El futuro no lo harán los humanos ni las máquinas solo, sino que ambos, trabajando juntos. Las tecnologías basadas en el funcionamiento del cerebro humano ya están aumentando las capacidades de las personas, y solo se volverá más influyente a medida que la sociedad se acostumbre a estas máquinas cada vez más capaces.

Los optimistas tecnológicos han imaginado un mundo con una productividad humana y una calidad de vida en aumento a medida que los sistemas de inteligencia artificial se hacen cargo de la monotonía y la administración de la vida. beneficiando a todos. Pesimistas, por otra parte, han advertido que estos avances podrían tener un gran costo en la pérdida de puestos de trabajo y la alteración de vidas. Y a los que promueven el miedo les preocupa que la IA pueda eventualmente hacer obsoletos a los seres humanos.

Sin embargo, la gente no es muy buena imaginando el futuro. Ni la utopía ni el fin del mundo son probables. En mi nuevo libro "La revolución del aprendizaje profundo, "mi objetivo era explicar el pasado, presente y futuro de esta área de ciencia y tecnología en rápido crecimiento. Mi conclusión es que la IA te hará más inteligente pero de formas que te sorprenderán.

Reconociendo patrones

El aprendizaje profundo es la parte de la IA que ha avanzado más en la resolución de problemas complejos como identificar objetos en imágenes, reconocer el habla de varios hablantes y procesar el texto de la forma en que las personas lo hablan o lo escriben. El aprendizaje profundo también ha demostrado ser útil para identificar patrones en los conjuntos de datos cada vez más grandes que se generan a partir de sensores. dispositivos médicos e instrumentos científicos.

El objetivo de este enfoque es encontrar formas en que una computadora pueda representar la complejidad del mundo y generalizar a partir de experiencias anteriores, incluso si lo que sucede a continuación no es exactamente lo mismo que sucedió antes. Así como una persona puede identificar que un animal específico que nunca ha visto antes es en realidad un gato, Los algoritmos de aprendizaje profundo pueden identificar aspectos de lo que podría llamarse "gato-ness" y extraer esos atributos de nuevas imágenes de gatos.

Los métodos para el aprendizaje profundo se basan en los mismos principios que impulsan el cerebro humano. Por ejemplo, el cerebro maneja muchos datos de varios tipos en muchas unidades de procesamiento al mismo tiempo. Las neuronas tienen muchas conexiones entre sí, y esos vínculos se fortalecen o debilitan según la cantidad de uso, Establecer asociaciones entre entradas sensoriales y salidas conceptuales.

La red de aprendizaje profundo más exitosa se basa en la investigación de la década de 1960 sobre la arquitectura de la corteza visual, una parte del cerebro que usamos para ver, y algoritmos de aprendizaje que se inventaron en la década de 1980. En aquel momento, las computadoras aún no eran lo suficientemente rápidas para resolver problemas del mundo real. Ahora, aunque, son.

Además, las redes de aprendizaje se han superpuesto unas a otras, creando redes de conexiones que se asemejan más a la jerarquía de capas que se encuentran en la corteza visual. Esto es parte de una convergencia que se está produciendo entre la inteligencia artificial y la biológica.

Aprendizaje profundo en la vida real

El aprendizaje profundo ya se está sumando a las capacidades humanas. Si utiliza los servicios de Google para buscar en la web, o utilizar sus aplicaciones para traducir de un idioma a otro o convertir la voz en texto, la tecnología te ha hecho más inteligente, o más eficaz. Recientemente en un viaje a China, un amigo habló inglés en su teléfono Android, que lo tradujo al chino hablado para un taxista, al igual que el traductor universal de "Star Trek".

Estos y muchos otros sistemas ya están en funcionamiento, ayudándote en tu vida diaria incluso si no eres consciente de ellos. Por ejemplo, el aprendizaje profundo está comenzando a hacerse cargo de la lectura de imágenes de rayos X y fotografías de lesiones cutáneas para la detección del cáncer. Su médico local pronto podrá detectar problemas que hoy son evidentes solo para los mejores expertos.

Incluso cuando sepa que hay una máquina involucrada, es posible que no comprenda la complejidad de lo que realmente están haciendo:detrás de Alexa de Amazon hay un grupo de redes de aprendizaje profundo que reconocen su solicitud, Examine los datos para responder a sus preguntas y tomar medidas en su nombre.

Avanzando en el aprendizaje

El aprendizaje profundo ha sido muy eficaz para resolver problemas de reconocimiento de patrones, pero para ir más allá se requieren otros sistemas cerebrales. Cuando un animal es recompensado por una acción, es más probable que emprenda acciones similares en el futuro. Las neuronas de dopamina en los ganglios basales del cerebro informan la diferencia entre las recompensas esperadas y recibidas, llamado error de predicción de recompensa, que se utiliza para cambiar la fuerza de las conexiones en el cerebro que predicen recompensas futuras.

Acoplando este enfoque, llamado aprendizaje por refuerzo, con el aprendizaje profundo puede dar a las computadoras el poder de identificar posibilidades inesperadas. Al reconocer un patrón y luego responder a él de una manera que genere recompensas, las máquinas pueden enfocar los comportamientos en la línea de lo que podría llamarse creatividad humana. Este enfoque combinado es cómo DeepMind desarrolló un programa llamado AlphaGo, que en 2016 derrotó al gran maestro Lee Sedol y al año siguiente venció al campeón mundial de Go, Ke Jie.

Los juegos no son tan complicados como el mundo real, que está lleno de incertidumbres cambiantes. Massimo Vergassola en la Universidad de California, San Diego, y recientemente utilicé el aprendizaje por refuerzo para enseñarle a un planeador en el campo cómo volar como un pájaro en térmicas turbulentas. Se pueden conectar sensores a aves reales para probar si usan las mismas señales y responden de la misma manera.

A pesar de estos éxitos, Los investigadores aún no comprenden completamente cómo el aprendizaje profundo resuelve estos problemas. Por supuesto, tampoco sabemos cómo los resuelve el cerebro.

Si bien el funcionamiento interno del cerebro puede seguir siendo esquivo, es solo cuestión de tiempo antes de que los investigadores desarrollen una teoría del aprendizaje profundo. La diferencia es que al estudiar informática, los investigadores tienen acceso a todas las conexiones y patrones de actividad de la red. El ritmo del progreso es rápido, con artículos de investigación que aparecen a diario en arXiv. Surprising advances are eagerly anticipated this December at the Neural Information Processing Systems conference in Montreal, which sold out 8, 000 tickets in 11 minutes, leaving 9, 000 hopeful registrants on the waiting list.

There is a long way to go before computers achieve general human intelligence. The largest deep learning network today has only the power of a piece of human neural cortex the size of a rice grain. And we don't yet know how the brain dynamically organizes interactions between larger brain areas.

Nature already has that level of integration, creating large-scale brain systems capable of operating all aspects of the human body while pondering deep questions and completing complex tasks. Por último, autonomous systems may become as complex, joining the myriad living creatures on our planet.

Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.