Enseñar a los robots a sentir

Si te gusta la ciencia ficción, habrás visto diversos robots omnipotentes que actúan como personas y, de hecho, realizan cualquier trabajo mucho mejor que un ser humano. En 2001: una odisea en el espacio o en Blade Runner aparecen, en papeles protagonistas, diferentes robots o sistemas totalmente inteligentes capaces de tomar las decisiones más provechosas. En el cine, los robots son, o bien comprensivos y volcados en la ayuda a los humanos, o bien malvados y poderosos, los enemigos más peligrosos de la raza humana. Estas cualidades emocionales son muy importantes en el desarrollo de los robots sociales modernos. Para diseñar una inteligencia emocional artificial, que ayude a los robots a tomar decisiones y a mejorar su interacción con las personas, se requieren complejos modelos matemáticos.

En la era de la inteligencia artificial, poco a poco nos vamos acostumbrando a la interacción con ordenadores o robots en nuestra vida diaria: en contextos educativos, de terapia o rehabilitación y de compañía. Sin embargo, no son robots emocionales. La investigación ha dejado de lado, durante décadas, el papel de las emociones, ya que se consideraba que no admitían un análisis científico. Esto ha cambiado en los últimos años, después de que muchos experimentos psicológicos y de ciencia cognitiva revelaran que las emociones –sentimientos, estados de ánimo, personalidad– son más que una forma de expresión de los seres humanos: tienen un impacto importante en los procesos cognitivos y la toma de decisiones de las personas. Con esta idea en mente, en 1995, Rosalind Wright Picard propuso una nueva dirección de investigación, la computación afectiva, una computación que se relaciona, surge e influye en las emociones.

Desde entonces, la computación afectiva estudia y desarrolla sistemas y dispositivos para reconocer, interpretar, procesar y simular el afecto humano. Además de dotar a las máquinas de emociones –que se expresen de forma espontánea–, también busca que sean capaces de interpretar el estado emocional de los humanos y adaptar su comportamiento a ellos, dando una respuesta adecuada.

Cuanto más seguros estamos de la predicción, más esperanzados o temerosos nos sentimos. Estas dos emociones se pueden tratar como “esperadas”, que se reflejan a través de la expectativa del evento en el pronóstico

Es un campo interdisciplinario en el que confluyen las matemáticas, la informática, la neurociencia, la ciencia cognitiva y la psicología. Las matemáticas –en concreto, la inferencia bayesiana y la teoría de juegos– permiten desarrollar modelos capaces de codificar los procesos emocionales. Intuitivamente, sabemos que ciertas circunstancias pueden inducir una emoción específica. Por ejemplo, la esperanza precede a eventos que la gente anhela; el miedo surge frente a peligros o amenazas físicas. Ambos sentimientos se experimentan cuando anticipamos algo bueno o malo en el futuro. Cuanto más seguros estamos de la predicción, más esperanzados o temerosos nos sentimos. Estas dos emociones se pueden tratar como “esperadas”, que se reflejan a través de la expectativa del evento en el pronóstico. Este modelo se puede incorporar en máquinas inteligentes, combinado con algoritmos de aprendizaje automático capaces de aprender patrones de eventos, asociaciones entre objetos y expectativas.

En los últimos años nos hemos centrado principalmente en desarrollar modelos matemáticos, basados en el análisis de riesgo, enfocados a la toma de decisiones y en su integración en robots programables. El modelo subyacente de toma de decisiones utiliza una función de utilidad esperada multi-atributo, con probabilidades basadas en el marco de trabajo del análisis de riesgo adversario. Dado un historial de interacciones, estados ambiente y acciones potenciales, la decisión se anticipa a través de una distribución conjunta, con periodos de memoria limitados. Extendemos este principio de decisión para permitir un comportamiento impulsivo en algunos casos concretos, con emociones intensas.

Todavía no comprendemos los complejos ciclos de retroalimentación y la toma de decisiones que impulsa y controla las respuestas emocionales

Pero la computación afectiva se encuentra todavía en una etapa incipiente. Todavía no comprendemos los complejos ciclos de retroalimentación y la toma de decisiones que impulsa y controla las respuestas emocionales. Una vía de actuación podría ser utilizar los algoritmos de aprendizaje para entrenar el modelo de simulación de comportamientos humanos. Para ello, es necesario mejorar la estructura con mediciones precisas y con una estrategia computacional integral.

Las computadoras afectivas no solo deberían ayudar de mejor manera a los humanos, sino que también podrían tener mayor capacidad para tomar decisiones. Este tipo de resultados llevará el campo de la toma de decisiones a un nuevo nivel, permitiéndonos entender mejor la interacción humano-robot y produciendo nuevas aplicaciones, ahora mismo inesperadas.

Si Liu es investigadora postdoctoral en la Universidad de Shanghái de Ciencia y Tecnología

Café y Teoremas es una sección dedicada a las matemáticas y al entorno en el que se crean, coordinado por el Instituto de Ciencias Matemáticas (ICMAT), en la que los investigadores y miembros del centro describen los últimos avances de esta disciplina, comparten puntos de encuentro entre las matemáticas y otras expresiones sociales y culturales y recuerdan a quienes marcaron su desarrollo y supieron transformar café en teoremas. El nombre evoca la definición del matemático húngaro Alfred Rényi: “Un matemático es una máquina que transforma café en teoremas”.

Edición y coordinación: Ágata A. Timón García-Longoria (ICMAT)

Puedes seguir a MATERIA en Facebook, Twitter, Instagram o suscribirte aquí a nuestra newsletter