Formulación de la Pregunta
Hamming comienza con una trampa. '¿Pueden pensar las máquinas?' suena como una pregunta simple de sí o no. Argumenta que oculta tres problemas separados: qué cuenta como máquina, qué cuenta como pensamiento, & si la pregunta tiene siquiera una respuesta significativa.
Pasó un año intentando identificar el programa más pequeño que estaría dispuesto a creer que podría pensar. Después de un año de fracaso, concluyó que había estado haciendo la pregunta equivocada. Quizás el pensamiento no es una propiedad sí-o-no. Quizás admite grado.
Su cambio de enfoque: en lugar de '¿pueden pensar las máquinas?', pregunta '¿hasta qué punto pueden las máquinas aliviar las cargas intelectuales de la vida?' Esa pregunta apunta directamente a la utilidad en lugar de a la metafísica.
El Peligro de la Certeza
Hamming advierte que ambos extremos conllevan riesgo profesional. Creer que las máquinas no pueden pensar: las subutilizarás & quedarás rezagado. Creer que las máquinas obviamente pueden pensar: las sobrestimarás & construirás sistemas que fallan de formas que no anticipaste.
Ninguna creencia es segura. Debes desarrollar tu propia posición considerada.
La Prueba de Turing
Alan Turing, en 1950, propuso una prueba de comportamiento: si una persona en un teletipo no puede distinguir a un humano de una máquina adecuadamente programada, la máquina 'piensa' — por definición.
Hamming respeta la ingeniosidad del movimiento. Turing evita la pregunta filosófica sin respuesta sobre la experiencia interior & la reemplaza con un comportamiento observable. Ese es buen instinto científico.
Pero Hamming tiene una objeción estructural: la prueba de Turing viola el método científico estándar. La ciencia comienza con los problemas más simples primero, no los más difíciles. La prueba de Turing es, como dice Hamming, difícil antes de fácil. Evalúa la inteligencia conversacional completa antes de que entendamos el aprendizaje simple o el seguimiento de reglas.
Lo Que No Puede Ponerse en Palabras
La afirmación central de Hamming sobre los límites de la inteligencia de máquina: no todo conocimiento humano puede traducirse en reglas o instrucciones. Algún conocimiento resiste la formalización — no porque nos falte esfuerzo o inteligencia, sino porque la verbalización no es el medio correcto.
Los sistemas expertos en los años 80 intentaron capturar la experiencia como bases de reglas: SI síntoma-A Y síntoma-B ENTONCES diagnóstico-C. Funcionaban en dominios estrechos y bien definidos. Fallaban en los límites de esos dominios, donde precisamente el conocimiento tácito de los profesionales experimentados importa más.
La intuición del químico sobre qué reacción procederá, el sentido del soldador experimentado del espacio de arco correcto, el presentimiento del cirujano de cuándo el tejido se ve mal — estos no son simplemente reglas esperando ser articuladas. Hamming argumenta que algunos pueden ser permanentemente incodificables.
Por Qué Esto Importa para la Automatización
Los sistemas basados en reglas funcionan muy bien en el centro de dominios bien definidos. Fallan en el límite. Los profesionales experimentados viven en el límite. Esta asimetría forma lo que la automatización puede & no puede desplazar.
Identificación del Conocimiento Tácito
La frase de Michael Polanyi para esto: 'Sabemos más de lo que podemos decir.' Usó el ejemplo del reconocimiento facial — la mayoría de las personas reconocen miles de caras instantáneamente pero no pueden describir las reglas que usan.
Hamming conecta esto a los sistemas expertos: el problema más profundo no es que aún no hayamos escrito las reglas; es que para algunos dominios, no existe un conjunto de reglas completo.
Tic-Tac-Toe 4×4×4
Hamming usa el tic-tac-toe tridimensional 4×4×4 como su ejemplo trabajado. El tablero tiene 64 cuadrados & 76 líneas ganadoras. El tic-tac-toe bidimensional tiene una estrategia de empate conocida; demuestra ninguna inteligencia interesante. La versión 4×4×4 es lo suficientemente difícil como para requerir heurísticas genuinas.
La Estructura del Programa
Paso 1: enumerar movimientos legales.
Paso 2: favorecer 'puntos calientes' — esquinas & centros tienen más líneas ganadoras a través de ellas que cuadrados de borde o centro de cara. Usa la dualidad esquina-centro del cubo: existe una inversión del cubo que envía esquinas a centros & centros a esquinas mientras preserva todas las 76 líneas.
Paso 3: jugar aleatoriamente entre movimientos aproximadamente equivalentes. El juego determinista permite a un oponente paciente mapear tu estrategia & encontrar exploits. La aleatoriedad previene la explotación sistemática.
Paso 4: aplicar reglas secuenciales en orden de prioridad.
Las reglas secuenciales, en orden de prioridad: (1) ganar si existe un movimiento ganador; (2) bloquear el movimiento ganador del oponente; (3) tomar una bifurcación si está disponible; (4) bloquear la bifurcación del oponente; (5) hacer movimientos forzados; (6) recurrir a heurísticas.
Observa la estructura: las reglas deterministas cubren las situaciones claramente definidas. Las heurísticas manejan todo lo demás. La línea entre ellas es exactamente donde comienza el conocimiento tácito.
Programa de Juego de Damas de Samuel
Arthur Samuel en IBM escribió un programa que jugaba damas que se volvió famoso por vencer a un campeón estatal. Lo que lo hizo notable: usaba un mecanismo de aprendizaje. Samuel parametrizó la función de evaluación (ponderando control de tablero, ventaja de rey, movilidad, pieza fija, etc.), luego permitió que dos copias del programa jugaran una contra la otra con configuraciones de parámetros ligeramente diferentes. La versión con mejor desempeño sobrevivió.
Esto es búsqueda de parámetros, no descubrimiento de reglas — pero constituye aprendizaje en un sentido significativo. El programa mejoró sin que el programador explícitamente escribiera reglas mejores.
Hamming pregunta: ¿mostró originalidad el programa de Samuel cuando hizo movimientos sorprendentes? No puedes probar que lo hizo, pero igualmente no puedes probar que tú tienes originalidad en ningún sentido que excluya el programa de Samuel.
Sistemas Expertos & Sus Límites
Los sistemas expertos de los años 70-80 representaron el intento más sistemático de formalizar el conocimiento profesional como reglas ejecutables por máquina. Diagnóstico médico, levantamiento geológico, análisis financiero, diseño de circuitos — cada dominio atrajo su propio sistema basado en reglas.
El desempeño en sub-problemas bien definidos fue frecuentemente impresionante. Pero los sistemas compartieron un modo de fallo: funcionaban hasta que el problema salía de la cobertura de reglas, luego fallaban completamente. Los expertos humanos se degradan gradualmente; los sistemas de reglas se caen un acantilado.
La causa raíz que Hamming identifica: las personas que construyen sistemas expertos no tenían manera sistemática de saber qué faltaba. Los expertos podían articular sus reglas — pero los expertos usan su juicio incodificable para decidir qué reglas se aplican en una situación dada. Ese juicio a nivel meta nunca entró en el sistema.
La Pregunta Correcta para Tu Carrera
La pregunta prácticamente útil no es '¿pueden pensar las máquinas?' Es: para cualquier tarea en tu campo, ¿vive la dificultad crítica en el centro cubierto por reglas, o en la frontera donde el juicio & el conocimiento tácito operan? La automatización maneja confiablemente lo primero. Lucha con lo segundo. Tu estrategia de carrera se deduce de conocer la diferencia.