La Inteligencia Artificial moderna se caracteriza por el aprendizaje máquina, es decir, extrapola a partir de información que tiene sobre datos nuevos
Regeneración, 14 de julio de 2019. Reproducimos la primera parte de un artículo en torno al debate sobre la inteligencia artificial. Este tema ha dejado mucho expectativa en el mundo de la ciencia pero también en el mundo humano, el trabajo, la vida cotidiana, las soluciones a problemas, etc.
Hay debates de fondo sobre la metafísica de la ciencia, la función de la ciencia y el futuro de la tecnología que aquí Krivine expresa aquí claramente.
¿Es inteligente la inteligencia artificial?
Hubert Krivine
El ámbito de la inteligencia artificial (IA) es un poco como el Universo: se halla en expansión acelerada y llena de agujeros negro.
La IA es una disciplina totalmente nueva, como lo fue en su tiempo la imprenta a mediados del siglo XV.
¿Quién habría podido anticipar entonces que su desarrollo iría mucho más allá de su propósito inicial, a saber, la propagación de las sagradas escrituras?
Más recientemente, ¿quién habría podido imaginar las consecuencias de internet, creada originalmente para facilitar los intercambios entre físicos de laboratorios alejados entre sí?
Por consiguiente, hay que ser extremadamente prudentes con respecto a las potencialidades de la IA, sobre todo porque, a diferencia de esas dos innovaciones, no se sabe por qué funciona tan bien.
Al fin y al cabo, el nombre es jactancioso: la inteligencia artificial no es a la inteligencia humana lo que la insulina artificial es a la insulina animal, es decir –potencialmente al menos–, lo mismo pero mejor.
No pretendemos hablar aquí de los éxitos y los peligros de la IA en todos los terrenos, sino fundamentalmente de lo que nos parecen ser sus limitaciones actuales.
Es evidente que ignoramos lo que vaya a suceder en los próximos siglos.
Comprender para prever
La humanidad tiene desde siempre la necesidad de prever.
Lo ha hecho a través de la magia (auspicios, augurios y pitonisas) o bien mediante la observación de correlaciones regulares.
Se trataba de la previsión del movimiento de los astros, de las mareas, de la acción medicamentosa de determinadas plantas, de las propiedades de las aleaciones metálicas, de las ventajas del cruce de plantas y de animales, etc.
De ahí la importancia de la tradición en las sociedades primitivas.
En el Renacimiento surgió la idea de que existen leyes impersonales y universales que gobiernan el mundo y que la tarea de los sabios es descubrirlas.
Galileo, quien afirmaba que el “libro del Universo está escrito en lengua matemática”, es su precursor más famoso.
Claro que Dios no nos ha abandonado, digamos más bien que relegado.
Estas leyes no solo explicarán los fenómenos observados, sino que también preverán otros nuevos.
La teoría de la gravitación de Newton es emblemática:
no solo dio cuenta con precisión del movimiento elíptico de los planetas, sino que además previó el retorno del cometa Halley, el valor del ensanchamiento de la Tierra en el ecuador y un siglo y medio después el descubrimiento de Neptuno gracias a los cálculos de Le Verrier.
Las ondas de radio se descubrirán veinte años después de que hubieran sido previstas por las ecuaciones de Maxwell.
La teoría general de la relatividad no se basó en la observación de que la presencia de masas desvía la trayectoria de la luz, sino, por el contrario, previó esta (minúscula) desviación, que Eddington medirá efectivamente cuatro años más tarde.
Podríamos multiplicar las previsiones de fenómenos inéditos, en el sentido literal del término, causados por el conocimiento de estas leyes.
Por desgracia, esta vía luminosa de entendimiento, que podríamos resumir en comprender para prever, acabará oscureciéndose por (al menos) dos razones:Aunque se conozcan las leyes de un
1.- fenómeno, estas pueden ser tan numerosas y/o complicadas e intrincadas que su aplicación resulte prácticamente imposible.
Entonces hay que recurrir a leyes estadísticas, que solo preverán medias.
2- Puede ocurrir que una sola ley simple y bien conocida gobierne un fenómeno y que a pesar de ello seamos incapaces de anticipar más allá de cierto horizonte de tiempo.
Esto es lo que se denomina caos determinista.
Determinista porque hay una ley, caos porque a pesar de ello no se puede concluir nada para dentro de cierto plazo.
Se debe al hecho de que pequeñísimas variaciones de las condiciones iniciales o del entorno pueden generar una divergencia exponencial de las soluciones.
Muchos fenómenos conocen este caos:
las trayectorias de las moléculas de un gas, el desarrollo de especies en competición, la meteorología, el movimiento de los planetas del sistema solar.
Por supuesto, este horizonte de impredecibilidad depende del sistema, puede variar de la millonésima de segundo en el primer ejemplo a los miles de millones de años en el último.
El caos determinista –bello oxímoron– no pone en duda la causalidad, sino que interroga, inclusive en las llamadas ciencias duras, nuestra capacidad de evidenciarla.
La conclusión general es que la comprensión –e incluso el conocimiento de la ley cuando se conoce– no permite necesariamente prever.
Prever sin comprender (¿el retorno?)
Nuestros ancestros, sobre la base de miles (¿millones?) de observaciones, conseguían extraer algunas lecciones.
Pero ahora disponemos de infinitivamente más datos (en cifras, imágenes, sonidos, vídeos); son los datos masivos (big data).
Se trata de cantidades inimaginables: por ejemplo, cada día se generan ¡2,5 trillones (2.500.000.000.000.000.000) de octetos!
Añadamos que la acumulación de informaciones es tal que el 90 % de los datos en el mundo se han creado en el transcurso de tan solo los dos últimos años.
Es imposible que estas inmensas bases de datos sean leídas directamente por personas.
Deben ser almacenadas inteligentemente y después analizadas por la máquina. Este es uno de los objetos de la mal llamada inteligencia artificial.
Muy esquemáticamente, la IA moderna se caracteriza por el aprendizaje máquina, es decir, la máquina, instruida por una base de datos, extrapola a partir de la información que tiene sobre datos nuevos.
Estos datos de aprendizaje pueden suministrársele etiquetados, es decir, por ejemplo, en forma de miles de caracteres manuscritos previamente catalogados como a, b, c… z o millones de imágenes de animales catalogados como gatos, perros, tigres, etc.
Este es el aprendizaje supervisado. Incluso se puede no etiquetar a priori las imágenes, que la máquina se las arreglará para realizar reagrupamientos ad hoc y crear así nuevas categorías;
este es el aprendizaje no supervisado, más selectivo en recursos, pero más fácil de aplicar (no hace falta etiquetar, que es un proceso largo y complejo).
En fin, la máquina misma puede procurarse los datos de aprendizaje, que comprobará in situ proponiéndose experiencias; es el aprendizaje por refuerzo.
Un poco como un niño que habla sin conocer la gramática.
Con este último modo de aprendizaje funcionó la máquina AlphaZero, que derrotó al campeón del mundo del juego de go, Ke Jie, en mayo de 2017.
En tres días jugó millones de partidas contra sí misma y en cierto modo comprendió cómo jugar.
Las cursivas son importantes: puede que ella lo comprendió, ¡pero nosotros no!
Nadie sabe explicar el camino que ha seguido para obtener esta victoria.
Artículo tomado de : Viento Sur
