Lo que el algoritmo hizo a continuaci¨®n te sorprender¨¢

La naturaleza hizo patos, hizo castores, hizo nutrias... Y en alg¨²n momento de la evoluci¨®n, se par¨® a hacer ornitorrincos. Luego, Darwin escribi¨® El origen de las especies: "La selecci¨®n natural est¨¢ siempre pronta a adaptar los descendientes de cada especie que var¨ªen un poco, a alg¨²n puesto desocupado o mal ocupado en la naturaleza". Y ahora estas cosas pasan en entornos simulados.

En ocasiones, los caminos de los algoritmos son inescrutables. Una lista formal de instrucciones no ambiguas que se ejecutan en un orden prescrito podr¨ªa darte un sorpres¨®n. As¨ª lo han demostrado Joel Lehman, Jeff Clune y Dusan Misevic en el estudio La sorprendente creatividad de la evoluci¨®n digital. "La creatividad no necesita verse restringida al mundo org¨¢nico", afirman.

?Qu¨¦ pasa cuando los algoritmos se ponen creativos? Esta antolog¨ªa de algoritmos tramposos ignora todas las leyes menos una: la del m¨ªnimo esfuerzo. Pasen y vean los ornitorrincos de la computaci¨®n.

• Sin pies y sin manos

Cuando Karl Sims desarroll¨® criaturas 3D capaces de moverse en entornos f¨ªsicos simulados, su plan era que aprendieran a andar, nadar y saltar combinando y articulando los bloques que formaban sus cuerpos virtuales para recorrer una distancia determinada. Para medir el rendimiento de estos seres, se tomaba en cuenta la velocidad que alcanzaban durante sus 10 segundos de vida.

Los bichitos se pasaron la evoluci¨®n tal y como la conocemos por el bloque de atr¨¢s y generaron un cuerpo largo y r¨ªgido, como una p¨¦rtiga. Una vez erguidos, solo ten¨ªan que dejarse caer y confiar en que la energ¨ªa potencial hiciese el resto. Algunos incluso daban volteretas para aumentar.

En una variaci¨®n de este experimento, Sims se centr¨® en criar animalitos digitales que saltasen a gran altura. En su respuesta m¨¢s holgazana, las criaturas se limitaron a conformar cuerpos alargados que registrasen saltos de gran altura sin mover un cubo.

• Si no es burro...
  

Jeff Clune, Kai Olav Ellefsen y Jean-Baptiste Mouret estaban investigando el llamado olvido catastr¨®fico que se da cuando una red neuronal entrenada para una tarea olvida lo aprendido al verse expuesta a nuevas ense?anzas. Su experimento pasaba por entrenar a distintas generaciones de agentes para reconocer caracter¨ªsticas asociadas a ciertos objetos (manzana=comestible, seta=venenoso). Sin embargo, estas asociaciones iban cambiando aleatoriamente de una generaci¨®n a otra, para obligar a los agentes a aprenderlas durante sus vidas e impedir que esta informaci¨®n apareciese aprendida por defecto.

Lo que no esperaban los investigadores es encontrarse con una red neuronal que casi no conten¨ªa conexiones pero era capaz de identificar los diferentes objetos con gran precisi¨®n. "La red parec¨ªa aprender las asociaciones sin recibir los est¨ªmulos necesarios, como si una persona ciega pudiera identificar una seta venenosa por su color", explica el estudio.

?Era ciencia? ?Era brujer¨ªa? ?Era una imposible cadena de casualidades? Era una red neuronal que se dio cuenta de que los cient¨ªficos presentaban los objetos alternados (comestible, venenoso, comestible, venenoso, comestible, venenoso...). ?Para qu¨¦ aprender cuando se puede pendular?

M¨¢s informaci¨®n

Sabotaje al ¡®machine learning¡¯: ?chihuahua o ¡®muffin¡¯?

¡°No deber¨ªamos confiar plenamente en la tecnolog¨ªa¡±

• Matar moscas a ca?onazos
  

Los algoritmos de reparaci¨®n entran en acci¨®n cuando un programa muestra comportamientos que no entran dentro de lo que se considera correcto. GenProg es uno de ellos. Ante un programa defectuoso, remienda los fallos para que el programa recupere el comportamiento normal.

Los investigadores de MIT Lincoln Lab llevaron GenProg a examen con un programa de clasificaci¨®n defectuoso. La prueba del algod¨®n era que la clasificaci¨®n resultante estuviera correctamente ordenada. En caso contrario, el algoritmo de reparaci¨®n tendr¨ªa que proceder a la reparaci¨®n. "GenProg encontr¨® una soluci¨®n m¨¢s f¨¢cil: gener¨® un cortocircuito en el programa defectuoso", se?ala el estudio. De este modo, la clasificaci¨®n resultante siempre se presentaba como una lista vac¨ªa, lo cual no se consideraba un defecto en las especificaciones del programa.

• Cinco en raya letal

Imagina una competici¨®n de cinco en raya que tiene lugar en un tablero digital e infinitamente grande. Este fue el reto que se plante¨® a los estudiantes de la clase de inteligencia artificial de la Universidad de Texas. Aunque la mayor¨ªa de los alumnos enviaron soluciones comunes, basadas en sistemas de b¨²squeda, uno de los aspirantes present¨® un modelo que fabricaba los movimientos deseados para un ampl¨ªsimo rango de coordenadas dentro del tablero de infinitas casillas.

En cierto punto de la evoluci¨®n, el algoritmo detect¨® que esta habilidad le permit¨ªa solicitar movimientos nuevos en puntos muy, muy lejanos y que seguir esta estrategia derivaba en un mont¨®n de victorias. ?C¨®mo se gana al cinco en raya con un solo movimiento? Reventando la memoria del rival. Cuando los otros jugadores expand¨ªan sus representaciones del tablero para incluir el remoto resultado del movimiento, sobrepasaban su capacidad y, sin recursos para seguir jugando, perd¨ªan la partida.