La retórica en la inteligencia artificial

En el año 1956 acontecieron dos eventos peculiares. Por un lado, el ingeniero John McCarthy introdujo por primera vez el término «inteligencia artificial» (IA) en un congreso celebrado en Darmouth (New Hampshire, Estados Unidos). Por el otro, el filósofo Günther Anders publicó su obra La obsolescencia del hombre, donde se incluía el concepto de «vergüenza prometeica», que puede interpretarse como la humillación que siente el ser humano al verse confrontado con su obra (los aparatos tecnológicos). Una obra que, en cierto modo, el ser humano siente como algo superior a sí mismo y de la que incluso no se considera su creador.

La retórica es una de las habilidades más apreciadas por el ser humano y ahora parece que las máquinas también son capaces de desplegarla a un nivel razonable. Si Anders estaba en lo cierto, esa dosis de vergüenza prometeica va a ir en aumento. El objetivo de la retórica ha sido tradicionalmente persuadir o enriquecer un discurso, con especial interés en el ámbito oral o escrito, aunque también puede ampliarse a imágenes o vídeos.

El poder de una buena retórica es clave en varias disciplinas, como la judicial, la política, la publicitaria o la académica, por citar algunas. La retórica ha desempeñado un papel fundamental en la historia permitiendo, por ejemplo, llegar a acuerdos sustanciales para evitar guerras o inducirlas.

PUBLICIDAD

Günther Anders acuñó el concepto de «vergüenza prometeica»: la humillación que siente el ser humano al verse confrontado con su obra, los aparatos tecnológicos. Una obra que, en cierto modo, el ser humano siente como algo superior a sí mismo y de la que incluso no se considera su creador

Los inicios de la retórica

La retórica cobró gran notoriedad en la antigua civilización grecorromana. Aunque no estaba limitada a los filósofos, sofistas de la talla de Protágoras y Gorgias fueron algunos de los que más contribuyeron a popularizarla. Incluso parece ser que el primero de ellos ingresó suculentos honorarios por impartir esta materia. Posteriormente, otros filósofos la desarrollaron y la utilizaron de forma magistral.

Para conseguir una retórica efectiva se crearon herramientas y técnicas relativamente sofisticadas. En esencia, la elaboración de un discurso se configuraba a partir de tres elementos clave: inventio, dispositio y elocutio. El inventio se refiere a la búsqueda y generación de ideas para el discurso. La dispositio tiene que ver con la organización del discurso, con su estructura. Por último, la elocutio se refiere a la elección de las palabras y el estilo.

Aristóteles también buscó la excelencia retórica e hizo hincapié en tres pilares básicos: la actitud del orador para inspirar confianza en el auditorio (ễthos), poder evocar emociones en el receptor del discurso (pathos) y, por último, la lógica y razón propia del discurso (lógos).

También se prestaba especial atención a las denominadas figuras retóricas para conseguir embellecer, ilustrar o enriquecer estilísticamente el discurso. Algunas de ellas son la metáfora, la hipérbole (exageración), la elipsis (omisión de un término), la metonimia (sustitución de términos o conceptos por otros relacionados) y la personificación, entre otras.

Las erotemas también eran populares. Un erotema es algo así como lanzar preguntas abiertas a la espera de una respuesta. Además, para conseguir una oratoria efectiva, era importante poder memorizar de forma eficiente lo reflexionado.

La retórica como funcionalidad

Aunque la retórica ha ido evolucionando a lo largo de los siglos, los humanos la siguen construyendo de manera parecida a sus inicios, con procesos cognitivos que aplican secuencialmente. Sin embargo, la IA genera su respuesta retórica con inmediatez, activando múltiples tareas a la vez.

Es interesante notar que, con la IA, el orden de las etapas de construcción del discurso tradicional ha dejado de importar. Las unidades de procesamiento gráfico (GPUs) que ejecutan los algoritmos de la IA están diseñadas para procesar información con un alto grado de paralelismo. Es como si la IA pudiera meter el pan en el horno para amasarlo durante la cocción.

El ChatGPT de la compañía OpenAI es el que ha conseguido llevar la IA al gran público en forma de bot. Ha sido la app con el mayor número de descargas de la historia en sus primeros cinco días de existencia (más de un millón de usuarios). Su gran éxito estriba en generar textos relativamente persuasivos y coherentes, de forma que al usuario le parece que está interaccionando con una persona, y no con una máquina. Incluso es capaz de explicar conceptos complejos con un lenguaje asequible. En ocasiones, hasta el ễthos y el pathos parecen cobrar vida propia, guardando las distancias.

Obviamente, es esta respuesta con aparente capacidad retórica la que constituye uno de los factores que más fascina al interlocutor. Así consigue la IA transferir su mensaje con confianza y credibilidad. Por supuesto, esta persuasión puede suponer un riesgo si la respuesta es errónea, por lo que es aconsejable una dosis de escepticismo para evaluar la calidad o falsedad de sus respuestas.

Independientemente de cómo la máquina genera su retórica, lo importante es que la IA puede proporcionar una «funcionalidad» similar a la retórica tradicional. En muchos casos, el resultado que se obtiene parece razonable, aunque no se puede generalizar. Evidentemente, hay aspectos en los que el ser humano le lleva ventaja a la máquina. Los modelos de IA están basados en redes neuronales interconectadas que imitan en cierta medida a las redes neuronales biológicas: no se programan con reglas explícitas, sino que aprende mediante millones de ejemplos.

La retórica es una de las habilidades más apreciadas por el ser humano y ahora parece que las máquinas también son capaces de desplegarla a un nivel razonable. Si Anders estaba en lo cierto, esa dosis de vergüenza prometeica va a ir en aumento

Durante su aprendizaje, la intensidad o peso (weight) de cada una de las múltiples conexiones interneuronales se ajusta repetidamente hasta obtener una calibración satisfactoria en las respuestas. Esta fase de aprendizaje es clave para después, en la fase de inferencia, poder desplegar su funcionalidad con éxito. Gracias a que se implementan muchas capas de neuronas es posible aumentar su número hasta alcanzar millones de ellas.

Estas múltiples capas hacen posible intensificar el denominado aprendizaje profundo o DL (deep learning). Esto supone tener que ajustar millones de parámetros. En sus inicios, para poder entrenar a los modelos de IA se recurría a bases de datos con textos o imágenes etiquetados por humanos. Ahora, los modelos basados en los denominados transformers refuerzan la «atención» de la máquina en ciertas fases del proceso, proporcionando más contexto a los algoritmos y posibilitando que no se requiera intervención humana.

Esto da gran escalabilidad y permite entrenar a los modelos con millones de palabras y textos existentes, extraídos directamente de grandes bases de datos, como por ejemplo Wikipedia o Common Crawl, entre otras. Con la utilización de modelos de lenguaje de gran tamaño o LLM (large language model), la IA también es capaz de generar textos de forma muy eficiente. Los LLM son utilizados en la aplicación de ChatGPT y pueden ofrecer ensayos, diagnósticos, programas informáticos, etc.

Independientemente de cómo la máquina genera su retórica, lo importante es que la IA puede proporcionar una «funcionalidad» similar a la retórica tradicional. En muchos casos, el resultado que se obtiene parece razonable, aunque no se puede generalizar

Generación de retórica con algoritmos

Básicamente, un LLM calcula las probabilidades de que cierta palabra siga a la cadena de palabras que le preceden. Así se generan frases y párrafos. Cuantos más datos se utilizan en el entrenamiento, mejor son las respuestas. Para mejorar sus respuestas en determinados ámbitos, puede introducirse una capa extra denominada «refuerzo del aprendizaje con comentario humano» o RLHF (reinforcement learning from human feedback), que contempla la intervención humana en ciertas acciones del aprendizaje.

Independientemente de cómo la IA genera su retórica, es importante notar que consigue una funcionalidad parecida a la de una persona. En cualquier caso, la IA se beneficia de disponer de una base ingente de datos privilegiada, así como de poder capitalizar ese conocimiento en sus respuestas. En síntesis, accede a buena parte de todo el conocimiento acumulado en la historia de la humanidad.

Pero la magia del proceso está en que muchos de esos textos ya tienen su retórica implícita al haber sido generados por humanos. La IA importa parte de esa retórica original de forma indirecta, a través de ingentes cantidades de patrones existentes. En síntesis, sería el equivalente a generar una metarretórica como respuesta. La IA no tiene limitaciones de memoria, comparada con los humanos, y su flujo generativo retórico es impresionante.

Limitaciones al avance de la IA y el «Data Wall»

Gracias a ese entrenamiento previo, la IA produce respuestas estadísticas, aunque sin comprender los conceptos, intenciones o implicaciones de su mensaje. En consonancia con los humanos que generaron esos textos, la IA también puede ofrecer respuestas con sesgos pronunciados. En definitiva, algunos de estos sesgos pueden ocasionar conflictos si no son corregidos. Adicionalmente, también pueden producirse sesgos asociados con el diseño y los procesos intrínsecos de la máquina.

Una seria limitación al progreso de la IA es el denominado muro de datos (data wall). Según la consultora Epoch AI, el gran aumento en velocidad y procesamiento de las GPUs propiciará que en el año 2028 se hayan agotado la mayoría de los recursos de calidad disponibles en internet.

A partir de aquí, el reto será conseguir nuevas fuentes para continuar con el aprendizaje de la IA. La respuesta podría venir con nuevos datos sintéticos que podría crear la propia IA (con obvios riesgos asociados), o bien la respuesta podría consistir en intentar aumentar la calidad frente a la cantidad, pasando por mejorar distintos aspectos técnicos y de la propia tecnología, entre otras posibilidades.

Otra limitación son los derechos para acceder a los datos con propiedad intelectual, aunque esto podría aliviarse a través de licencias o pagos por uso a sus propietarios, algo que actualmente ya se está produciendo.

La IA es muy poco eficiente en energía si se compara con el cerebro humano. Se estima que un centro de datos para procesar ChatGPT-4 puede consumir el 11 % de la energía de una ciudad como Barcelona. Como curiosidad técnica, para entrenar al modelo GPT-4 se procesaron más de 1.800 millones de parámetros y se utilizaron más de 25.000 chips de Nvidia (modelo A100).

La IA se beneficia de disponer de una base ingente de datos privilegiada, así como de poder capitalizar ese conocimiento en sus respuestas. En síntesis, accede a buena parte de todo el conocimiento acumulado en la historia de la humanidad

Evolución futura

Hay múltiples propuestas para mejorar la IA generativa, como utilizar modelos híbridos, basados en LLM y en otras opciones. También es interesante incorporar componentes y capas extra que aporten ciertas ventajas, como emplear menos capacidad de procesamiento y energía para conseguir unos resultados análogos o mejores que con los modelos más transversales.

Si nos referimos a la retórica aplicada a un campo o dominio especifico, como aquellos en los que se requiere la figura de un experto, la IA tiene la ventaja de ser un actor multidominio con capacidad retórica, algo así como un multiethos (en términos aristotélicos).

Un ejemplo con ChatGPT-4 es el modelo de mezcla de expertos o MoE (mixture of experts), compuesto por subconjuntos de redes neuronales especializadas para aumentar así la escalabilidad y la eficiencia del conjunto. No obstante, para mejorar este aspecto, ya existen otros modelos de IA que se centran en campos de conocimiento específicos.

Retórica inversa

Una posibilidad interesante sería acceder con la IA a lo que podríamos denominar «retórica inversa», es decir, poder deconstruir los pasos que la máquina utilizó para componer un texto específico. Esto es algo que los humanos pueden hacer con relativa facilidad entre ellos, pero con la IA no es posible por el momento, pero sería interesante poder conseguirlo, ya que aportaría un potencial de mejora, tanto para la máquina como para los humanos.

Una limitación para el aprendizaje de las distintas IA son los derechos para acceder a los datos con propiedad intelectual, aunque esto podría aliviarse a través de licencias o pagos por uso a sus propietarios, algo que actualmente ya se está produciendo

«Rhetoric as a Service»

Una atractiva posibilidad es que en un futuro pudiera hablarse de una especie de servicio de retórica a la carta o RaaS (rhetoric as a service), con una mejor integración de la capacidad de la máquina y el individuo.

Actualmente, ya se puede hacer una consulta para que la máquina responda como Aristóteles o Kant, por ejemplo, pero se trataría de hacerlo de una forma más eficiente y precisa. Desde otra perspectiva, sería como activar un determinado sesgo ponderado en la respuesta.

Una posible vía para conseguirlo puede consistir en utilizar subconjuntos de parámetros predefinidos con un modelo más abierto de IA, entre otras alternativas. En este sentido, ChatGPT no se considera un modelo abierto, en el que puedan acceder y contribuir terceros (open source). En esta línea hay varias iniciativas en marcha. Por ejemplo, Llama 3 de la compañía Meta ofrece esta posibilidad.

Incluso la IA podría detectar aspectos comunes entre actores y facilitar acuerdos a través de argumentos bien construidos y empáticos, intentando potenciar el ễthos y el pathos. En cualquier caso, poder asignar a una respuesta la mezcla óptima porcentual en ễthos, pathos y lógos supondría conseguir el estado del arte aristotélico en este apartado.

El hombre es la medida

La IA puede sustituir al individuo con éxito en determinadas tareas específicas. Un ejemplo es el reconocimiento facial o la verificación de si una botella se ha etiquetado correctamente, tareas en las que la máquina ya ha superado al ser humano.
No obstante, la evidencia apunta a que queda lejos de poder sustituirlo en multitud de actividades, aunque sí de complementarlo en muchas de ellas.

En este sentido, el avance inexorable de la máquina se va produciendo con la conquista de tareas y funcionalidades humanas. Ahora, con la retórica, la máquina añade una funcionalidad, pero esta vez con una habilidad íntimamente ligada al individuo.

Günther Anders también se refirió al «desnivel prometeico» como la asincronía que existía entre hombre y su mundo de productos, produciéndose un desfase entre actuar y sentir, entre hacer y representar o entre el conocimiento y la conciencia. El individuo avergonzado de Anders se somete voluntariamente a la cosificación e incluso a un trastorno de su propia identidad. El objeto de culto deja de ser una elevación de lo humano y pasa a ser una exaltación de la máquina. Para bien o para mal, la retórica podría ser una funcionalidad que ayude a culminar esa exaltación.

Protágoras ya popularizó un singular concepto en su tiempo: «el hombre es la medida», un concepto que se refiere a la relación entre el hombre y el mundo que le rodea. Es una frase enigmática, para la que los filósofos ofrecen distintas interpretaciones. Pero en el contexto tecnológico, quizá puede asimilarse con una relevante unidad de medida que posiblemente el propio Anders suscribiría.