Inteligencia Artificial Generativa: del hito tecnológico al punto de inflexión complejo
Resumen
El cerebro humano y su cognición están experimentando como nunca condiciones de competencia respecto del desarrollo científico y tecnológico que ha experimentado la Inteligencia Artificial (IA) y su subgrupo «la Inteligencia Artificial Generativa (IAG)». Este avance tecnológico está fundamentado en la simplificación (y sus elementos básicos: la disyunción y la reducción), hecho por el cual no se pueden explicar los efectos o transformaciones que experimentarían los seres humanos, sus culturas y sociedades. Desde el pensamiento complejo y la inteligencia estratégica se puede «monitorear, explicar y alertar» sobre la aparición de procesos transhumanizadores que puedan afectar o poner en peligro la supervivencia o continuidad de humanos y especies influenciados por esos avances de la IA e IAG. En este editorial se explican los procesos de disyunción y reducción de cada etapa en el desarrollo de la IAG, reflexionando sobre la estandarización en el desarrollo cognitivo y del pensamiento que sufrirían los seres humanos al utilizar modelos de IA centralizados en empresas de países potencia, y el papel de usuario de este tipo de tecnologías que tendrían la mayoría de las personas, empresas, sistemas políticos, militares, económicos, sociales, antropológico y sociológicos.
Descargas
Referencias bibliográficas
Alto, V. (2023). Inteligencia artificial generativa con modelos de ChatGPT y OpenAI: Aproveche las capacidades de los LLM de OpenAI para mejorar la productividad y fomentar la innovación con GPT-3 y GPT-4. Ediciones Anaya Multimedia.
Aria, M. y Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Infometrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007
Bonne-Montero, E. D., Ruiz-Castilla, J. S. y Martínez-Medina, B. S. (2024). Identificación Humana Mediante Inteligencia Artificial: Usando Aprendizaje no Supervisado. XIKUA Boletín Científico de la Escuela Superior de Tlahuelilpan, 12(Especial), 40-45. https://doi.org/10.29057/xikua.v12iEspecial.12728
Bot Penguin. (s.f.). Deep Neural Networks: Concepts and History Overview. Botpenguin.com. https://botpenguin.com/glossary/deep-neural-network
Castañeda-Sánchez, W. A., Polo-Escobar, B. R. y Vega-Huincho, F. (2023). Artificial neural networks: a measurement of forecast learnings as potential demand. Universidad, Ciencia y Tecnología - revista multidisciplinaria, 27(118), 51-60. https://doi.org/10.47460/uct.v27i118.686
Data Scientest. (19 de abril de 2022). Deep Learning o Aprendizaje profundo: ¿qué es? Formación en ciencia de datos | DataScientest.com. https://datascientest.com/es/deep-learning-definicion
Delgado-Díaz, C. J. (2007). Hacia un nuevo saber. La bioética en la revolución contemporánea del saber. Editorial Acuario.
Elsevier. (2025). Scopus: Una base de datos completa de resúmenes y citas. www.elsevier.com. https://www.elsevier.com/es-es/products/scopus
Epoch AI. (2025). Papers & Reports. https://epoch.ai/blog
García, U. (25 de junio de 2019). Introducción a las Redes Neuronales Pt. I. Future Lab. https://futurelab.mx/redes%20neuronales/inteligencia%20artificial/2019/06/25/intro-a-redes-neuronales-pt-1/
González, R. (2007). El test de Turing: dos mitos, un dogma. Revista de filosofía, 63, 37-53. https://doi.org/10.4067/S0718-43602007000100003
Hernández-Sampieri, R. y Mendoza-Torres, C. P. (2018). Metodología de la Investigación: las rutas cuantitativa, cualitativa y mixta. McGraw Hill Interamericana Editores, S.A. de C.V.
Joyanes-Aguilar, L. (2017). Industria 4.0: La cuarta revolución industrial (1ra ed.). Alfaomega.
Microsoft. (2025). Copilot [Herramienta de Inteligencia Artificial]. https://www.microsoft.com/copilot
Morin, E. (1984). Pensamiento crítico/pensamiento utópico: Ciencia con consciencia. Anthropos Editorial del Hombre.
Olivé, L. (2013). La Estructura de las revoluciones científicas: cincuenta años. Revista Iberoamericana de Ciencia, Tecnología y Sociedad - CTS, 8(22), 133-151. https://doi.org/10.52712/issn.1850-0013-662
Open AI. (12 de septiembre de 2024). Aprendizaje de razonamiento con LLM. https://openai.com/index/learning-to-reason-with-llms/
OpenAI. (s.f.). Acerca de nosotros. https://openai.com/es-419/about/
Plata-Cheje, R. W. (2008). MatLab & Redes Neuronales. Revista de Información, Tecnología y Sociedad, (1), 96-102. http://revistasbolivianas.umsa.bo/scielo.php?script=sci_arttext&pid=S1997-40442008000200024&lng=pt&nrm=iso
Platzi. (29 de marzo de 2025). La estupidez de no usar AI en el trabajo [Archivo de Video]. https://www.youtube.com/watch?v=0T_c_suGH18
Ramírez-Agundis, A. (2008). Diseño y experimentación de un cuantizador vectorial hardware basado en redes neuronales para un sistema de codificación de video [Tesis de Doctorado, Universidad Politécnica de Valencia]. Repositorio Institucional UPV - RiuNet. https://doi.org/10.4995/Thesis/10251/3444
Sarmiento-Ramos, J. L. (2020). Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica. Revista UIS Ingenierías, 19(4), 1-18. https://doi.org/10.18273/revuin.v19n4-2020001
Zarta-Rojas, F. A. (2022). Estructura de las revoluciones científicas en el siglo XXI: una perspectiva desde el quehacer investigativo. Collectivus, Revista de Ciencias Sociales, 9(2), 123-174. https://doi.org/10.15648/Collectivus.vol9num2.2022.3527
Derechos de autor 2025 Perspectivas en Inteligencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
