Auftragstaktik, GPT-3 CODEX y human-machine teams

El término germano Auftragstaktit, que podría traducirse por «táctica misión-tipo» hace referencia a la práctica consistente en comandar en base a directivas en lugar de a órdenes. Es decir, que se trata de dar al subordinado una idea general del objetivo a lograr, dejándole una importante libertad de decisión a la hora de establecer la forma en la que dichos objetivos debían alcanzarse, a diferencia de lo que ocurría con el sistema basado en órdenes exactas, en el que todo quedaba marcado hasta el último detalle, anulando la iniciativa de los mandos intermedios. En tiempos en los que la Inteligencia Artificial (IA) está cobrando una importancia cada vez mayor dentro de los campos de batalla, cómo compaginar la Auftragstaktit con el papel de las inteligencias no humanas es un asunto crucial, pues son muchos los obstáculos que se presentan de cara a su «entendimiento» por parte de IAs no biológicas. La solución, a la espera de lo que nos depare el futuro, pasará por el desarrollo de equipos hombre-máquina o human-machine teams en los que la IA permitirá al humano liberarse de buena parte de la carga de trabajo, facilitando aquellas tareas para las que es más apto, como la toma de decisiones.

Auftragstaktik (en inglés, Mission-type tactics o mission command) es una de las joyas de la corona intelectual del modo prusiano-alemán de hacer la guerra. Como todo concepto exitoso y llamativo, ha tentado a sucesivos pensadores a hacer un uso excesivamente libérrimo del mismo. Llevando el concepto a la primera persona, tenemos que

In the German Army we use what we term “mission tactics”; orders are not written out in the minutest detail, a mission is merely given to a commander. How it shall be carried out is his problem. This is done because the commander on the ground is the only one who can correctly judge existing conditions and take proper action if a change occurs in the situation (Von Schell,1933, citado por Vandergrif, 2018)

Expresado en términos más cercanos a nosotros en el tiempo

Auftragstaktik emphasizes commander’s intent, which provides subordinates a framework for making their own decisions in harmony with the overall plan: “The German Army used mission statements…in the form of the commander’s intent…The commander then assigned tasks (Aufträge) to subordinate units to carry out his superior’s intent. The subordinate commander decided upon a specific course of action which became his resolution (Entschluss).” (Nelsen, 1987, citado por Vandergrif, 2018)

Al contrario que vaporosos conceptos contemporáneos, la descentralización del mando alude a toda una realidad: a una cultura que comenzaba a la vez que la formación de los oficiales, continuaba como objetivo y centro de dicha formación y terminaba con la definición y actualización del resto de la doctrina y marcando la pauta en ejercicios y en operaciones. Como nos indica Vandergrif (2018), no se puede importar Auftragstaktik de manera efectiva en unas fuerzas armadas si no se integra al nivel de profundidad mencionado, lo que no es obvio ni tiene garantizado el éxito. Sólo un tipo de oficial, en palabras del autor, puede implementar de forma exitosa la descentralización del mando. Y a ese oficial se le selecciona y se le forma de maneras muy concretas.

Sea como fuere, la historia ha demostrado repetidamente que una doctrina o, en palabras de Citino (2005), un modo de hacer la guerra basado en órdenes detalladas (Befehlstaktik, empleando los términos alemanes de hace un siglo) es tanto menos adaptable a las condiciones cambiantes de operaciones en curso como más lento en el ciclo de decisiones. Con la primera madurez de la introducción de las tecnologías de la información digitales para la gestión del campo de batalla, la cantidad, calidad y cercanía al tiempo real de los distintos feeds de información provocan que la única opción realista sea una iteración moderna de Auftragstaktik como las que se recogen dentro del concepto más amplio de intent dentro de distintas formulaciones doctrinarias en la OTAN.

Auftragstaktik y sus variaciones e iteraciones se crearon en un momento en el que los únicos que las podían emitir y recibir eran seres humanos. Ya entrados en este siglo, hay otros posibles receptores no humanos (los sistemas autónomos, robóticos o no robóticos) para los que su futura autonomía invita a la pregunta de si pueden recibir un equivalente a un Aufträge. Vayamos por partes.

La libertad que el sistema de Auftragstaktik concedía a los mandos intermedios germanos estuvo detrás de los impresionantes éxitos obtenidos por ejemplo en el Frente Oriental.

La orden como un problema de procesamiento de lenguaje natural

Los desarrollos de este siglo en Deep Learning están provocando cambios transformacionales en un enorme abanico de campos. Dentro de la defensa, no paran de crecer las aplicaciones y la evolución de las mismas. Al mismo tiempo, en todos los campos se sigue manteniendo cierto nivel de confusión, cuando no de alarmismo o de activismo, sobre lo que la “Inteligencia Artificial” puede o no puede lograr.

Queda para mejor ocasión profundizar en el entrecomillado que acabo de emplear con IA. El empleo del término “inteligencia” ha provocado ríos de tinta y discusiones de décadas que distan de estar acabadas. A estas alturas, es innegable que es una de las fuentes de confusión y conflicto sobre la naturaleza y posibilidades cercanas y lejanas de estos sistemas de software. Como quiera que “inteligencia” es un término no sólo humano, sino ontológicamente humano, es muy difícil evitar juzgar o extrapolar la “inteligencia” no biológica sin emplear valores, capacidades y posibilidades. De hecho, cada vez son más las voces que se alzan contra el término IA, como Peter Thiel:

Always skeptical of buzzwords, he went on to say he hates the word “AI” (artificial intelligence):

AI is the worst buzzword out there. And one of the reasons it’s such a terrible buzzword is it can mean just about anything. So it can mean something about futuristic computer technology, the next generation of computers, the last generation of computers, and anything in between.

(VV.AA., 2021)

Uno de los problemas principales y más persistente es considerar la capacidad derivada de la inteligencia artificial como un todo coherente. Si un sistema dispone de capacidades de IA, se puede asumir erróneamente que estas capacidades le darán cierto grado de autonomía para operar por sí mismo. Y aquí llega James Cameron con su T800 que tiene datos precisos

image.png

Todavía podría ser el caso si el killer robot al que hay que detener vía campañas internacionales dispusiera de IA de propósito general (o “fuerte”, como se decía en los 90). La puesta en servicio de una IA general puede esperar décadas en el futuro o no acabar de materializarse (Penrose, 1991). Mientras esto no ocurra, el grado de autonomía no será de un sistema completo, sino que deberá concretarse en capacidades específicas. Precisamente, un problema terminológico actual es el empleo creciente del término Robotic Autonomous Systems (RAS), que puede ser interpretado o empleado en la línea de un grado de autonomía conjunta.

El procesamiento de lenguaje natural es un conjunto de problemas que en este siglo se atacan mediante sistemas de Deep Learning de propósito específico. A partir de un input de texto, el modelo generará distintos tipos resultado: named entity recognition (predicción de qué términos en un texto son significativos dentro de ciertas categorías – personas, lugares, marcas, etc.), sentiment analysis, clasificación de texto y generación de texto, entre otros.

Un buen ejemplo de esto es en lo que se ha convertido Google Translate: Hace 5 años Google migró su servicio Google Translate de un modelo estadístico a uno basado en Deep Learning. Es recomendable revisar The Great A.I. Awakening (Lewis-Kraus, 2016) para comprender el alcance de dicha migración y el salto de capacidades que supuso. Hasta el punto, en prensa generalista, de invitar a equívoco: a confundir lo que era un prodigioso salto hacia adelante (Turovsky, 2016), pero que no era otra cosa que texto generado por una red neuronal con un porcentaje de similitud inédito, con una inteligencia artificial de propósito general. Google Neural Machine Translation (Wu et al, 2016) no entiende las frases que traduce, porque no traduce: genera texto mediante un modelo a partir de un input. Nada que ver con lo que hacemos los humanos cuando pensamos en otro lenguaje natural distinto al nuestro y empleamos nuestro conocimiento y experiencia humanos para expresar lo leído o escuchado en nuestro idioma.


El resto de este artículo está disponible solo para suscriptores

Si todavía no estás suscrito, aprovecha nuestra oferta


Autor

Be the first to comment

Leave a Reply