Casi cada día desayunamos con alguna noticia sobre Inteligencia Artificial que, indefectiblemente, nos evoca a Skynet. Una de las últimas es que, en solo cuatro horas, la IA de Google, AlphaZero, ha logrado dominar todo el conocimiento ajedrecístico por ella misma.

Realmente la IA ya está empezando a dominar muchos campos del conocimiento de forma más solvente que el ser humano, pero ¿eso significa que este crecimiento en habilidades continuará adelante a este ritmo? Y, después de todo, ¿es tan espectacular lo que estamos viendo hasta ahora?

Inteligencia relativa

Parece que la IA está protagonizando una revolución de la que todavía no somos capaces de predecir sus efectos. Cada día se escriben artículos al respecto, los popes de la tecnología advierten que debemos tener cuidado y no continuar adelante, se escriben docenas de libros al años (yo mismo he publicado recientemente uno).

Gran parte de esta revolución la está protagonizando el Deep Learning (aprendizaje profundo), sobre todo en el campo de la traducción, el reconocimiento de voz, el reconocimiento de imágenes y los juegos.

Pero lo peculiar del aprendizaje profundo es la edad de las ideas clave sobre las que se sustenta. En un artículo innovador de Geoffrey Hinton, con sus colegas David Rumelhart y Ronald Williams, publicado en 1986, se presentaba la técnica backpropagation, o retropropagación para abreviar. Es decir, que quizá no estamos tanto en el inicio de una revolución sino en sus últimos coletazos, la que inició el backprop.

Retropropagación

En la década de 1980, Hinton era, como lo es ahora, un experto en redes neuronales, un modelo muy simplificado de la red de neuronas y sinapsis en nuestros cerebros. Sin embargo, en ese momento se había decidido firmemente que las redes neuronales eran un callejón sin salida en la investigación de IA.

Aunque la red neuronal más antigua, el Perceptron, que comenzó a desarrollarse en la década de 1950, había sido aclamada como un primer paso hacia la inteligencia de una máquina a nivel humano, un libro de 1969 del MIT Marvin Minsky y Seymour Papert, llamado Perceptrons, demostró matemáticamente que las redes podían realizar solo las funciones más básicas. Estas redes tenían solo dos capas de neuronas, una capa de entrada y una capa de salida. Las redes con más capas entre las neuronas de entrada y salida podrían, en teoría, resolver una gran variedad de problemas, pero nadie sabía cómo entrenarlas, y en la práctica eran inútiles.

Excepto por unos pocos reticentes como Hinton, Perceptrons hizo que la mayoría de la gente renunciara por completo a las redes neuronales.

El avance de Hinton, en 1986, fue demostrar que la retropropagación podría formar una red neural profunda, es decir, una con más de dos o tres capas. Pero pasaron otros 26 años antes de que aumentara el poder computacional para hacer efectivo el descubrimiento. Un artículo de 2012 de Hinton demostró que las redes neuronales profundas, entrenadas usando la retropropagación, superaban a los sistemas más avanzados en reconocimiento de imágenes. El "aprendizaje profundo" despegaba.

Una red neuronal generalmente se dibuja con capas apiladas una encima de la otra. Las capas contienen neuronas artificiales, que son pequeñas unidades computacionales tontas que se excitan y transmiten esa excitación a las otras neuronas a las que están conectadas. La excitación de una neurona está representada por un número, como 0.13 o 32.39, que señala lo emocionada que está. Y hay otro número crucial, en cada una de las conexiones entre dos neuronas, que determina cuánta excitación debe pasarse de una a la otra. Cuando el número es más alto, significa que la conexión es más fuerte, por lo que una mayor parte de la excitación fluye hacia la otra neurona.

En el reconocimiento de imágenes por parte de una IA, la capa superior de la red neuronal, la capa de salida, tiene solo dos neuronas, una que representa "árbol" y la otra que representa "no árbol". La idea es enseñar a la red neuronal a excitar solo la primera capa de esas neuronas si hay un árbol. La propagación inversa, o retropropagación, la técnica sobre la que Hinton ha construido su carrera, es el método para hacerlo.

¿Cómo funciona?

La retropropagación es bastante imple, aunque funciona mejor con grandes cantidades de datos. En este caso, los datos toman la forma de millones de imágenes, algunas con árboles y otras sin ellos; el truco es que estas imágenes están etiquetadas como si tuvieran árboles. Cuando crea su red neuronal por primera vez, las conexiones entre las neuronas pueden tener pesos aleatorios: números aleatorios que indican cuánta excitación transmitir a lo largo de cada conexión. Es como si todavía no se hubieran sintonizado las sinapsis del cerebro. El objetivo de la retropopagación es cambiar esos pesos para que la red funcione: de modo que cuando pasas la imagen de un árbol a la capa más baja, la neurona de "árbol" de la capa superior termina por excitarse.

Backprop, pues, es un procedimiento para re-ajustar la fuerza de cada conexión en la red para corregir el error de un ejemplo de entrenamiento dado.

La forma en que funciona, paso a paso, es que comienzas con las dos últimas neuronas, y descubres cuán equivocadas estaban: ¿cuánta diferencia hay entre lo que los números de excitación deberían haber sido y lo que son? A continuación, se echa un vistazo a cada una de las conexiones que conducen a esas neuronas, las que se encuentran en la siguiente capa inferior, y se descubre su contribución al error. Se continúa haciendo esto hasta que llegas al primer conjunto de conexiones, en la parte inferior de la red. En ese punto, se sabe cuánto contribuyó cada conexión individual al error general y, finalmente, se cambia cada una de las ponderaciones en la dirección que mejor se reduzca el error en general. La técnica se llama "retropropagación" porque está "propagando" errores hacia atrás (o hacia abajo) a través de la red, comenzando desde la salida.

Lo sorprendente es que cuando haces esto con millones o miles de millones de imágenes, la red comienza a ser muy competente a la hora de señalar si en una imagen aparece un árbol o no.

Y lo que es aún más asombroso es que las capas individuales de estas redes de reconocimiento de imágenes comienzan a ser capaces de "ver" imágenes de la misma manera que lo hace nuestro propio sistema visual. Es decir, la primera capa podría terminar detectando bordes, en el sentido de que sus neuronas se excitan cuando hay bordes y no se excitan cuando no las hay; la capa encima de esa podría ser capaz de detectar conjuntos de bordes, como esquinas; la capa encima de esa puede comenzar a ver formas, y así sucesivamente.

La red se organiza, en otras palabras, en capas jerárquicas sin haber sido programada explícitamente de esa manera.

Sorprendentemente tonto

A pesar de sus asombrosos resultados, pues, estos sistemas de aprendizaje profundo son bastante tontos. Las redes neuronales son simplemente identificadores de patrones y, por tanto, se pueden engañar fácilmente. Una red neuronal profunda que reconoce imágenes puede bloquearse por completo al cambiar un solo píxel o agregar un ruido visual imperceptible para un ser humano.

El aprendizaje profundo de alguna manera imita lo que sucede en el cerebro humano, pero solo de una manera superficial, lo que quizás explica por qué su inteligencia a veces puede parecer tan superficial. La razón de ello es que no podemos imitar el cerebro humano en toda su complejidad porque ni siquiera sabemos cómo funciona.

De hecho, el backprop no fue descubierto tras sondear profundamente en el cerebro, descifrando el pensamiento en sí mismo; surgió a partir de modelos de cómo los animales aprenden por ensayo y error en antiguos experimentos de acondicionamiento clásico.

Hemos mejorado la IA de forma increíble, pero en función de pequeños retoques de ingeniería. Se ignora si mejorando esa ingeniería se alcanzará algo parecido a la solvencia de un cerebro humano. Y si hemos exprimido ya todo lo que da de sí la retropropagación, estaríamos en las postrimerías de una pequeña revolución en la IA.

¿Alguna vez la IA podrá aprender con tanta fluidez que un cerebro humano diferentes tipos de patrones conectados entre sí en función de distintos contextos? En definitiva, ¿una IA podría tener algo parecido a un modelo del mundo? No lo sabemos. Ni siquiera sabemos con seguridad si estamos siguiendo el camino correcto para conseguirlo. Eso no significa, naturalmente, que no acabemos por lograrlo, o que, al menos, consigamos que la IA realice muchos trabajos puntuales de forma mucho más eficaz que el ser humano.

Melodías originales generadas de forma automática, sin posibilidad de plagio, han sido fruto no de las destrezas cognitivas de un cerebro humano, sino de un algoritmo desarrollado por científicos de la Escuela Politécnica Federal de Lausana (Suiza).

Este compositor artificial llamado DAC (Deep Artificial Composer) podría algún día generar música convincente para múltiples instrumentos en tiempo real.

DAC

Por el momento, DAC es capaz de generar nuevas melodías que imitan la música tradicional folclórica de origen irlandés o klezmer. No es que emita la música, sino que escribe la melodía en una partitura. Según explica Florian Colombo, científico de la Escuela Politécnica Federal de Lausana:

Puede producir melodías completas, con un principio y un final, que son completamente novedosas y que comparten características que nos relacionamos con el estilo. Que yo sepa, esta es la primera vez que un modelo de red neuronal artificial ha producido melodías enteras y convincentes. También ofrecemos una nueva herramienta para evaluar la originalidad de una pieza

No es algo nuevo que una Inteligencia Artificial componga música. La novedad de DAC estriba en que la IA es la que aprende a componer melodías completas sin ninguna teoría musical de principio a fin, basándose únicamente en una gran base de datos de música existente. Además, que las muestras sean en este estilo de música no es una limitación de la IA: la ventaja es que muchas melodías irlandesas y Klezmer ya están digitalizadas y fácilmente accesibles. En el futuro, cualquier estilo musical podría ser dominado por DAC.

La palabra “robot” deriva de la palabra checa que significa “trabajador”, y apareció por primera vez en la obra de 1920 R.U.R (Rossum´s Universal Robots) de Kaerl Capek, en la que unos científicos construyen una nueva raza de seres mecánicos que parecen idénticos a los humanos. Su servilismo se va al traste cuando los humanos los maltratan: entonces los robots se rebelan y se convierten en los amos del mundo.

Algo similar podemos contemplar en la película Terminator, cuando una red de superordenadores llamada Skynet adquiere consciencia de sí misma y decide eliminar a la humanidad. ¿Hasta qué punto estas historias de ciencia ficción son simples entretenimientos agoreros? ¿Existe la posibilidad de que un robot adquiera consciencia de sí mismo? Y si lo hiciera, ¿se rebelaría?

La pregunta mal formulada

Algunos filósofos y expertos en computación, al abordar el tema de la Inteligencia Artificial, aducen que la pregunta de si algún día éstas adquirirán consciencia de sí mismas, inteligencia indistinguible a la humana, ni siquiera tiene sentido. Es como preguntar qué es la vida: su definición siempre estará sujeta a cierto arbitrio, y siempre excluirá algunos sujetos.

Äkta människor

Pero, en aras de simplificar las cosas, imaginemos que definimos la consciencia como la capacidad de incluirse a uno mismo en un modelo del entorno con el fin de anticipar una variedad de sucesos. En base a esa definición, Junichi Takeno y su equipo en la universidad Meiji están dando los primeros pasos para construir robots con una teoría de la mente.

Por ejemplo, ya han logrado construir un robot que imitaba a otro, tras observarlo. La capacidad de observar e imitar, fijándose solo en lo importante y excluyendo lo irrelevante, es algo muy propio de la conciencia humana.

En 2012, científicos de la Universidad de Yale, liderados por el programador Justin Hart, incluso crearon un robot que era capaz de reconocerse en un espejo, una habilidad cuya competencia es propia de humanos y unos pocos animales, tal y como explica Michio Kaku en su libro El futuro de nuestra mente:

Los científicos de Yale construyeron un robot llamado Nico, que parece un esqueleto estrafalario hecho de cables retorcidos, con brazos mecánicos y dos ojos saltones en lo alto. Cuando se le puso delante de un espejo, Nico no solo se reconoció, sino que además fue capaz de localizar la posición de los objetos de una habitación mirando sus imágenes en el espejo. Esto es similar a lo que hacemos nosotros cuando miramos un espejo retrovisor y deducimos la situación de los objetos.

Mirando el futuro

A pesar de estos avances, la capacidad de pensarse a uno mismo en el futuro y elaborar estrategias no es algo que se haya conseguido aún en los robots. Los robots aún no son capaces de crear simulaciones del futuro, y tampoco tiene objetivos. Incluso un objetivo tan sencillo como “preservar tu propia vida” todavía no se sabe cómo programarse en la mente de un robot.

Para ello, el robot debería ser capaz de reconocer amenazas, planear formas de impedirla, y anticiparse cronológicamente a los escenarios posibles en función de sus estrategias. Ello incluye demasiada información, a juicio de Kaku, porque debería “incorporar todas las leyes del sentido común, la física, la química y la biología, además de datos sobre la conducta y la sociedad humanas”. Es decir, que Skynet tiene más de ficción que de ciencia.

Con todo, podríamos imaginar que en el siglo XXII conseguimos tal hazaña. Entonces nos deberíamos enfrentar a otros problemas de difícil resolución:

Si estos tienen objetivos compatibles con los nuestros, este tipo de inteligencia no planteará ningún problema. Pero ¿qué ocurrirá si las metas son diferentes? Lo que se teme es que los humanos sean superados en inteligencia por los robots autoconscientes y acaben esclavizados. Gracias a su capacidad superior de simular el futuro, los robots podrían predecir los resultados de muchas situaciones y encontrar la mejor manera de derrocar a la humanidad. Una manera de controlar este proceso sería asegurarse de que los objetivos de estos robots sean benévolos. Como hemos visto, no basta con las simulaciones del futuro. Estas deben servir a algún objetivo final. Si el objetivo de un robot es simplemente la autoconservación, podría reaccionar de manera defensiva a cualquier intento de desactivarlo, lo que podría significar problemas para la humanidad.

Un equipo experto en ciencias computacionales y bioingeniería del Caltech (Instituto de Tecnología de California) ha utilizado moléculas de ADN para crear una Inteligencia Artificial que, según publican en el último número de la revista Nature, es “capaz de reconocer patrones de sucesos, formar recuerdos, tomar decisiones y realizar acciones diferentes”, de manera similar a un cerebro humano.

El prototipo es una red neuronal compuesta por el equivalente a cuatro neuronas y no está dentro de un superordenador tipo Skynet o HAL9000 sino dentro de un tubo de ensayo, comunicándose con el mundo mediante señales químicas y marcadores fluorescentes. Para construir la red neuronal bioquímica, se basaron en un modelo de neurona sencillo denominado “función de umbral lineal”.

Para el experimento que medía la “inteligencia” de este “cerebro artificial”, éste debía adivinar el nombre de un científico famoso después de que se le introdujeran datos del tipo “nació en tal época” o “vivió en tal sitio”. Las “preguntas” se introducían en el tubo mediante hebras de ADN y la red proporcionaba sus respuestas a través de señales fluorescentes.

Una vez que se introdujeron los datos necesarios en la red, el equipo de científicos elegía un nombre al azar, y proporcionaba a la IA un conjunto incompleto de datos sobre él. Las respuestas posibles eran “Rosalind Franklin”, “Claude Shannon”, “Santiago Ramón y Cajal” y “Alan Turing”.

La red neuronal artificial acertó todas las veces en de qué científico se trataba utilizando 27 formas distintas de respuesta a las cuestiones.

Vía | ABC

Fabricado por estudiantes de la Universidad de Tecnología Swinburne (Australia), un autómata llamado Ruby ha conseguido resolver el cubo de Rubik en menos de 10,69 segundos. Lo que supone un nuevo récord para los robots, sí, (la mejor marca la ostentaba Cubinator, con 18,2 segundos), sin embargo todavía no han alcanzado a los humanos: Feliks Zemdegs lo consiguió en 6,24 segundos en el Kubaroo Open en 2011.

Pero también parecía imposible que en una computadora pudiera vencer al ajedrez a un ser humano, y finalmente ha sucedido. Así que Humanos 1 – Robots 0 (De momento).

El robot escanea primero cada cara de un cubo desordenado con ayuda de una webcam, y posteriormente emplea un algoritmo para desarrollar una solución, que aplica a gran velocidad con unas “pinzas”. El tiempo total empleado por el robot ncluye el tiempo que toma para hacer la exploración inicial del cubo.

A continuación podéis ver un video que muestra la hazaña:

Un experto humano es capaz de ejecutar entre 2 y 5 giros de las caras del cubo por segundo, y existe un número mínimo máximo de movimientos para resolverlo. El número ha sido llamado “número de Dios”, y se ha establecido en 20 únicos pasos.

Para ello se tuvo que calcular todas las posiciones posibles con el cubo (43.252.003.274.489.856.000), una tarea que hasta hace poco era imposible, según el profesor Morley Davidson, matemático de la Universidad de Kent y miembro del grupo de investigadores que han conseguido llegar al “número de Dios”.

Vía | Peru21 / DailyMail

Siempre he tenido la convicción de que los chistes no hacen tanta gracia por su contenido como por la forma en que se explican. De hecho, leer chistes no me hace ninguna gracia. Tal vez es que generalmente los chistes son muy malos.

Pero ¿y un ordenador? Un chiste no deja de ser una fórmula para provocar hilaridad. Y a los ordenadores se les da bien operar con fórmulas. ¿Un ordenador conseguiría pulsar los resortes de la risa más intensa simplemente afinando las fórmulas de la risa hasta límites para los que el cerebro humano no está capacitado? ¿Desbancará algún día Robocop o Hal9000 a Chiquito de la Calzada?

Por el momento, no creo que sea así, al menos si echamos un vistazo a un chiste creado por un ordenador. Es lo que Graham Ritchie y Kim Binsted consiguieron al diseñar un programa capaz de producir chistes: JAPE, diseñado para generar preguntas y respuestas.

La mayoría de las chanzas de ordenador no tenían demasiada gracia, a excepción de uno (que tampoco era para echar cohetes):

Qué tipo de criminal tiene fibra? Un asesino cereal.

Es decir, que el ordenador recurrió a una de las fórmulas más básicas del humor: el simple retruécano. Lo que también evidencia que a los ordenadores les queda mucho trabajo por delante si algún día pretenden hacernos reír a carcajadas.

El humor computacional es un área relativamente nueva: la primera conferencia sobre el tema fue organizada en 1996. Sin embargo, el primer “modelo computacional del sentido del humor” fue sugerido por Suslov ya en 1992.

Desde entonces, el enfoque ha sido mejorado, y el último informe, con fecha de 2007, describe el generador de bromas STANDUP, implementado en lenguaje de programación Java. Craig McDonough creó el Mnemonic Sentence Generator, que convierte las contraseñas en frases humorísticas, basándose en la teoría de la incongruencia del humor, que se sugiere que sentencias sin sentido pero divertidas son más fáciles de recordar.

Vía | Rarología de Richard Wiseman

Todos conocemos a Leonardo da Vinci, sobre todo desde que nos dan la matraca día sí, día también con lo del Código da Vinci del amigo Dan Brown. Pero existe otro genio, español, de principios de siglo, también llamado Leonardo, que no tuvo la suerte de acabar siendo popular, aunque sus hazañas lo merezcan. Desde aquí vamos a contribuir con nuestro grano de arena para darlo a conocer.

Había nacido en Santa Cruz de Iruña, Santander, en 1852, y estaba considerado no sólo uno de los precursores de la informática, construyendo las primeras computadoras electrónicas españolas, sino también de la cibernética, gracias a la publicación de su obra Ensayos sobre automática. Su definición. Extensión teórica de sus aplicaciones, en 1913.

Además, aquel prolífico investigador había inventado y construido varios transbordadores, tanto en España como en el extranjero, como el Spanish Aerocar, que todavía funciona en las cataratas del Niágara, en Estados Unidos, sin ningún accidente importante durante toda su historia. Se construyó entre 1914 y 1916, siendo un proyecto español de principio a final: ideado por un español, construido por una empresa española con capital español.

Una placa de bronce, situada sobre un monolito a la entrada de la estación de acceso recuerda este hecho: “Transbordador aéreo español del Niágara. Leonardo Torres Quevedo (1852–1936)”.

También tenía en su haber máquinas de calcular, analógicas y digitales (los aritmómetros). Dirigibles (los Astra-Torres, que fueron adquiridos por los ejércitos francés e inglés a partir de 1913 y empleados luego en la Primera Guerra Mundial en muy diversas tareas, fundamentalmente de protección e inspección naval). El Telekino (un autómata que ejecutaba órdenes transmitidas mediante telegrafía sin hilos, mediante ondas hercianas, que constituyó el primer aparato de radiodirección del mundo). fue un pionero en el campo del mando a distancia, junto a Nikola Tesla.

Y el más llamativo y quizá precursor de la Inteligencia Artificial, los jugadores ajedrecistas (autómatas jugadores de final de partida de ajedrez: se enfrenta el rey y torre blancos “máquina” contra el rey negro “humano”; el resultado “victoria de las blancas” de la partida está determinado algorítmicamente; disponía de un brazo mecánico para mover las piezas y de sensores eléctricos en el tablero para conocer su ubicación).

A diferencia del Leonardo florentino, Torres Quevedo sí que había materializado sus diseños e inventos. Pero por desgracia nació en un país donde apenas había tenido resonancia su genio, que fructificó casi siempre en patentes extranjeras. Por ejemplo, es tal su prestigio en Francia, que en junio de 1927 la Academia de Ciencias de París le elige como uno de los doce miembros "Asociados Extranjeros" con 36 sufragios. Sus rivales obtienen escasos apoyos: Ernest Rutherford, 4 votos; Ramón y Cajal, 2 votos.

No en vano, Torres Quevedo falleció en diciembre de 1936, en Madrid, y en plena Guerra Civil el acontecimiento pasó inadvertido, bien que fuera de nuestras fronteras sí que se lamentó profundamente su desaparición. Y luego nos sorprende que haya fuga de cerebros.

Más información | TorresQuevedo.org