El futuro de la inteligencia artificial

?Durante medio siglo, las investigaciones sobre la inteligencia artificial (IA) se basaron en una extra?a analog¨ªa con la l¨®gica. El razonamiento l¨®gico consiste en utilizar reglas de inferencia v¨¢lidas para deducir conclusiones verdaderas a partir de premisas ciertas. Tanto las premisas como las conclusiones son concatenaciones de s¨ªmbolos y las reglas de inferencia son meros mecanismos de manipulaci¨®n de estas concatenaciones. Los investigadores dieron por sentado que esta era la manera en la que deb¨ªa funcionar toda la inteligencia.

Desde los albores de la IA existieron ap¨®statas que afirmaban que, en vez de imitar a la l¨®gica, la IA deb¨ªa tratar de imitar las redes neuronales del cerebro. En estas redes, los est¨ªmulos generan grandes patrones de actividad neuronal. Estos a su vez producen otros grandes patrones de actividad neuronal que acaban originando respuestas motoras. Todo el conocimiento del sistema reside en la manera en que un patr¨®n de actividad da lugar a otro, y este conocimiento se aprende a trav¨¦s de la experiencia m¨¢s que a trav¨¦s de los datos introducidos por un programador.

En los ¨²ltimos a?os, ha quedado patente que conseguir que un ordenador simule ser una red neuronal es una forma muy eficaz de dotar a las m¨¢quinas de la clase de inteligencia que se necesita para tareas tales como el reconocimiento de voz, la interpretaci¨®n de im¨¢genes, la traducci¨®n autom¨¢tica y la pr¨¢ctica de juegos como el go, que requieren conocimientos intuitivos. Este planteamiento se denomina ¡°aprendizaje profundo¡± (deep learning) porque utiliza redes neuronales profundas compuestas por muchas capas de neuronas. En lugar de tratar de poner por escrito todo lo que sabemos mediante expresiones simb¨®licas, permitimos que el ordenador aprenda todo lo que sabe a partir de ejemplos.

El pensamiento es simplemente un gran patr¨®n de actividad neuronal

Si deseamos traducir una frase del espa?ol al coreano, entrenamos a un ordenador mediante la introducci¨®n de multitud de pares de frases en espa?ol con sus traducciones en coreano hasta que asimile el concepto. El ordenador est¨¢ programado para comportarse como una red de neuronas cerebrales. Dicha red aprende modificando la intensidad de las conexiones entre las c¨¦lulas cerebrales artificiales mediante un algoritmo de uso general bastante sencillo denominado propagaci¨®n hacia atr¨¢s o ¡°retropropagaci¨®n¡± (backpropagation). Mediante este algoritmo de aprendizaje, la red neuronal artificial aprende a convertir los s¨ªmbolos introducidos correspondientes a las palabras en espa?ol en patrones de actividad en miles de neuronas que captan los significados de esas palabras. Por ejemplo, la palabra ¡°mi¨¦rcoles¡± generar¨¢ un patr¨®n de actividad determinado y la palabra ¡°jueves¡± dar¨¢ lugar a un patr¨®n muy similar.

Los ¡°vectores de palabras¡± internos aportan la informaci¨®n para otro conjunto de neuronas que van acumulando actividad con el transcurso del tiempo. Para cuando la red alcanza el final de la frase espa?ola, estas otras neuronas poseen un patr¨®n de actividad llamado ¡°vector de pensamiento¡± que representa el significado de la frase en su totalidad. Posteriormente, este vector de pensamiento se puede volver a convertir en s¨ªmbolos del idioma que deseemos, siempre y cuando dispongamos de datos para entrenar a la red neuronal que descodifica el vector de pensamiento. A diferencia de la IA tradicional basada en la l¨®gica, los s¨ªmbolos solo aparecen en los datos introducidos y en los resultados.

El aprendizaje profundo ya ha revolucionado la capacidad que tienen los equipos inform¨¢ticos para percibir el mundo y est¨¢ revolucionando su capacidad para moverse con agilidad y realizar la manipulaci¨®n de objetos con destreza. Est¨¢ empezando a posibilitar que los ordenadores comprendan el contenido de los documentos y mantengan conversaciones racionales. Lograr que un ordenador realice una tarea espec¨ªfica mediante su programaci¨®n ha dejado de ser la ¨²nica opci¨®n. A partir de ahora, cuando una tarea sea tan compleja que no sepamos c¨®mo programarla, podremos indicar al ordenador que simule una red neuronal y entrenar a dicha red para que realice la tarea con solo mostrarle multitud de ejemplos de la informaci¨®n de entrada y de la respuesta deseada.

Los pensamientos similares son patrones similares y tienen efectos similares

El aprendizaje profundo tendr¨¢ un efecto revolucionario en la asistencia sanitaria. Una red neuronal entrenada con 130.000 ejemplos ya es tan capaz como un dermat¨®logo de decidir si una lesi¨®n cut¨¢nea es un c¨¢ncer y, de ser as¨ª, qu¨¦ tipo de c¨¢ncer es. Cuando haya sido entrenada con millones de ejemplos, ser¨¢ mucho mejor que un dermat¨®logo. Cualquiera podr¨¢ obtener un diagn¨®stico inmediato, fiable y sumamente barato con solo apuntar su tel¨¦fono m¨®vil hacia la mancha cut¨¢nea que le preocupa. Otra red neuronal puede examinar una imagen de la retina de una persona diab¨¦tica y determinar el estadio de retinopat¨ªa. Esta pr¨¢ctica ser¨¢ muy valiosa para mejorar la eficacia de los tratamientos en aquellos pa¨ªses que no puedan permitirse contar con un gran n¨²mero de oftalm¨®logos. Durante la pr¨®xima d¨¦cada, las redes neuronales aprender¨¢n a interpretar la mayor¨ªa de los tipos de im¨¢genes m¨¦dicas de manera mucho m¨¢s fiable, r¨¢pida y asequible que los facultativos. Las redes neuronales tambi¨¦n ser¨¢n mejores que los m¨¦dicos a la hora de predecir qu¨¦ tratamientos ser¨¢n eficaces y de adaptarlos a las particularidades espec¨ªficas de cada paciente, incluyendo su perfil gen¨¦tico.

La idea tradicional de que la esencia del pensamiento humano consiste en razonar de manera l¨®gica mediante la manipulaci¨®n de expresiones en una especie de lenguaje simb¨®lico interno est¨¢ sucumbiendo ante un punto de vista completamente diferente, seg¨²n el cual un pensamiento es simplemente un gran patr¨®n de actividad neuronal. Podemos hacer referencia a uno de estos patrones haciendo uso de la concatenaci¨®n de palabras que normalmente lo generar¨ªa o de la concatenaci¨®n de palabras que producir¨ªa, pero el pensamiento en s¨ª mismo no tiene nada que ver con una concatenaci¨®n de palabras. Los pensamientos similares son patrones similares y tienen efectos similares, de modo que el razonamiento por analog¨ªa sea la forma b¨¢sica del pensamiento humano en vez de una desviaci¨®n il¨®gica de la racionalidad.

Muchos expertos en este campo creen que los cerebros son tan solo m¨¢quinas extraordinariamente complicadas y que, con el tiempo, el aprendizaje profundo podr¨¢ hacer lo mismo que puede hacer el cerebro. Pero tambi¨¦n creen que esto tardar¨¢ mucho tiempo en ocurrir y que requerir¨¢ muchos m¨¢s avances t¨¦cnicos en la tecnolog¨ªa del aprendizaje profundo. En cualquier sistema pol¨ªtico que est¨¦ dirigido por personas y para personas, el aprendizaje profundo ser¨¢ una potente fuerza positiva para mejorar la salud, eliminar los trabajos m¨¢s arduos y liberar a la gente corriente para que disfrute de la vida al m¨¢ximo.

Geoffrey Hinton es Catedr¨¢tico de Ciencias de la Computaci¨®n en la Universidad de Toronto y Vicepresidente e Investigador en Ingenier¨ªa de Google. El 15 de junio recibir¨¢ en Madrid el Premio Fundaci¨®n BBVA Fronteras del Conocimiento en Tecnolog¨ªas de la Informaci¨®n y la Comunicaci¨®n