Inteligencia artificial: el futuro es humano

La actual ola de entusiasmo en torno al aprendizaje profundo, el aprendizaje automático y la inteligencia artificial (IA) bien podría ser el final de un proceso que comenzó en la década de 1980, en lugar del comienzo de algo verdaderamente revolucionario. ¡Déjenme que les explique esta provocativa afirmación!

La falta de una definición coherente, o precisa, de la IA nos acerca a la misma idea que hemos visto con 'fintech' y 'blockchain'; los tres conceptos pueden significar casi cualquier cosa, según la interpretación que se le quiera dar a cada uno. El intento más conocido de definir la IA es la prueba de Turing. La misma requiere que un ordenador pueda engañar a un humano para que piense que está interactuando con otro humano.

Rebellion se convierte en la primera 'fintech' española en conseguir licencia bancaria

Alfredo Pascual

Apenas está dando sus primeros pasos, pero esta 'startup' nace con un pan bajo el brazo: la licencia de Entidad de Dinero Electrónico (EDE)

Sin embargo, esto significaría que el éxito de la investigación se basaría en un juego donde, un humano, sería el juez del éxito. Por lo tanto, los algoritmos de aprendizaje profundo que pueden jugar el juego 'Go' se consideran artificialmente inteligentes, porque juegan un juego diseñado por humanos, pero mejor que los humanos; los animales, sin embargo, no se consideran inteligentes a pesar de que muestran claramente una inteligencia conductual más diversa.

La mayoría de las investigaciones actuales sobre la IA tratan el aprendizaje profundo y se centran en resolver algunas tareas o juegos basados ​​en procesos. El reconocimiento de imágenes, el procesamiento natural del lenguaje y los automóviles sin conductor son ejemplos de algoritmos de aprendizaje profundo que resuelven un resultado (por ejemplo, perro o no perro, o no atropeyar a peatones). La investigación sobre la IA, generalmente, implica definir algún aspecto de la actividad humana en el mundo real en base a "reglas del juego" (por ejemplo, la conducción) y luego entrenar algoritmos de aprendizaje profundo para "resolver" ese juego.

Un algoritmo de aprendizaje automático que es capaz de enfocar automáticamente un microscopio mejorará la efectividad de ese dispositivo

Esto puede dar como resultado una automatización extremadamente útil. Por ejemplo, un algoritmo de aprendizaje automático que es capaz de enfocar automáticamente un microscopio electrónico mejorará en gran medida la efectividad de ese dispositivo. Sin embargo, lo que no aportará como resultado es inteligencia.

Incluso los ejemplos de éxito más representativos del aprendizaje profundo (el reconocimiento de imagen) se producen a expensas de soluciones y comportamientos que son completamente diferentes a cómo un humano realizaría la misma tarea. Tomemos el reconocimiento de imágenes. Los niños pequeños no necesitan ser entrenados en millones de imágenes de perros antes de que puedan reconocer a un perro en una imagen; y lo que es más importante, los niños pequeños entenderán de inmediato el concepto abstracto de un perro, que luego podrán usar para identificar perros en diferentes contextos. Geoffrey Hinton, considerado el padre del aprendizaje profundo, sugiere que los investigadores de la IA tendrán que"reformular todo y comenzar desde cero nuevamente".

BMW exhibe músculo con su revolucionario iNext, un coche autónomo y eléctrico

Charo Sardina

El objetivo de la marca alemana es conseguir el estilo de conducción deportivo típico de BMW para el coche eléctrico del futuro, acompañado por la novedad de la conducción autónoma

La razón para este drástico postulado es lo que se conoce como la Paradoja de Moravec. La misma establece que las instancias triviales de la realidad son mucho más complejas que los juegos más complejos. Para que podamos entenderlo, la complejidad de razonamiento que se necesita para resolver un juego de 'Go', requiere, relativamente, poco cálculo informático en comparación con habilidades sensoriales motoras de, incluso, menor nivel. Las cosas que los humanos perciben como difíciles, o que requieren un cierto nivel de inteligencia, son aquellas que nuestro cerebro ha logrado dominar solo de forma reciente, tras haber evolucionado para lograrlo. Algunos ejemplos son el pensamiento abstracto, los juegos (como el ajedrez y el 'Go') y el razonamiento lógico. Irónicamente, estas son las mismas cosas que las máquinas pueden reproducir fácilmente (el aprendizaje profundo) precisamente porque la evolución no les ha dedicado mucho tiempo.

En contraste, los cálculos necesarios para que la estrella de fútbol Cristiano Ronaldo detecte inconscientemente un objeto que viaja rápidamente sobre un fondo de miles de caras y focos, y activar cientos de músculos diferentes con una sincronización perfecta para saltar al aire y y realizar con la cabeza un ángulo de giro milimétrico, a una altura de contacto de 2,7 metros, para marcar un gol, son incomprensibles.

Incluso las actividades más triviales realizadas por un niño (por ejemplo, reconocer rostros, distinguir entre objetos, moverse en el espacio 3D) son casi imposibles para las máquinas. Estas actividades inconscientes, así como el innato "sentido común" humano, son lo que algunos especialistas estiman cruciales para la inteligencia; constituyen un gigantesco punto ciego que está conduciendo la investigación actual sobre el aprendizaje profundo a un callejón sin salida de automatización.

Los jardineros, los recepcionistas y los cocineros estarían seguros en sus trabajos durante las próximas décadas

Steven Pinker señaló que, si bien los analistas bursátiles y los ingenieros podrían ser reemplazados por máquinas, los jardineros, los recepcionistas y los cocineros estarían seguros en sus trabajos durante las próximas décadas, dado que sus tareas no se basan en procesos o razonamientos lógicos lineales. Para los profesionales de la inversión, la conclusión relevante es que Pinker probablemente subestima la importancia de las habilidades interpersonales en el trabajo diario de un analista de mercados o un asesor de inversiones, sobreestima la cantidad de razonamiento lógico y el análisis estadístico involucrado, y por lo tanto también sobreestima la velocidad a la que los asesores verán cambiar su entorno profesional.

Sabremos que hemos creado inteligencia artificial el día que un ordenador pueda realizar, con certeza, promesas impactantes sobre el futuro, basadas en gran medida en los rumores y el pensamiento grupal, para ver luego que la cruda realidad le aplaste sus expectativas y, a continuación, arrojemos a la criatura tecnológica por el desagüe del baño por pura decepción. Esta máquina probablemente estará operando en una cadena de bloques ('blockchain').

*Sviatoslav Rosov, CFA, es director de Politica de Mercados de Capital en CFA Institute.