Módulo 1: ¿Qué es AI Realmente?

4. Tipos de AI: Narrow vs General, Weak vs Strong

Descripción

En esta cápsula vas a clasificar tipos de inteligencia artificial según su alcance y sus capacidades. No es solo teoría: estas etiquetas aparecen en artículos, reportes y conversaciones sobre regulación, riesgos y expectativas. Saber qué significa "narrow AI" frente a "general AI" (o "weak" frente a "strong") te permite leer y hablar con precisión y no confundir lo que existe hoy con lo que es hipótesis o ciencia ficción.

Cuando alguien dice "ChatGPT es AGI" o "la AI ya supera a los humanos", saber si habla de narrow o general (y weak o strong) te ayuda a evaluar la afirmación. Para un AI Engineer, casi todo lo que construyes es narrow AI: sistemas muy capaces en tareas concretas, no "mentes generales". Esta cápsula te da el vocabulario y los criterios para clasificar y comunicarte bien.

Por qué clasificar tipos de AI

Clasificar no es un ejercicio académico; tiene consecuencias prácticas:

Comunicación: Cuando hablas con producto, negocio o regulación, usar "narrow AI" o "AGI" con precisión evita malentendidos. "Este modelo es narrow" significa "hace bien X e Y, no cualquier tarea"; "AGI" significa "no existe hoy, es hipótesis".
Expectativas: Si asumes que un LLM es "casi AGI", esperarás que haga cualquier tarea intelectual y te frustrarás cuando falle en hechos, razonamiento largo o dominios fuera de su entrenamiento. Si lo tratas como narrow AI muy capaz en lenguaje, diseñarás el sistema con límites en mente (RAG, verificación, fallbacks).
Regulación y estándares: Leyes como el EU AI Act distinguen niveles de riesgo según el tipo de aplicación; saber si tu sistema es narrow (clasificación, recomendación, generación en dominio acotado) te ayuda a ubicar requisitos (transparencia, evaluación, supervisión humana).
Diseño de producto: Elegir la tarea (clasificación, generación, RAG, agent) y el modelo (API, fine-tuning, open source) implica asumir que estás construyendo narrow AI. No diseñas para "AGI"; diseñas para "hacer X bien en dominio Y".

Narrow AI (IA estrecha) vs General AI (IA general)

Narrow AI (ANI — Artificial Narrow Intelligence)

Definición: Sistemas que hacen bien una o pocas tareas definidas, en un dominio acotado. No generalizan a cualquier problema ni tienen "sentido común" amplio.

Ejemplos:

Reconocer gatos en fotos.
Traducir entre dos idiomas.
Recomendar películas.
Jugar al Go o al póker.
Responder preguntas sobre un corpus de documentos (RAG).
Generar texto o imágenes a partir de un prompt (LLMs actuales).

Característica clave: Si cambias la tarea o el dominio (ej. de "traducir" a "conducir un coche"), el sistema no sirve; hay que diseñar o entrenar otro. Todo lo que existe hoy en productos comerciales es narrow AI.

Analogía: Un jugador de ajedrez que gana a campeones del mundo es narrow AI en ese dominio; si le pides que conduzca un coche o traduzca un texto, no tiene esa capacidad. "Narrow" no significa "tonto": significa limitado en alcance, no en calidad dentro de ese alcance.

Por qué importa para un AI Engineer: Tu trabajo es elegir la tarea (clasificación, generación, recomendación, etc.), el modelo y la forma de exponerlo (API, RAG, agent). Todo eso es narrow AI por definición: un sistema que hace bien una o pocas cosas en un dominio acotado.

General AI (AGI — Artificial General Intelligence)

Definición: (Hipotética) Inteligencia que podría aprender y realizar cualquier tarea intelectual que un humano puede hacer: razonar, planificar, adaptarse a contextos nuevos, combinar habilidades. No está limitada a un dominio.

Ejemplos: No hay ejemplos reales; es un objetivo o un concepto de referencia. Cuando alguien dice "AGI", suele referirse a un futuro posible, no a un sistema que exista hoy.

Por qué importa: En debates sobre riesgos, regulación o inversión a largo plazo se habla de "camino hacia AGI". Para el trabajo diario de un AI Engineer, lo relevante es que todo lo que construyes hoy es narrow AI: sistemas muy capaces en tareas concretas, no "mentes generales". Cuando leas "estamos cerca de AGI" o "este modelo es un paso hacia AGI", recuerda que AGI no está definido de forma operativa y que no hay consenso sobre cuándo (o si) se alcanzará.

Analogía: AGI sería como un humano que puede aprender cualquier tarea intelectual: razonar, planificar, adaptarse a contextos nuevos, combinar habilidades. Hoy no existe ningún sistema así; los LLMs son muy capaces en lenguaje y tareas relacionadas, pero no "cualquier tarea intelectual".

Comparación rápida

Aspecto	Narrow AI (ANI)	General AI (AGI)
Alcance	Una o pocas tareas/dominios	Cualquier tarea intelectual humana
Existencia	Lo que hay hoy (GPT, Claude, etc.)	No existe; es hipótesis o objetivo a largo plazo
Generalización	Limitada al dominio entrenado	Teóricamente amplia
Uso en práctica	Productos, APIs, integraciones	Debate, investigación, expectativas

Weak AI (IA débil) vs Strong AI (IA fuerte)

Estos términos se usan sobre todo en filosofía y debate; en industria se oye más "narrow" vs "general".

Weak AI (IA débil)

Definición: Sistemas que simulan comportamiento inteligente o lo replican en dominios acotados, sin que se asuma que "entienden" o tienen consciencia. Hacen la tarea, pero no se atribuye mente o comprensión real.

Ejemplo: Un LLM que genera texto muy coherente pero no "sabe" en el sentido en que un humano sabe; solo predice secuencias de tokens.

Todo lo que existe hoy en productos se considera weak AI en este sentido: herramientas muy potentes, pero sin consciencia ni comprensión en el sentido filosófico fuerte.

Por qué importa para un AI Engineer: No necesitas resolver el debate filosófico; sí necesitas saber que cuando alguien dice "el modelo entiende" o "no entiende", está mezclando dos cosas: (1) si el sistema hace la tarea bien (medible) y (2) si tiene "comprensión real" (no hay consenso ni forma de medirlo). En la práctica, diseñas sistemas que se comportan bien; no asumes consciencia ni comprensión.

Strong AI (IA fuerte)

Definición: (Hipotética) Sistemas que tendrían mente, consciencia o comprensión real, no solo simulación de comportamiento. Es un concepto filosófico; no hay consenso sobre cómo medirlo ni si es posible.

Relación con AGI: A veces se usa "strong AI" como sinónimo de AGI; otras veces "strong" enfatiza consciencia y "general" enfatiza amplitud de tareas. Para el trabajo práctico basta con saber que strong AI no existe hoy y que el debate es teórico y a largo plazo.

Otras clasificaciones útiles

Por tipo de tarea

Clasificación: Asignar una etiqueta o categoría (spam/no spam, tipo de imagen).
Regresión: Predecir un valor numérico (precio, temperatura).
Generación: Producir contenido nuevo (texto, imagen, audio).
Razonamiento/planificación: Dados unos objetivos y restricciones, decidir pasos (aún muy acotado en sistemas actuales).

Por tipo de entrada/salida

Texto → texto: Traducción, resumen, chat (LLMs).
Texto → imagen: Generación de imágenes desde descripción.
Imagen → texto: Descripción de imágenes (vision + language).
Multimodal: Varias modalidades (texto + imagen + audio) en un mismo sistema.

Por cómo se entrena o usa

Supervised: Aprende de ejemplos etiquetados (esto lo verás en Módulo 2).
Unsupervised: Aprende patrones sin etiquetas explícitas.
Reinforcement: Aprende por recompensas/castigos en un entorno.
Foundation models / LLMs: Modelos grandes pre-entrenados que luego se adaptan o se usan tal cual (fine-tuning, RAG, prompt engineering).

No hace falta memorizar todo; basta con tener la idea de que hay muchas formas de clasificar y que "narrow vs general" y "weak vs strong" son las que más aparecen en discusiones de alcance y expectativas.

Por tipo de despliegue (útil para AI Engineering):

API / modelo como servicio: Llamas a un modelo (OpenAI, Anthropic, etc.) vía API; no entrenas ni hospedas tú.
Fine-tuning: Adaptas un modelo pre-entrenado con datos propios; sigues usando una base narrow.
RAG (Retrieval-Augmented Generation): Conectas un LLM a documentos o bases de datos para reducir alucinaciones y actualizar conocimiento.
Agents: Modelos que planifican, usan herramientas (búsqueda, código, APIs) y ejecutan pasos; aún narrow pero con más autonomía en la tarea.

Casos de uso por tipo (ejemplos para AI Engineering)

Para conectar las clasificaciones con el trabajo diario, aquí van ejemplos de qué tipo de sistema construyes según la tarea:

Tipo de tarea	Ejemplo de sistema	Narrow / General	Nota
Clasificación de texto	Filtro de spam, detector de sentimiento, categorización de tickets	Narrow	Una o pocas etiquetas; dominio acotado.
Generación de texto	Chatbot, resumen, traducción, generación de código	Narrow	Muy capaz en lenguaje; no "cualquier" tarea intelectual.
RAG (preguntas sobre documentos)	Soporte interno, FAQ, búsqueda semántica sobre docs	Narrow	Conecta LLM a fuentes propias; reduce alucinaciones en dominio acotado.
Recomendación	Películas, productos, contenido	Narrow	Aprende de clics y preferencias; dominio acotado.
Visión (clasificación o detección)	OCR, detección de objetos, moderación de imágenes	Narrow	Una o pocas tareas de visión.
Agent con herramientas	Agent que usa LLM + búsqueda + código para resolver task	Narrow	Más autónomo que chatbot simple, pero sigue limitado al dominio de herramientas.
Fine-tuning de LLM	Ajustar GPT o Llama con datos propios de dominio	Narrow	Mejora en dominio específico; no convierte el modelo en AGI.
Multimodal (texto + imagen)	Análisis de documento con texto e imágenes; generación de imagen desde texto	Narrow	Maneja múltiples modalidades pero sigue limitado a esas modalidades.

Nota clave: Todos los ejemplos son narrow AI: hacen bien una o pocas tareas en un dominio acotado. No porque sean "malos" (son muy capaces), sino porque no generalizan a cualquier tarea intelectual. Cuando diseñes un sistema, asume que es narrow; eso te lleva a diseñar para un dominio y a validar que el sistema haga bien esa tarea, no "cualquier cosa".

En todos los casos, el sistema es narrow: hace bien una o pocas cosas en un dominio; no "cualquier tarea intelectual humana". AGI no aparece en la tabla porque no existe hoy.

Resumen visual: ejes narrow/general y weak/strong

Para fijar ideas, aquí va un resumen de los dos ejes que más aparecen en discusiones de alcance y expectativas:

Eje 1: Alcance de tareas (narrow vs general)

Narrow (ANI): Una o pocas tareas en un dominio acotado. Ejemplos: traducir, recomendar, generar texto, clasificar imágenes. Todo lo que existe hoy en productos es narrow.
General (AGI): Cualquier tarea intelectual humana; no limitado a un dominio. No existe hoy; es hipótesis o objetivo a largo plazo.

Eje 2: Consciencia/comprensión (weak vs strong)

Weak: Sistemas que simulan o replican comportamiento inteligente sin atribuirles consciencia ni "comprensión real". Todo lo actual es weak en ese sentido.
Strong: Hipotéticos sistemas con mente/consciencia real. Concepto filosófico; no realizado.

Combinaciones:

Narrow + weak: Lo que construyes hoy (productos, APIs, RAG, agents). Ejemplo: ChatGPT es narrow (lenguaje) y weak (no se le atribuye consciencia).
General + strong: Lo que se debate para el futuro (AGI con consciencia); no existe.
Narrow + strong: Conceptualmente posible (un sistema que hace una tarea y "tiene consciencia"); no hay consenso ni forma de medirlo; no es relevante para el trabajo práctico hoy.
General + weak: Un sistema que hace cualquier tarea intelectual pero "simula" sin consciencia; tampoco existe hoy.

Cuando leas "narrow", "general", "weak" o "strong", usa este resumen para situar de qué se está hablando.

Checklist para clasificar un producto o sistema

Cuando tengas que clasificar un producto o sistema (en un informe, una conversación o este ejercicio), usa este checklist:

¿Qué tarea hace? (Una o pocas tareas en un dominio acotado → narrow; "cualquier tarea intelectual humana" → no existe hoy.)
¿Se personaliza con datos? (Sí → ML; no necesariamente → puede ser AI sin ML en sentido estricto.)
¿Genera contenido nuevo (texto, imagen, audio)? (Sí → GenAI; suele implicar DL/LLMs.)
¿Usa redes profundas (voz, imagen, lenguaje)? (Sí → DL; no necesariamente → puede ser ML clásico.)
¿Se le atribuye consciencia o "comprensión real"? (No en productos actuales → weak AI; strong no existe hoy.)
¿Es "casi AGI" o "general"? (No; todo lo actual es narrow; AGI no existe hoy.)

Ejemplo aplicado: ChatGPT

Apliquemos este checklist a ChatGPT para ver cómo se usa en la práctica:

¿Qué tarea hace? Genera texto, responde preguntas, resume, traduce, asiste en código. Son tareas de lenguaje, no "cualquier tarea intelectual". → Narrow AI.
¿Se personaliza con datos? Sí; se entrenó con datos (texto de internet) y aprende patrones. → ML (y DL, porque es un Transformer).
¿Genera contenido nuevo? Sí; genera texto que no existía tal cual. → GenAI.
¿Usa redes profundas? Sí; es un Transformer (red neuronal profunda). → DL.
¿Se le atribuye consciencia? No; simula conversación pero no se le atribuye mente o comprensión real. → Weak AI.
¿Es "casi AGI"? No; falla en razonamiento largo, hechos precisos, coherencia a través de miles de líneas, y tareas fuera de lenguaje. → No es AGI.

Clasificación completa de ChatGPT: Narrow AI, ML, DL, GenAI (generación de texto), weak AI. No es AGI ni strong AI.

Usa este ejemplo como plantilla para clasificar otros productos en el ejercicio de la cápsula 06.

Si respondes con coherencia a estas preguntas, tendrás una clasificación sólida. No hace falta saber la tecnología interna con certeza; basta con aplicar los criterios y justificar brevemente.

Resumen en una página

Narrow AI (ANI): Una o pocas tareas en un dominio acotado. Todo lo que existe hoy en productos es narrow. "Narrow" no significa "tonto"; significa limitado en alcance.
General AI (AGI): Cualquier tarea intelectual humana. No existe hoy; es hipótesis o objetivo a largo plazo.
Weak AI: Simula comportamiento inteligente sin atribuir consciencia ni "comprensión real". Todo lo actual es weak.
Strong AI: Hipotéticos sistemas con mente/consciencia. Concepto filosófico; no realizado.
Ejes distintos: Narrow/general = alcance de tareas; weak/strong = consciencia/comprensión. Un sistema puede ser narrow y weak (ej. clasificador de spam).
Por tipo de tarea: Clasificación, regresión, generación, razonamiento/planificación (aún acotado).
Por tipo de despliegue: API, fine-tuning, RAG, agents. Todo narrow.
Errores frecuentes: "ChatGPT es AGI" (falso); "Narrow AI es tonta" (falso); "Strong AI = más potente que weak" (falso); "Narrow y weak son lo mismo" (falso).
Para un AI Engineer: Tu trabajo es elegir tarea, modelo y forma de exponerlo (API, RAG, agent). Todo eso es narrow AI por definición.
Recursos: Stanford Encyclopedia, MIT Technology Review (AGI), Google (Types of AI), NIST, EU AI Act, GPT-4 Technical Report.
Implicaciones para diseño: Cuando diseñes un sistema (RAG, clasificador, agent), recuerda que todo lo que construyes es narrow AI; no diseñas para AGI ni para strong AI. Eso determina expectativas (límites, evaluación, fallbacks).

Resumen de implicaciones para AI Engineering

Las clasificaciones de esta cápsula tienen consecuencias directas en cómo trabajas como AI Engineer:

Todo lo que construyes hoy es narrow AI. Tu trabajo es elegir la tarea (clasificación, generación, RAG, agent), el modelo y la forma de exponerlo (API, RAG, agent). No diseñas para AGI; diseñas para "hacer X bien en dominio Y".
Usa "narrow" para comunicar expectativas. Cuando hables con producto o negocio, usa "narrow" para aclarar que el sistema hace bien X e Y, no "cualquier tarea". Eso evita expectativas equivocadas (cero fallos, memoria infinita, sustitución total de expertos).
No asumas consciencia ni "comprensión real". Cuando alguien diga "el modelo entiende" o "no entiende", pregunta si se refiere a "hace la tarea bien" (medible) o a "tiene comprensión real" (no hay consenso ni forma de medirlo). En la práctica, diseñas sistemas que se comportan bien.
Clasifica por tipo de tarea y por despliegue. Usa la tabla "Casos de uso por tipo" de esta cápsula para conectar clasificaciones con el trabajo diario (clasificación, generación, RAG, agents). Todo sigue siendo narrow.
Evita los errores frecuentes. No digas "ChatGPT es AGI"; no digas "narrow AI es tonta"; no confundas "strong" con "más potente". Usa el checklist de esta cápsula cuando clasifiques un producto o sistema.
Usa la tabla "Casos de uso por tipo" cuando definas la tarea. Cuando definas qué hace tu sistema (clasificación, generación, RAG, agent), la tabla te ayuda a situar el tipo de sistema (narrow, por tipo de tarea y por despliegue).

Usa este resumen cuando diseñes un sistema, cuando comuniques expectativas o cuando clasifiques un producto en un informe.

Notas para profundizar

¿Por qué dos ejes (narrow/general y weak/strong)? Porque "alcance de tareas" y "consciencia/comprensión" son cosas distintas. Un sistema puede ser narrow (una tarea) y weak (no se le atribuye consciencia); los LLMs son narrow y weak. AGI sería general; strong sería con consciencia; no son sinónimos.

¿Qué hacer cuando alguien dice "el modelo entiende"? Pregunta si se refiere a "hace la tarea bien" (medible) o a "tiene comprensión real" (no hay consenso ni forma de medirlo). En la práctica, diseñas sistemas que se comportan bien; no asumes consciencia ni comprensión.

¿Cómo usar esta cápsula en el bootcamp o en otra guía? Cuando diseñes un sistema (RAG, clasificador, agent), recuerda que todo lo que construyes es narrow AI: una o pocas tareas en un dominio acotado. No diseñas para AGI; diseñas para "hacer X bien en dominio Y". Eso determina expectativas (límites, evaluación, fallbacks).

¿Qué preguntas hacer cuando oigas "ChatGPT es AGI" o "casi AGI"? ¿Qué tareas hace bien? (Lenguaje y relacionadas.) ¿Qué tareas no hace o falla? (Hechos, razonamiento largo, dominios fuera de su entrenamiento.) AGI implica "cualquier tarea intelectual humana"; los LLMs actuales no cumplen eso.

Preguntas para reflexionar

¿Por qué ChatGPT es narrow y no general? Porque hace muy bien tareas de lenguaje (generar, resumir, traducir) pero no "cualquier tarea intelectual humana"; falla en coherencia a largo plazo, hechos y razonamiento complejo. Narrow significa limitado en alcance, no en calidad dentro de ese alcance.

¿Por qué "narrow" no significa "tonto"? Porque narrow AI puede ser extremadamente buena en su dominio (ej. jugar al Go, traducir, generar texto). "Narrow" significa limitado en alcance (una o pocas tareas), no en calidad dentro de ese alcance.

¿Por qué weak y strong no son "más o menos potente"? Porque "strong" se refiere a consciencia/comprensión (concepto filosófico); "weak" es simulación sin mente. Un sistema weak puede ser mucho más útil en la práctica que un hipotético strong.

¿Por qué todo lo que construyes hoy es narrow? Porque tu trabajo es elegir la tarea (clasificación, generación, RAG, agent), el modelo y la forma de exponerlo (API, RAG, agent). Todo eso es narrow AI por definición: un sistema que hace bien una o pocas cosas en un dominio acotado.

¿Cómo usar narrow/general y weak/strong en una conversación? Cuando hables con producto o negocio, usa "narrow" para aclarar que el sistema hace bien X e Y, no "cualquier tarea". Usa "weak" solo si alguien pregunta por consciencia o "comprensión real"; en la práctica suele bastar con "narrow".

Resumen ejecutivo (para repaso rápido)

Narrow (ANI): Una o pocas tareas en un dominio. Todo lo actual es narrow. No significa "tonto"; significa limitado en alcance.
General (AGI): Cualquier tarea intelectual humana. No existe hoy.
Weak: Simula comportamiento sin consciencia. Todo lo actual es weak.
Strong: Hipotética mente/consciencia real. No realizado.
Ejes distintos: Narrow/general = alcance; weak/strong = consciencia. Narrow + weak = lo que construyes hoy.
Por tarea: Clasificación, regresión, generación, razonamiento/planificación (acotado).
Por despliegue: API, fine-tuning, RAG, agents. Todo narrow.
Errores: "ChatGPT es AGI" (falso); "Narrow es tonta" (falso); "Strong = más potente" (falso); "Narrow y weak = lo mismo" (falso).
Para AI Engineer: Elegir tarea, modelo y forma de exponerlo. Todo narrow por definición.
Recursos: Stanford Encyclopedia, MIT Technology Review (AGI), Google (Types of AI), NIST, EU AI Act, GPT-4 Report.

Errores frecuentes

1. "ChatGPT es AGI"

Error: Tratar los LLMs actuales como si fueran inteligencia general.
Realidad: Son narrow AI muy capaces en lenguaje y tareas relacionadas, pero fallan en coherencia a largo plazo, hechos, razonamiento complejo y tareas fuera de su entrenamiento. No son AGI.

2. "Narrow AI es 'tonta'"

Error: Creer que "narrow" significa poco capaz.
Realidad: Narrow AI puede ser extremadamente buena en su dominio (ej. jugar al Go, traducir, generar texto). "Narrow" significa limitado en alcance, no en calidad dentro de ese alcance.

3. "Strong AI = más potente que weak AI"

Error: Interpretar "strong" como "más potente técnicamente".
Realidad: "Strong" se refiere a consciencia/comprensión (concepto filosófico); "weak" es "simulación sin mente". Un sistema weak puede ser mucho más útil en la práctica que un hipotético strong.

4. "Narrow y weak son lo mismo"

Error: Confundir narrow/general (alcance de tareas) con weak/strong (consciencia/comprensión).
Realidad: Son ejes distintos. Un sistema puede ser narrow y weak (ej. un clasificador de spam: una tarea, sin consciencia). Los LLMs son narrow (tareas de lenguaje) y weak (no se les atribuye consciencia). AGI sería general; strong sería con consciencia; no son sinónimos.

5. "Si es muy capaz en lenguaje, ya está cerca de AGI"

Error: Pensar que porque GPT-4 es muy capaz en lenguaje (genera texto coherente, resuelve problemas de código, etc.), ya está "casi en AGI" o "le falta poco para ser general".
Realidad: Narrow no significa tonto, significa limitado en alcance. GPT-4 hace muy bien una familia de tareas (lenguaje) pero falla en razonamiento largo, hechos precisos, coherencia a través de miles de líneas, y tareas fuera de su entrenamiento (ej. control físico, percepción multimodal compleja, aprendizaje en tiempo real sin reentrenamiento). La brecha entre "muy capaz en lenguaje" y "capaz de cualquier tarea intelectual humana" es enorme. No confundas calidad en un dominio con alcance general.

Preguntas frecuentes

¿ChatGPT es narrow o general?
Narrow. Hace muy bien tareas de lenguaje (generar, resumir, traducir, responder preguntas) pero no "cualquier tarea intelectual humana"; falla en coherencia a largo plazo, hechos, razonamiento complejo y tareas fuera de su entrenamiento.

¿Narrow AI puede ser "muy inteligente"?
Sí. "Narrow" significa limitado en alcance (una o pocas tareas), no en calidad dentro de ese alcance. Un modelo que gana a campeones en Go o que traduce entre 100 idiomas es narrow pero muy capaz en su dominio.

¿Por qué se habla tanto de AGI si no existe?
Porque en debates sobre riesgos, regulación e inversión a largo plazo se usa como concepto de referencia: "¿qué pasaría si hubiera un sistema con alcance humano?" Para el trabajo diario de un AI Engineer, lo relevante es que todo lo que construyes hoy es narrow.

¿Weak y strong son términos técnicos o filosóficos?
Sobre todo filosóficos: se refieren a si el sistema "simula" comportamiento (weak) o tiene "mente/consciencia real" (strong). En industria se oye más narrow vs general; weak/strong aparecen en debate y regulación.

Conexión con el resto de la guía

Módulo 5 (LLMs): Cuando hablemos de capacidades y límites de GPT, Claude, etc., estarás usando la idea de que son narrow AI (muy capaces en su dominio, no "general").
Módulo 7 (AI Engineering): Tu trabajo es diseñar e integrar narrow AI en productos: elegir la tarea, el modelo y la forma de exponerlo (APIs, RAG, etc.).

Ejercicios

Ejercicio 1: Narrow o general

Clasifica como Narrow AI o AGI (General AI):

Un modelo que traduce entre 100 idiomas.
Un sistema hipotético que puede aprender a hacer cualquier trabajo de oficina sin reentrenar.
Un chatbot que responde preguntas y genera texto pero a veces inventa datos.
Un robot que barre la casa y cocina pero no puede programar ni pintar.

Ver solución

Narrow AI. Dominio muy definido: traducción entre idiomas.
AGI (hipotético). "Cualquier trabajo de oficina" implica generalización amplia.
Narrow AI. Muy capaz en lenguaje, pero limitado a eso y con fallos conocidos; no cualquier tarea intelectual.
Narrow AI. Varias tareas pero acotadas (limpieza, cocina); no "cualquier" tarea intelectual humana.

Ejercicio 2: Una frase para cada uno

Explica en una frase la diferencia entre Narrow AI y General AI (AGI).

Ver guía de respuesta

Guía: "Narrow AI hace bien una o pocas tareas en un dominio acotado (y es lo que existe hoy); General AI (AGI) sería capaz de aprender y realizar cualquier tarea intelectual humana y no existe aún."

Ejercicio 3: ¿Weak o strong?

Un asistente de voz que entiende órdenes y controla dispositivos pero no tiene consciencia ni comprensión en sentido filosófico. ¿Weak AI o Strong AI? ¿Por qué?

Ver solución

Weak AI. Hace la tarea (entender órdenes, controlar dispositivos) pero no se le atribuye consciencia ni "comprensión real". Todo sistema actual encaja en weak AI en ese sentido.

Ejercicio 4: Clasificar por tipo de tarea

Para cada uno de estos sistemas, indica si la tarea principal es clasificación, regresión, generación o razonamiento/planificación (según la clasificación "por tipo de tarea" de esta cápsula):

Un filtro de spam que marca correos como spam o no spam.
Un modelo que predice el precio de una casa a partir de sus características.
Un LLM que escribe un resumen a partir de un artículo largo.
Un agente que decide qué herramienta llamar (búsqueda, calculadora) para responder una pregunta.

Ver solución

Clasificación: Asigna una etiqueta (spam / no spam).
Regresión: Predice un valor numérico (precio).
Generación: Produce contenido nuevo (resumen).
Razonamiento/planificación: Dados objetivos y restricciones, decide pasos (qué herramienta usar); aún muy acotado en sistemas actuales.

Ejercicio 5: Narrow + weak en una frase

Explica en una frase por qué tiene sentido decir que un chatbot como ChatGPT es narrow y weak al mismo tiempo.

Ver guía de respuesta

Guía: "Es narrow porque hace bien tareas de lenguaje (generar, resumir, traducir) pero no cualquier tarea intelectual humana; es weak porque no se le atribuye consciencia ni comprensión en sentido filosófico, solo simula comportamiento inteligente en su dominio."

Ejercicio 6: ¿General o no?

Alguien dice: "Un modelo que puede traducir entre 200 idiomas, resumir textos, generar código y responder preguntas sobre documentos ya es casi AGI." ¿Qué matiz importante falta en esa afirmación?

Ver guía de respuesta

Guía: Todas esas tareas son de lenguaje (o muy cercanas); el modelo no hace "cualquier tarea intelectual humana" (conducir, operar, razonar en dominios no lingüísticos, adaptarse a contextos totalmente nuevos sin reentrenar). AGI implica generalización a cualquier dominio intelectual, no solo lenguaje. Además, esos modelos fallan en coherencia a largo plazo, hechos y razonamiento complejo; "casi AGI" exagera.

Referencia rápida: narrow vs general, weak vs strong

Cuando leas un artículo, un anuncio o una conversación sobre AI, usa esta tabla para situar qué tipo de sistema se está hablando:

Afirmación típica	Cómo situarla
"ChatGPT es AGI"	Falso: es narrow AI muy capaz en lenguaje; no hace cualquier tarea intelectual ni existe hoy un sistema que se considere AGI.
"Este modelo entiende"	Ambiguo: puede significar "hace la tarea bien" (medible) o "tiene comprensión real" (no hay consenso ni forma de medirlo). En práctica, todo lo actual es weak AI.
"Narrow AI es limitada / tonta"	Error: "narrow" significa limitado en alcance (una o pocas tareas), no en calidad dentro de ese alcance. Puede ser extremadamente buena en su dominio.
"Strong AI = más potente que weak"	Error: "strong" se refiere a consciencia/comprensión (filosófico); "weak" es simulación sin mente. Un sistema weak puede ser mucho más útil en la práctica.
"Todo lo que construyes hoy es narrow"	Correcto: productos, APIs, RAG, agents son narrow AI por definición; no diseñas para AGI ni para strong AI.

Usa esta tabla cuando evalúes titulares, cuando hables con producto o negocio, o cuando diseñes un sistema (elegir tarea, modelo, expectativas).

Resumen

Narrow AI (ANI): Sistemas que hacen bien una o pocas tareas en un dominio; es todo lo que existe hoy en productos (incluidos LLMs).
General AI (AGI): Hipotética inteligencia con alcance humano en cualquier tarea intelectual; no existe; es objetivo o concepto a largo plazo.
Weak AI: Sistemas que simulan o replican comportamiento inteligente sin atribuirles consciencia; todo lo actual.
Strong AI: Hipotéticos sistemas con mente/consciencia; concepto filosófico, no realizado.
Saber estas clasificaciones ayuda a no confundir lo que hay (narrow/weak) con lo que se debate para el futuro (general/strong) y a comunicarte con precisión en reportes y conversaciones.

Recursos adicionales

Stanford Encyclopedia: Artificial Intelligence — Definiciones filosóficas, debate weak/strong y contexto histórico; útil para profundizar en los ejes narrow/general y weak/strong (en inglés). Complementa la sección "Weak vs Strong" de esta cápsula.
MIT Technology Review: What is AGI? — Qué se entiende por AGI hoy, por qué no hay consenso y cómo se usa el término en industria y regulación (en inglés). Útil cuando oigas "casi AGI" o "camino hacia AGI".
Google: Types of AI — Clasificaciones desde perspectiva de producto y cloud; complementa la visión conceptual de esta cápsula (en inglés). Conecta narrow/general con tipos de producto (clasificación, generación, etc.).
NIST: AI Risk Management Framework — Marco de gestión de riesgos de AI; usa clasificaciones de tipos de AI en contexto de regulación y estándares (en inglés).
EU AI Act – High-level summary — Resumen del marco regulatorio europeo; menciona narrow vs general y niveles de riesgo según tipo de aplicación (en inglés).
OpenAI: GPT-4 Technical Report — Informe técnico de GPT-4; en la introducción se habla de capacidades y límites (narrow, no AGI); útil para conectar definiciones con un modelo concreto (en inglés).

← Anterior3. Breve historia de AI: De Turing a ChatGPT Siguiente →5. AI en 2024-2026: Estado actual, qué es posible y qué no