rodolfo.gg
Go back

Glosario de Razonamiento y Planificación Automática

CC BY-NC-ND 4.0
Rodolfo González González
Glosario de Razonamiento y Planificación Automática

Introducción

Este documento es una guía de referencia para Razonamiento y Planificación Automática. Las entradas están organizadas temáticamente, no alfabéticamente, para facilitar la lectura secuencial. Cada término incluye una definición formal y una explicación intuitiva con ejemplos.

La forma más eficiente de estudiar es leer secuencialmente las secciones 1-13 para construir un mapa conceptual técnico, complementarlo con la sección 14 para entender los fundamentos filosóficos del campo, y luego usar la sección 15 como referencia rápida durante ejercicios. Cuando aparezca un término que no recuerdes, busca primero en la sección temática donde sea más natural y, si no, en el índice alfabético final.

Tabla de contenido

Tabla de contenido

1. Fundamentos: toma de decisiones y agentes inteligentes

mindmap
  root(("Fundamentos: toma de decisiones y agentes inteligentes"))
    Toma de decisiones
    Decisión de alto nivel vs. decisión de bajo nivel
    Decisiones programadas vs. no programadas
    Problema estructurado vs. no estructurado
    Agente inteligente
    Racionalidad
    Arquitectura deliberativa
    Arquitectura reactiva
    Arquitectura híbrida
    Modelo BDI (Belief–Desire–Intention)

Toma de decisiones

Proceso por el cual un agente —humano o artificial— elige una acción entre un conjunto de alternativas para alcanzar un objetivo, evaluando consecuencias bajo condiciones de información parcial, riesgo o incertidumbre. En IA, la toma de decisiones se formaliza mediante funciones de utilidad, espacios de acción y modelos del entorno.

Decisión de alto nivel vs. decisión de bajo nivel

Decisiones programadas vs. no programadas

Las programadas son rutinarias, repetitivas y pueden manejarse mediante reglas explícitas (SI…ENTONCES). Las no programadas corresponden a situaciones nuevas donde no existen reglas establecidas; requieren más tiempo, información incompleta y suelen producir soluciones únicas para esa situación.

Problema estructurado vs. no estructurado

Un problema estructurado contiene en su enunciado toda la información necesaria para resolverlo. Un problema no estructurado carece de información completa, por lo que el agente debe buscarla, inferirla o solicitarla. Buena parte del trabajo de modelado en IA consiste en estructurar problemas que originalmente no lo están.

Agente inteligente

Entidad que percibe su entorno mediante sensores, lo modela internamente y actúa sobre él mediante actuadores con el fin de alcanzar metas. Formalmente, un agente es una función que mapea historias de percepciones a acciones. Sus componentes esenciales son: percepción, representación interna, razonamiento y actuación.

Racionalidad

Un agente es racional cuando, dadas sus percepciones y conocimiento previo, selecciona acciones que maximizan su medida de rendimiento. La racionalidad no exige omnisciencia: un agente racional puede equivocarse si su información es incompleta, siempre que su elección sea la mejor dado lo que sabía.

Arquitectura deliberativa

Diseño de agente que mantiene un modelo simbólico explícito del mundo y razona sobre él antes de actuar. Es el enfoque clásico de la IA simbólica: percibir → planificar → actuar. Es potente pero costoso: si el entorno cambia rápido, el plan calculado puede quedar obsoleto antes de ejecutarse.

Arquitectura reactiva

Diseño en el que el agente responde directamente a las percepciones mediante asociaciones estímulo-respuesta, sin razonamiento deliberativo. Es rápida y robusta en entornos dinámicos, pero limitada para tareas que requieren planificación a largo plazo. Su exponente clásico es la arquitectura de subsunción de Brooks.

Arquitectura híbrida

Combinación de capas reactivas y deliberativas: las primeras gestionan respuestas inmediatas (evitar obstáculos), las segundas planifican objetivos de largo plazo. Habitualmente la capa reactiva tiene precedencia para garantizar respuestas en tiempo real.

Modelo BDI (Belief–Desire–Intention)

Arquitectura cognitiva basada en tres actitudes mentales: creencias (estado del mundo según el agente), deseos (estados que el agente quisiera alcanzar) e intenciones (deseos a los que se ha comprometido a actuar). Es el fundamento conceptual de muchos sistemas multi-agente.

2. Representación del conocimiento

mindmap
  root(("Representación del conocimiento"))
    Representación simbólica
    Marcos (Frames)
    Reglas de producción
    Restricciones (CSP)
    Red bayesiana
    Ontología
    Grafo de conocimiento (Knowledge Graph)
    Conocimiento declarativo vs. procedural

Representación simbólica

Codificación explícita del conocimiento mediante símbolos, estructuras y reglas formales. La premisa, conocida como hipótesis del sistema de símbolos físicos (Newell y Simon), es que la inteligencia puede emerger de la manipulación adecuada de símbolos. Una buena representación debe ser formal (sin ambigüedades), expresiva, natural y tratable computacionalmente.

Marcos (Frames)

Estructuras estereotipadas que representan situaciones, conceptos u objetos mediante atributos (slots) y valores. Los procesos de inferencia se realizan por medio de jerarquías y herencia entre marcos. Son antecedentes directos de la programación orientada a objetos.

Reglas de producción

Sentencias condicionales del tipo SI <antecedente> ENTONCES <consecuente>. La inferencia se ejecuta mediante encadenamiento hacia adelante (forward chaining: desde los hechos a las conclusiones) o hacia atrás (backward chaining: desde las metas a los hechos).

Restricciones (CSP)

Un Constraint Satisfaction Problem representa el conocimiento como variables, dominios y restricciones. La inferencia se realiza mediante propagación de restricciones, consistencia de arco (AC-3) y backtracking. Sudoku, coloreo de mapas y planificación de horarios son CSPs clásicos.

Red bayesiana

Grafo dirigido acíclico cuyos nodos son variables aleatorias y cuyos arcos representan dependencias probabilísticas. Cada nodo tiene asociada una tabla de probabilidad condicional. Permiten razonamiento bajo incertidumbre y son la base de muchos sistemas de diagnóstico.

Ontología

Especificación formal y compartida de los conceptos de un dominio y las relaciones entre ellos. En IA moderna, ontologías como OWL (basado en lógicas de descripción) permiten el razonamiento automatizado en la Web Semántica.

Grafo de conocimiento (Knowledge Graph)

Estructura de datos que integra entidades, propiedades y relaciones a gran escala. Wikidata, DBpedia y los grafos de conocimiento empresariales son ejemplos. Combinan representación simbólica con técnicas modernas de embeddings y graph neural networks para inferencia híbrida.

Conocimiento declarativo vs. procedural

El declarativo describe qué es verdad sobre el mundo (hechos, reglas). El procedural describe cómo hacer algo (procedimientos, recetas). Un buen sistema inteligente combina ambos: declara los hechos y procedimentaliza las inferencias.

3. Tipos de razonamiento

mindmap
  root(("Tipos de razonamiento"))
    Razonamiento deductivo
    Razonamiento inductivo
    Razonamiento abductivo
    Silogismo
    Modus ponens
    Modus tollens
    Razonamiento por analogía
    Razonamiento monótono vs. no monótono
    Razonamiento por defecto

Razonamiento deductivo

Inferencia en la que la conclusión se sigue necesariamente de las premisas: si las premisas son verdaderas, la conclusión también lo es. Va de lo general a lo particular. Es el fundamento del método deductivo que Euclides aplicó a la geometría.

Razonamiento inductivo

Genera conclusiones probables a partir de observaciones específicas; generaliza de lo particular a lo general. La conclusión no se sigue necesariamente de las premisas: añadir una nueva observación puede invalidarla.

Razonamiento abductivo

Inferencia hacia la mejor explicación: dado un efecto observado, se postula la causa más plausible. Es no deductivo y se utiliza para diagnóstico médico, depuración de sistemas y razonamiento causal.

Silogismo

Forma clásica del razonamiento deductivo aristotélico, compuesta por dos premisas (mayor y menor) y una conclusión que se deduce lógicamente de ambas.

Modus ponens

Regla de inferencia: dado P→QP \rightarrow Q y PP, se concluye QQ. Es el ladrillo fundamental del encadenamiento hacia adelante.

Modus tollens

Regla de inferencia: dado P→QP \rightarrow Q y ¬Q\neg Q, se concluye ¬P\neg P. Es la base lógica de la falsación científica.

Razonamiento por analogía

Transferencia de conclusiones entre dominios estructuralmente similares. Si dos situaciones comparten un conjunto de propiedades relevantes, se infiere que pueden compartir otras. Es no deductivo y susceptible a errores cuando la analogía es superficial.

Razonamiento monótono vs. no monótono

En el monótono, añadir nuevas premisas nunca invalida conclusiones previas. En el no monótono, las conclusiones pueden retractarse al incorporar nueva información. La lógica clásica es monótona; el razonamiento de sentido común suele ser no monótono.

Razonamiento por defecto

Forma de razonamiento no monótono propuesta por Reiter, en la que se asumen conclusiones plausibles en ausencia de evidencia en contra. Por ejemplo: «los pájaros vuelan, salvo que se sepa lo contrario».

4. Tipos de lógica

mindmap
  root(("Tipos de lógica"))
    Lógica proposicional
    Lógica de predicados
    Lógica de primer orden (FOL)
    Lógica de orden superior (HOL)
    Lógica modal
    Lógica temporal
    Lógica multivaluada
    Lógica difusa (Fuzzy Logic)
    Lógica de descripción ALC
    Lógica computacional
    Sintaxis vs. semántica

Lógica proposicional

Sistema formal cuyas unidades básicas son proposiciones atómicas combinadas con conectivas: ∧\wedge (conjunción), ∨\vee (disyunción), ¬\neg (negación), →\rightarrow (implicación) y ↔\leftrightarrow (bicondicional). Es decidible, pero su poder expresivo es limitado: no puede hablar de objetos individuales.

Lógica de predicados

Extiende la proposicional permitiendo expresar propiedades y relaciones entre objetos mediante predicados y funciones. La inferencia sigue usando modus ponens y modus tollens.

Lógica de primer orden (FOL)

Lógica de predicados enriquecida con cuantificadores: ∀\forall (para todo) y ∃\exists (existe). Permite expresar enunciados como «toda madre quiere a sus hijas». Es el lenguaje formal canónico de las matemáticas y de la mayoría de la IA simbólica. Es semidecidible: el conjunto de teoremas es recursivamente enumerable, pero su complemento no.

Lógica de orden superior (HOL)

Permite cuantificar sobre predicados y funciones, no solo sobre individuos. Es más expresiva pero menos tratable; se usa en demostradores de teoremas como Isabelle/HOL y Coq.

Lógica modal

Introduce operadores que califican la verdad de un enunciado: □P\Box P (necesariamente PP) y ◊P\Diamond P (posiblemente PP). Sus interpretaciones incluyen la lógica epistémica (saber, creer), deóntica (obligación, permiso) y temporal (siempre, alguna vez).

Lógica temporal

Variante modal con operadores como G\mathbf{G} (globally), F\mathbf{F} (finally), X\mathbf{X} (next) y U\mathbf{U} (until). LTL (Linear Temporal Logic) y CTL (Computation Tree Logic) son fundamentales en model checking y verificación de planes.

Lógica multivaluada

Sistema lógico con más de dos valores de verdad, p. ej. {verdadero, falso, desconocido} de Łukasiewicz. Útil cuando la información es incompleta o inconsistente.

Lógica difusa (Fuzzy Logic)

Propuesta por Lotfi Zadeh (1965), asigna a cada proposición un grado de pertenencia en el intervalo [0,1][0, 1] en lugar de un valor binario. Emplea funciones de pertenencia que modelan conjuntos borrosos como «alto», «rápido», «caliente». Se usa extensamente en control industrial y sistemas expertos.

Lógica de descripción ALC

Familia de lógicas formales para describir conceptos, roles e individuos en ontologías. ALC (“Attributive Concept Language with Complements”) es la lógica de descripción base, e incluye conceptos atómicos, conjunción, disyunción, negación, restricciones de rol existencial (∃R.C\exists R.C) y universal (∀R.C\forall R.C). Es el núcleo lógico de OWL-DL.

Lógica computacional

Aplicación de la lógica simbólica a las ciencias de la computación: verificación formal, demostración de teoremas, semántica de lenguajes y programación lógica. Su exponente más conocido es Prolog.

Sintaxis vs. semántica

La sintaxis define qué cadenas son fórmulas bien formadas; la semántica asigna significado (valores de verdad) a esas fórmulas mediante interpretaciones y modelos. Una fórmula es válida si es verdadera en todo modelo, satisfacible si lo es en al menos uno.

5. Búsqueda no informada

mindmap
  root(("Búsqueda no informada"))
    Espacio de estados
    Árbol de búsqueda
    Frontera (lista de abiertos)
    Factor de ramificación
    Búsqueda en amplitud (BFS)
    Búsqueda en profundidad (DFS)
    Búsqueda de coste uniforme (UCS)
    Búsqueda en profundidad iterativa (IDS)
    Búsqueda bidireccional
    Algoritmo de Dijkstra
    Completitud y optimalidad
    Estados repetidos

Espacio de estados

Modelo del problema como un grafo cuyos nodos son estados del mundo y cuyas aristas son acciones que llevan de un estado a otro. Resolver el problema equivale a encontrar un camino del estado inicial a algún estado meta.

Árbol de búsqueda

Estructura que el algoritmo construye explorando el espacio de estados. Cada nodo representa un estado alcanzado; los hijos son los estados producidos por aplicar acciones aplicables. Distinto del espacio de estados: un mismo estado puede aparecer en múltiples nodos.

Frontera (lista de abiertos)

Conjunto de nodos generados pero no expandidos todavía. La estrategia de búsqueda se define principalmente por cómo se ordena la frontera: cola (BFS), pila (DFS), cola de prioridad (UCS, A*).

Factor de ramificación

Número promedio de sucesores que genera un estado. Determina el crecimiento exponencial del árbol de búsqueda y, por tanto, el coste computacional.

Búsqueda en amplitud (BFS)

Expande nodos por niveles: primero todos los de profundidad 0, luego los de profundidad 1, etcétera. Es completa y óptima cuando el coste por acción es uniforme. Complejidad temporal y espacial O(bd)O(b^d), donde bb es el factor de ramificación y dd la profundidad de la solución.

Búsqueda en profundidad (DFS)

Expande siempre el nodo más profundo de la frontera. Memoria O(bm)O(bm) donde mm es la profundidad máxima. No es completa en espacios infinitos ni óptima, pero su consumo de memoria es muy inferior al de BFS.

Búsqueda de coste uniforme (UCS)

Generalización de BFS que expande el nodo con menor coste acumulado g(n)g(n). Es óptima cuando los costes son no negativos. Equivale al algoritmo de Dijkstra sobre el grafo implícito.

Búsqueda en profundidad iterativa (IDS)

Combina la baja memoria de DFS con la completitud de BFS aplicando DFS con profundidad límite creciente: 1, 2, 3… El coste adicional es modesto porque los nodos profundos dominan la complejidad.

Búsqueda bidireccional

Lanza dos búsquedas simultáneas: una desde el inicio hacia adelante y otra desde la meta hacia atrás. Cuando se encuentran, se obtiene la solución. Su complejidad puede reducirse a O(bd/2)O(b^{d/2}), una mejora exponencial.

Algoritmo de Dijkstra

Algoritmo de caminos mínimos en grafos con pesos no negativos. Equivalente a UCS aplicado a un grafo conocido. Si el grafo es implícito y muy grande, suele preferirse UCS o A*.

Completitud y optimalidad

Un algoritmo es completo si garantiza encontrar una solución cuando existe; óptimo si garantiza encontrar la solución de menor coste. No todas las búsquedas son ambas: DFS no es completa en general; BFS es óptima solo bajo costes uniformes.

Estados repetidos

Misma configuración del mundo alcanzada por caminos distintos. Estrategias para gestionarlos: ignorarlos, evitar ciclos simples (no añadir el padre), evitar ciclos generales (no añadir antecesores) o evitar todos los repetidos mediante una tabla closed.

6. Heurística y búsqueda informada

mindmap
  root(("Heurística y búsqueda informada"))
    Función heurística
    Heurística admisible
    Heurística consistente (monótona)
    Heurística dominante
    Búsqueda voraz primero el mejor (Greedy Best-First)
    Búsqueda A
    IDA (Iterative Deepening A)
    Búsqueda por subobjetivos (subgoaling)
    Búsqueda por ascenso de colinas (Hill Climbing)
    Búsqueda con horizonte
    Recocido simulado (Simulated Annealing)
    Búsqueda tabú
    Búsqueda local iterada (ILS)
    Búsqueda online
    Algoritmos genéticos

Función heurística

Función h(n)h(n) que estima el coste desde un nodo nn hasta la meta más cercana. Es la pieza que convierte una búsqueda ciega en informada. Buenas heurísticas son la diferencia entre resolver un problema en segundos o en horas.

Heurística admisible

hh es admisible si nunca sobrestima el coste real: h(n)≤h∗(n)h(n) \leq h^*(n) para todo nodo nn, donde h∗h^* es el coste óptimo verdadero. La admisibilidad es condición suficiente para que A* sea óptimo.

Heurística consistente (monótona)

hh es consistente si para toda transición n→n′n \rightarrow n' por acción aa: h(n)≤c(n,a,n′)+h(n′)h(n) \leq c(n, a, n') + h(n') La consistencia implica admisibilidad. Con A* y heurística consistente, ningún nodo necesita reabrirse.

Heurística dominante

h2h_2 domina a h1h_1 si h2(n)≥h1(n)h_2(n) \geq h_1(n) para todo nn, siendo ambas admisibles. La dominante explora menos nodos: «más informada».

Búsqueda voraz primero el mejor (Greedy Best-First)

Expande el nodo con menor h(n)h(n). Es rápida pero no óptima ni completa en general; puede engancharse en mínimos locales o ramas infinitas.

Búsqueda A*

Combina coste pasado y futuro estimado: f(n)=g(n)+h(n)f(n) = g(n) + h(n). Si hh es admisible, A* es óptima. Si hh es consistente, también es eficiente: ningún nodo se expande más de una vez. Es probablemente el algoritmo de búsqueda más influyente de la IA.

IDA* (Iterative Deepening A*)

Variante de A* que limita la búsqueda por un umbral creciente de ff en lugar de mantener la frontera en memoria. Conserva la optimalidad sacrificando algo de tiempo a cambio de memoria O(d)O(d).

Búsqueda por subobjetivos (subgoaling)

Descomposición del objetivo global en submetas que se resuelven secuencialmente. Reduce la complejidad cuando las submetas son independientes; cuando no lo son, aparece la anomalía de Sussman.

Búsqueda por ascenso de colinas (Hill Climbing)

Algoritmo de búsqueda local que en cada paso elige el sucesor con mejor valor heurístico. Es rápido y de poca memoria, pero queda atrapado en óptimos locales, mesetas y crestas.

Búsqueda con horizonte

Generalización del ascenso de colinas que mira kk pasos por delante antes de decidir. Si hh es exacta, es óptima y completa para horizonte suficientemente grande.

Recocido simulado (Simulated Annealing)

Búsqueda local probabilística inspirada en el recocido metalúrgico. Acepta movimientos peores con probabilidad exp⁡(−ΔE/T)\exp(-\Delta E / T) y reduce la temperatura TT con el tiempo. Permite escapar de óptimos locales.

Búsqueda tabú

Búsqueda local con memoria a corto plazo: mantiene una lista tabú de movimientos recientes prohibidos para evitar ciclos. Útil en problemas de optimización combinatoria.

Búsqueda local iterada (ILS)

Aplica búsqueda local desde múltiples puntos iniciales generados perturbando soluciones previas. Equilibra exploración y explotación.

Búsqueda online

El agente alterna percepción y actuación: explora el entorno mientras lo resuelve, sin disponer del modelo completo. Es esencial cuando los efectos de las acciones son desconocidos a priori, como en navegación robótica.

Algoritmos genéticos

Metaheurística basada en evolución biológica. Una población de soluciones candidatas evoluciona mediante selección, cruce y mutación según una función de aptitud. Apropiados para espacios de búsqueda enormes y poco estructurados.

7. Búsqueda adversarial (teoría de juegos)

mindmap
  root(("Búsqueda adversarial - teoría de juegos"))
    Juego de suma cero
    Información perfecta vs. imperfecta
    Determinista vs. estocástico
    Algoritmo Minimax
    Poda alfa-beta
    Función de evaluación
    Búsqueda expectiminimax
    Equilibrio de Nash
    Monte Carlo Tree Search (MCTS)

Juego de suma cero

Aquel en que la ganancia de un jugador es exactamente la pérdida del otro (las utilidades suman cero o constante). Ajedrez, damas y tres en raya son ejemplos clásicos.

Información perfecta vs. imperfecta

Un juego es de información perfecta si todos los jugadores conocen el estado completo (ajedrez, go); de información imperfecta si hay información oculta (póker, blackjack).

Determinista vs. estocástico

Un juego es determinista si las acciones tienen efectos predecibles (damas); estocástico si interviene el azar (parchís, backgammon).

Algoritmo Minimax

Demostrado por Von Neumann (1928), explora el árbol de juego suponiendo que MAX maximiza la utilidad y MIN la minimiza. La utilidad de un nodo interno se define recursivamente:

minimax(n)={U(n)si n es terminalmax⁡sminimax(s)si turno de MAX, s∈suc(n)min⁡sminimax(s)si turno de MIN, s∈suc(n)\text{minimax}(n) = \begin{cases} U(n) & \text{si}~n~\text{es}~\text{terminal} \\ \max_s \text{minimax}(s) & \text{si}~\text{turno}~\text{de}~\text{MAX},~s \in \text{suc}(n) \\ \min_s \text{minimax}(s) & \text{si}~\text{turno}~\text{de}~\text{MIN},~s \in \text{suc}(n) \end{cases}

Poda alfa-beta

Optimización del minimax que descarta ramas que no pueden afectar a la decisión final, manteniendo dos cotas α\alpha (mejor para MAX hasta el momento) y β\beta (mejor para MIN). En el mejor caso reduce la complejidad de O(bd)O(b^d) a O(bd/2)O(b^{d/2}), duplicando la profundidad alcanzable en el mismo tiempo.

Función de evaluación

Aproximación heurística de la utilidad de un estado no terminal, necesaria cuando el árbol es demasiado profundo para alcanzar las hojas. En ajedrez, p. ej., suma material, movilidad y seguridad del rey.

Búsqueda expectiminimax

Generalización del minimax para juegos con azar. Introduce nodos de azar cuya utilidad es la esperanza matemática sobre los resultados posibles, ponderada por sus probabilidades.

Equilibrio de Nash

Configuración de estrategias en la que ningún jugador puede mejorar unilateralmente cambiando la suya. Generaliza la teoría del minimax a juegos no necesariamente de suma cero.

Monte Carlo Tree Search (MCTS)

Algoritmo que estima la utilidad mediante simulaciones aleatorias (rollouts) en lugar de evaluación heurística. Combina cuatro fases — selección, expansión, simulación y backpropagation — y usa políticas como UCT para equilibrar exploración y explotación. Es la base de los éxitos de AlphaGo y AlphaZero.

8. Planificación clásica

mindmap
  root(("Planificación clásica"))
    Problema de planificación
    Plan
    Estado
    Acción / operador
    Precondiciones
    Efectos
    Hipótesis del mundo cerrado (CWA)
    Mutex (mutual exclusion)
    Anomalía de Sussman
    Planificación hacia adelante (forward / progression)
    Planificación hacia atrás (backward / regression)
    Planificación de orden total
    Planificación de orden parcial (POP)
    Planificación deliberativa vs. reactiva
    Planificación con incertidumbre
    Planificación generalizada

Problema de planificación

Dado un estado inicial, un conjunto de acciones (con precondiciones y efectos) y una meta, encontrar una secuencia de acciones que lleve del estado inicial a un estado meta. Formalmente, decidir un plan de planificación clásica proposicional es PSPACE-completo.

Plan

Secuencia (orden total) o conjunto parcialmente ordenado (orden parcial) de acciones cuya ejecución produce un estado que satisface la meta.

Estado

Descripción completa del mundo en un momento dado. En planificación clásica, los estados se representan típicamente como conjuntos de proposiciones o asignaciones a variables de estado.

Acción / operador

Transición entre estados, definida por su firma nombre(parámetros), sus precondiciones (qué debe ser cierto para aplicarla) y sus efectos (qué cambia al aplicarla).

Precondiciones

Conjunto de proposiciones que deben estar presentes en el estado actual para que la acción sea aplicable. Si Pre(a)⊈S\text{Pre}(a) \not\subseteq S, la acción no puede ejecutarse.

Efectos

Cambios que la acción produce en el estado. En STRIPS se descomponen en lista de añadir (AA) y lista de eliminar (EE). El nuevo estado es:

S′←(S∖E)∪AS' \leftarrow (S \setminus E) \cup A

Hipótesis del mundo cerrado (CWA)

Asunción de que toda proposición no presente en el estado es falsa. Es la asunción estándar en STRIPS y PDDL clásico, y simplifica enormemente la representación a costa de expresividad.

Mutex (mutual exclusion)

Pares de proposiciones o acciones que no pueden ser verdaderas simultáneamente. Por ejemplo on(C, B) y on(B, C). Detectar mutex acelera la búsqueda al podar estados inconsistentes.

Anomalía de Sussman

Problema clásico del mundo de los bloques en que un planificador ingenuo —que resuelve cada submeta de forma independiente— entra en bucles porque alcanzar una submeta deshace otra ya conseguida. Demostró la necesidad de planificadores de orden parcial.

Planificación hacia adelante (forward / progression)

Búsqueda desde el estado inicial aplicando acciones aplicables hasta alcanzar la meta. Sufre de un factor de ramificación elevado porque el estado inicial está completamente especificado.

Planificación hacia atrás (backward / regression)

Búsqueda desde la meta, aplicando acciones en sentido inverso para encontrar qué estados podrían producir la meta. Reduce la ramificación porque la meta suele ser parcial, pero requiere garantizar la consistencia de los estados regresados.

Planificación de orden total

Produce planes como secuencias linealmente ordenadas de acciones. Sencillo pero rígido: cualquier subobjetivo se compromete con un orden específico, lo que puede provocar la anomalía de Sussman.

Planificación de orden parcial (POP)

Construye planes como conjuntos parcialmente ordenados de acciones, añadiendo restricciones de orden sólo cuando son necesarias para resolver conflictos. Sus elementos son:

Planificación deliberativa vs. reactiva

La deliberativa construye un plan completo antes de ejecutarlo (offline). La reactiva alterna planificación parcial y ejecución, idónea para entornos dinámicos. Es la diferencia entre «pensar todo y luego actuar» y «pensar mientras se actúa».

Planificación con incertidumbre

Relaja las asunciones de la planificación clásica: el entorno puede ser parcialmente observable, no determinista o dinámico. Requiere representar probabilidades y diseñar políticas en lugar de planes secuenciales rígidos.

Planificación generalizada

Búsqueda de un plan único que resuelva toda una familia de problemas con estructura común, en lugar de un problema individual. Suele expresarse como política o programa con bucles y condicionales.

9. Lenguajes y planificadores

mindmap
  root(("Lenguajes y planificadores"))
    STRIPS
    PDDL (Planning Domain Definition Language)
    ADL (Action Description Language)
    Fluents
    GOAP (Goal-Oriented Action Planning)
    FF (Fast-Forward)
    LAMA
    Fast Downward
    Graphplan
    SHOP / SHOP2 / JSHOP
    LPG
    VAL
    IPC (International Planning Competition)
    Prolog
    LLMs como planificadores (NL2PDDL)

STRIPS

Stanford Research Institute Problem Solver, propuesto por Fikes y Nilsson en 1971. Es el lenguaje de planificación seminal: representa los estados como conjuntos de proposiciones booleanas y los operadores como tripletas <precondiciones, lista_añadir, lista_eliminar>. Su simplicidad lo hizo omnipresente, y su modelo persiste como núcleo de PDDL.

PDDL (Planning Domain Definition Language)

Lenguaje estándar definido por McDermott et al. (1998) para la International Planning Competition (IPC). Separa la definición del dominio (predicados, acciones) de la definición del problema (objetos, estado inicial, meta). Existe en versiones 1.0 a 3.1, cada una añadiendo expresividad: ADL, fluentes numéricos, costes, restricciones temporales, preferencias.

(define (domain blocksworld)
  (:requirements :strips)
  (:predicates (on ?x ?y) (clear ?x) (ontable ?x) (handempty))
  (:action stack
    :parameters (?x ?y)
    :precondition (and (clear ?y) (holding ?x))
    :effect (and (not (holding ?x)) (not (clear ?y))
                 (clear ?x) (handempty) (on ?x ?y))))

ADL (Action Description Language)

Extensión de STRIPS propuesta por Pednault que admite disyunciones, cuantificadores, efectos condicionales y predicados con igualdad. PDDL incorpora las construcciones de ADL.

Fluents

Predicados (o funciones numéricas en PDDL2.1+) instanciados con objetos concretos del mundo, p. ej. on(B, A). Son los átomos que componen los estados.

GOAP (Goal-Oriented Action Planning)

Adaptación de STRIPS para entornos dinámicos como videojuegos, ideada por Jeff Orkin (2004) e implementada por primera vez en F.E.A.R. (Monolith, 2005). Sus diferencias clave con STRIPS:

  1. Costes asociados a cada acción para priorizar entre alternativas.
  2. Lista única de modificaciones en lugar de añadir/eliminar separadas.
  3. Precondiciones procedurales: funciones arbitrarias en lugar de predicados booleanos.
  4. Efectos procedurales: código que modifica el entorno con flexibilidad.

GOAP usa típicamente A* sobre el espacio de acciones para encontrar secuencias de coste mínimo.

FF (Fast-Forward)

Planificador de Hoffmann y Nebel (2001), ganador del IPC 2000. Realiza búsqueda hacia adelante en el espacio de estados guiada por una heurística que ignora las listas de eliminar. Combina Enforced Hill Climbing con búsqueda Best-First como respaldo.

LAMA

Planificador de Richter y Westphal, ganador del IPC 2008. Usa una heurística basada en landmarks (proposiciones que deben ser verdaderas en toda solución) combinada con la heurística FF, búsqueda A ponderado* anytime y costes de acción no uniformes.

Fast Downward

Plataforma de planificación de Malte Helmert (2006). Convierte PDDL a una representación interna basada en variables de estado de dominio finito (SAS+) en lugar de proposicional. Es la base de muchos planificadores modernos, incluido LAMA.

Graphplan

Algoritmo de Blum y Furst (1995) que construye un grafo de planificación alternando capas de proposiciones y acciones, y extrae el plan mediante búsqueda hacia atrás sobre el grafo. Introdujo conceptos fundamentales como mutex y heurísticas de relajación.

SHOP / SHOP2 / JSHOP

Familia de planificadores HTN de Dana Nau et al. SHOP2 fue ganador del IPC 2002 en su track. Procesan tareas en orden de ejecución y aceptan conocimiento de dominio rico, lo que les da gran rendimiento práctico.

LPG

Planificador estocástico basado en Local Search for Planning Graphs. Trabaja con PDDL temporal y numérico mediante búsqueda local sobre grafos de planificación.

VAL

Validador estándar de planes para PDDL: dado un dominio, un problema y un plan, verifica si el plan es válido y reporta errores. Esencial para benchmarking y pipelines automatizados.

IPC (International Planning Competition)

Competición bianual celebrada en el marco de ICAPS desde 1998. Estandariza benchmarks, promueve PDDL y dirige buena parte del progreso empírico del campo.

Prolog

Lenguaje de programación lógica basado en lógica de primer orden con cláusulas de Horn. Su intérprete realiza resolución SLD y backtracking automáticamente. Pionero en aplicaciones de IA simbólica y razonamiento automatizado.

LLMs como planificadores (NL2PDDL)

Línea de investigación reciente (2023-2026) que evalúa la capacidad de los Large Language Models —Claude, GPT-5, Gemini, DeepSeek-R1— para generar planes a partir de descripciones PDDL o lenguaje natural. Los modelos de frontera de 2025 ya rivalizan con planificadores clásicos como LAMA en varios dominios estándar, aunque su rendimiento se degrada cuando los predicados se ofuscan, indicando que combinan razonamiento genuino con reconocimiento de patrones de entrenamiento. Estrategias híbridas como LLM+P y PDDL-GenAI usan al LLM como formalizador (traduce lenguaje natural a PDDL) y delegan la búsqueda a planificadores clásicos.

10. Planificación jerárquica (HTN)

mindmap
  root(("Planificación jerárquica - HTN"))
    HTN (Hierarchical Task Networks)
    Tarea primitiva
    Tarea compuesta (no primitiva)
    Método
    Red de tareas
    Descomposición jerárquica
    Conocimiento de dominio en HTN

HTN (Hierarchical Task Networks)

Paradigma de planificación basado en la descomposición jerárquica de tareas, en lugar de la composición de acciones primitivas. Aprovecha el hecho de que muchos problemas reales tienen estructura jerárquica natural (construir una casa, ejecutar una misión militar, organizar un viaje).

Tarea primitiva

Tarea ejecutable directamente por el agente; equivale a un operador STRIPS. Es el caso base de la descomposición.

Tarea compuesta (no primitiva)

Tarea que debe descomponerse en subtareas mediante uno o más métodos. Ejemplo: «construir casa» se descompone en «obtener permisos», «contratar constructor», «edificar», «pagar».

Método

Receta para descomponer una tarea compuesta en una red de subtareas, con sus precondiciones y orden parcial. Una misma tarea puede tener varios métodos alternativos: «edificar» se puede hacer contratando o autoconstruyendo.

Red de tareas

Conjunto parcialmente ordenado de tareas (primitivas y compuestas) con restricciones de orden y enlaces causales. La meta inicial es una red de tareas que se va refinando.

Descomposición jerárquica

Proceso recursivo de sustituir tareas compuestas por las redes definidas por sus métodos, hasta obtener un plan compuesto exclusivamente por tareas primitivas.

Conocimiento de dominio en HTN

A diferencia de la planificación clásica, HTN requiere un conocimiento de dominio rico y estructurado: la biblioteca de métodos. Esto se considera ventaja (escalabilidad y eficiencia) y crítica (codificar la solución dentro del dominio reduce la generalidad).

11. Planificación multi-agente

mindmap
  root(("Planificación multi-agente"))
    Sistema multi-agente (MAS)
    Escenarios cooperativo, parcialmente cooperativo y antagónico
    Planificación PARA múltiples agentes (PTMA)
    Planificación POR múltiples agentes (PBMA)
    Coordinación de planes (plan merging)
    Asignación de tareas (task allocation)
    Partial Global Planning (PGP)
    GRATE
    FMAP (Forward Multi-Agent Planning)
    Enlace de orden y enlace causal
    Protocolos de coordinación

Sistema multi-agente (MAS)

Conjunto de agentes que interactúan en un entorno compartido, cada uno con sus propias percepciones, capacidades y objetivos. Pueden ser cooperativos, parcialmente cooperativos o competitivos.

Escenarios cooperativo, parcialmente cooperativo y antagónico

Planificación PARA múltiples agentes (PTMA)

Un planificador centralizado genera un plan global y asigna acciones a cada agente de ejecución (task allocation). Garantiza optimalidad y ausencia de conflictos, pero exige visión global y comunicación abundante.

Planificación POR múltiples agentes (PBMA)

Cada agente planifica de forma independiente y distribuida, coordinándose mediante protocolos para evitar conflictos. Permite preservar privacidad y autonomía, a costa de subóptimalidad.

Coordinación de planes (plan merging)

Construcción de un plan conjunto a partir de subplanes individuales, detectando conflictos y redundancias. Aproximaciones clásicas: Georgeff (1983), Rosenschein (1994).

Asignación de tareas (task allocation)

Problema de decidir qué agente ejecuta cada acción del plan global. Puede formularse como problema de optimización (MILP), subasta o negociación.

Partial Global Planning (PGP)

Framework de Durfee y Lesser (1987) en el que cada agente mantiene una visión parcial del plan global y la actualiza al recibir información de otros. Usado en problemas como la programación de pacientes.

GRATE

Framework de Jennings (1993) basado en BDI: los agentes coordinan su planificación razonando sobre creencias, deseos, intenciones y compromisos conjuntos.

FMAP (Forward Multi-Agent Planning)

Planificador multi-agente de Torreno et al. que combina planificación de orden parcial con búsqueda A multi-agente* hacia adelante. Sus tres fases son:

  1. Intercambio inicial de información declarada como compartida en el dominio (extensión :shared-data de PDDL).
  2. Refinamiento individual: cada agente añade acciones para satisfacer precondiciones abiertas del plan parcial actual.
  3. Coordinación: liderazgo democrático rotatorio donde un agente actúa como coordinador en cada iteración.

Enlace de orden y enlace causal

Protocolos de coordinación

Reglas que estructuran la comunicación entre agentes durante la planificación distribuida: turnos, contract net, subastas, votación. Un buen protocolo equilibra eficiencia, justicia y robustez ante fallos.

12. Planificación bajo incertidumbre

mindmap
  root(("Planificación bajo incertidumbre"))
    Entorno parcialmente observable
    Entorno no determinista
    Entorno dinámico
    Proceso de decisión de Markov (MDP)
    POMDP (Partially Observable MDP)
    Modelo Oculto de Markov (HMM)
    Aprendizaje por refuerzo (RL)
    Planificación reactiva y replanificación

Entorno parcialmente observable

El agente solo percibe parte del estado del mundo. Requiere mantener una creencia (distribución de probabilidad sobre estados) y razonar sobre ella.

Entorno no determinista

Las acciones tienen múltiples resultados posibles. Puede modelarse de forma no determinista clásica (conjunto de resultados sin probabilidades) o probabilística (distribución sobre resultados).

Entorno dinámico

El estado del mundo cambia por causas externas mientras el agente delibera o actúa. Exige replanificación frecuente o estrategias reactivas.

Proceso de decisión de Markov (MDP)

Modelo matemático para decisión secuencial bajo incertidumbre. Consta de:

La solución óptima es una política π∗:S→A\pi^*: S \rightarrow A. Se calcula mediante iteración de valores o iteración de políticas, basadas en la ecuación de Bellman:

V∗(s)=max⁡a[R(s,a)+γ∑tP(t∣s,a)V∗(t)]V^*(s) = \max_a \left[ R(s, a) + \gamma \sum_t P(t \mid s, a) V^*(t) \right]

POMDP (Partially Observable MDP)

Generalización de MDP en que el agente no observa el estado directamente, sino observaciones o∈Oo \in O con probabilidad P(o∣s,a)P(o \mid s, a). La política óptima opera sobre estados de creencia (distribuciones sobre SS). Su resolución es PSPACE-hard, por lo que en la práctica se usan aproximaciones.

Modelo Oculto de Markov (HMM)

Caso particular de POMDP sin acciones, en el que el estado evoluciona según una cadena de Markov y solo se observa una variable dependiente del estado. Usado en reconocimiento de voz, POS tagging y bioinformática. Algoritmos clave: forward-backward (probabilidades), Viterbi (secuencia más probable), Baum-Welch (aprendizaje de parámetros).

Aprendizaje por refuerzo (RL)

Paradigma en que el agente aprende una política óptima mediante interacción con el entorno, sin conocer a priori las funciones de transición o recompensa. Combina muestreo, estimación de valor y exploración. Métodos clásicos: Q-learning, SARSA, policy gradients, actor-critic.

Planificación reactiva y replanificación

Cuando un plan falla por cambios inesperados en el entorno, hay dos estrategias: replanificar desde cero (costoso pero óptimo) o reparar localmente el plan existente (rápido pero subóptimo). Sistemas como FF-Replan y reparación reactiva multi-agente exploran este equilibrio.

13. Conceptos transversales

mindmap
  root(("Conceptos transversales"))
    Espacio de búsqueda
    Backtracking
    PSPACE-completitud
    Benchmark
    Soundness y completeness
    Decidibilidad y semidecidibilidad
    Hipótesis del nombre único (UNA)
    Heurística vs. metaheurística
    Trade-off exploración/explotación

Espacio de búsqueda

Conjunto total de estados o configuraciones que un algoritmo podría explorar. Su tamaño determina la viabilidad computacional del problema.

Backtracking

Estrategia de exploración que retrocede al último punto de decisión cuando la rama actual no conduce a solución. Subyace a casi todos los algoritmos de búsqueda y a Prolog.

PSPACE-completitud

Clase de complejidad a la que pertenece la planificación clásica proposicional: los problemas resolubles en espacio polinómico. Significa que, incluso bajo asunciones simplificadoras (mundo cerrado, determinismo, observabilidad total), planificar es difícil en general.

Benchmark

Conjunto estandarizado de problemas usado para comparar planificadores. Los benchmarks de IPC (Blocksworld, Logistics, Rovers, Satellite, Floortile…) son referencia obligada del campo.

Soundness y completeness

Un sistema de razonamiento es correcto (sound) si todo lo que deduce es verdadero; es completo (complete) si puede deducir todo lo que es verdadero. La lógica de primer orden tiene sistemas de demostración sound y complete (gracias a Gödel); HOL no.

Decidibilidad y semidecidibilidad

Un problema es decidible si existe un algoritmo que, dado cualquier input, termina con respuesta correcta. Es semidecidible si termina correctamente cuando la respuesta es «sí» pero puede no terminar cuando es «no». La lógica proposicional es decidible (NP-completa para satisfacción); FOL es semidecidible.

Hipótesis del nombre único (UNA)

Asunción de que constantes distintas denotan objetos distintos. Combinada con la CWA, simplifica la representación pero limita el modelado de identidad y referencia.

Heurística vs. metaheurística

Una heurística es una regla específica de un dominio que guía la búsqueda hacia buenas soluciones. Una metaheurística (recocido simulado, algoritmos genéticos, búsqueda tabú) es una estrategia general aplicable a familias de problemas.

Trade-off exploración/explotación

Dilema fundamental en RL, MCTS y búsqueda local: explorar opciones poco conocidas para descubrir mejores soluciones vs. explotar las mejores conocidas para maximizar resultados inmediatos. Estrategias clásicas: ε\varepsilon-greedy, UCB, softmax.

14. Fundamentos filosóficos del razonamiento y la planificación

mindmap
  root(("Fundamentos filosóficos del razonamiento y la planificación"))
    14.1 Epistemología (teoría del conocimiento)
    14.2 Filosofía de la lógica
    14.3 Filosofía de la mente y de la inteligencia artificial
    14.4 Ontología y metafísica
    14.5 Causalidad, modalidad y mundos posibles
    14.6 Filosofía de la acción

La IA simbólica nació en diálogo con la filosofía: con la lógica de Aristóteles, la characteristica universalis de Leibniz, el debate empirismo–racionalismo y la teoría del conocimiento. Esta sección recoge los conceptos filosóficos que más iluminan el campo, organizados por área. No es filosofía de adorno: cada término aquí tiene una contraparte directa en cómo modelamos agentes, conocimiento y acción.

14.1 Epistemología (teoría del conocimiento)

A priori / a posteriori

Distinción introducida por la filosofía escolástica y refinada por Kant. A priori es lo que se conoce con independencia de la experiencia (las verdades matemáticas, los axiomas); a posteriori, lo que se conoce a partir de la experiencia. En IA, el conocimiento a priori del agente equivale a lo programado o aprendido previamente —su modelo del dominio, sus heurísticas— mientras que las percepciones del entorno proveen el conocimiento a posteriori.

Empirismo

Corriente filosófica (Locke, Hume, Berkeley) que sostiene que todo conocimiento procede de la experiencia sensible. Su análogo contemporáneo es el aprendizaje automático puro: un modelo que aprende solo de datos, sin estructura previa, encarna una posición empirista radical.

Racionalismo

Posición opuesta (Descartes, Leibniz, Spinoza): existen verdades y estructuras del conocimiento que la razón puede establecer con independencia de la experiencia. La IA simbólica clásica —Prolog, sistemas expertos, lógica formal— es heredera del racionalismo: asume estructuras innatas (lógica, ontologías, reglas) sobre las que se opera deductivamente. El debate empirismo/racionalismo reaparece hoy como conexionismo vs. simbolismo y motiva la búsqueda de sistemas neuro-simbólicos.

Conocimiento como creencia verdadera justificada (JTB)

Definición clásica desde Platón (Teeteto): un sujeto SS sabe que pp si y solo si (1) SS cree que pp, (2) pp es verdadero, y (3) SS está justificado en creer pp. Es la base implícita del modelo BDI: los beliefs del agente son su intento de reconstruir esta tríada con información incompleta.

Problema de Gettier

Edmund Gettier (1963) mostró con contraejemplos que la JTB es insuficiente: hay casos de creencia verdadera y justificada que no contamos como conocimiento (porque la justificación es accidental). Es relevante en IA al diseñar agentes que distinguen coincidencia de causa.

Falibilismo

Tesis epistemológica (Peirce, Popper) según la cual todo conocimiento empírico es revisable: ninguna creencia justificada es inmune al error. Justifica la lógica no monótona, la replanificación y los sistemas que mantienen creencias con grados de confianza.

Problema de la inducción (Hume)

David Hume (An Enquiry Concerning Human Understanding, 1748): no hay justificación lógica para inferir leyes generales de observaciones particulares —que el sol haya salido cada día no garantiza que saldrá mañana. Es el problema fundacional del aprendizaje supervisado: por qué un modelo entrenado en datos pasados generalizaría a datos futuros. Las cotas PAC y la teoría VC son intentos formales de domarlo.

Principio atribuido a Guillermo de Ockham (siglo XIV): entia non sunt multiplicanda praeter necessitatem —«no hay que multiplicar las entidades sin necesidad». Ante explicaciones equivalentes, prefiere la más simple. Es el sesgo inductivo central de casi toda IA: modelos más simples generalizan mejor (regularización), planes con menos pasos suelen preferirse, ontologías mínimas son más mantenibles.

Falsacionismo

Karl Popper (La lógica de la investigación científica, 1934) propuso que una teoría científica no se valida acumulando confirmaciones, sino exponiéndola a intentos de refutación. Solo las teorías falsables son científicas. Tiene contraparte directa en testing de software, validación de planes (VAL) y verificación formal: probamos un plan tratando de romperlo.

Subdeterminación

Tesis (Quine, Duhem) de que para cualquier conjunto finito de datos existen múltiples teorías compatibles con ellos. Justifica la necesidad de sesgos inductivos: sin ellos, el aprendizaje sería imposible porque infinitas hipótesis ajustan los datos.

14.2 Filosofía de la lógica

Principios lógicos clásicos

Tres principios desde Aristóteles:

La lógica difusa, la multivaluada y la intuicionista relajan algunos de estos principios para modelar incertidumbre, vaguedad o constructividad.

Teorías de la verdad

Diferentes paradigmas de IA privilegian distintas teorías: la lógica formal asume correspondencia, las redes bayesianas se ajustan al pragmatismo, los grafos de conocimiento mezclan ambas.

Tautología y contradicción

Una tautología es una fórmula verdadera bajo toda interpretación (p∨¬pp \vee \neg p); una contradicción lo es bajo ninguna (p∧¬pp \wedge \neg p). Son los extremos triviales de la satisfacibilidad y orientan la simplificación de fórmulas en SAT solvers y demostradores.

Characteristica universalis y calculus ratiocinator

Proyecto de Leibniz (siglo XVII) de un lenguaje universal de símbolos que representara con precisión todo concepto, junto con un cálculo del razonamiento que resolviera disputas mecánicamente: calculemus, «calculemos». Es el antepasado intelectual directo de la lógica formal de Frege, de la programación lógica y, en cierto modo, de toda la IA simbólica.

Teoremas de incompletitud de Gödel

Kurt Gödel (1931) demostró que todo sistema formal consistente suficientemente expresivo (que contenga aritmética) contiene proposiciones verdaderas pero indemostrables dentro del sistema, y no puede demostrar su propia consistencia. Marca un límite fundamental al programa de mecanizar el razonamiento: ninguna IA basada en un sistema formal cerrado puede ser completa.

Tesis de Church-Turing

Alonzo Church y Alan Turing (1936): toda función efectivamente calculable es computable por una máquina de Turing. Establece la equivalencia entre nociones intuitivas y formales de computación; es el supuesto que permite hablar de «el» algoritmo de un problema con independencia del lenguaje o máquina concretos.

14.3 Filosofía de la mente y de la inteligencia artificial

Hipótesis del sistema de símbolos físicos

Allen Newell y Herbert Simon (1976): un sistema físico de símbolos posee los medios necesarios y suficientes para la acción inteligente general. Es la tesis fundacional de la IA simbólica: la inteligencia emerge de la manipulación de símbolos según reglas, sea el sustrato neuronas, transistores o lo que sea.

Computacionalismo

Tesis filosófica de que la mente es un sistema computacional: los estados mentales son estados computacionales y los procesos mentales son procesos computacionales. Posiciones afines son el funcionalismo (Putnam) y la teoría representacional de la mente (Fodor). Son los compromisos metafísicos implícitos en el proyecto de la IA fuerte.

Funcionalismo

Posición filosófica según la cual los estados mentales se definen por su rol funcional —sus relaciones causales con entradas, otros estados y salidas— no por su realización física. Implica que un agente artificial podría tener estados mentales si replica los roles funcionales adecuados.

Test de Turing

Alan Turing (Computing Machinery and Intelligence, 1950) propuso el juego de la imitación: un evaluador humano conversa por texto con una máquina y otro humano; si no puede distinguirlos, la máquina pasa el test. Turing lo planteó como sustituto operacional de la pregunta metafísica «¿pueden las máquinas pensar?». Es el primer benchmark conductual de inteligencia.

Habitación China

Argumento de John Searle (1980) contra la IA fuerte: imagina una persona en una habitación que recibe textos en chino y responde manipulando símbolos según un manual de reglas, sin entender chino. Para Searle, lo mismo le pasa a un computador: manipula símbolos sintácticamente sin comprender semánticamente. Cuestiona si la sintaxis basta para la semántica —cuestión central al evaluar lo que realmente «entienden» los LLMs.

IA fuerte vs. IA débil

Distinción de Searle:

Casi toda la IA aplicada de hoy es IA débil; el debate sobre IA fuerte es filosófico.

Intencionalidad

Concepto recuperado por Franz Brentano (1874): los estados mentales están dirigidos hacia objetos (cuando creo, creo algo; cuando deseo, deseo algo). Es la marca de lo mental para Brentano. El modelo BDI hereda este vocabulario: beliefs about, desires for, intentions toward. Searle argumenta que la sintaxis no produce intencionalidad genuina, solo derivada.

Postura intencional (intentional stance)

Daniel Dennett: estrategia de predecir el comportamiento de un sistema tratándolo como si fuera un agente racional con creencias y deseos, independientemente de cómo esté implementado. Justifica hablar de «creencias» en agentes artificiales sin comprometerse con la IA fuerte.

Cualia

Las propiedades subjetivas y cualitativas de la experiencia consciente —el rojo visto, el dolor sentido. Argumentos como el cuarto de Mary (Frank Jackson) cuestionan si los cualia pueden reducirse a información funcional. Son lo que la IA actual no intenta replicar.

Conexionismo vs. simbolismo

El simbolismo sostiene que la cognición es manipulación estructurada de símbolos discretos; el conexionismo, que es propagación de activaciones en redes distribuidas. Históricamente opuestos, hoy convergen en arquitecturas neuro-simbólicas que combinan razonamiento lógico con redes neuronales y LLMs.

14.4 Ontología y metafísica

Ontología (filosófica)

Rama de la metafísica que estudia qué entidades existen y cómo se clasifican. La ontología informática (Sección 2) hereda el nombre y buena parte del aparato conceptual: categorías, propiedades, relaciones, jerarquías. Cuando un ingeniero diseña una ontología OWL, hace ontología en sentido filosófico.

Universales y particulares

¿Existen propiedades como «rojez» o «humanidad» de forma autónoma, o solo existen los individuos rojos y humanos concretos? Tres posturas clásicas:

Las lógicas de descripción y los grafos de conocimiento toman decisiones de diseño que reflejan posiciones implícitas en este debate.

Esencia y accidente

Distinción aristotélica: propiedades esenciales son aquellas sin las cuales el objeto no sería lo que es; accidentales son las contingentes. En modelado: las precondiciones rígidas de un operador STRIPS capturan condiciones esenciales para la acción.

Compromiso ontológico

Willard Van Orman Quine: «ser es ser el valor de una variable cuantificada». Comprometerse con una teoría es comprometerse con la existencia de las entidades sobre las que cuantifica. Cuando elegimos un esquema PDDL, estamos haciendo un compromiso ontológico: decimos qué tipos de objetos hay en nuestro dominio.

Categorías de Aristóteles

Diez categorías fundamentales bajo las que cae cualquier ente: sustancia, cantidad, cualidad, relación, lugar, tiempo, posición, estado, acción y pasión. Son el primer intento sistemático de ontología y antepasado conceptual de las jerarquías de tipos en representación del conocimiento.

A parte rei / a parte mentis

Expresiones escolásticas: lo que existe a parte rei está «por parte de la cosa» (en la realidad, independiente del pensamiento); lo que es a parte mentis existe solo en la mente. Capturan la distinción ontología real vs. ontología informática del modelador.

14.5 Causalidad, modalidad y mundos posibles

Las cuatro causas de Aristóteles

Para Aristóteles, explicar algo es responder por sus cuatro causas:

Es un esquema clásico para analizar acciones e intervenciones en planificación: precondiciones, efectos, agentes y metas se mapean naturalmente sobre causas formal, material, eficiente y final.

Causalidad (Hume)

Hume argumentó que la causalidad no es observable directamente: solo vemos sucesiones regulares y proyectamos una conexión necesaria. Su análisis empuja a la IA moderna a distinguir correlación de causación, problema que Judea Pearl ha formalizado con grafos causales y lógica del do-calculus.

Necesidad y contingencia

Una proposición es necesaria si es verdadera en todo mundo posible; contingente si es verdadera en algunos pero no en otros. La lógica modal formaliza esta distinción con □\Box (necesario) y ◊\Diamond (posible).

Mundos posibles

Semántica desarrollada por Saul Kripke para la lógica modal: un enunciado es necesario si es verdadero en todos los mundos posibles accesibles, posible si lo es en alguno. David Lewis defendió un realismo modal según el cual los mundos posibles existen literalmente. La idea reaparece en planificación contingente: un plan robusto debe funcionar en todos los mundos posibles compatibles con la observación parcial.

Contrafácticos

Enunciados condicionales del tipo «si hubiera ocurrido AA, habría ocurrido BB», con antecedente falso. Lewis los analiza con mundos posibles: A□ ⁣ ⁣ ⁣→BA \square\!\!\!\rightarrow B es verdadero si en el mundo posible más cercano donde AA, también ocurre BB. Son la base del razonamiento causal contrafáctico (counterfactual reasoning) en ML moderno y del análisis de explicabilidad.

Determinismo

Tesis de que dado el estado del universo en un instante, el futuro está unívocamente determinado por las leyes físicas. La planificación clásica asume determinismo en sus acciones; las relajaciones estocásticas (MDP, POMDP) abandonan esta asunción y la sustituyen por probabilidades de transición.

14.6 Filosofía de la acción

Filosofía de la acción

Subdisciplina que estudia qué es una acción, cómo se distingue de un mero suceso, qué la causa y cómo se explica. Donald Davidson y G. E. M. Anscombe son referencias clave. La planificación automática hereda de aquí la estructura intención → razón → acción → efecto.

Intención

Estado mental que dirige y compromete al agente con un curso de acción futura. Anscombe (Intention, 1957) distingue entre intentar hacer algo, hacerlo intencionalmente y la intención con la que se hace. En el modelo BDI, las intenciones son deseos seleccionados sobre los que el agente se compromete a actuar.

Razón práctica vs. razón teórica

Distinción kantiana:

La planificación es razón práctica computacionalizada: dado un estado del mundo (razón teórica) y una meta, deliberar la acción (razón práctica).

Deliberación

Proceso de sopesar razones a favor y en contra de cursos de acción alternativos antes de decidirse por uno. Aristóteles ya distinguía deliberación (sobre los medios) de elección (del curso final). Agente deliberativo en IA es heredero directo del concepto.

Agencia

Capacidad de un sistema para iniciar acciones por sí mismo según sus propios estados internos (creencias, deseos, intenciones), no como mero ejecutor de instrucciones externas. Es lo que distingue a un agente de un programa.

Razón pública y ética de la acción

Cuando un agente artificial actúa en un entorno compartido, sus acciones deben poder justificarse ante otros agentes (humanos o artificiales). Es el puente entre filosofía de la acción y ética de la IA: alineamiento, explicabilidad, responsabilidad. Conecta con los frameworks GRATE y BDI distribuido en sistemas multi-agente.

15. Glosario rápido alfabético

Para consulta rápida, los términos más usados en orden alfabético:

16. Referencias y lecturas recomendadas

Textos canónicos:

Artículos seminales:

Avances recientes (LLMs y planificación, 2023-2026):

Recursos online:

Filosofía relevante a la IA:

Apéndice: mapas mentales integradores

Mapa global del glosario

mindmap
  root(("Razonamiento y Planificación Automática"))
    Fundamentos y agentes
    Representación del conocimiento
    Razonamiento y lógica
    Búsqueda
      No informada
      Informada y metaheurística
      Adversarial
    Planificación
      Clásica
      Lenguajes y planificadores
      HTN
      Multi-agente
      Bajo incertidumbre
    Conceptos transversales
    Fundamentos filosóficos

Mapa de flujo conceptual (de teoría a práctica)

mindmap
  root(("Flujo conceptual"))
    Modelado
      Representación simbólica
      Ontologías y grafos
      Lógica formal
    Inferencia
      Deducción
      Inducción/abducción
      Razonamiento no monótono
    Decisión y búsqueda
      BFS/DFS/UCS
      A estrella e IDA estrella
      Minimax y MCTS
    Planificación
      STRIPS/PDDL
      POP y HTN
      PTMA y PBMA
    Incertidumbre
      MDP/POMDP
      Replanificación
      RL

Mapa de conexiones críticas

mindmap
  root(("Conexiones críticas"))
    Heurística y planificación
    Lógica y verificación
    Ontologías y razonamiento semántico
    MCTS y Minimax en decisión secuencial
    HTN y GOAP con conocimiento de dominio
    MDP y POMDP para políticas bajo incertidumbre
    MAS con coordinación y asignación
    Filosofía y validez epistémica
Share this post on:
Share this post via WhatsApp Share this post on Facebook Share this post on X Share this post via Telegram Share this post on Pinterest Share this post via email
Previous Post
Cómo instalar SWI-Prolog en Debian 13 Trixie sin morir en el intento.
Next Post
Cómo convertir un JPEG o PNG a ICO en la CLI de Linux