Los juegos se han utilizado durante mucho tiempo como bancos de pruebas y puntos de referencia para la inteligencia artificial, y no ha habido escasez de logros en los últimos meses. AlphaGo de Google DeepMind y el bot de póquer Libratus de la Universidad Carnegie Mellon han vencido a los expertos humanos en juegos que tradicionalmente han sido difíciles para la IA, unos 20 años después de que DeepBlue de IBM lograra la misma hazaña en el ajedrez.

Juegos como estos tienen la atracción de reglas claramente definidas; son relativamente simples y económicos para que los investigadores de IA trabajen con ellos, y proporcionan una variedad de desafíos cognitivos en cualquier nivel de dificultad deseado. Al inventar algoritmos que los reproduzcan bien, Los investigadores esperan conocer los mecanismos necesarios para funcionar de forma autónoma.

Con la llegada de las últimas técnicas en inteligencia artificial y aprendizaje automático, La atención ahora está cambiando a juegos de computadora visualmente detallados, incluido el juego de disparos en 3-D Doom, varios juegos 2-D Atari como Pong y Space Invaders, y el juego de estrategia en tiempo real StarCraft.

Todo esto es ciertamente un progreso, pero se está pasando por alto una parte clave del panorama general de la IA. La investigación ha priorizado juegos en los que se conocen de antemano todas las acciones que se pueden realizar, ya sea moviendo un caballero o disparando un arma. La computadora tiene todas las opciones desde el principio y la atención se centra en qué tan bien elige entre ellas. El problema es que esto desconecta la investigación de la IA de la tarea de hacer que las computadoras sean realmente autónomas.

Pieles de banano

Hacer que las computadoras determinen qué acciones existen en un contexto dado presenta desafíos conceptuales y prácticos que los investigadores de juegos apenas han intentado resolver hasta ahora. El problema de "los monos y los plátanos" es un ejemplo de un enigma de la IA de larga data en el que no se ha logrado ningún progreso reciente.

El problema fue planteado originalmente por John McCarthy, uno de los padres fundadores de AI, en 1963:hay una habitación que contiene una silla, un palo, un mono y un racimo de plátanos colgados de un gancho del techo. La tarea consiste en que una computadora cree una secuencia de acciones para permitir que el mono adquiera los plátanos.

McCarthy hizo una distinción clave entre dos aspectos de esta tarea en términos de inteligencia artificial. Viabilidad física:determinar si una secuencia particular de acciones es físicamente realizable; y factibilidad epistémica o relacionada con el conocimiento:determinar qué posibles acciones para el mono existen realmente.

Determinar qué es físicamente factible para el mono es muy fácil para una computadora si se le informan todas las acciones posibles con anticipación:"subir a la silla", "palo de onda" y así sucesivamente. Un programa simple que instruya a la computadora para que revise todas las posibles secuencias de acciones una por una, llegará rápidamente a la mejor solución.

Si la computadora tiene que determinar primero qué acciones son posibles, sin embargo, es un desafío mucho más difícil. Plantea preguntas sobre cómo representamos el conocimiento, las condiciones necesarias y suficientes para saber algo, y cómo sabemos cuándo se ha adquirido suficiente conocimiento. Al destacar estos problemas, McCarthy dijo:"Nuestro objetivo final es hacer programas que aprendan de su experiencia con la misma eficacia que los humanos".

Hasta que las computadoras puedan abordar los problemas sin una descripción predeterminada de las posibles acciones, este objetivo no se puede lograr. Es lamentable que los investigadores de IA estén descuidando esto:estos problemas no solo son más difíciles e interesantes, parecen un requisito previo para seguir avanzando de forma significativa en el campo.

Apelación de texto

Para operar de forma autónoma en un entorno complejo, Es imposible describir de antemano la mejor forma de manipular, o incluso caracterizar, los objetos que se encuentran allí. Enseñar a las computadoras a sortear estas dificultades conduce inmediatamente a preguntas profundas sobre el aprendizaje de experiencias anteriores.

En lugar de centrarse en juegos como Doom o StarCraft, donde sea posible evitar este problema, una prueba más prometedora para la IA moderna podría ser la humilde aventura de texto de los años setenta y ochenta.

En los días anteriores a que las computadoras tenían capacidades gráficas sofisticadas, juegos como Colossal Cave y Zork eran populares. A los jugadores se les informó sobre su entorno mediante mensajes en la pantalla:

Tuvieron que responder con instrucciones sencillas, generalmente en forma de verbo o verbo más un sustantivo - "mirar", "tomar caja" y así sucesivamente. Parte del desafío consistía en determinar qué acciones eran posibles y útiles y responder en consecuencia.

Un buen desafío para la IA moderna sería asumir el papel de un jugador en una aventura de este tipo. La computadora tendría que dar sentido a las descripciones de texto en la pantalla y responder a ellas con acciones, utilizando algún mecanismo predictivo para determinar su efecto probable.

Los comportamientos más sofisticados por parte de la computadora implicarían explorar el entorno, definir metas, tomar decisiones de acción orientadas a objetivos y resolver los diversos desafíos intelectuales que normalmente se requieren para progresar.

Qué tan bien los métodos modernos de IA del tipo promovido por gigantes tecnológicos como IBM, Google, Facebook o Microsoft les iría bien en estas aventuras de texto es una pregunta abierta, al igual que cuánto conocimiento humano especializado requerirían para cada nuevo escenario.

Para medir el progreso en esta área, Durante los últimos dos años, hemos estado organizando una competencia en la Conferencia IEEE sobre Inteligencia Computacional y Juegos, que este año tiene lugar en Maastricht en los Países Bajos en agosto. Los competidores envían sus inscripciones por adelantado, y pueden usar la tecnología de inteligencia artificial de su elección para crear programas que puedan jugar a estos juegos entendiendo una descripción de texto y emitiendo comandos de texto apropiados a cambio.

En breve, Los investigadores deben reconsiderar sus prioridades para que la IA siga progresando. Si desenterrar las raíces olvidadas de la disciplina resulta fructífero, el mono puede finalmente obtener sus plátanos después de todo.

Este artículo se publicó originalmente en The Conversation. Lea el artículo original.