La IA venció en Go, pero ¿por qué todavía le cuesta soldar?: el humano se detiene, la máquina repite

Baduk AI puede aprender en un espacio con reglas fijas, pero en una fábrica, los riesgos y responsabilidades no están organizados únicamente por puntuaciones numéricas.

Cada vez que aparece la historia de una IA que venció al mejor jugador humano de Go, la gente hace una pregunta parecida: “si ya puede hacer eso, ¿no se llevará pronto todo el trabajo humano?”

Pero en el terreno real, la imagen cambia. Ganó al Go, pero soldar todavía no es fácil. Resuelve problemas de código, pero no suelda de forma estable, como una persona, junto a una tubería vieja y chispas saltando.

La diferencia no es solo qué lado es más difícil. La diferencia más profunda está en cómo aprenden humanos y máquinas. El humano puede inferir causas con poca experiencia y detenerse si ve peligro. La IA actual es fuerte cuando puede probar mucho, comparar resultados y buscar la dirección donde mejora la puntuación.

El Go es un mundo cómodo para que aprenda una máquina

En un tablero de Go, una mala jugada no destruye el mundo. Si pierdes una partida, juegas otra. El resultado también llega rápido. Se sabe enseguida si ganaste o perdiste, y por cuántos puntos.

Para una IA, es casi una condición perfecta. Puede intentar, fallar y corregir incontables veces. Mientras una persona juega unas pocas partidas, la máquina puede jugar millones contra sí misma. El fracaso es barato, el resultado llega rápido y la repetición puede ser casi infinita.

El aprendizaje por refuerzo, dicho simple, usa esa estructura. Probar mucho, dejar las elecciones buenas, reducir las malas y mejorar poco a poco. En problemas que pueden correr sin límite dentro de una computadora, como el Go, la IA se vuelve fuerte muy rápido.

No es porque el Go sea fácil. Para los humanos también es un juego muy difícil. Pero para la máquina es un mundo donde equivocarse cuesta casi nada. La IA se equivoca a gusto y aprende de cada error.

Soldar es un mundo donde la máquina no puede equivocarse a gusto

La soldadura es distinta. Solo probar ya cuesta. Cuestan materiales, equipos y tiempo. El metal mal fundido no vuelve al estado inicial como un tablero de Go.

El problema más grande es el riesgo. Un fallo en soldadura no termina como una respuesta incorrecta. Una soldadura defectuosa puede causar accidentes. Por fuera puede verse bien y esconder una falla interna que aparece meses después.

Entonces se rompe la estructura de aprendizaje que le conviene a la máquina. Para aprender necesita muchos intentos, pero no puede fallar muchas veces. Para corregir necesita saber pronto el resultado, pero el resultado puede llegar tarde o verse solo en parte. Los datos de fracaso más importantes son peligrosos de crear a propósito.

En Go puedes jugar un millón de malas jugadas. En soldadura no puedes crear un millón de malas soldaduras. Por eso la automatización que maneja equipos reales avanza más lento que la automatización donde puedes revisar documentos, código y registros, y luego corregirlos de nuevo.

El humano infiere causas con pocas señales

Una persona experta no aprende fallando un millón de veces. Claro que necesita experiencia y muchos casos. Pero la fortaleza humana no está en haber vivido todos los casos posibles. Está en inferir causas con pocas señales, recordar situaciones parecidas y detenerse si algo parece peligroso.

Un soldador mira a la vez el sonido, el olor, la forma de la chispa y la vibración que llega a la mano. Si algo se siente distinto a lo normal, aunque no tenga un número exacto, se cuida. Juzga “esto parece peligroso” y baja la velocidad o detiene el trabajo.

No es una intuición mística. El humano aprende con el cuerpo en el mundo real. Ya sabe que el fuego quema, que el metal se dobla, que el equipo envejece y que las personas cometen errores. Por eso, incluso ante una situación nueva, arrastra experiencias anteriores, arma una causa aproximada y actúa.

El humano crea hipótesis aunque no tenga datos perfectos. Este sonido puede ser temperatura. Esta vibración puede indicar que la fijación se movió. Este olor puede significar que cambió el material. Puede acertar o fallar, pero al menos puede detenerse frente al peligro.

La máquina aprende patrones vistos muchas veces y los convierte en puntuación

La IA actual, en cambio, suele ser fuerte en patrones que ha visto mucho. Si ve muchas fotos, clasifica fotos. Si ve muchas frases, predice la siguiente frase. Si corre muchos juegos, encuentra jugadas ganadoras. Su fortaleza es clara: ve una cantidad que una persona no verá en toda su vida y repite más veces de las que una persona podría intentar.

Pero ese método necesita condiciones. Debe poder intentar, medir el resultado y convertir lo bueno en una puntuación. El Go encaja muy bien. La soldadura no.

En el trabajo real, la meta no es simple. No basta con que una soldadura se vea bonita. Si hoy parece bien pero se rompe meses después, fracasó. Terminar rápido importa, pero también hay que mirar seguridad, durabilidad y costo. Convertir todo eso en una sola puntuación es difícil.

Por eso la máquina puede volverse fuerte en situaciones promedio. Aprende rápido en condiciones frecuentes, tareas repetidas y resultados visibles de inmediato. Pero conserva debilidades en señales raras justo antes de un accidente, excepciones fuera del modelo y juicios de riesgo difíciles de puntuar.

Cuantas más veces lo intenta una máquina, más claramente tiene una persona para especificar las condiciones bajo las cuales debe dejar de intentarlo.

El gemelo digital le da a la máquina un lugar para practicar

Aquí se vuelve importante el gemelo digital. Un gemelo digital intenta reproducir en un espacio virtual la fábrica, el equipo, los materiales y las condiciones de trabajo del mundo real. Fallar en la realidad es caro; en el mundo virtual, el mismo fallo se puede repetir mucho más barato.

La IA prueba innumerables veces dentro de ese mundo virtual. Cambia temperatura, velocidad, ángulo, presión y condiciones del material; falla, corrige y busca un método mejor. Ese método no se lanza de inmediato a todo el sitio. Primero se prueba en una máquina real.

Si funciona en esa máquina, se acumulan datos nuevos. Se corrige la diferencia entre el mundo virtual y el real, y se buscan condiciones más confiables. Luego se extiende a equipos iguales, procesos iguales y sitios parecidos. Se lleva a otros lugares un método ya verificado en uno.

Este método es potente. La IA puede vivir en el mundo virtual muchísimos más casos que una persona en toda su vida. Si el gemelo digital se vuelve preciso y los sensores se vuelven densos, es probable que la IA supere a personas en muchas tareas reales.

Aun así, el mundo virtual no es idéntico a la realidad

Pero también hay límites. Un mundo virtual no copia por completo la realidad. Diferencias microscópicas del material, mañas de equipos viejos, humedad del taller, pequeños errores humanos y fallas excepcionales siguen apareciendo fuera del modelo.

Aunque la IA lo haga muy bien en el mundo virtual, cuando el virtual y el real se separan hay que verificar otra vez. Hay que comprobar que el método exitoso en simulación también sea seguro en la realidad. Se prueba en una máquina, y si no hay problema, se amplía.

Ahí están juntas la fuerza y la limitación del aprendizaje automático. En un mundo donde puede repetir mucho, la máquina se vuelve temible. Pero si ese mundo imita mal la realidad, habrá practicado mucho contra el objetivo equivocado. Más importante que cuánto aprendió es contra qué aprendió.

Humanos y máquinas se equivocan de formas distintas

Los humanos también se equivocan. Una persona experta se puede confundir, cansarse, fallar o pasar por alto una señal de peligro por exceso de familiaridad. No hace falta endiosar al humano.

Pero humanos y máquinas se equivocan de formas distintas. El humano puede equivocarse por concluir demasiado rápido con pocas señales. La máquina puede ser fuerte dentro del patrón entrenado y, al salir de ese mundo, mostrar una confianza extraña.

Cuando el humano no sabe, se inquieta. Entonces se detiene, pregunta o vuelve a mirar alrededor. La máquina puede no saber siquiera que está en una situación desconocida. Si la puntuación y el patrón parecen plausibles, puede dar una respuesta aunque la situación real sea peligrosa.

Por eso en la automatización real no basta mirar desempeño. Hay que mirar cuándo funciona, cuándo no sabe y cuándo debe detenerse. Incluso si un día la IA suelda muy bien, habrá que seguir revisando con qué condiciones aprendió y hasta dónde se puede confiar.

La persona que se encarece será quien conecte dos formas de aprender

Entonces, ¿la persona experta está a salvo? No conviene pensar que estará a salvo para siempre. Cuando el tacto de la mano se convierta en datos, el gemelo digital mejore y se complete la verificación en la realidad, la automatización entrará también ahí.

Por eso la persona que valdrá más no será simplemente quien tenga buen tacto. Será quien pueda traducir ese tacto a datos. Quien conoce el sitio, sabe qué sensor poner, qué fallo importa y qué registro se convertirá luego en datos de aprendizaje.

Esa persona une la forma humana de aprender con la forma de aprender de la máquina. El humano infiere causas con pocas señales y se detiene si ve peligro. La máquina repite mucho y compara puntuaciones para fortalecerse. Son dos formas distintas, ambas con ventajas y límites.

La IA ganó al Go, pero soldar todavía le cuesta. El Go era un mundo donde la máquina podía equivocarse a gusto; la soldadura es el mundo real, donde cada error tiene costo.

Pero si gemelos digitales, sensores y verificación real se conectan, la historia cambia. La IA podrá repetir sin límite en el mundo virtual, confirmar en una máquina real y extender el método exitoso a otros sitios.

Así que la pregunta no es “¿la IA es más inteligente que la persona?”. La pregunta real es esta: ¿quién convertirá el tacto que un humano aprendió con pocas señales en una estructura donde la máquina pueda aprender por repetición?

Quien logre eso será una persona cara en la siguiente era.