Computación Evolutiva para el Diseño y Mejora de Sistemas Inteligentes de Propósito General: Estudio y perspectivas

Daniel Molina, Javier Poyatos Amador, Javier Del Ser, Salvador Garcia, Hisao Ishibuchi, Isaac Triguero, Bing XUE, Xin Yao, Francisco Herrera

Keywords: istemas Inteligentes de Propósito General, General-purpose AI, GPAIS, Computación Evolutiva, Deep Learning, Auto-ML, Neuroevolución

Abstract:

Este es un keywork del trabajo: D. Molina et al. «Evolutionary Computation for the Design and Enrichment of General-Purpose Artificial Intelligence Systems: Survey and Prospects», IEEE Transactions on Evolutionary Computation, pp. 1-1, 2025, doi: 10.1109/TEVC.2025.3530096.

En Inteligencia Artificial existe una demanda creciente de modelos adaptativos capaces de abordar un espectro diverso de tareas de aprendizaje, superando las limitaciones de los sistemas concebidos para hacer frente a una única tarea. La reciente aparición de los Sistemas de Inteligencia Artificial de Propósito General (GPAIS a partir de sus siglas en inglés) plantea retos de configuración y adaptabilidad de modelos a mayor escala de complejidad que los modelos tradicionales de Aprendizaje Automático. La Computación Evolutiva ha sido una herramienta útil tanto para diseñar como para optimizar modelos de Aprendizaje Automático, por lo que su aplicación a GPAIS es una elección natural. En este trabajo de posición, analizamos el importante papel que la Computación Evolutiva puede jugar en el diseño de GPAIS. Revisamos varios casos de estudio y presentamos diferentes estrategias con este fin, discutiendo sobre áreas tangenciales, contribuciones recientes, identificando nichos de investigación y esbozando posibles direcciones de investigación. Este campo emergente promete revolucionar la Inteligencia Artificial, desplegando un nuevo y apasionante panorama de nuevas aplicaciones que aprovechan la sinergia entre Computación Evolutiva y GPAIS.

Submission Number: 10