paradoja de Moravec

La paradoja de Moravec nombra un desajuste persistente entre la capacidad humana y la de las máquinas: las tareas que nos resultan triviales, como agarrar una taza de café o caminar sobre grava, exigen mucha más potencia computacional de un robot que las tareas que consideramos intelectualmente difíciles, como jugar al ajedrez o resolver ecuaciones diferenciales. Un brazo robótico necesita millones de actualizaciones de sensores por segundo, complejos bucles de retroalimentación y detección de colisiones en tiempo real solo para levantar un objeto sin aplastarlo. Mientras tanto, enseñar a una máquina a ganar al ajedrez requirió cálculo por fuerza bruta, sí, pero nada que se acercara a los recursos neuronales que un niño pequeño gasta aprendiendo a caminar.

La paradoja surge de un desajuste evolutivo. Los cerebros humanos evolucionaron durante millones de años para resolver primero problemas sensoriomotores: la supervivencia significaba ver presas, agarrar herramientas, moverse por el terreno. El razonamiento abstracto es comparativamente reciente, construido sobre esas habilidades corporales. Tenemos hardware neural especializado para la visión y el control motor, perfeccionado por la selección natural. Las computadoras digitales no tienen tal herencia. Sobresalen en la manipulación formal de símbolos, en seguir reglas explícitamente, pero carecen del sustrato denso, paralelo y analógico que hace que la detección y el movimiento humanos sean tan eficientes.

Dónde reside el cuello de botella

El control sensoriomotor en tiempo real requiere una tasa de muestreo, latencia y ancho de banda que escalan mal. Una mano robótica con 20 articulaciones, 50 sensores táctiles y entrada de cámara debe calcular los pares de las articulaciones, predecir el deslizamiento, detectar colisiones y actualizar la estrategia en 10 a 100 milisegundos. Eso no es un cálculo. Son miles de ecuaciones diferenciales acopladas, estimación de estado y heurísticas aprendidas que se ejecutan en paralelo. Un motor de ajedrez, por el contrario, puede procesar movimientos por lotes fuera de línea. Su latencia puede extenderse a segundos. La diferencia no es sutil: es la diferencia entre la interacción física de bucle cerrado y la manipulación de símbolos de bucle abierto.

La paradoja ha reformado la investigación en robótica. En lugar de construir robots que razonen sobre el mundo y luego actúen, los ingenieros ahora entrenan redes neuronales en visión y propiocepción, aprendiendo políticas sensoriomotoras directamente de los datos. Esto funciona mejor que la programación explícita porque la red puede capturar implícitamente las estadísticas del problema físico. Sin embargo, este cambio, de la lógica al aprendizaje, todavía no elimina el costo central. Un robot que aprende a agarrar requiere miles o millones de pruebas, ya sea en simulación o en hardware. Un bebé humano agarra de forma natural en cuestión de meses.

Nombrada en honor a Hans Moravec en la década de 1980, la observación sigue siendo central en los debates sobre la inteligencia artificial general. Sugiere que el problema difícil de la IA no es el razonamiento sino la encarnación. Una máquina que puede mantener una conversación pero no puede abrir una puerta no es inteligente; es un truco de salón con raíces superficiales en el mundo real. Esto ha impulsado la robótica hacia el aprendizaje encarnado, la transferencia de simulación a la realidad y los diseños biomiméticos que toman prestada la estructura de la biología en lugar de construir desde primeros principios.