A la lliçó anterior vam mirar dins d'un agent: percepcions, accions, racionalitat, tipus d'agent segons el que fan servir per decidir. En aquesta canviem d'escala i classifiquem els sistemes d'IA en conjunt. És una lliçó menys tècnica però molt necessària, perquè al voltant de la IA circulen expressions ("IA general", "superintel·ligència", "la IA és conscient", "això només és un chatbot") que barregen el que existeix amb el que s'especula. La Marta necessita saber què pot demanar avui i què és ciència-ficció quan un proveïdor li presenta un producte; en Diego necessita entendre per què l'assistent que avaluen "recorda" la conversa i el sistema de 2015 no. Veurem tres maneres de classificar la IA (per capacitat, per funcionalitat i per altres dicotomies tècniques útils), amb taules comparatives, i aterrarem les classificacions en els nou casos d'ús de NovaMarket. Acabarem amb un exemple de codi molt curt que il·lustra la diferència entre un sistema reactiu i un amb memòria.

1. Per què classificar la IA (i per què hi ha diverses classificacions)
2. Classificació per capacitat: IA estreta, IA general i superintel·ligència
3. Què existeix avui realment: el cas dels grans models de llenguatge
4. Classificació per funcionalitat: reactives, memòria limitada, teoria de la ment, autoconsciència
5. Altres dicotomies útils: simbòlica vs subsimbòlica, discriminativa vs generativa, núvol vs dispositiu
6. Aterratge: classificar els nou casos d'ús de NovaMarket
7. Exemple en Python: reactiu (sense estat) vs amb memòria

No existeix una única taxonomia "oficial" de la IA. Les que veurem responen a preguntes diferents:

Les tres se solapen i es complementen. Un mateix sistema (per exemple, l'assistent d'atenció al client) és alhora IA estreta, de memòria limitada, subsimbòlic i generatiu, i es pot executar al núvol. Aprendre a posar-li totes les etiquetes a un sistema és una manera ràpida d'entendre'l.

És la classificació més popular fora de l'àmbit tècnic i la que genera més confusió.

Sistemes dissenyats i entrenats per a una tasca o un conjunt acotat de tasques. Poden superar amb escreix l'ésser humà en aquesta tasca i ser completament incapaços fora d'ella. Deep Blue jugava a escacs millor que Kaspàrov, però no sabia jugar a dames ni entenia què és un joc. AlphaGo va dominar el go però no podia llegir un correu. Un detector de frau no sap recomanar productes.

Característiques:

• El ventall de tasques està fixat pel disseny i per les dades d'entrenament.
• No transfereix el que ha après a dominis nous sense intervenció humana (reentrenar, redissenyar).
• No té comprensió general del món ni objectius propis: optimitza la mesura de rendiment que li van donar (recorda 02-01).
• És tota la IA que existeix avui, inclosos els sistemes més impressionants.

L'adjectiu "feble" no vol dir "poc potent": vol dir "d'abast limitat". La IA estreta és la que genera tot el valor econòmic actual i la que NovaMarket desplegarà.

Sistema hipotètic amb la capacitat d'entendre, aprendre i aplicar coneixement en qualsevol domini intel·lectual al nivell d'una persona: aprendre una tasca nova amb pocs exemples, transferir el que ha après d'un camp a un altre, raonar sobre problemes mai vistos, fixar-se metes i planificar a llarg termini. És el somni fundacional de Dartmouth (01-01) i continua sent un objectiu de recerca, no un producte. No hi ha consens ni sobre la seva definició operativa (quin examen hauria d'aprovar?) ni sobre si, quan o com s'assolirà; les estimacions d'experts seriosos van des de "d'aquí a pocs anys" fins a "potser mai amb les tècniques actuals".

Sistema hipotètic que superaria la intel·ligència humana en pràcticament tots els àmbits, inclosa la creativitat científica i les habilitats socials. És completament especulatiu. Es discuteix en filosofia, en política de riscos a llarg termini i en ciència-ficció; no té cap relació amb les decisions que la Marta i en Diego han de prendre aquest any. Convé conèixer el terme per no deixar-se impressionar per ell.

Aquí cal honestedat, perquè és on més es confon el públic. Els grans models de llenguatge (LLM) que hi ha darrere dels assistents conversacionals actuals semblen desafiar la classificació: escriuen codi, resumeixen contractes, tradueixen, responen preguntes de medicina i d'història, redacten correus... No és això "general"?

La posició majoritària a la comunitat tècnica, i la que adopta aquest curs, és la següent:

• Els LLM són IA estreta amb un domini molt ampli: la seva tasca és una de sola (predir i generar text plausible a partir d'un context), però com que el text humà parla de gairebé tot, aquesta única tasca aparenta generalitat. Són extraordinàriament versàtils dins del llenguatge (i, en versions multimodals, d'imatges i àudio), però:
  • No aprenen de manera contínua de l'experiència: el que "saben" va quedar fixat en l'entrenament; la conversa actual és context temporal, no aprenentatge (ho veurem amb més detall a 05-05).
  • Cometen errors que cap persona competent cometria (inventar cites, fallar en aritmètica elemental, contradir-se), cosa que suggereix que la seva "comprensió" és diferent de la humana.
  • No tenen objectius propis ni actuen al món per iniciativa; els sistemes "agèntics" que els envolten els afegeixen eines i bucles de decisió (els agents de 02-01), però l'objectiu continua venint de fora.
• Alhora, és un debat obert. Alguns investigadors sostenen que aquests models mostren ja "espurnes" de generalitat i que la frontera entre ANI i AGI és gradual, no un salt. D'altres sostenen que l'arquitectura actual té límits estructurals. Totes dues posicions tenen defensors seriosos; el que no és seriós és donar el debat per tancat en qualsevol de les dues direccions.

Conseqüència pràctica per a NovaMarket: un LLM pot ser una peça excel·lent de l'assistent d'atenció al client (cas 7) o del classificador de ressenyes (cas 4), però continua sent una eina acotada que cal avaluar en la seva tasca, amb les seves dades, i envoltar de controls. Tractar-lo com un "empleat general" que entén el negoci és l'error d'expectatives que la lliçó 01-01 ens va ensenyar a evitar amb els hiverns de la IA.

Aquesta classificació, proposada el 2016 per l'investigador Arend Hintze, ordena els sistemes per la informació que fan servir per decidir. Els dos primers nivells existeixen; els dos últims són hipotètics. Encaixa de manera natural amb els tipus d'agent de 02-01.

Responen només a l'entrada actual, sense memòria del passat ni model del futur més enllà del que tenen programat. Davant de la mateixa entrada, sempre la mateixa sortida. Corresponen a l'agent reflex simple.

Exemples reals:

• Deep Blue (1997): avaluava la posició actual del tauler i buscava jugades; no aprenia de partides anteriors ni recordava les de la mateixa sessió.
• Filtres de spam per regles o classificadors simples que avaluen cada correu de manera independent.
• La regla d'en Diego "import > 300 € → revisar": mira només la comanda actual.
• Un detector d'objectes que analitza cada fotograma sense relacionar-lo amb l'anterior.

Que siguin reactives no vol dir que siguin ximples: Deep Blue era una màquina reactiva. Vol dir que el seu comportament no depèn de la història.

Fan servir l'entrada actual més una finestra d'informació passada, amb la qual construeixen un estat intern o un model temporal. Corresponen a l'agent reflex basat en model (i, quan la memòria alimenta un model entrenat, a l'agent que aprèn).

Exemples reals:

• Vehicles autònoms: rastregen la posició i velocitat d'altres cotxes en els últims segons per predir-ne la trajectòria.
• Assistents conversacionals moderns: mantenen l'historial de la conversa (la "finestra de context") per respondre de manera coherent. El nostre AgentAmbModel de 02-01 n'és una versió mínima.
• Recomanadors: fan servir l'historial de compres i navegació del client.
• Previsió de demanda: fa servir la sèrie temporal de vendes de les últimes setmanes o anys.

Gairebé tota la IA útil d'avui és en aquest nivell. La memòria és "limitada" perquè el sistema no acumula experiència de per vida com una persona: recorda una finestra (els últims missatges, els últims segons, l'historial que li passen) o el que va quedar fixat en l'entrenament.

Sistemes que modelarien les creences, intencions, emocions i objectius d'altres agents (persones o altres màquines) i ajustarien el seu comportament en conseqüència, com fem els humans en negociar o en consolar algú. És un objectiu de recerca en robòtica social i en agents multiagent. Hi ha avenços parcials (sistemes que detecten emocions a la veu o que anticipen la intenció d'un usuari), però no existeix cap sistema amb una teoria de la ment general. No s'ha de confondre amb el fet que un LLM escrigui com si entengués emocions: produir text empàtic és una habilitat lingüística apresa de textos humans, no una representació interna de la ment de l'interlocutor (tot i que, de nou, la frontera es debat).

Sistemes que tindrien consciència de si mateixos: representació del seu propi estat intern, dels seus desitjos, comprensió que "existeixen". És purament hipotètic i filosòficament controvertit (ni tan sols hi ha acord sobre com detectar-la). Cap sistema actual la té, i les afirmacions ocasionals a la premsa que un chatbot "ha pres consciència" es basen en el fet que el model genera text que parla de consciència, que és exactament el que caldria esperar d'un model entrenat amb textos humans.

Aquestes tres distincions són tècniques i molt pràctiques: apareixen constantment en decisions d'arquitectura.

És la gran divisió històrica que ja va aparèixer a 01-01.

• IA simbòlica (o "GOFAI", Good Old-Fashioned AI): representa el coneixement amb símbols llegibles per persones (fets, regles, lògica) i raona manipulant-los. És la IA dels sistemes experts (MYCIN, XCON), de la lògica, de la cerca i la planificació clàssiques. Avantatges: explicable (pots llegir la regla que s'ha disparat), no necessita dades massives, permet incorporar coneixement expert directament. Inconvenients: cal escriure el coneixement a mà (el "coll d'ampolla de l'adquisició de coneixement" que va enfonsar els sistemes experts), és fràgil davant de situacions no previstes i li costa tractar la percepció (imatges, veu, text lliure). Els mòduls 3 i 6 són majoritàriament simbòlics.
• IA subsimbòlica o connexionista: el coneixement està distribuït en nombres (pesos d'una xarxa neuronal, paràmetres d'un model estadístic) que s'ajusten a partir de dades; no hi ha regles llegibles. És el machine learning i, sobretot, el deep learning. Avantatges: aprèn de les dades sense que ningú escrigui les regles, excel·lent en percepció i en patrons complexos, escala amb més dades i còmput. Inconvenients: opaca (caixa negra), necessita moltes dades, pot aprendre biaixos de les dades (02-03 i 02-04), difícil de corregir "a mà". Els mòduls 4 i 5 són subsimbòlics.

La tendència actual és la IA neurosimbòlica o híbrida: combinar totes dues (per exemple, un LLM que redacta la resposta però un motor de regles que decideix quines devolucions s'accepten). Per a NovaMarket això és molt rellevant: les regles de devolucions i garanties (cas 8) han de ser explicables i auditables, així que seran simbòliques, mentre que la classificació de ressenyes (cas 4) serà subsimbòlica.

• Discriminativa: donada una entrada, decideix o prediu alguna cosa sobre ella: una classe (aquesta ressenya és positiva o negativa?), un nombre (quantes unitats vendrem?), una puntuació (quina probabilitat hi ha de devolució?). La sortida és una etiqueta o un valor. És la majoria del machine learning "clàssic" (mòdul 4).
• Generativa: produeix contingut nou amb la mateixa forma que les dades amb què va aprendre: text, imatges, àudio, codi, dades sintètiques. La sortida és un objecte complex. És la IA generativa que va dominar l'escena des de 2022 (05-05).

Molts sistemes combinen totes dues: l'assistent classifica la intenció del client (discriminatiu) i després redacta la resposta (generatiu).

És una dicotomia d'on s'executa el model, no de què fa:

• Al núvol: el model corre en servidors remots; el dispositiu envia les dades i rep el resultat. Permet models enormes i actualitzacions centralitzades, però exigeix connexió, introdueix latència, té cost per ús i obliga a enviar dades a fora (privadesa, RGPD).
• Al dispositiu (edge AI, on-device): el model corre al mateix telèfon, càmera, furgoneta o terminal de magatzem. Funciona sense connexió, respon a l'instant i les dades no surten del dispositiu, però el model ha de ser petit i actualitzar-lo és més laboriós.

En Diego, preocupat pels costos, hi trobarà una decisió concreta: 3.000 comandes/dia amb diverses crides a un model al núvol per comanda té un cost que cal pressupostar; una comprovació al terminal del magatzem, no.

Apliquem les tres classificacions a la taula de casos d'ús que vam fixar a 01-03. La classificació és aproximada (alguns casos admeten diverses solucions) i reflecteix la solució més probable per a NovaMarket:

Lectures de la taula:

• Tots són IA estreta. Cap no requereix ni s'acosta a la IA general. Això és el normal i el desitjable: els projectes de valor són acotats.
• La majoria són de memòria limitada, i els reactius (3, 4, 6, 8) ho són perquè cada decisió és autònoma. Compara amb les propietats de l'entorn de 02-01: els entorns episòdics admeten sistemes reactius; els seqüencials exigeixen memòria.
• Simbòlic on cal explicar i auditar (8, 6, part de 5 i 9); subsimbòlic on hi ha percepció i patrons (1, 2, 4, 7). I diversos híbrids, que és la tendència.
• Només un és clarament generatiu (7). La resta són discriminatius o optimitzadors. És un bon recordatori que "IA" no és sinònim d'"IA generativa", per molt que domini les notícies.
• Gairebé tot va al núvol, amb excepcions d'edge on la connectivitat o la latència manen (magatzem, furgoneta).

L'exemple següent, deliberadament mínim, mostra la diferència entre una màquina reactiva i una de memòria limitada fent servir l'assistent de NovaMarket. És la mateixa idea que l'AgentReflex davant de l'AgentAmbModel de 02-01, reduïda a l'essencial i aplicada a un problema diferent: detectar quan un client està insistint.

Sortida:

Explicació:

• assistent_reactiu és una funció pura: mateixa entrada, mateixa sortida, sempre. Al tercer missatge repeteix exactament la mateixa resposta que al segon, perquè per a ell és com si el segon no hagués passat mai. Aquest "no s'adona que insisteixo" és el que exasperava els clients del chatbot de 2015.
• AssistentAmbMemoria desa els missatges a self.historial i retalla la llista als últims finestra missatges (self.historial[-self.finestra:]). Aquesta línia és literalment la "memòria limitada": el sistema recorda una finestra, no tota la vida del client. Els assistents basats en LLM funcionen de manera anàloga: la seva finestra de context és finita i el que en queda fora s'oblida.
• La decisió fa servir la memòria: compta quants missatges recents contenen "urgent" (sum("urgent" in m for m in self.historial); en Python True val 1, així que la suma compta coincidències) i, si en són dos o més, escala a una persona.
• Prova de posar finestra=1: l'assistent amb memòria es comporta exactament com el reactiu, perquè una finestra d'un missatge és no tenir memòria. És una manera bonica de veure que "reactiu" és el cas particular "memòria de mida u".

• Anomenar "IA general" un LLM perquè fa moltes coses. Amplitud de domini no és generalitat de capacitat. Avalua cada ús concret com el que és: una tasca estreta amb els seus propis errors.
• Descartar la IA estreta per "feble". L'adjectiu descriu l'abast, no la potència ni el valor. Tot el retorn de la inversió de NovaMarket vindrà d'IA estreta.
• Confondre "té memòria" amb "aprèn". L'assistent amb memòria recorda la conversa però no canvia les seves regles; el recomanador que es reentrena aprèn però pot no recordar la sessió. Són coses diferents: memòria és estat; aprenentatge és modificar la funció de decisió (mòdul 4).
• Creure que un sistema que parla d'emocions té teoria de la ment o consciència. Generar text sobre X no és tenir X. Quan un proveïdor faci servir aquest llenguatge, demana mètriques de la tasca, no adjectius.
• Triar subsimbòlic per defecte. Si la decisió ha de ser explicable i auditable (devolucions, garanties, compliment legal), un enfocament simbòlic o híbrid sol ser millor, encara que sembli "menys avançat".
• Oblidar on s'executa el model. Núvol vs dispositiu condiciona costos, latència i privadesa. Decideix-ho aviat i fes-ho constar al PEAS.
• Consell: davant de qualsevol sistema, posa-li les cinc etiquetes (capacitat, funcionalitat, simbòlic/subsimbòlic, discriminatiu/generatiu, núvol/edge). Si no en saps omplir alguna, és que encara no entens el sistema.

Classifica amb les cinc etiquetes de la secció 6 els sistemes següents: (a) el corrector ortogràfic d'un processador de textos; (b) un cotxe amb frenada d'emergència automàtica que detecta vianants; (c) un generador d'imatges a partir de text; (d) el sistema expert MYCIN de 01-01. Justifica breument cada etiqueta.

Un proveïdor presenta a la Marta un "assistent cognitiu amb comprensió general del negoci que aprèn contínuament de cada conversa i entén les emocions del client". Redacta les tres preguntes que li hauria de fer la Marta per separar el que existeix del que és exageració, i quines respostes serien acceptables.

Modifica AssistentAmbMemoria perquè, a més de la finestra de missatges, mantingui un comptador no limitat de quants missatges totals ha enviat el client a la conversa i, si supera 6, afegeixi al final de qualsevol resposta la frase " (Conversa llarga: s'ha avisat un supervisor)". Continua sent "memòria limitada"? Raona-ho.

Solució 1.

Solució 2. Preguntes possibles:

1. "Què vol dir exactament 'aprèn contínuament'? El model canvia els seus paràmetres amb cada conversa, o desa un historial que consulta?" Resposta acceptable: la segona opció (memòria limitada més, potser, reentrenaments periòdics supervisats). Un model que es modifiqués sol amb cada conversa seria difícil de controlar i auditar, i en general no és el que s'ofereix.
2. "'Comprensió general del negoci' vol dir que ha estat entrenat o configurat amb les nostres polítiques, catàleg i dades? Com s'actualitza quan canviïn?" Resposta acceptable: descriu un procés concret d'incorporació de documents i dades (i el seu cost); si la resposta és "ho entén tot per si mateix", és exageració.
3. "'Entén les emocions': es refereix a un classificador de to/sentiment amb una taxa d'encert mesurada, o a alguna cosa més? Quina precisió té i amb quines dades es va mesurar?" Resposta acceptable: un detector de sentiment amb mètriques concretes i la possibilitat de provar-lo amb ressenyes de NovaMarket. Qualsevol al·lusió a "empatia real" o "teoria de la ment" és màrqueting.

Solució 3.

Continua sent memòria limitada: el sistema desa un resum molt comprimit del passat (un comptador) més una finestra de missatges; no acumula ni aprèn de tota la seva experiència amb tots els clients, ni modifica la seva manera de decidir. La "limitació" no és només la mida de la finestra, sinó que la memòria està acotada a la tasca i a la sessió, i que no canvia la funció de l'agent. Quan el que es desa comença a modificar les regles de decisió de manera permanent entrem en l'aprenentatge, tema del mòdul 4.

En aquesta lliçó hem après a classificar els sistemes d'IA des de tres punts de vista. Per capacitat: IA estreta (tota la que existeix, inclosos els grans models de llenguatge, l'aparent generalitat dels quals és objecte d'un debat obert però que continuen sent eines acotades que cal avaluar en la seva tasca), IA general (objectiu de recerca, no producte) i superintel·ligència (especulació). Per funcionalitat: màquines reactives i de memòria limitada (les que existeixen, equivalents a l'agent reflex i al basat en model de 02-01), i teoria de la ment i autoconsciència (hipotètiques). I per enfocament tècnic: simbòlica davant de subsimbòlica (explicabilitat i coneixement expert davant d'aprenentatge de dades i percepció, amb la tendència híbrida), discriminativa davant de generativa (decidir davant de crear) i núvol davant de dispositiu (on s'executa i què implica en cost, latència i privadesa). Hem etiquetat els nou casos d'ús de NovaMarket (tots IA estreta, majoria de memòria limitada, barreja de simbòlic i subsimbòlic, un sol cas clarament generatiu) i hem vist en unes poques línies de Python que un sistema reactiu és simplement un amb memòria de mida u.

Totes aquestes classificacions tenen una cosa en comú: els sistemes subsimbòlics, que són la majoria dels que NovaMarket construirà, depenen per complet de les dades amb què s'entrenen. A la lliçó següent, Les Dades com a Matèria Primera de la IA, veurem quins tipus de dades existeixen, com és el seu cicle de vida, com se'n mesura la qualitat, d'on vénen els biaixos i què cal tenir en compte amb les dades personals, obrint per fi els fitxers CSV de NovaMarket per trobar-nos amb els seus problemes reals.