El surgimiento de los Modelos de Lenguaje de Gran Tamaño (LLMs, por sus siglas en inglés) ha marcado un hito en las tecnologías lingüísticas, desatando un intenso debate en la comunidad científica sobre su capacidad para entender el mundo y los significados tras sus diálogos. Mientras algunos argumentan que estos modelos tienen un grado de comprensión del lenguaje humano reflejado a través de conversaciones anecdóticas y análisis estadísticos, otros sugieren lo contrario, señalando la falta de una capacidad inherente para asociar palabras con conceptos.
Desde experimentos de pensamiento hasta análisis formales, las discusiones han girado en torno a un punto crucial: la ausencia de un ‘centro de conceptos abstractos’ en las arquitecturas actuales de los LLMs, un componente crucial que poseen los cerebros humanos y es necesario para establecer conexiones semánticas. La analogía se lleva al extremo en un experimento mental donde dos hipotéticos agentes de mundos dispares son incapaces de compartir conceptos comunes debido a sus experiencias divergentes, lo que refleja la ambigüedad de los LLMs al lidiar con significados.
Los estudios históricos de investigación neuronal han identificado regiones específicas en el cerebro humano encargadas de representar conceptos abstractos. Estos hallazgos contrastan radicalmente con las estructuras de los LLMs, que únicamente optimizan probabilidades condicionales basadas en un conjunto preestablecido de vocabulario, sin alcanzar un verdadero entendimiento significativo de los elementos tratados.
Un pensamiento particularmente devastador en este debate es que, a pesar de la impresionante fluidez de los diálogos generados por los LLMs, estos actúan más como “loros estocásticos”, repitiendo patrones lingüísticos sin comprensión genuina. El trasfondo epistemológico de esta asunto cuestiona el paradigma actual de aprendizaje supervisado en los modelos de IA para lograr un conocimiento real del mundo.
La conclusión a la que se llega en estos análisis es contundente: sin un cambio paradigmático que integre una verdadera arquitectura de conocimiento conceptual, los LLMs carecen de la profundidad semántica necesaria para entender sus producciones de diálogo, más allá de una interacción meramente sintáctica. La incorporación de mayores capacidades similares al cerebro humano en estos modelos promete ser un campo apasionante para el desarrollo futuro en inteligencia artificial.