Los números figuran bastante arriba en la lista de lo que una computadora puede hacer bien. Si bien los humanos a menudo luchan por dividir la cuenta de un restaurante, una computadora moderna puede hacer millones de cálculos en un mero segundo. Humanos sin embargo, tener un sentido numérico innato e intuitivo que nos ayudó, entre otras cosas, para construir computadoras en primer lugar.

A diferencia de una computadora, un humano sabe cuando mira a cuatro gatos, cuatro manzanas y el símbolo 4 de que todas tienen una cosa en común, el concepto abstracto de "cuatro", sin siquiera tener que contarlas. Esto ilustra la diferencia entre la mente humana y la máquina, y ayuda a explicar por qué ni siquiera estamos cerca de desarrollar IA con la amplia inteligencia que poseen los humanos. Pero ahora un nuevo estudio, publicado en Science Advances, informa que una IA ha desarrollado espontáneamente un sentido numérico similar al humano.

Para que una computadora cuente debemos definir claramente qué es lo que queremos contar. Una vez que asignamos un poco de memoria para mantener el contador, podemos ponerlo en cero y luego agregar un elemento cada vez que encontremos algo que queramos grabar. Esto significa que las computadoras pueden contar el tiempo (señales de un reloj electrónico), palabras (si están almacenadas en la memoria de la computadora) e incluso objetos en una imagen digital.

Esta última tarea, sin embargo, es un poco desafiante, ya que tenemos que decirle a la computadora exactamente cómo se ven los objetos antes de que pueda contarlos. Pero los objetos no siempre tienen el mismo aspecto:variación en la iluminación, la posición y la pose tienen un impacto, así como cualquier diferencia en la construcción entre ejemplos individuales.

Todos los enfoques computacionales exitosos para detectar objetos en imágenes funcionan construyendo una especie de imagen estadística de un objeto a partir de muchos ejemplos individuales:un tipo de aprendizaje. Esto permite que la computadora reconozca nuevas versiones de objetos con cierto grado de confianza. La formación implica ofrecer ejemplos que sí, o no, contener el objeto. Luego, la computadora adivina si lo hace, y ajusta su modelo estadístico de acuerdo con la precisión de la conjetura, según lo juzgue un humano que supervisa el aprendizaje.

Los sistemas modernos de IA comienzan automáticamente a ser capaces de detectar objetos cuando se les proporcionan millones de imágenes de entrenamiento de cualquier tipo, al igual que lo hacen los humanos. Estos sistemas de aprendizaje no supervisados ​​notan gradualmente partes de los elementos en las imágenes que a menudo están presentes al mismo tiempo, y acumular capa tras capa de puntos en común más complicados.

Tomemos como ejemplo el reconocimiento de manzanas. A medida que se presentan al sistema imágenes que contienen todo tipo de formas, primero comienza a notar grupos de píxeles que forman líneas horizontales y verticales, y curvas izquierda y derecha. Están presentes en las manzanas caras, gatos y autos, así que los puntos en común, o abstracciones, se encuentran desde el principio. Eventualmente se da cuenta de que ciertas curvas y líneas a menudo están presentes juntas en las manzanas, y desarrolla una nueva, abstracción de nivel más profundo que representa una clase de objetos:manzanas, en este caso.

Aprendizaje profundo

Esta emergencia natural de abstracciones de alto nivel es uno de los resultados más emocionantes de la técnica de aprendizaje automático llamada redes neuronales profundas. que en cierto sentido funcionan de manera similar al cerebro humano. La "profundidad" proviene de las muchas capas de la red:a medida que la información se adentra más en la red, los puntos en común encontrados se vuelven más abstractos. De este modo, Las redes se crean con elementos que están fuertemente activos cuando la entrada es similar a la que ha experimentado antes. Las cosas más abstractas aparecen en los niveles más profundos:estos son gatos, caras y manzanas en lugar de líneas verticales o círculos.

Cuando un sistema de IA puede reconocer manzanas, luego puede usarlo para contar cuántos hay. Eso es genial, sin embargo, no es exactamente como tú o yo contamos las manzanas. Tenemos un concepto extremadamente profundo de "número":cuántos de algo hay. En lugar de estar activo cuando un objeto está presente, partes de nuestro cerebro se activan dependiendo de la cantidad de objetos presentes. Significa que podemos mirar un montón de manzanas y saber que hay cuatro sin contar cada una.

De hecho, muchos animales también pueden hacer esto. Esto se debe a que este sentido de numerosidad es un rasgo útil para la supervivencia y la reproducción en muchas situaciones diferentes, por ejemplo, juzgar el tamaño de los grupos de rivales o presas.

Propiedades emergentes

En el nuevo estudio, una red neuronal profunda que fue entrenada para la detección de objetos visuales simples desarrolló espontáneamente este tipo de sentido numérico. Los investigadores descubrieron que unidades específicas dentro de la red se "sintonizaron" repentinamente con un número abstracto, al igual que las neuronas reales en el cerebro podrían responder. Se dio cuenta de que una imagen de cuatro manzanas es similar a una imagen de cuatro gatos, porque tienen "cuatro" en común.

Una cosa realmente emocionante de esta investigación es que muestra que nuestros principios actuales de aprendizaje son bastante fundamentales. Algunos de los aspectos del pensamiento de más alto nivel que demuestran las personas y los animales están profundamente relacionados con la estructura del mundo, y nuestra experiencia visual de eso.

También sugiere que podríamos estar en el camino correcto para lograr una inteligencia artificial a nivel humano. Aplicar este tipo de aprendizaje a otras tareas, tal vez aplicándolo a señales que ocurren durante un período de tiempo en lugar de sobre píxeles en una imagen, podría producir máquinas con cualidades aún más parecidas a las humanas. Cosas que alguna vez pensamos que eran fundamentales para el ser humano:el ritmo musical, por ejemplo, o incluso un sentido de causalidad - ahora se están examinando desde esta nueva perspectiva.

A medida que continuamos descubriendo más sobre la construcción de técnicas de aprendizaje artificial, y encontrar nuevas formas de comprender el cerebro de los organismos vivos, Desvelamos más misterios de la inteligencia, comportamiento adaptativo.

Hay un largo camino por recorrer y muchas otras dimensiones que debemos explorar, pero está claro que la capacidad de mirar el mundo y elaborar su estructura a partir de la experiencia es una parte clave de lo que hace que los humanos sean tan adaptables. No hay duda de que será un componente necesario de cualquier sistema de inteligencia artificial que tenga el potencial de realizar la variedad y complejidad de tareas que los humanos pueden realizar.

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