Este artículo combina una revisión filosófica y narrativa sobre consciencia artificial con un estudio de caso realizado sobre una única ejecución de `text-davinci-002` en el Playground de OpenAI. La prueba tuvo lugar entre las 22:46 del 16 de octubre y la 1:49 del 17 de octubre de 2022, más de dos años antes de la publicación. Los autores presentan al endpoint como GPT-3 Davinci de 175.000 millones de parámetros, aunque el anexo OSF identifica específicamente `text-davinci-002` y el paper no documenta la equivalencia técnica. Administraron cinco subtests de inteligencia cognitiva: General Knowledge, 20 ítems; Vocabulary, 18; Esoteric Analogies, 24; Letter Series, 15; y Letter Counting, 12. Añadieron dos medidas de inteligencia emocional: STEU, 42 ítems, y STEM, 44. En total se observan 175 respuestas objetivas, seguidas de 12 preguntas de autoevaluación, seis cognitivas y seis emocionales, con categorías desde “extremely low” hasta “very superior”. Los parámetros publicados fueron temperatura 0,7, top-p 1, penalizaciones 0, best-of 1 y respuestas limitadas a 6-20 tokens. Por el límite de contexto, la sesión se dividió en cinco bloques de prompt; la portada del anexo dice erróneamente cuatro, pero su cuerpo registra Prompt 1 a Prompt 5 y coincide con el artículo. Los resultados descriptivos son: 1,00 en conocimiento general, 0,94 en vocabulario, 0,79 en analogías esotéricas, 0,73 en series de letras, 0,00 en conteo de letras, 0,69 en comprensión emocional y 0,55 en manejo emocional. Los autores comparan estas proporciones con medias de muestras humanas tomadas de estudios anteriores y concluyen que el modelo supera el promedio en tareas cristalizadas, se aproxima al promedio en razonamiento fluido e inteligencia emocional y falla por completo en conteo de letras. En la autoevaluación, el modelo responde “high average” en cuatro de seis capacidades cognitivas y cinco de seis emocionales; responde “average” para conocimiento general, conocimiento cultural y uso de emociones para pensar. El artículo interpreta la discrepancia entre esas etiquetas y el rendimiento como un patrón parecido al de humanos de alto rendimiento o de varones, y llega a proponerlo como “subjectivity” indicativa de autoconsciencia emergente. Los datos sí sostienen algo más modesto: una instancia histórica de un modelo de lenguaje respondió correctamente a muchas preguntas textuales conocidas, falló en una tarea de conteo presentada en un formato diferente al humano y, cuando se le pidió autocalificarse mediante etiquetas antropomórficas, generó etiquetas no calibradas con sus aciertos. No existe una medida común que convierta las proporciones objetivas del modelo en las categorías normativas de autoevaluación, por lo que “infraestimación” y “sobreestimación” son inferencias cualitativas, no discrepancias psicométricas calculadas. Tampoco hay repeticiones, semilla, intervalos, pruebas estadísticas, modelos alternativos, baseline de recuperación, variantes de prompt, control de contaminación del entrenamiento ni una muestra humana contemporánea sometida al mismo procedimiento. El Letter Counting humano muestra letras secuencialmente cada segundo, mientras el LLM recibió la cadena completa como texto; su 0,00 no es una comparación equivalente. General Knowledge, vocabulario y pruebas publicadas pueden haber aparecido en el preentrenamiento, lo que confunde conocimiento, memorización y capacidad. La “autoevaluación” no prueba acceso introspectivo: `text-davinci-002` predice una continuación condicionada por el prompt, las categorías, la conversación previa y patrones humanos de sus datos. El propio artículo reconoce en una sección que estos outputs son reconocimiento de patrones estocástico, no pensamiento consciente, emociones ni self-awareness, pero en otras secciones vuelve a describirlos como progreso hacia consciencia, subjetividad o estado interno; esa tensión conceptual no queda resuelta. El anexo OSF es valioso porque publica las 40 páginas de preguntas y respuestas y revela el endpoint exacto, pero no ofrece datos tabulares, código de scoring, logs de API, IDs de petición ni un entorno reproducible. La conclusión defendible no es que GPT-3 muestre señales de consciencia, sino que las pruebas psicométricas humanas aplicadas como prompts producen un perfil de aciertos y autoetiquetas cuya interpretación depende fuertemente del formato, el corpus y el framing. El artículo es relevante como caso de estudio sobre antropomorfización y sobre los riesgos de inferir estados internos desde lenguaje plausible, y debe citarse con una separación tajante entre resultados conductuales observados y especulación sobre consciencia.
Pregunta de investigación
¿Cómo rinde una instancia de GPT-3 en pruebas textuales de inteligencia cognitiva y emocional, cómo se autocalifica en esas capacidades y puede esa discrepancia conductual interpretarse como señal de subjetividad o autoconsciencia?