Sophia 39: 2025.

https://doi.org/10.17163/soph.n39.2025.03

la faCtibilidad del niño-máquina de turing

The Feasibility of Turing’s Child-Machine

R A G F*

Universidad de Chile, Santiago de Chile, Chile

rodgonza@uchile.cl

http://orcid.org/0000-0001-9693-0541

Forma sugerida de citar: González Fernández, Rodrigo Alfonso. (2025). La factibilidad del niño-máquina de

Turing. Sophia, Colección de Filosofía de la Educación, (39), pp. 115-139.

Resumen

La máquina de Turing (MT) y el controvertido “juego de la imitación” son los aportes más reconocidos de

Alan Turing en la ﬁlosofía de la inteligencia artiﬁcial (IA). El proyecto del niño-máquina, directamente ligado

al aprendizaje de máquinas programadas o computadores digitales, no es tan reconocido, aunque no es menos

importante. Según dicho proyecto, una máquina programada debe aprender como un niño, si ha de convertirse

en una “mente adulta pensante”, esto es, que juzgue, que entienda, que distinga. En este artículo se muestra que

ese desiderátum de Turing no es realizable mediante algoritmos. Mientras que en la primera sección se introduce

al problema, en la segunda se da un breve recuento histórico de los algoritmos, las máquinas de Turing y de

su relación. En la tercera sección se aborda el concepto machine intelligence y el proyecto del niño-máquina.

En la cuarta sección se muestra que una forma de entendimiento (“la habitación china” de Searle) da lugar a

la introspección y reﬂexión crítica, que no son reductibles al funcionamiento de programas. Finalmente, en la

quinta sección se argumenta que el proceso de la introspección y la reﬂexión crítica, son la “piedra de tope” de

la IA clásica; en efecto, es la ausencia de ambas capacidades lo que impide que el niño-MT se convierta en una

mente adulta pensante.

Palabras clave

Niño-máquina, mente adulta pensante, máquinas de Turing, algoritmos, introspección, inteligencia

de máquina.

* Profesor asociado del Centro de Estudios Cognitivos y del Departamento de Filosofía, en la

Facultad de Filosofía y Humanidades, de la Universidad de Chile. Sus intereses de investigación

son ﬁlosofía de la mente e inteligencia artiﬁcial, ontología social y epistemología social. Ha pu-

blicado un libro titulado Experimentos mentales y losofías de sillón: desafíos, límites, críticas y

artículos en revistas como Southern Journal of Philosophy, AI and Society, Anales del Seminario

de Historia de la Filosofía, Isegoría, Aurora, UNISINOS, entre otras. Google Académico: https://

scholar.google.cl/citations?user=YBcwekAAAAAJ&hl=es

Índice h: 8

116

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

Abstract

According to the philosophers of Artiﬁcial Intelligence (AI), Turing Machines and the

Imitation Game are the most important concepts proposed by Alan Turing. e Child-Machine

Project, which projects learning machines via digital computers, is less known, although it is no

less important. According to Turing’s project, a programmed machine needs to be a Child-Machine

to turn into an adult mind, one that understands, judges, and distinguishes. In this article, I argue

that Turing’s desideratum is not realizable only with algorithms. In the ﬁrst section, I introduce the

problem, while in the second I brieﬂy analyze concepts such as algorithms, Turing Machines, and

their relation. In the third section, I deal with Machine Intelligence and the Child-Machine Project.

In the fourth section, I look at a form of understanding, which is the basis of the Chinese Room

Argument: introspection and reﬂective thinking, two factors that enable the process by which

results are revised. In the ﬁh section, I analyze why those processes of revision are the stumbling

block of classical AI or GOFAI; as I argue, introspection and reﬂective thinking are the cognitive

faculties that prevent the child-machine from becoming a “thinking adult mind”.

Keywords

Child-Machine, inking Adult Mind, Turing Machines, Algorithms, Introspection,

Machine Intelligence.

Nuestro problema es, entonces, cómo programar

una máquina para imitar al cerebro, o si lo pudiésemos

expresar de una manera más breve y menos rigurosa, para que piense.

Alan Turing, entrevista para la BBC (1951)

La educación no es aprender hechos, sino en-

trenar a la mente a que piense.

Albert Einstein

Introducción

La inteligencia artiﬁcial (IA) es una disciplina que tiene como ﬁn la crea-

ción de máquinas programadas capaces de imitar la inteligencia humana.

Es, entonces, una aproximación antropocéntrica a la inteligencia. Una cues-

tión interesante, ligada a la disciplina, es que Turing, quien es considerado

uno de los padres de la IA, ideó además de la máquina que lleva su nombre

y que deﬁne qué es computar, un método para establecer si es justiﬁcado

atribuirles estados mentales a los computadores digitales. Dicho método

está basado en un juego, el famoso y controvertido “juego de la imitación”,

descrito en detalle más abajo. Pero ese no fue el único aporte de Turing a la

IA. Otro que es menos discutido es el proyecto del niño-máquina, es decir,

la propuesta de que un programa computacional fuera capaz de aprendiza-

je al igual que un niño. Tal proyecto representa un desafío notable para la

IA, porque consiste en proyectar un programa que aprende al igual que un

117

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

niño para, ﬁnalmente, convertirse en una mente adulta pensante. ¿En qué

sentido “pensante”? En el de entender y juzgar lo verdadero y lo falso, lo

claro y lo ambiguo, y lo solucionable de lo no solucionable.

En vista del optimismo de Turing, el objetivo de este artículo es

justamente examinar el siguiente problema: ¿puede llevarse a cabo el

proyecto del niño-máquina? Pero la pregunta que cabe es ¿por qué no

podría realizarse? Como el mismo Turing señala, el niño-máquina debe

convertirse en una mente adulta mediante aprendizaje. Y esta, como se

sabe, incluye una serie de facultades clave para el desarrollo de la inte-

ligencia: memoria, raciocinio, introspección, reﬂexión crítica, etc. Son

justamente estas últimas dos capacidades las que representan un escollo

crucial para el proyecto de Turing, tal como se examina aquí. En efecto,

la idea que se deﬁende en este trabajo es que la capacidad de la mente de

introspección y de reﬂexión crítica no es reductible al funcionamiento de

programas computacionales, los cuales solo se basan en algoritmos con

procesamiento automático de información. Justamente, el argumento que

se propone es que, dado que los algoritmos son mecánicos y automáticos,

y que no requieren de insight o de introspección alguna, no permiten la

reﬂexión crítica, que es clave en una mente adulta pensante. Este proble-

ma es un tema actual y controversial en la IA, debido al deep learning. Por

este motivo, aquí se emplea un método de análisis conceptual pata testear

si este tipo de IA con su aprendizaje de máquina logra insights y reﬂexión

crítica, que son clave para que una mente adulta aprenda efectivamente.

El artículo está dividido en cinco secciones. La primera realiza un

breve recuento histórico de los algoritmos y de las máquinas de Turing; se

intenta que los lectores comprendan a cabalidad qué implicancias se siguen

del funcionamiento algorítmico de un programa. La segunda gira alrede-

dor de dos problemas: por una parte, cómo Turing elaboró el concepto de

machine intelligence, que es fundamental para entender la IA clásica y el

deep learning; por otra, cómo su propuesta de método para testear estados

mentales en máquinas programadas devino en un proyecto de aprendi-

zaje basado en algoritmos: el proyecto del niño-máquina. La tercera parte

trata con un desafío a la IA clásica —o fuerte, en términos de Searle (1980,

1990)— basado en una forma de entendimiento: la lingüística; como se

argumenta con base en el contraejemplo de “la habitación china”, la intros-

pección no es reductible al funcionamiento de programas, al contrario, es-

tos no son capaces de generarla. En cuarto lugar, se desarrolla más la idea de

por qué esta capacidad y la reﬂexión crítica a la que da lugar, son la piedra

de tope de la IA clásica; en efecto, sin introspección y reﬂexión crítica, la

mente no es capaz de revisar el sentido de las reglas que se siguen automá-

118

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

ticamente, para así aprender realmente. Finalmente, la última sección exa-

mina las conclusiones más importantes del análisis efectuado en el trabajo.

De algoritmos a máquinas de Turing

La imitación del comportamiento inteligente es el objetivo central de

la IA clásica. Con clásica reﬁero a GOFAI (good old fashioned articial

intelligence),1 la IA que imita la inteligencia humana teniendo presente

el paradigma de reglas y representaciones. Tal como lo pondría Marvin

Minsky: el objetivo de la IA es la creación de máquinas programadas para

realizar tareas que requieren la misma inteligencia que si fuesen hechas

por seres humanos. Dichas tareas incluyen actividades simples como ju-

gar damas, o más complejas, como la detección de COVID-19. De alguna

forma, GOFAI asume que todos los problemas pueden tener un abordaje

algorítmico, es decir, que pueden resolverse mediante un conjunto de pa-

sos ﬁnitos, siendo uno de ellos recursivo. Por tanto, la IA clásica construye

máquinas que sean capaces de imitar el comportamiento inteligente hu-

mano, el lingüístico, mediante procesamiento algorítmico. Pero ¿qué son

los algoritmos, un concepto en boga en nuestra época?

Los algoritmos, pese a su prevalencia en el mundo de hoy, no son

nuevos. Fueron popularizados por el matemático persa Abu Ja’Far Moham-

med ibn Mûsâ al-Khowâzarim cerca del año 825 d. C. (Penrose, 1989, pp. 41-

44), pero eran conocidos desde mucho antes. Por ejemplo, el algoritmo de

Euclides, el cual consiste en un conjunto de reglas para encontrar el máximo

común denominador (MCD) de dos números enteros. Dado este problema,

el algoritmo tiene reglas y pasos ﬁnitos, siendo el tercer paso recursivo:

i. Dividir número y divisor, anotando resultado y remanente (R);

ii. Si R = 0, halt;

iii. Si R ≠ 0, tomar divisor y remanente anteriores para ejecutar paso 1.

Podemos aplicar un ejemplo de este proceso con los números 99 y 15:

Número Número divisor Resultado Remanente

99 15 6 9

15 9 1 6

9 6 1 3

6 3 2 0

119

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

Luego, el algoritmo arroja el siguiente resultado: el MCD entre 99 y

15 es el número entero 3. Así de simple un humano puede operar automá-

ticamente con el algoritmo de Euclides (vuelvo sobre la importancia del

algoritmo de Euclides en la última sección).

Otro concepto que está ligado al de algoritmo es el de “descom-

posición recursiva”, esto es, la simpliﬁcación en pasos mecánicos de una

operación compleja. Por ejemplo, se puede descomponer la multiplica-

ción recursivamente así, en la suma y la resta, respectivamente (Block,

1990, p. 256):

M x N = A

Las reglas de este nuevo algoritmo son las siguientes:

i. Sumar 1 vez M a A y restar 1 a N;

ii. Si N = 0, halt;

iii. Si N ≠ 0, ejecutar paso i.

Por ejemplo, 3 x 3 puede descomponerse recursivamente en sumas

y restas, hasta llegar a un resultado, algorítmicamente, que detenga el pro-

cesamiento de información.

M x N = A

3 3 0

3 2 3

3 1 6

3 0 9

Nótese que este nuevo algoritmo es una máquina de multiplicar:

implementa un programa automáticamente y así opera recursivamente,

mediante la descomposición de un problema más complejo, la multipli-

cación, en pasos más simples y mecánicos, la suma y la resta.

No obstante, un algoritmo no tiene exclusivamente que ver con

matemáticas. Para encontrar la llave de la cerradura en un llavero, puede

aplicarse un algoritmo en el que recursivamente se pase a la siguiente llave

a la izquierda si no encaja la que se tiene en la mano. Y así puede operarse

hasta que encuentre la llave, momento en que se detiene el proceso. Si una

noche, un vecino ebrio tratara de encontrar la llave, podría ejecutar el mis-

mo algoritmo y lo haría pese a estar semiinconsciente, porque para operar

algorítmicamente no se requiere de conciencia, ni de ningún insight. Al

contrario, estos están del todo ausentes en el procesamiento serial.

120

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

Justamente, los algoritmos son máquinas porque se opera con ellos

de manera automática, en función de un mecanismo que es recursivo.

Cabe destacar que no se requiere de esfuerzo introspectivo, entendimiento

(insight) o ingenio para implementar un algoritmo. Por ejemplo, el vecino

ebrio podría buscar la llave estando semiinconsciente (i. e. sonámbulo) y

aun así implementar el algoritmo “encuentra la llave” de manera mecánica.

La presencia de los algoritmos es impresionante en la actualidad

(cf. Kowalkiewicz, 2024). Están en todas partes porque son la esencia de

qué es computar y de las enormes facilidades que otorga. Dicha acción

procesa información, transformando inputs en outputs de manera auto-

mática y mecánica, sobre la base de un programa que incluye reglas para

la transformación expresadas en fórmulas condicionales de “Si… enton-

ces…”. Luego, correr un programa consiste en la implementación de un

algoritmo con capacidad de procesar información. Por esto los conceptos

de algoritmo y programa computacional se traslapan. Un programa opera

algorítmicamente, mientras que un algoritmo es un programa para llegar

a la resolución de un problema.

Turing (1936) fue —desde un punto de vista histórico— quien pre-

cisó la deﬁnición de qué es computar. Lo hizo introduciendo una deﬁni-

ción bajo la forma de una máquina abstracta, la denominada máquina de

Turing (MT). En particular, las MT fueron postuladas como una manera

de abordar el entscheidungsproblem, planteado por el matemático David

Hillbert. En vista de dicho problema, se intenta determinar si un algorit-

mo X nos posibilita inferir mediante una función computable todos los

teoremas de la lógica de primer orden (lenguaje formal con cuantiﬁca-

dores que alcanzan a variables de individuos, con predicados y funciones

cuyos argumentos son constantes o variables de individuos). Esta sección

no ahonda en el entscheidungsproblem mismo, basta decir que, gracias

a este, Turing ideó las MT como dispositivos abstractos que deﬁnen de

manera precisa qué es computar. Además, a raíz de dicho problema, Tu-

ring tuvo como objetivo encontrar un método para caracterizar todas las

funciones computables.

Computar es, entonces, transformar un input en output sobre la

base de un conjunto de reglas o un programa (y, por tanto, un algoritmo).

De hecho, una MT no hace más que implementar una función computa-

ble, la cual está ligada a dos nociones fundamentales: “máquina” y “pro-

cedimiento mecánico” (se vuelve sobre estas nociones más abajo, a la luz

del análisis del concepto machine intelligence). Una MT es justamente un

dispositivo mecánico que implementa procedimientos de cálculo deﬁni-

bles mediante pasos ﬁnitos, es decir, implementa un algoritmo. La MT

121

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

posee un conjunto discreto de estados posibles y que son de número ﬁ-

nito (aunque potencialmente enorme). Lo anterior le da a dicha máquina

un número elevadísimo de cálculos posibles (aunque ﬁnito).

Los inputs (i. e. números) no tienen límite en cuanto a su tamaño

y la capacidad de almacenamiento externo de la MT, donde escribe, o la

cinta, que es ilimitada, al igual que los outputs. La MT, por deﬁnición, no

internaliza los datos o cálculos externos, sino que opera con los datos o

cálculos dados en las operaciones más inmediatas. Esta idea es crucial

para entender por qué una MT no requiere insights e introspección (se

trata esta cuestión nuevamente más abajo).

Tal como Penrose (1989) destaca, el tamaño ilimitado de inputs y

outputs, y la capacidad de almacenamiento ilimitado de la cinta, que es

inﬁnita, dan cuenta del carácter altamente idealizado, abstracto y mate-

mático de una MT: “Es la naturaleza ilimitada del input, del espacio de

cálculo, y del output lo que indica que estamos frente a una idealización

matemática en vez de algo que podría construirse en la práctica” (p. 35)

(traducción propia).

De esta forma, una MT se caracteriza usualmente como una cinta

inﬁnita, con una cabeza que lee y escribe símbolos en función de un

programa (las reglas del algoritmo). La cabeza “recuerda” algunos de los

símbolos: está en un estado interno q1, q2, qn, etc., en un momento tn.

Luego, al leer un símbolo (el input) y estar en un estado interno, generará

un output en función del programa, lo cual llevará a la MT a borrar o

mantener el símbolo leído, moverse y pasar a un nuevo estado, si así lo

estipulan las reglas.

Por ejemplo, es posible hacer que una MT sume 3 + 2, con números

enteros (Kim, 2006, pp. 125-128), dado el siguiente estado de la cinta (en

esta notación el número n está representado por la secuencia de n golpes,

donde cada uno ocupa un cuadrado y solo uno):

##111+11##

↑q0

Es importante tener en cuenta que todas las instrucciones de una

MT, que es de estados discretos2 o clics, se encuentran expresadas en una

tabla de máquina. En este caso, las acciones están descritas por las reglas

del siguiente programa:

122

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

q0q1

1 1D q0# Halt

+ 1D q0

# # I q1

Lo que hará la máquina es que, dado el estado interno q0 de la ca-

beza, leerá input 1 y generará output: no escribir, moverse a la derecha y

seguir en q0:

##111+11##

↑q0

Luego, leerá el siguiente 1, no escribirá, se moverá a la derecha y

seguirá en q0:

##111+11##

↑q0

Luego, al leer el tercer 1, no escribirá, se moverá a la derecha (y

seguirá en q0), tal como vemos a continuación:

##111+11##

↑q0

Posteriormente, sucederá algo “novedoso”: leerá el input +, lo cam-

biará por un 1, se moverá a la derecha y seguirá en q0:

##111111##

↑q0

Al encontrar el siguiente 1, lo dejará intacto, se moverá a la derecha

y seguirá en q0. Y hará exactamente lo mismo con el siguiente 1:

##111111##

↑q0

Nuevamente ocurrirá algo novedoso cuando lea # y esté en q0. En-

tonces, el output que generará será: no escribir, moverse a la izquierda y

pasar a q1:

123

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

##111111##

↑q0

Finalmente, estando en q1 y leyendo 1, escribirá # y hará halt, tal

como se ilustra:

##11111###

↑q0

En consecuencia, la MT procesa algorítmicamente, en función de

las reglas de un programa, indicadas en la tabla de máquina, con las re-

glas de esta, que se expresan en condicionales de la forma “si… enton-

ces…”. Y así, supuestamente, resuelve todos los problemas que requieren

solución algorítmica. Es importante notar que todos los problemas, según

Turing, pueden tener un abordaje algorítmico, incluso cuando se requie-

re de aprendizaje. Esto justamente lo inspira a concebir el proyecto del

niño-máquina, tal como se examina en la siguiente sección. Este proyecto

justamente nace como consecuencia de eliminar la pregunta “¿pueden

pensar las máquinas?” (Turing, 1950).

Machine intelligence y el proyecto

del niño-máquina de Turing

Pese a su presencia en la actualidad, el concepto machine intelligence o

inteligencia de máquina, fue originalmente concebido por Alan Turing en

los años 50. Teniendo presente el problema del entendimiento lingüístico

y de cómo representaba una llave para adjudicar estados mentales a má-

quinas, Turing ideó una manera de evadir la pregunta “¿pueden pensar las

máquinas?”. Lo hizo por la siguiente razón: los términos “pensar” y “má-

quina” pueden generar disenso, ante los usos alternativos de las personas,

lo cual puede llevar a una suerte de encuesta tipo Gallup. En efecto, Turing

quiere alejarse de las deﬁniciones, por llevar a los usos de los conceptos.

Como una manera de evadir el análisis de los términos “pensar” y

“máquina”, Turing propuso un método empírico que permitiera |recabar

evidencia de la existencia de estados mentales en máquinas programadas:

el juego de la imitación. Pese a que existen al menos dos versiones del jue-

go,3 la tradición ha interpretado que puede describirse este en una especie

de versión estándar, tal como la ﬁgura 1 ilustra. En esta versión, el juego

consiste en que una máquina programada se hace pasar por una persona,

124

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

engañando interrogadores (Saygin et al., 2000), mientras que una persona

responde sinceramente desde una segunda habitación. Los jueces o inte-

rrogadores, luego de rondas de preguntas de cinco minutos, tienen como

misión discernir si están en presencia de una máquina o de una persona,

solo con las respuestas tipeadas.

Figura 1

Ilustración estándar del “juego de la imitación”

Ahora Turing describe de manera precisa: quiénes pueden ser inte-

rrogadores y qué tipo de preguntas pueden formularse. En relación con el

primer punto, sostiene que los interrogadores tienen que ser “promedio”,

es decir, no pueden ser especialistas en ciencias de la computación o simi-

lares, porque ello les daría una ventaja respecto de descubrir a la máquina.

Con relación al segundo punto, precisa que las preguntas tienen que ser

promedio también, de modo de no darle una ventaja evidente a los seres

humanos. En consecuencia, los interrogadores y las máquinas deben ser

promedio de modo de no dar ventajas a los humanos en el descubrimien-

to de las máquinas. Pero ¿cuáles pueden participar en el juego?

Turing establece que las máquinas en cuestión son los computado-

res digitales (máquinas programadas). Estas tienen la arquitectura básica

de procesamiento, unidad y control en su funcionamiento. Además, son

digitales porque operan mediante la manipulación de símbolos de acuer-

do con las reglas de un programa. Es decir, los computadores digitales

procesan la información sintácticamente, dado los algoritmos que imple-

mentan (se vuelve sobre la importancia de la sintaxis en la manipulación

simbólica más abajo).

Teniendo presente el juego de la imitación —en su versión están-

dar— y los participantes en el mismo, Turing (1950) hizo una predicción:

125

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

Creo que en alrededor de cincuenta años será posible programar un

computador, con una capacidad de memoria de 109, para que participe

en el Juego de la Imitación tan ecientemente que un interrogador lego

no tendrá más de un 70 % de probabilidad de hacer la identicación

correcta después de cinco minutos de interrogatorio. Creo que la pre-

gunta original, ¿pueden las máquinas pensar?, es demasiado absurda

para seguir analizándola (p. 49) (traducción propia).

Por supuesto, la predicción de Turing es tan polémica como su test

y lo es por dos razones importantes. En primer lugar, no se hace cargo

de que el contexto de la predicción involucra a la ﬁlosofía de la mente y

de la IA. En segundo lugar, la disciplina de la ﬁlosofía de la IA se inicia

con una particular descripción de Babbage (en Swade, 2000) de una de

sus máquinas:

Babbage habla de enseñarle a la máquina a prever […] En otras ocasio-

nes aﬁrma que la máquina sabe. […] La analogía entre estos actos y los

procesos mentales me forzó al uso ﬁgurativo de tales términos. El uso

de estos fue ponderado como económico y expresivo, y preﬁero seguir

usándolos que sustituirlos por largos circunloquios (pp. 103-104) (tra-

ducción propia) (énfasis añadido).

Babbage duda que a su máquina puedan adjudicarse estados men-

tales de manera totalmente literal. En vez de eso, propone que dicha ad-

judicación se hace por economía conceptual, o como una forma de evitar

largos circunloquios. De esta manera, la predicción de Turing queda rela-

tivizada en el ámbito de la reﬂexión ﬁlosóﬁca, a saber, aquella que intenta

examinar y argumentar con relación a la existencia de estados mentales

en máquinas programadas. Pero Turing (1950) enfrentó dos objeciones

aún más serias, tal como se detalla a continuación:

¿Podría la máquina hacer algo diferente de lo que hace el hombre? Esta

objeción es muy poderosa, pero podemos decir que, no obstante, si una

máquina puede ser construida para jugar el juego de la imitación satis-

factoriamente, no necesitamos hacernos cargo de ella (p. 42) (traduc-

ción propia).

Procede entonces a preguntarse lo siguiente, con una objeción que

tiene ribetes ﬁlosóﬁcos importantes por el tipo de situación planteada,

claramente hipotética: “No estamos preguntando si los computadores di-

gitales pueden tener un buen desempeño en el juego, o si hay en el tiempo

presente tales máquinas, sino si hay computadores imaginables que pudie-

ran tener buen desempeño” (p. 43) (traducción propia) (énfasis original).

126

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

Como puede apreciarse, Turing propone una suerte de experimen-

to mental en relación con la capacidad intelectual de los computadores

digitales. Debe haber computadores digitales posibles que puedan pasar

el test. Si, de una manera optimista, se asume que sí puede haber tales

computadores digitales, la pregunta que cabe es: ¿en qué sentido deben

ser inteligentes respondiendo a las preguntas?

Luego de anticipar una serie de objeciones posibles a la predic-

ción,4 Turing concluye que la mejor forma de llegar a concebir un com-

putador digital capaz de tener un buen desempeño en el juego de la imi-

tación es mediante el aprendizaje. Pero no cualquier aprendizaje, sino el

de un niño-máquina. Con esto, Turing pone en el tapete que es mediante

la educación y el aprendizaje que se logrará llegar a tener máquinas pro-

gramadas que puedan imitar el comportamiento inteligente humano. ¿En

qué sentido de “imitar”?

Una cuestión que es importante esclarecer es el tipo de funciona-

lismo al que ﬁnalmente adscribe Turing (Putnam, 1967, 1968). En vista

del juego de la imitación, no es necesario replicar las propiedades físicas

o biológicas del cerebro, pues el juego permite diferenciar las capacidades

mentales de dichas propiedades.5 De acuerdo con este tipo de funciona-

lismo de MT, es mejor imitar la mente de un niño, ya que es como un libro

de notas, con mecanismos simples (programables) y páginas en blanco.

Esto es clave para entender de qué forma Turing sostiene que la men-

te puede mecanizarse y que cualquier imitación exitosa de la máquina-

cerebro replicará este y su capacidad inteligente. De esta forma, la mente

de un niño-máquina se puede transformar en una mente adulta y lo hará

en términos de cómo aprende quien piensa, razona y entiende (Feldman,

2009, pp. 70-72).

Las palabras de Turing (1950) en relación con su proyecto del ni-

ño-máquina son las siguientes:

En el proceso de tratar de imitar a una mente humana estamos condi-

cionados a pensar bastante acerca de los procesos de que fue sujeta para

llegar a su estado actual. Podemos notar tres componentes:

1. El estado inicial de la mente en el nacimiento;

2. La educación que ha recibido;

3. Otra experiencia, no descriptible como educación, que ha tenido.

Turing (1950) propone, entonces, de la siguiente forma un tipo es-

pecíﬁco de aprendizaje, para imitar qué hace una mente adulta. Para esos

127

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

efectos, incluso asume que la mente de un niño tiene mecanismos que

pueden ser, a todas luces, algorítmicos:

En vez de intentar producir un programa para simular la mente huma-

na, ¿por qué no tratamos más bien de simular uno que sea como la de

un niño? Si se le sometiera a la educación apropiada, uno obtendría una

mente adulta. Tal vez el cerebro del niño es algo así como un libro de no-

tas que uno compra en una tienda de artículos de oﬁcina. Pequeños me-

canismos y un montón de páginas en blanco (p. 62) (traducción propia).

La pregunta que cabe, no obstante, es si el proyecto del niño-má-

quina es viable como Turing lo concibió originalmente. Justamente, en las

siguientes secciones se muestra que, dado que hay partes del aprendizaje

que dependen de la introspección, el proyecto del niño-máquina no es

realizable al modo pensado por Turing (i. e. solo mediante algoritmos). Es

decir, hay diﬁcultades en principio para que un niño-máquina se trans-

forme en una mente adulta, que es justamente lo que Turing propuso para

concretar el proyecto de IA de largo plazo.

“La habitación china” y su puzle cartesiano

Una cuestión que vale la pena enfatizar es que, además del conductismo

que se le achaca, al test de Turing subyace una suerte de cartesianismo.

Ello ocurre porque, como se sabe, Descartes (1994, pp. 112-113) propu-

so que hay dos signos inequívocos de inteligencia: el uso de signos con-

vencionales lingüísticos y la acción inteligente, guiada por razones. En

relación con el primer punto, el ﬁlósofo francés establece que solo el ser

humano es capaz de usar los signos convencionales, ya que los animales

solo son capaces de usar signos naturales. Por ejemplo, Juan es capaz de

enunciar “amo a María” o bien “María es amada por mí”, dos oraciones

que signiﬁcan lo mismo. En cambio, los animales solo son capaces de

reaccionar a los estímulos de manera natural. Si a un perro se le pincha

una pata, aullará de dolor y lo hará conminado por su propia naturaleza,

es decir, por la disposición de sus órganos. Por otra parte, Juan puede dar

razones para que se entienda por qué ama a María, en cambio, Bobby,

el perro de Juan, solo actúa en función de la propensión de sus órganos

cuando aúlla de dolor.

Turing hereda un prejuicio cartesiano, a saber, que el uso y manejo

del lenguaje es signo de inteligencia (Descartes, 1994, pp. 112-113). En

este sentido, el juego de la imitación no es más que una secuela de las

ideas de Descartes en relación con la razón y la inteligencia. En efecto,

128

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

el hecho de que el computador digital, con la adecuada programación,

almacenamiento y rapidez, sea capaz de responder como lo haría una

persona, engañando interrogadores, indica que el lenguaje o la conducta

lingüística es aquello que permite vericar la existencia de inteligencia.

Nótese que, pese a que Turing sostiene que solo debe haber computadores

posibles que pasen el test, hacerlo indica que estamos en presencia de un

test ácido de la inteligencia, al menos respecto de la existencia de estados

mentales en máquinas programadas.

Pero hay otro elemento cartesiano que debe remarcarse y es la

cuestión del entendimiento lingüístico. Este solo puede detectarse de ma-

nera interna, por ponerlo de algún modo. John Searle (1980) es enfático

cuando habla de su experimento mental contra la GOFAI, que él llama

“IA fuerte” (p. 67). El experimento mental de la habitación china está pen-

sado contra la tesis de que la mente es un programa computacional o so-

ware. En la habitación, Searle es un hablante nativo de inglés, que habla

cierto grado de francés y nada de chino. ¿Cómo lo sabe? Internamente:

si se presenta un inglés, le entenderá todo lo que dice; si se presenta un

francés, entenderá parte de lo que dice; si se presenta un chino hablán-

dole, no le entenderá absolutamente nada. En consecuencia, se examina

y determina si se entiende un lenguaje de manera interna, gracias a la

introspección (se vuelve sobre este punto más abajo). ¿Cómo podrían las

máquinas programadas entender un idioma, entonces?

Dos investigadores de la GOFAI, Roger Schank y Robert Abelson

(1977), concibieron el entendimiento lingüístico de una manera anticar-

tesiana, esto es, apelando a la descomposición recursiva de elementos. Tal

como se recordará, esta va de lo complejo a lo más simple, hasta alcanzar

un nivel de simplicidad mecánica. Por ejemplo, ¿qué se hace cuando hay

que entender una palabra? Entender una palabra es posible debido a que

hay tres etapas claramente diferenciadas: la de traerla, la de cotejarla con

un listado para hacerla calzar con alguna otra, y la de recuperar la infor-

mación sintáctica y semántica asociada. Es importante señalar que estos

tres niveles son en sí mecánicos, porque traen, cotejan y recuperan infor-

mación, respectivamente. De acuerdo con este modelo de entender lin-

güísticamente, no hay una suerte de yo cartesiano que piense y corrobore

lo que la palabra signiﬁca. Por el contrario, hay solo pasos mecánicos,

algorítmicos, que procesan información.

Ahora bien, la teoría de Schank y Abelson puede ser extrapolada al

entendimiento de historias y de responder preguntas acerca de informa-

ción que no está explícitamente desarrollada en ellas. Tal cuestión la hace

un computador programado: SAM (script applier mechanism).6 El sistema

129

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

opera de una manera similar a entender una palabra: hay una cantidad de

scripts o historias almacenadas en la memoria, hay historias que entran, se

hacen calzar estas con las primeras, y luego se puede responder preguntas

de información que no está explicitada. Una cuestión digna de destacar

es que una versión ideal de SAM ciertamente pasaría el test de Turing. Es

decir, en función de los scripts, y de las historias, el computador podría ser

capaz de proporcionar información que no está directamente aludida en

ellas, lo cual ciertamente cuenta como comportamiento inteligente. Sin

embargo, Searle no piensa que SAM entiende historias y es inteligente.

Eso solo ocurriría si la IA fuerte fuera verdadera.

En función de lo defendido por Schank y Abelson (1977), Searle

(1980) se empeña en mostrar que la IA fuerte es una teoría falsa. Una ma-

nera de mostrar la falsedad de una teoría es preguntando qué sucedería

si la mente operase de acuerdo con ella, por ejemplo, qué acontecería si la

mente operase de acuerdo con los postulados de la IA fuerte; en conse-

cuencia, propone falsarla indicando qué sucedería si la mente operase de

acuerdo con esta aproximación teórica.

Así volvemos al escenario del experimento mental. Como se sabe,

en chino no hay abecedario, sino ideogramas, es decir, representaciones

pictóricas de eventos, cosas, etc. Los hablantes de chino saben del sig-

niﬁcado de los ideogramas en virtud de su forma, cuestión esencial al

experimento mental y al hecho de que computar es manipular símbolos

con base en dicha forma y reglas. El hablante está encerrado en una ha-

bitación, la cual posee una rendija de inputs, una rendija de outputs, un

banco de datos con scripts en chino (que él solo ve como símbolos sin

sentido) y un libro de reglas para manipular los símbolos. Ahora, hay una

serie de hablantes nativos de chino fuera de la habitación que mandan

ideogramas por la rendija de input. El sujeto toma esos ideogramas, los

compara con el banco de datos y procede a manipular dichos símbolos

en virtud de su forma, gracias al libro de reglas, que está escrito en inglés.

Dicho libro estipula que si, por ejemplo, los ideogramas 81, 99 y 100 están

juntos, el sujeto debe mandar por la rendija de output los ideogramas 1 y

7. Y así sucesivamente con todos los inputs, para convertirlos en outputs.

Por supuesto, el sujeto no tiene idea de qué está haciendo con los

ideogramas, salvo manipularlos. De hecho, solo manipula símbolos sin-

tácticamente, en virtud de su forma, y gracias a las reglas del libro. No

comprende, entonces, qué signiﬁcan dichos ideogramas, y menos aún en-

tiende que los hablantes nativos de chino le envían historias y preguntas,

para obtener respuestas a través de la rendija de output. Los hablantes

incluso podrían estar insultando al sujeto del experimento y este no se

130

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

percataría en lo más mínimo. Una cosa es clara, dado el escenario de la

habitación china, el individuo no tiene entendimiento lingüístico del chi-

no de manera absoluta, ni hay estados mentales asociados. Solo manipula

símbolos sin saber lo que estos signiﬁcan y pese a que los hablantes de

chino creen que hay otro hablante de chino encerrado en la habitación.

Es decir, los símbolos son solo formas manipuladas en virtud de las reglas

del libro, en el caso de Searle, quien no entiende a qué va tanta manipu-

lación simbólica. El lector atento recordará que el escenario descrito es

análogo al test de Turing, pero hay una diferencia importante con este. En

el caso del juego de la imitación, la predicción de Turing es que en el año

2000 el interrogador promedio no tendrá más de un 70 % de chance de

descubrir al computador. Sin embargo, en la habitación china todos los

interrogadores (i. e. los hablantes nativos de chino fuera de la habitación)

resultan engañados.

Hay una serie de objeciones al experimento mental de la habita-

ción china.7 Dos son las más populares y seductoras. La primera de ellas

es que Searle es solo parte de un sistema. La totalidad de este posee en-

tendimiento lingüístico del chino, a pesar de que no hay un locus claro de

dicho entendimiento. Searle, entonces, no puede aﬁrmar que la totalidad

del sistema no tiene entendimiento lingüístico, ya que es probable que la

habitación, más las rendijas, más el banco de datos, más el libro de reglas

sean capaces de entender chino. Este ﬁlósofo se deﬁende de la objeción

del sistema haciendo hincapié en que, si la habitación entendiese, toda

clase de subsistemas podrían tener estados mentales, sin que lo supiéra-

mos. Incluso, asevera que él podría internalizar todos los elementos de la

habitación, como la rendija de input, la de output, el banco de datos y el

libro de reglas (que podría memorizar). Todo el procesamiento simbólico

podría, entonces, realizarse internamente. Dada la importancia que tiene

este punto, vuelvo sobre él más abajo.

La segunda objeción importante es la del robot. Según dicha obje-

ción si hubiera un robot que anclara causalmente los símbolos en el am-

biente gracias al uso de transductores, aquel podría entender el signiﬁca-

do de los símbolos chinos. Claramente, esta objeción añade un elemento

novedoso: que los símbolos tienen signiﬁcado en la medida que hay un

anclaje de los mismos en el ambiente. Searle responde a esta objeción

con un nuevo experimento mental: ahora está en la cabeza del robot, re-

cibiendo símbolos chinos desde los transductores, y enviando símbolos

chinos a los elementos móviles del robot, de modo de producir la res-

puesta adecuada. Sorprendentemente, se vuelve a replicar el escenario de

la habitación china, porque recibe símbolos cuyo signiﬁcado desconoce,

131

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

y envía símbolos, cuyos signiﬁcados también ignora. En consecuencia, el

robot no parece un argumento suﬁcientemente contundente, al menos en

lo que respecta al entendimiento lingüístico.

A propósito de este, es claro que tanto el sistema como el robot

se fundamentan en un elemento cartesiano. Piénsese en el escenario de

Searle internalizando los elementos del sistema. Sin embargo, hay un solo

elemento que no puede internalizar: él mismo. Es decir, gracias a la in-

trospección puede dar cuenta de que entiende inglés y no chino. En otras

palabras, si Searle internalizase todos los elementos del sistema, habría

uno solo que no podría internalizar, a saber, él mismo que es quien ejecu-

ta el experimento. Es por esto que la Habitación China tiene, pese a Searle,

un sesgo cartesiano (González, 2012). Lo tiene porque, como la mayoría

de los experimentos mentales acerca de la naturaleza de la mente, es la

introspección la encargada de indicar de qué manera lo descrito por una

teoría es verdadero o falso. En el caso de la habitación china, la introspec-

ción mostraría, según Searle, de qué forma la IA fuerte es falsa.8

La introspección no puede reducirse al funcionamiento de un al-

goritmo. Este elemento cartesiano de la introspección involucra un sesgo

que no puede ser caracterizado algorítmicamente, tal como se examina a

continuación, y que está ligado a la reﬂexión crítica.

La introspección y la reflexión crítica

son las “piedras de tope” de la IA clásica

En esta sección ﬁnal, se muestra en qué sentido la introspección no puede

ser reducida en principio al funcionamiento de algoritmos. Si esto es así, el

proyecto de aprendizaje del niño-MT tambalea. Lo hace porque hay una

buena porción de dicho aprendizaje que, análogamente al entendimiento

lingüístico, depende de la introspección, la que lleva a darse cuenta de

que un proceso algorítmico es, por ejemplo, erróneo para alcanzar un

resultado. Y al revés también ocurre con los algoritmos: que para llegar a

un resultado no es necesario tener un insight, o introspección. Recuérdese

el algoritmo de Euclides: para determinar el MCD de 99 y 15 se siguieron

una serie de pasos, de manera mecánica, hasta llegar al resultado, 3 es el

MCD de ambos números. Si bien se podría argüir que la máquina podría

comprender que 3 es el MCD de 99 y 15, tal suposición sería dudosa si se

supone un elemento adicional: que la máquina podría emplear un algo-

ritmo fallido, con reglas que llevan a un loop, a recursión sin detención,

al intentar encontrar diversos MCD con reglas erróneas. En tal caso, no

132

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

se podría decir que la máquina entiende el resultado. Luego, existe una

diferencia crucial entre entender un problema y solución, y no hacerlo.

Por ejemplo, si a una máquina programada se le instruyera a se-

guir reglas ﬁnitas para encontrar un número impar mediante la suma

de dos números impares, la máquina programada no daría con la solu-

ción al problema, porque este simplemente no tiene solución. En efecto,

¿comprendería la máquina que el loop sin detención es producto de un

algoritmo que busca la solución a un problema que no la tiene? Descubrir

tamaña diﬁcultad es parte de un proceso en que participa la introspec-

ción y, que es necesaria, para no seguir reglas sin sentido. En vista de esta

diﬁcultad, uno podría concluir que los algoritmos son demasiado seriales

y lineales, y que como no recurren a un proceso de introspección, que

facilita la reﬂexión crítica, no son capaces de establecer que hay algunos

seguimientos de reglas que simplemente carecen de sentido.

El automatismo de los pasos algorítmicos no lleva a ninguna expe-

riencia psicológica consciente, tal como acontece con la habitación china.

En el caso de 99 y 15, y de su máximo común denominador, no hay expe-

riencia psicológica en relación con las matemáticas. De hecho, el algorit-

mo podría ser seguido por alguien ignorante en matemáticas, como tam-

bién por un experto en ellas. Ninguno de los dos tendría una experiencia

psicológica interesante asociada con la ejecución del algoritmo, y por esta

razón no se producen estados mentales conscientes en ningún sentido.

Es decir, ningún agente que siga las reglas del algoritmo de Euclides ten-

drá una experiencia psicológica consciente asociada al seguimiento de

dichas reglas. Lo mismo, mutatis mutandis, sucede con el algoritmo para

obtener un número impar mediante la suma de dos números impares. Tal

como no hay estados conscientes asociados a la ejecución del algoritmo

de Euclides, no hay estados conscientes asociados a la ejecución de un

algoritmo fallido, lo que es clave para que la máquina no entienda que el

problema es un sinsentido.

Tal como Penrose (1989, pp. 141-143) destaca, el halting problem

es insoluble si no hay introspección y experiencia consciente asociadas

a insights matemáticos (intuiciones matemáticas) que indiquen si, por

ejemplo, un problema matemático no tiene solución. En cierta medida, la

IA clásica paga un alto precio, a causa de la naturaleza de los algoritmos.

Como estos no requieren de insights o de introspección, se siguen todas las

consecuencias negativas en relación con la resolución de problemas cuya

solución no tiene un abordaje algorítmico. Con relación a lo examinado

en esta sección, resulta que el niño-máquina no podría convertirse en una

mente adulta, pues gracias a la introspección, solamente esta es capaz de

133

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

hacer que un agente se percate si un algoritmo se detendrá. Es decir, el

niño-MT, que carece de introspección, no logrará percatarse y entender

de la no solubilidad de algunos problemas matemáticos, lo cual hace que

no pueda convertirse en una mente adulta consciente, esto es, capaz de

reﬂexión crítica y de comprensión frente al sinsentido de un problema.

Tal reﬂexión crítica sigue un patrón muy similar a la reﬂexión

socrática, clave para ciertos procesos educativos, por ser una búsqueda

constante de la verdad mediante la ironía y el elenchos (i. e. las preguntas

refutatorias que adquieren sentido solo en un contexto de ciertas aﬁrma-

ciones). Del mismo modo que la reﬂexión crítica en el caso de los algorit-

mos, el elenchos ilumina la reﬂexión crítica típica de un adulto, que duda,

que entiende, que aﬁrma, y que es clave para aplicar el método socrático,

que cuestiona el sentido de algunas aﬁrmaciones. A diferencia de lo que

cree Corballis (2007), con su tesis acerca de la recursión como caracte-

rística única de la especie humana, el proceso educativo que lleva a una

mente adulta pensante no puede depender solamente en dicha recursión.

Esta conduce a la cognición automática y serial, que justamente carece

de reﬂexión crítica, y del proceso típico de la mente adulta que duda y

vuelve sobre sí misma mediante la introspección. De hecho, ese proceso

cognitivo puede relacionarse con la capacidad imaginativa, interpretativa

y generativa de pensamiento, que pese a Corballis, no es producto de un

proceso mecánico. Pensar es, en un sentido socrático, cuestionar, imagi-

nando e interpretando contextualmente. Justamente en relación con la

introspección y la reﬂexión crítica típica de una mente pensante adulta

que se deﬁende aquí, Bailin y Siegel (2002) destacan que:

El pensamiento que está dirigido primordialmente por la evaluación o

crítica de ideas o productos no es algorítmico, sino que tiene un compo-

nente generativo e imaginativo. La aplicación de criterios no es un proce-

so mecánico, sino que involucra la interpretación de las circunstancias,

y un juicio imaginativo en relación con la aplicabilidad de criterios en

diferentes circunstancias, y con si los criterios se satisfacen (p. 187) (tra-

ducción propia) (énfasis añadido).

Ciertamente, el llamado método socrático está íntimamente li-

gado con esta dimensión generativa del pensamiento, imaginativa, que

justamente consiste en no seguir reglas de manera automática, y en

cuestionar el sentido o sin sentido de algunas de ellas. Incluso, desde el

punto de vista de la evidencia empírica, hay estudios que sugieren que la

reﬂexión crítica típica de los adultos es clave en relación con resultados

positivos en la educación superior. Es decir, pese a Turing, hay eviden-

134

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

cia empírica que muestra cómo los humanos se convierten en mentes

adultas pensantes, y cómo esta característica única de la mente huma-

na permite logros académicos. De hecho, hay estudios que justamente

exploran el nexo que existe entre el pensamiento reﬂexivo, el crítico, el

automonitoreo, y los resultados positivos en la educación universita-

ria (Ghanizadeh, 2017). Otro estudio llega a conclusiones similares: el

pensamiento crítico, reﬂexivo y creativo es fundamental para alcanzar

logros académicos (Akpur, 2020).

En síntesis, los algoritmos potencian el aprendizaje, pero tam-

bién tienen limitaciones importantes. Al no requerir de introspección,

hacen que la resolución de problemas asociados a esta simplemente no

exista. Un algoritmo antiguo y simple, como el de Euclides, muestra de

manera precisa cómo la introspección está del todo ausente en el proce-

samiento de información, con todas las consecuencias negativas que se

siguen de ello. Las preguntas que caben son: ¿Tendría Turing el mismo

entusiasmo respecto del proyecto de aprendizaje del niño-máquina si se

hubiese percatado de la limitación de los algoritmos? ¿Habría defendi-

do la idea de que el niño-máquina puede aprender con base en ellos y

convertirse en una mente-adulta, sin la capacidad de reﬂexión crítica?

Una respuesta intuitiva a ambas interrogantes es que el ﬁlósofo y ma-

temático tal vez no hubiera defendido con tanta pasión la posibilidad

de que las máquinas programadas pueden aprender sin desarrollar una

especie de reﬂexión socrática. O, al menos, que un niño-máquina puede

ﬁnalmente convertirse en una genuina mente adulta aprendiendo solo

con la ayuda de algoritmos, que es la ﬁnalidad de su controvertido pro-

yecto de aprendizaje en la IA.

Conclusión

En este artículo se ha desarrollado un problema insoslayable para la IA

clásica o GOFAI: que el procesamiento algorítmico deja fuera la intros-

pección y la reﬂexión crítica. En particular, se ha examinado de qué ma-

nera se siguen consecuencias negativas de la ausencia de ambos procesos

cognitivos, que son clave para que la mente de un niño se transforme en

una auténtica mente adulta pensante.

Para mostrar los problemas de la IA clásica o GOFAI, se ha des-

crito el funcionamiento de algoritmos simples, como el de Euclides, o de

algunos que no tienen detención, tal como el mencionado de la búsqueda

de un número impar mediante la suma de dos números impares. En am-

135

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

bos se refrenda lo aﬁrmado más arriba: que la ausencia de introspección

y reﬂexión crítica representa un escollo para el aprendizaje genuino, es-

pecialmente al modo del proyecto de niño-MT. En efecto, esta carencia

limita lo proyectado por él, particularmente en lo que respecta a cómo

una mente puede no seguir reglas de manera automática.

Para llegar a tal conclusión, se han desarrollado cinco secciones.

La primera consistió en presentar el problema a examinar en el ensayo.

La segunda, en cambio, hizo un recuento histórico de los algoritmos y

su relación con las MT. La tercera sección abordó el concepto de ma-

chine learning, tal como Turing la entiende, y de qué manera dicho con-

cepto se relaciona con el proyecto de aprendizaje del niño-máquina. En

la cuarta sección, se expuso el problema de la habitación china y de qué

forma dicha habitación deja fuera el entendimiento, la introspección y

la reﬂexión crítica, todos procesos cognitivos clave para el aprendizaje.

En la quinta y última sección, se abordó por qué dichos procesos son la

piedra de tope de la IA clásica. En particular, se examinó en qué sentido

los algoritmos dejan fuera la introspección, lo cual trae consecuencias

negativas para el proyecto de aprendizaje del niño-MT. En efecto, dicho

proyecto queda limitado al puro procesamiento de información y, en

consecuencia, a las diﬁcultades para que el niño-máquina se transforme

en una mente adulta pensante.

Siguiendo directrices similares a Weizenbaum (1984) y Smith

(2019), quienes exploran las falencias de la IA en términos de desarrollar

la habilidad de juzgar sin compromiso ético y sin acción responsable, aquí

se ha criticado cómo el proyecto del niño-MT responde a una concepción

de la inteligencia exclusivamente algorítmica, es decir, que solo se apoya

en el funcionamiento de una máquina programable que calcula y que

procesa información mediante la manipulación de símbolos mediante

las reglas de un programa. Por su carácter algorítmico, la introspección

queda fuera, y diﬁcultades como el halting problem quedan sin solución.

También quedan en entredicho todos los problemas que se solucionan

apelando a la introspección y al pensamiento reﬂexivo, imaginativo y

crítico. Cabe preguntar, entonces, ¿puede entonces la mente adulta pen-

sante ser mecanizable en términos puramente algorítmicos, como Turing

pretende? ¿Puede llegarse a tal mente pensante mediante un niño que

solo aprende con base en algoritmos? Aquí la respuesta ha sido negativa:

el proyecto de niño-máquina no es factible tal como Turing lo concibió,

i.e., solo en función de algoritmos, pues estos son incapaces de generar

introspección y pensamiento reﬂexivo-crítico-imaginativo. El proyecto

de aprendizaje algorítmico carece de estos procesos fundamentales en la

136

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

educación, pese a la decidida defensa del ﬁlósofo-matemático Alan Tu-

ring de su niño-máquina.

Notas

1 En este trabajo se usa de manera intercambiable GOFAI e IA clásica. Más adelante,

se reﬁere a como el cognitivismo se plasma en lo que Searle denomina IA fuerte.

De alguna forma, todos estos términos signiﬁcan lo mismo, porque la asunción

básica es que la mente es, como cuestión de hecho, un computador programado de

procesamiento serial y algorítmico. Es decir, GOFAI, IA clásica, el cognitivismo y la

IA fuerte se apoyan en una teoría, a saber, la teoría computacional de la mente (tal

como la describe Block, 1990).

2 Con estados discretos se quiere decir que una MT no puede estar en grados, sino

en estados limitados, precisos y deﬁnibles. Por ejemplo, 1,5 es gradual entre 1 y 2,

mientras que 0 y 1 son estados discretos.

3 Para un examen más acucioso (cf. González, 2015). En este ensayo se muestra por

qué la identiﬁcación del sexo de los participantes no es casual en el Juego de la Imi-

tación: para tener el comportamiento lingüístico femenino no se requiere tener el

cerebro femenino, lo cual muestra la crucial diferencia entre las propiedades físicas

de este y sus capacidades intelectuales.

4 Turing adelanta nueve objeciones posibles a su Juego de la Imitación: la teológica,

la de las cabezas en la arena, la matemática, el argumento de la conciencia, el argu-

mento de las múltiples discapacidades, la de Lady Lovelace, la de la continuidad

del sistema nervioso, la de la informalidad de la conducta y la de percepción extra-

sensorial (Turing, 1950, pp. 49-60). Por razones de espacio aquí solo se mencionan

dichas objeciones.

5 Turing, pese a lo comentado por algunos (i. e. Block, 1990, pp. 248-253) no es un

conductista, sino un funcionalista. Se pueden revisar cómo el funcionalismo MT es

antibiológico (Putnam, 1967, 1968; Block, 1990, 1995; Heil, 2004; González, 2011).

6 Para una revisión de cómo trabaja SAM puede revisarse el funcionamiento de otro

chatbot: ELIZA (Weizenbaum, 1984).

7 Cf. Block (1995) y Preston y Bishop (2002).

8 Por razones de espacio solo se consigna que, dadas las objeciones al experimento

mental, la habitación china plantea una duda razonable de que la IA fuerte es ver-

dadera. Pero no resulta tan claro que el experimento mental de Searle refute de ma-

nera deﬁnitiva la IA fuerte. De esta forma, al rebajar el resultado del experimento

mental a duda razonable en vez de refutación se salvan las objeciones del sistema,

del robot, entre muchas otras.

Bibliografía

AKPUR, Uğur

2020 Critical, reﬂective, creative thinking and their reﬂections on academic

achievement. inking Skills and Creativity, 37. https://doi.org/10.1016/j.

tsc.2020.100683

137

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

BAILIN, Sharon, & HARVEY, Siegel

2003 Critical thinking. En N. Blake, P. Smeyers, R. Smith, & P. Standish (eds.), e

Blackwell Guide to the Philosophy of Education (pp. 181-192). Oxford: Blackwell.

BLOCK, Ned

1990 e computer model of the mind. En D. N. Osherson y E. E. Smith (eds.),

inking: An Invitation to Cognitive Science (vol. 3, pp. 247-289). Cambridge,

MA: MIT Press.

BLOCK, Ned

1995 e mind as soware of the brain. En J. Heil (ed.), Philosophy of Mind: A

Guide and Anthology (pp. 267-274) Oxford: OUP.

CORBALLIS, Michael

2007 e Uniqueness of human recursive thinking: e ability to think about thin-

king may be the critical attribute that distinguishes us from all other species.

American Scientist, 95 (3), 240-248. https://doi.org/10.1511/2007.65.240

DESCARTES, René

1994 Discurso del método. Madrid: Alianza.

FELDMAN, Richard

2009 inking, reasoning and education. En H. Siegel (ed.), e Oxford Handbook

of Philosophy and Education (pp. 67-82). Oxford: OUP.

GHANIZADEH, Afsaneh

2017 e interplay between reﬂective thinking, critical thinking, self-monitoring,

and academic achievement in higher education. Higher Education, 74(1),

101-114. https://doi.org/10.1007/s10734-016-0031-y

GONZÁLEZ, Rodrigo

2011 Máquinas sin engranajes, cuerpos sin mente. Revista de Filosofía Universidad

de Chile, 67, 183-200. http://dx.doi.org/10.4067/S0718-43602011000100012

2012 La pieza china: un experimento mental con sesgo cartesiano. Revista Chile-

na de Neuropsicología, 7(1), 1-6. https://bit.ly/4kZC7Wb

2015 ¿Importa la determinación del sexo en el test de Turing? Aurora, 27(40),

277-295. http://dx.doi.org/10.7213/aurora.27.040.AO02

KIM, Jaegwon

2006 Philosophy of Mind. Cambridge, MA: Perseus Books.

KOWALKIEWICZ, Marek

2024 e Economy of Algorithms: AI and the Rise of the Digital Minions. Bristol:

Bristol University Press. https://doi.org/10.2307/jj.10354686.14

HEIL, John

2004 Functionalism. En Philosophy of Mind: A Guide and Anthology (pp. 139-49).

Oxford: OUP.

PENROSE, Roger

1989 e Emperor’s New Mind. Oxford: OUP.

PRESTON, John, & BISHOP, Michael

2002 Views into the Chinese Room. Oxford: OUP.

PUTNAM, Hilary

1967 Psychological predicates. En J. Heil (ed.), Philosophy of Mind: A Guide and

Anthology (pp. 158-167). Oxford: OUP.

1968 Brains and behaviour. En D. Chalmers (ed.), Philosophy of Mind: Classical

and Contemporary Readings (pp. 45-54). Oxford: OUP.

138

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

La factibilidad del niño-máquina de Turing

e Feasibility of Turing’s Child-Machine

SAYGIN, Ayse Pinar, CICEKLI, Ilyas, & AKMAN, Varol

2000 Turing test: 50 years later. En J. H. Moor (ed.), e Turing test: e Elusive

Standard of Articial Intelligence (pp. 23-78). Dordrecht: Kluwer Acade-

mic Publishers.

SCHANK, Roger, & ABELSON, Robert

1977 Scripts, Plans, Goals, and Understanding. Hillsdale, NJ: Erlbaum.

SEARLE, John

1980 Minds, brains and programs. e Behavioral and Brain Sciences, 3, 417-457.

https://bit.ly/45XNcTg

1990 Is the brain’s mind a computer program? Scientic American, 1 de enero, 26-

31. https://bit.ly/3FS93kA

SMITH, Brian

2019 e Promise of Articial Intelligence: Reckoning and Judgement. Cambridge,

MA: MIT Press.

SWADE, Doron

2000 e Dierence Engine: Charles Babbage and the Quest to build the First Com-

puter. Londres: Penguin.

TURING, Alan

1936 On computable numbers, with an application to the Entscheidungsproblem.

Proceedings of the London Mathematical Society, s2-42(1), 230-265. https://

doi.org/10.1112/plms/s2-42.1.230

1950 Computing intelligence and machinery. Mind, 59(236), 433-60. https://bit.

ly/3ZXWafy

WEIZENBAUM, Joseph

1984 Computer Power and Human Reason: From Judgement to Calculation. Har-

mondsworth: Pelican.

Agradecimientos

Agradezco a los evaluadores anónimos. También agradezco la dis-

cusión de este artículo a Felipe Morales Carbonell, Felipe Álvarez, Felipe

Tobar y María Soledad Krause. Esta investigación fue ﬁnanciada por el

Proyecto ANID FONDECYT 1230128 Desconﬁanza: un Factor Causal

de las Crisis Institucionales Searleanas.

Declaración de Autoría - Taxonomía CRediT

Autor/es Contribuciones

Rodrigo Alfonso González

Fernández

Al tratarse de autoría única, la contribución

total corresponde al mismo autor.

El contenido presentado en el artículo es de

exclusiva responsabilidad del autor.

139

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 115-139.

R A G F

Declaración de uso de inteligencia articial

Rodrigo Alfonso González Fernández DECLARA que la elaboración del artículo ti-

tulado “La factibilidad del niño-máquina de Turing” no contó con el apoyo de inteli-

gencia artiﬁcial (IA).

Fecha de recepción: 14 de julio de 2021

Fecha de revisión: 15 de septiembre de 2021

Fecha de aprobación: 20 de abril de 2025

Fecha de publicación: 15 de julio de 2025