detengámonos un instante en el concepto de causalidad. Que muchos achacan como la debilidad natural o el gran handicap para que no se pueda producir una inteligencia artificial fuerte.
En este caso, hay que diferenciar dos tipos de causalidad:
- Causalidad inferencial: es aquella que es característica de la lógica deductiva y es el mecanismo que se aplica en un esquema o sistema inferencial dado. Es una causalidad prominentemente simbólica y se circunscribe mayoritariamente al ámbito conceptual.
- Causalidad referencial: es aquella que es característica de la perspectiva descriptiva o figurativa fundamentalmente del lenguaje natural. Es decir, es por cada símbolo o símbolos, tendríamos al menos un objeto o ejemplo del mundo real.
En alusión a esto, existe un argumento que nos dice que para que una máquina adquiera conciencia o juegue muy bien a un juego (lenguaje natural) debería tener algo que no tiene que es capacidad de establecer una causalidad referencial con el mundo, con la parte ontológica y que por tanto dicha conciencia como super cualidad difícilmente llegará a producirse.
Pero como hemos mostrado con el ejemplo del ajedrez este extremo no es necesario para jugar bien el juego. De hecho, el mundo es suministrado en el entrenamiento a la máquina, que por vía inductiva deduce las leyes a aplicar según los datos aportados y los objetivos de aprendizaje fijados, mediante un sistema de ensayo y error, perfeccionando el modelo en cada interacción.
Pero una vez que se termina esta fase de entrenamiento ya es posible poner en práctica la cuestión de inteligir y participar activamente en el juego. Hasta ahora ambas fases han sido prudentemente separadas, sin embargo el probable escenario en el que dotar de autonomía a la inteligencia artificial en dicho proceso en tiempo real con la ingente cantidad de datos disponibles, permite anticipar un inquietante y sorpresivo jaque mate.
