Siempre he pensado que los autores de ciencia ficción marcan la dirección del futuro con sus sueños. La visión del universo que nos ofrecen incluye la descripción de cosas que consideran esenciales en un futuro al que podemos aspirar. Estos artefactos y tecnologías, sorprendentes y maravillosos, seguro inspiran investigaciones que, con independencia de su éxito, influyen en el avance de la ciencia y la tecnología. Desde el videoteléfono hasta el traductor universal y los asistentes virtuales, la ciencia ficción nos muestra cosas que debiéramos tener en un futuro digno de llamarse así.

Un elemento constante en estas visiones son los agentes de Inteligencia Artificial (IA). Pueden ser robots y androides, como Robotina de Los Supersónicos, Data de Viaje a las Estrellas o David de Inteligencia Artificial, o residir en computadoras, como Kit de El Auto Increíble, la Reina Roja de Resident Evil o Samantha de Her. De cualquier forma, los agentes de IA parecen ser un elemento esencial del futuro. No obstante, estamos en 2020 y no los tenemos ¿Dónde están los androides y agentes de IA?

Los androides representan un reto doble. Además de inteligencia, necesitan un cuerpo que actúe eficazmente en el mundo físico. Los agentes que residen en computadoras sólo necesitan inteligencia, pues actúan a través de otros dispositivos y sistemas. Entonces, aunque no se tenga la tecnología para que los agentes de IA tengan un cuerpo, pueden existir los programas de cómputo que les doten de inteligencia. Resulta que tampoco los tenemos, pero ¿estamos cerca de lograrlo?

   

Imagen por Enrique Meseguer de Pixabay

Los avances de la IA en los últimos 10 años han sido espectaculares, especialmente en el área conocida como aprendizaje de máquina (ML por sus siglas en inglés). Gracias a ellos tenemos toda clase de aplicaciones que interpretan imágenes, sonidos y textos con un alto nivel de exactitud y que traducen de un idioma a otro. De la misma manera, en muy diversas actividades, sistemas de IA toman decisiones a partir de patrones que para un ser humano es casi imposible detectar.

Sin embargo, lograr estos resultados requiere de recursos muy superiores a los que una persona necesita para aprender. Un sistema debe examinar millones y millones de fotografías para poder identificar un objeto en una imagen, en tanto que vencer a campeones mundiales en juegos implica simular miles de años de juegos como preparación. Finalmente, los conocimientos adquiridos por un sistema en una actividad no pueden aplicarse directamente para realizar otra, por lo que en cada caso hay que empezar de cero.

En contraste, un ser humano reconoce personas, animales y objetos luego de examinar unas cuantas imágenes; la destreza de un campeón mundial se adquiere después de años de preparación, no de siglos, y los atributos que reconoce un bebé para saber que una mascota está viva, son aplicados a todo tipo de animales en vivo, en fotografía o en la televisión.

El tema ha despertado la inquietud de investigadores como Yann LeCun, uno de los 3 ganadores del premio Turing 2018, el Nobel de la IA, quien en abril de 2020 propuso en un congreso algunas ideas para mejorar el modelo de aprendizaje del ML. Por otro lado, se han publicado libros como “Reiniciando la Inteligencia Artificial”, publicado en 2019 por los investigadores Gary Marcus y Ernest Davis, que afirman que nunca llegaremos a tener agentes de IA como los de las películas, a menos que cambie el paradigma actual de la IA, dominado por el ML.

 

Imagen por Enrique Meseguer de Pixabay

Los algoritmos de ML funcionan mediante la detección de patrones en los datos de muchos ejemplos de una misma categoría, los cuales permiten saber si un nuevo ejemplo pertenece a dicha categoría. Así, con base en las características comunes de los puntos y rasgos presentes en imágenes de gatos se decide si una nueva fotografía es de un gato. A partir de patrones presentes en traducciones de textos de español al francés se genera la traducción de un nuevo texto. A partir de las características comunes de personas que han pagado su crédito se predice si un solicitante pagará un préstamo.

Siempre que dispongan de miles o millones de ejemplos para revisar, los algoritmos de ML alcanzan un alto grado de exactitud al asignar una categoría sin necesitad de entender lo que se está analizando. Es decir, se identifica un gato en una fotografía sin saber lo que es un gato, se traduce un texto sin entender su significado, y se predice si una persona pagará un préstamo sin saber qué es un crédito, qué es el dinero, o por qué es importante para una persona.

Pero ¿Qué pasa si quiero identificar un león, o un tigre? ¿Qué pasa si hay que traducir una palabra que no aparece en los textos analizados? ¿y si el solicitante del crédito no tiene ingresos, pero está por recibir una cuantiosa herencia? ¿y si tengo poca información de lo que quiero analizar, pero mucha de situaciones parecidas? Es aquí donde las limitaciones del paradigma del ML se hacen evidentes. El enfoque estadístico no puede resolver estas cuestiones, pues para ello falta un atributo característico del ser humano: el sentido común.

 

Imagen por Enrique Meseguer de Pixabay

Aunque no hay una sola definición, generalmente entendemos el sentido común como una serie de principios acerca de cómo funciona el mundo, las cuales utilizamos para juzgar rápidamente si algo es razonable o probable en las más diversas circunstancias. Es el sentido común el que permite a un bebé asimilar la ley de gravedad y saber que si se deja de sostener un objeto se caerá. También es con sentido común con lo que intuimos el significado de una palabra a partir del contexto en el que aparece, o con lo que juzgamos si una escena corresponde a la lógica del argumento de una película.

Dotar de sentido común a los sistemas de IA ha sido una preocupación desde el origen de esta rama del conocimiento, en la década de 1950 (lee nuestro artículo sobre la historia de la IA). Aunque el tema no ha visto grandes avances en este siglo, pues las investigaciones se han enfocado en el paradigma estadístico del ML, hay un renovado interés y numerosas investigaciones en áreas como la inferencia causal, que trata de ir más allá de las relaciones estadísticas para determinar las relaciones causa y efecto (el año pasado hubo un congreso especialmente dedicado al tema).

El cerebro humano es un órgano complejo en el que distintas partes funcionan de manera diferente para realizar distintas tareas, por ello es por lo que no existe un enfoque único para estudiarlo. A partir de esta idea, la clave para crear una IA que pueda entendernos y ayudarnos a mejorar nuestras vidas reside en la combinación del enfoque estadístico y el sentido común.

Escapar de un futuro decepcionante con Alexa, Siri y Cortana, o con el asistente de Google que ni nombre tiene, para ir a un futuro con Kit o Samantha (espero que no con la Reina Roja) requiere que muchos investigadores abandonen la arrogante postura de pretender haber resuelto el misterio de la mente humana con un algoritmo y escuchar más otros enfoques y disciplinas. Como dice el autor de un artículo reciente, el siguiente gran hito en el avance de la IA requerirá que los investigadores entierren sus hachas y combinen sus enfoques.

¿Qué opinas? Comparte tus comentarios abajo. ¿Te gustó este artículo? Lee otros artículos de nuestro blog IF Inteligencia Futura aquí.