El 29 de octubre de 1969, solo unos meses después de que el Apolo 11 aterrizara en la Luna, el estudiante de posgrado Charley Kline envió un mensaje desde su ordenador en UCLA a un ordenador situado a unos 560 kilómetros al norte, en el Instituto de Investigación de Stanford (SRI).

En un sentido técnico, aquel instante constituyó la activación de las dos primeras 'neuronas' de Internet. La red, llamada Arpanet, se expandió rápidamente a otras instituciones y se convirtió en una especie de proto-internet para investigadores y científicos. Desde entonces, internet no ha dejado de conectar ordenadores y otros dispositivos entre sí.

Conexiones

Arpanet alcanzó un máximo de alrededor de 100 nodos (u ordenadores conectados). Internet de hoy es una red de redes que comprende miles de millones de nodos en todo el mundo. Imaginar algo así resulta demasiado abstracto.

Para visualizar realmente esta expansión, se necesita mapear el territorio. Los mapas de Arpanet eran esquemas de ingeniería bastante sencillos, pero la escala del internet moderno es demasiado grande para una hoja de papel marcado algunos puntos y líneas rectas.

En 2003, sin embargo, Barrett Lyon trabajaba como hacker, y las empresas le pidieron la tarea de eliminar las vulnerabilidades de sus sistemas, así que desarrolló herramientas de mapeo para el trabajo. Sus rastreadores electrónicos rastrearían las líneas y los nodos de una red y reportarían lo que encontraran.

La visualización resultante recordó grandes patrones naturales, como redes de neuronas o la estructura a gran escala del universo. Pero era a la vez más mundano y alucinante.

En Xataka Ciencia

Internet altera áreas de nuestro cerebro asociadas a la cognición, según un nuevo estudio

En 2010, Lyon actualizó su mapa utilizando un nuevo método. En lugar de las rutas de rastreo que había usado en 2003, que no siempre eran precisas, recurrió a una herramienta de mapeo más precisa utilizando tablas de ruta generadas por el protocolo de puerta de enlace de frontera o BGP (del inglés Border Gateway Protocol)​, el sistema principal de Internet para enrutar información de manera eficiente. Y ahora, ha vuelto con un nuevo mapa basado en rutas BGP del proyecto Route Views de la Universidad de Oregon. Solo que esta vez el mapa se mueve: es un lapso de aproximadamente 25 años del crecimiento explosivo de Internet.

Es una imagen fascinante, casi orgánica. Pero también es más que eso. Los colores se asignan a las regiones: América del Norte (azul), Europa (verde), América Latina (violeta), Asia Pacífico (rojo), África (naranja) y la red troncal de Internet (blanco). Las líneas conectan nodos; y las aglomeraciones de puntos son proveedores de Internet para redes públicas, privadas y gubernamentales (AT&T, Comcast, etc). El medio es la región más conectada y la periferia, la menos.

Las interconexiones y la comunicación entre diferentes regiones del cerebro humano influyen en el comportamiento de muchas maneras.

Según es el resultado de un estudio realizado por Kirsten Hilger y Christian Fiebach, del Departamento de Psicología y el Centro de Imágenes Cerebrales de la Universidad Goethe de Frankfurt, lo anterior también es cierto para las diferencias individuales en las capacidades cognitivas superiores.

Estabilidad en redes

El estudio, publicado en la revista Human Brain Mapping, analizó escáneres de imágenes de resonancia magnética funcional (fMRI) de 281 participantes para investigar cómo las características dinámicas de la red del cerebro humano se relacionan con la inteligencia general.

En Xataka Ciencia

Quienes obtienen calificaciones más bajas en pruebas cognitivas y emocionales tienden a abrazar el autoritarismo

El cerebro humano tiene una organización modular: se puede subdividir en redes separadas que cumplen diferentes funciones, como la visión, la audición o el control motor. En su estudio actual, Kirsten Hilger y sus colegas investigaron si esta organización modular del cerebro humano cambia con el tiempo y si estos cambios se relacionan o no con las diferencias individuales en los puntajes que los participantes del estudio lograron en una prueba de inteligencia.

En Xataka Ciencia

Estas son alguna de las pruebas que debería superar una Inteligencia Artificial para considerarse capaz de ser como un humano o mejor

Los resultados del estudio muestran que la organización de la red cerebral modular de personas más inteligentes exhibe menos fluctuaciones durante la sesión de medición de fMRI.

Esta mayor estabilidad de la organización de la red cerebral se encontró principalmente en los sistemas cerebrales que son importantes para el control de la atención. Según explica Hilger:

En la actualidad, no sabemos si las conexiones cerebrales temporalmente más estables son una fuente o una consecuencia de una mayor inteligencia. Sin embargo, nuestros resultados sugieren que los procesos de la atención controlada, es decir, la capacidad de mantenerse enfocado y concentrarse en una tarea, puede desempeñar un papel importante para la inteligencia general

La primera demostración de la tecnología de eliminación activa de desechos espaciales (ADR) ha sido llevada a cabo por satélite británico RemoveDEBRIS, soltado desde la Estación Espacial Internacional.

En el siguiente vídeo podréis ver cómo ha utilizado con éxito su tecnología de red a bordo.

RemoveDEBRIS

RemoveDEBRIS, diseñado, construido y fabricado por un consorcio de compañías espaciales líderes e instituciones de investigación lideradas por el Centro Espacial Surrey de la Universidad de Surrey, utilizó una red para capturar un objetivo desplegado que simula una pieza de desechos espaciales.

La nave espacial es operada en órbita por ingenieros de Surrey Satellite Technology Ltd en Guildford, Reino Unido. Según explica Ingo Retat, jefe de proyecto de Airbus RemoveDEBRIS:

Para desarrollar esta tecnología de red para capturar desechos espaciales, pasamos 6 años probando en vuelos parabólicos, en torres especiales y también en cámaras de vacío térmico. Nuestro pequeño equipo de ingenieros y técnicos han hecho un trabajo increíble acercándonos un paso más a limpiar la órbita baja de la Tierra.

La Red de Vigilancia Espacial de Estados Unidos rastrea 40.000 objetos y se estima que hay más de 7.600 toneladas de "basura espacial" dentro y alrededor de la órbita de la Tierra.

La Luna está a punto de tener su propia red de telefonía móvil. Vodafone Alemania se ha asociado con Nokia para construir la primera red 4G en la luna.

La red, que pretende estar preparada en 2019, apoyará una misión privada de rover lunar del equipo con base en Berlín Part Time Scientists.

Red selenita

El grupo fue uno de varios equipos que compitieron en el Google Lunar X Prize, una carrera privada a la luna que finalizará en marzo sin ganadores, que sin embargo ha reorientado sus objetivos a lanzar un módulo de aterrizaje y dos pequeños vehículos exploradores a La luna desde Cabo Cañaveral, Florida, en un cohete SpaceX Falcon 9 durante el año del 50º aniversario del aterrizaje lunar Apolo 11 de la NASA.

La red 4G de la luna apoyará a los rovers gemelos Audi Quattro de PTScientists y su módulo de aterrizaje ALINA (abreviatura de Autonomous Landing and Navigation Module). Los PTScientists utilizarán sus vehículos exploradores para estudiar el vehículo lunar utilizado por los astronautas del Apolo 17 durante su histórica misión en diciembre de 1972 al valle Taurus-Littrow de la luna.

Vodafone seleccionó a Nokia para construir una versión espacial de su Ultra Compact Network, una que será la más liviana jamás fabricada, de apenas 1 kg. Según explica el gerente de Vodafone Alemania:

Este proyecto implica un enfoque radicalmente innovador para el desarrollo de la infraestructura de redes móviles. También es un gran ejemplo de un equipo independiente y multidisciplinar que logra un objetivo de inmensa importancia a través de su coraje, espíritu pionero e inventiva.

Según el plan, el módulo de aterrizaje ALINA de PTScientists utilizará la red 4G para emitir la primera señal de video HD en vivo desde la superficie de la luna. La señal, que operará en la banda de frecuencia de 1.800 MHz, "se transmitirá a una audiencia global a través de un enlace de espacio profundo que se interconecta con el servidor PTScientists en el Mission Control Center en Berlín".

Además, mediante el uso de una red 4G, se podrán transmitir datos de los rovers Quattro al módulo de aterrizaje ALINA sin agotar las preciosas reservas de energía o exigir que los rovers permanezcan estacionarios mientras transmiten datos.

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.

Aprovechando que este 12 de octubre pasará muy cerca de nosotros (a unos 7.000 kilómetros) un pequeño asteroide, el 2012 TC4 que tiene entre 10 y 30 metros de tamaño, las NASA va a poner a prueba su red de defensa planetaria.

2012 TC4

El asteroide 2012 TC4 puede ser ligeramente más grande que la roca espacial que golpeó la atmósfera de la Tierra cerca de Chelyabinsk, Rusia, en febrero de 2013. Según explica Michael Kelley, científico líder de la NASA en esta campaña de observación:

Los científicos siempre han apreciado saber cuándo un asteroide hará un acercamiento cercano y pasará con seguridad cerca de la Tierra porque pueden hacer preparativos para recopilar datos para caracterizarlo y aprender tanto como sea posible sobre él. Esta vez estamos agregando otra capa de esfuerzo, usando este asteroide para probar la red mundial de detección y rastreo de asteroides, evaluando nuestra capacidad para trabajar juntos en respuesta a la búsqueda de una potencial amenaza real de asteroides.

Cuando comience a acercarse a la Tierra este verano, se usarán grandes telescopios para detectarlo y restablecer la trayectoria precisa del asteroide.

El término de "multiverso" fue acuñado en 1895 por el psicólogo William James y, a grandes rasgos, se emplea para definir los múltiples universos existentes (conjunto de universos en un solo universo), según las hipótesis que plantea que existen universos diferentes del nuestro propio. Algo así como universos paralelos.

Por el momento, solo es un concepto puramente especulativo que, sin embargo, ha sido profusamente usado en muchas novelas de ciencia ficción. Con todo, hay algún estudio, polémico, que indica indicios de la existencia de esta red de universos.

El estudio en cuestión se realizó en 2013 por parte de Laura Mersini-Houghton y Richard Holman que, a través del telescopio Planck, evidenciaron la posibilidad de que haya otros universos por fuera del nuestro. Sin embargo, lejos de polémicas, entender la enormidad de nuestro propio universo ya es difícil, pero si además debemos asumir la existencia de una red de otros universos, la cosa se descontrola.

Para hacerlo más visual, el siguiente vídeo titulado Star Size Comparison 2 aspira a hacerlo todo un poco más comprensible. En él se muestra una progresión de tamaños de los objetos que conforman el cosmos, desde nuestra Luna a la red cósmica que integra miles y miles de millones de galaxias dando forma a todo el Universo.

En la última parte del vídeo, cuando el zoom se amplia sobre esa estructura, superando los 75.000 millones de años luz de tamaño, aparece una esfera que muestra nuestro universo, y a continuación el zoom se amplía más y aparecen otras muchas esferas con diferentes apariencias.

Con el advenimiento de la Internet de las Cosas deberemos estar preparados para enfrentarnos a un tipo de virus totalmente nuevos, malware que no solo manipulará nuestro ordenador sino todo lo que nos rodea. Todo lo que esté equipado con microontroladores o sensores podrá ser objeto de manipulación ajena.

Hasta el punto de que una simple tetera eléctrica china sirva para hackear nuestra vida.

Los objetos contaminados

En 2013, por ejemplo, los funcionarios de aduanas de Rusia advertieron que una serie de productos fabricados en China, incluidas teteras eléctricas y planchas para ropa, llegaban con modificaciones anómalas.

Concretamente, estos dispositivos contenían tarjetas Wi-Fi en miniatura ocultas capaces de propagar malware a través de cualquier red de internet abierta en 200 metros a la redonda, incluso eran capaces de telefonear a casa y enviar mensajes secretos a China, tal y como explica Marc Goodman en su libro Los delitos del futuro:

Estas planchas y teteras no sólo eran capaces de unirse subrepticiamente a tu red Wi-Fi (algo que nadie esperaría nunca de una plancha normal y corriente), sino que podían utilizar tu propia red para propagar virus a otros ordenadores de tu hogar y diseminar mensajes de correo no deseado entre tus vecinos y el resto del mundo. Y aunque nos gustaría creer que las planchas espías y los cargadores de iPhone pirateados son rarezas, la realidad es que ya hay indicios de amenazas mucho más graves y generalizadas planteadas por la rápida asimilación de miles de millones de objetos conectados a la red de información mundial.

El objetivo de la misión Quantum Experiments at Space Scale (QUESS) es crear una red de comunicaciones super-seguras que potencialmente vincule a personas en cualquier parte del mundo y, para ello, China va a lanzar el primer satélite del mundo diseñado para hacer experimentos cuánticos.

La nave, de 600 kg de masa, es la última de una serie de satélites científicos que China pondrá en marcha desde el Centro de Lanzamiento de Satélites de Jiuquan en agosto.

En las tripas de su satélite hay un cristal que produce pares de fotones entrelazados, cuyas propiedades quedan entrelazadas aunque sean separados. La primera tarea del satélite será enviar esos pares a estaciones en tierra (en Pekín y Viena) y usarlos para generar una clave secreta.

Durante la misión de dos años, el equipo llevará a cabo una medición estadística conocida como prueba de Bell para demostrar que el entrelazamiento puede existir entre partículas separadas por una distancia de 1.200 kilómetros.

China no es el único país desarrollando este tipo de satélite. Europa, Japón y Canadá también están trabajando en sus propios satélites de comunicación cuántica, mientras que en Estados Unidos una empresa privada está buscando financiación federal para lanzar una red que una varias ciudades.

Vía | EuropaPress

El primer cable entre dos tierras separadas por agua fue tendido por el hombre de negocios Jacob Brett, en 1852. Estaba bajo el Canal de la Mancha y unía Reino Unido y Francia, e iba destinado al servido telegráfico. El primer enlace transoceánico con fibras óptica se llamó TAT-8. Comenzó a operar en 1988. El 80 % de las comunicaciones mundiales de teléfono y datos tienen lugar a través de esta inmensa red de cables submarinos.

Ahora Microsoft y Facebook generan tantos datos que necesitan construir su propio cable, que unirá Virginia, en la costa este de Estados Unidos, con España, concretamente con Bilbao.

El cable, que atravesará 6.600 kilómetros del océano Atlántico, se llamará Marea y tendrá una capacidad 160 terabytes por segundo, 16 millones de veces más rápido que una conexión de internet doméstica. Bilbao será el núcleo irradiador de red al resto de Europa, África, Oriente Medio y Asia.

De este modo, los clientes de ambas compañías verán reducidos sus costes de conexión y actualizaciones de servicio más eficientes orientadas a extender el bando de ancha de la red debido al uso de fibra óptica.

Vía | Sinc