La lógica difusa: cuando el mundo no es blanco ni negro

El otoño de 1999 lo pasé en Eindhoven, en el Instituto de Investigación Tecnológica de la universidad técnica. Tenía veinticinco años, era mi primera vez lejos de Bilbao durante una temporada larga, y en uno de los proyectos en los que estaba trabajando necesitaba aplicar algo llamado fuzzy logic. Lógica difusa. No tenía ni idea de qué era: en la carrera de ingeniería no habíamos tocado el tema ni de lejos, así que fui a mi supervisor y le pedí ayuda. Me dio un libro, sin más ceremonia. Me lo llevé, lo estuve revisando durante dos o tres días y volví a devolvérselo. Me miró con una mezcla de sorpresa y escepticismo, y me preguntó si es que no me había servido para lo que necesitaba. Le dije que sí, que ya sabía lo que necesitaba para el proyecto.

Y lo que aprendí aquel otoño en Eindhoven ha tardado el mundo entero veinticinco años en volver a ponerse de moda —aunque ahora con un nombre más lucrativo en las presentaciones de PowerPoint: inteligencia artificial.

Ni verdadero ni falso: la idea que lo cambia todo

La lógica clásica, la que aprendes desde el colegio, funciona con valores binarios. Una proposición es verdadera o es falsa. Un interruptor está encendido o apagado. Un número es positivo o no lo es. Esta limpieza conceptual es elegante y, durante siglos, ha bastado para construir matemáticas, filosofía y ordenadores.

El problema es que el mundo real no está organizado así. Pensemos en algo tan cotidiano como la temperatura. Si digo que hoy hace calor, ¿es verdadero o falso? Depende. A veintiún grados diría que es bastante verdadero en Bilbao en febrero, y bastante falso en agosto en Sevilla. La frase no admite un valor booleano universal: admite grados.

El matemático azerbaiyano Lotfi Zadeh formalizó esta intuición en 1965 con su teoría de los conjuntos difusos. La idea es conceptualmente sencilla: en lugar de que un elemento pertenezca o no pertenezca a un conjunto, puede pertenecer en cierta medida, con un valor entre 0 y 1. La temperatura de 21 grados no es «fría» ni «caliente» en términos absolutos; pertenece al conjunto «caliente» con un grado de pertenencia de, digamos, 0,4, y al conjunto «fresca» con un grado de 0,7. El sistema trabaja con esa ambigüedad en lugar de negarla.

Cómo funciona un sistema de lógica difusa

Un sistema de lógica difusa funciona en tres pasos que se encadenan con bastante elegancia. El primero es la fuzzificación: tomar un valor preciso del mundo real —una lectura de sensor, una temperatura, una velocidad— y traducirlo a grados de pertenencia en los conjuntos difusos definidos previamente. El segundo paso es la inferencia: aplicar una serie de reglas del tipo «SI la temperatura es alta Y la humedad es elevada, ENTONCES reducir la velocidad del ventilador es recomendable». Estas reglas las escribe un experto humano, codificando conocimiento de dominio en lenguaje casi natural. El tercer paso es la defuzzificación: convertir los resultados difusos de nuevo en un valor preciso que pueda accionar un motor, mover un actuador o tomar una decisión.

Lo que hace todo esto sorprendente es que el sistema puede capturar matices que un control convencional manejaría mal. Un termostato clásico, por ejemplo, dispara la calefacción cuando la temperatura cae por debajo de 20 grados y la apaga cuando sube por encima de 22. El resultado son oscilaciones constantes. Un controlador difuso ajusta la intensidad de la calefacción de manera gradual y continua, anticipándose a los cambios, produciendo un comportamiento mucho más parecido al de una persona que regula la temperatura a mano.

Las aplicaciones que probablemente ya están en tu casa

La lógica difusa lleva décadas fuera de los laboratorios, aunque no siempre con visibilidad. A finales de los ochenta y durante los noventa, los fabricantes japoneses la adoptaron masivamente en productos de consumo. Las lavadoras con «fuzzy logic» ajustaban el ciclo de lavado en función de la carga, el tipo de tejido y la suciedad estimada, sin que el usuario tuviera que seleccionar programa. Los aires acondicionados la usaban para regular la velocidad del compresor de forma continua en lugar de trabajar en modo todo-o-nada.

Las cámaras de fotos introdujeron autofoco difuso capaz de mantener el seguimiento de un sujeto en movimiento con mucha más suavidad que los sistemas binarios anteriores. El metro de Sendai, en Japón, fue uno de los primeros sistemas ferroviarios del mundo en utilizar lógica difusa para controlar la aceleración y el frenado, consiguiendo una comodidad de marcha que los pasajeros notaban claramente. En medicina, los sistemas de diagnóstico asistido empezaron a explotar su capacidad para trabajar con síntomas que rara vez se presentan de forma discreta.

Mientras yo estaba en Eindhoven aprendiendo de qué iba todo esto, esta tecnología llevaba ya casi una década siendo utilizada en electrodomésticos que se vendían en los grandes almacenes. Eso me dice algo sobre la velocidad a la que viajan las ideas desde los laboratorios hasta el resto del mundo.

El reencuentro inesperado: lógica difusa e inteligencia artificial

Y aquí llega la parte que me resulta más curiosa de contar. Cuando empecé a ver, hace unos años, que la lógica difusa volvía a aparecer en artículos técnicos y conversaciones sobre IA, mi primera reacción fue de desconcierto. ¿No es una técnica de los noventa? ¿No la habían sustituido las redes neuronales?

La respuesta es que no exactamente, y que la pregunta misma estaba mal planteada. Las redes neuronales modernas —los transformers que hay detrás de ChatGPT, Claude o Gemini— aprenden a representar la incertidumbre de manera implícita, a través del entrenamiento sobre enormes cantidades de datos. La lógica difusa, en cambio, permite incorporar esa incertidumbre de manera explícita, con reglas que un experto puede escribir, auditar y modificar. Son aproximaciones complementarias, no competidoras.

La combinación de ambas, que algunos llaman sistemas neuro-difusos, está teniendo un momento particularmente fértil. En aplicaciones donde la explicabilidad importa —diagnóstico médico, toma de decisiones en sistemas críticos, automoción— tener un componente difuso que justifique su razonamiento en lenguaje comprensible es una ventaja enorme frente a una red neuronal que llega a la misma conclusión sin poder decir por qué. La IA moderna, brillante en muchas cosas, tiene ese problema de la caja negra. La lógica difusa es, por naturaleza, una caja transparente.

Veinticinco años y una vuelta completa

Hay algo que me parece propio de cómo funciona realmente el conocimiento tecnológico: las ideas no mueren, se quedan esperando en algún cajón hasta que el contexto las vuelve útiles de otra manera. La lógica difusa no desapareció entre 2000 y 2015; siguió operando tranquilamente dentro de millones de dispositivos industriales, médicos y domésticos. Lo que ha cambiado es que ahora el ecosistema de la IA la ha redescubierto como herramienta, y los ingenieros que trabajan en sistemas híbridos han vuelto a sacarla del cajón.

Aquel otoño en Eindhoven estaba yo aprendiendo algo que ni siquiera sabía que sería relevante décadas después. Eso pasa a veces con las cosas que se aprenden sin presión de utilidad inmediata: se quedan guardadas en algún sitio y un día vuelven. Igual que la lógica difusa.