La inteligencia artificial navega por el metro de Londres

Los cient¨ªficos de DeepMind, la rama de inteligencia artificial de Google, han logrado un avance en esa disciplina que ha merecido el art¨ªculo principal de Nature. Se trata de una combinaci¨®n de red neural (un programa que imita la organizaci¨®n del cerebro en capas de abstracci¨®n progresiva, y que aprende de la experiencia) y un ordenador bastante convencional, que procesa datos complejos y s¨ªmbolos. Su logro m¨¢s llamativo es que aprende a navegar por el metro de Londres, sin que nadie le haya ense?ado antes el mapa. Tambi¨¦n entiende genealog¨ªas familiares y resuelve puzles de bloques. Por desgracia no se llama Watson ni Holmes, sino DNC (ordenador neural diferenciable, en sus siglas inglesas). Pese a ello es un prodigio matem¨¢tico y, tal vez, filos¨®fico.

Sup¨®n que tienes que ir de Bond Street a Westminster. ?Habr¨¢ que tirar hacia Oxford Circus en direcci¨®n a Holborn? ?O por el contrario tirar por la l¨ªnea roja para Notting Hill y hacer trasbordo a la amarilla?

Si no has viajado en el metro de Londres, tal vez no percibas la magnitud del problema al que se ha enfrentado DNC. Sup¨®n que tienes que ir de Bond Street a Westminster. ?Habr¨¢ que tirar hacia Oxford Circus en direcci¨®n a Holborn? ?O por el contrario tirar por la l¨ªnea roja para Notting Hill y hacer trasbordo a la amarilla? Por supuesto, para resolver esta clase de problemas haces uso de un plano del metro. Pero eso es trampa para DNC. El robot del metro tiene que aprender a usar el metro por s¨ª solo, sin ning¨²n conocimiento previo de la red londinense.

Alex Graves, Greg Wayne y otros 18 cient¨ªficos de Google DeepMind, en Londres, han dado este gran paso en la inteligencia artificial por el m¨¢s venerable de los procedimientos: cuando dos disciplinas discrepan en la estrategia, suma sus fuerzas; sube un piso para mirar ambas desde una perspectiva en que ya no son incompatibles, sino dos ¨¢ngulos de la misma soluci¨®n. La historia del conocimiento est¨¢ repleta de destellos innovadores basados en ese mismo enfoque abarcador.

Todas las m¨¢quinas de pensar estamos obligadas a aprender esos conceptos del entorno en que nos ha tocado vivir

Los ordenadores convencionales se manejan muy bien con los problemas de la l¨®gica simb¨®lica. S¨®crates es mortal, puesto que es un hombre y todos los hombres son mortales. Son reglas simples que ya formul¨® Arist¨®teles, y los ordenadores ¨Co m¨¢quinas de Turing, en honor al personaje que interpret¨® hace unos a?os Benedict Cumberbatch, el padre de la inteligencia artificial Alan Turing¡ª se manejan de maravilla con esas simplezas. Pero la inmensa mayor¨ªa de la realidad no se aviene a la l¨®gica simb¨®lica. ?Hace fr¨ªo o calor? ?Es una remodelaci¨®n o una crisis de gobierno? ?Cu¨¢l es la mejor ruta para ir de Bond Street a Westminster?

Ni las m¨¢quinas ni nuestro propio cerebro pueden estar programados para todas estas variables graduales y relativas al contexto. Todas las m¨¢quinas de pensar estamos obligadas a aprender esos conceptos del entorno en que nos ha tocado vivir. Adaptarse a los detalles del medio implica flexibilidad de comportamiento, aprendizaje de procedimientos y abstracci¨®n de conceptos generales. En inteligencia artificial, este no es el dominio del ordenador convencional, sino el de las redes neurales.

El destello creativo de Graves, Wayne y sus colegas de Londres ha sido combinar lo mejor de esos dos mundos: la potencia de razonamiento simb¨®lico de los programas inform¨¢ticos usuales (las m¨¢quinas de Turing) con la asombrosa capacidad de aprendizaje de las nuevas redes neurales. Estas redes, organizadas en decenas o cientos de capas de abstracci¨®n progresiva, como nuestro cerebro, son el fundamento del deep learning (aprendizaje profundo), la disciplina que ha revolucionado en a?os recientes la inteligencia artificial.

El siguiente objetivo de los cient¨ªficos de Google es desarrollar sus DNC hasta que sean capaces de aprender de un golpe

¡°Una habitaci¨®n¡±, explican Graves y Wayne, ¡°suele tener sillas, como se puede saber por mera estad¨ªstica, pero la forma y la localizaci¨®n de una silla concreta en la habitaci¨®n son variables; estos valores variables pueden escribirse en la memoria externa de un DNC, dejando libre a la red neural que lo controla para que se concentre y aprender las regularidades globales¡±.

El siguiente objetivo de los cient¨ªficos de Google es desarrollar sus DNC hasta que sean capaces de aprender de un golpe ¨Cahora lo hacen a partir de muchos ejemplos correctos, en un ejemplo de ¡°aprendizaje guiado¡±¡ª, comprender una escena visual, procesar el significado del lenguaje y cartografiar el conocimiento del mundo, ¡°intuyendo¡± que su estructura es variable, pero ciertas de sus propiedades no lo son.

La inspiraci¨®n es nuestro cerebro. Y el problema es que a¨²n no sabemos c¨®mo funciona.