¿Google da un paso crucial en la inteligencia artificial?

AlphaGo y los coches que son capaces de manejarse en la ciudad como el taxista más avezado suelen ocupar los titulares de los medios. Mientras los periodistas nos asombramos con estos logros, los científicos de DeepMind, la filial de Google dedicada a crear máquinas inteligentes, puede estar trabajando en un acercamiento que puede proporcionar un salto cualitativo en la tarea de lograr máquinas realmente inteligentes.

Dos papers publicados esta semana por científicos de DeepMind y de los que se ha hecho eco MIT Technology Review describen los esfuerzos de DeepMind por enseñar a los ordenadores a ser tan inteligentes como nosotros. La clave de estos trabajos está en el llamado razonamiento relacional. 

Sin nuevas ideas, los sistemas de inteligencia artificial seguirán siendo incapaces de tareas como mantener una conversación o resolver problemas difíciles ellas solas.

El razonamiento relacional es un proceso cognitivo calificado de alto nivel y exclusivo de los seres humanos. Consiste en establecer relaciones, comparaciones y equivalencias entre al menos dos elementos (objetos, palabras o ideas). Algo vital a la hora de solucionar problemas. Este razonamiento puede ser de varias maneras: semántico (martillo se utiliza para golpear un clavo); visoespacial (el piso de arriba está en la parte superior de la casa); numérico (seis es mayor que cinco); y temporal (primero entramos en el vagón y luego nos sentamos en el asiento del metro).

Según apunta el MIT, la mayor parte de sistemas de machine learning no tratan de entender la relación entre varios conceptos. Por ejemplo, la visión por ordenador puede identificar un perro o un gato en una imagen, pero no puede saber, por ejemplo, si el perro está persiguiendo al gato. Según aseguran estos dos papers, los dos sistemas de DeepMind solucionan esta cuestión con métodos que les permiten aprender sobre las relaciones físicas entre objetos estáticos, así como el comportamiento de objetos en movimiento en el tiempo.

Respecto a la forma de aprender sobre las relaciones físicas entre objetos, los científicos usaron CLEVR, un conjunto de datos sobre objetos simples. Después del entrenamiento, pueden preguntar al sistema su un objeto está delante de otro, o cuál está más cerca. “Sus resultados son dramáticamente mejores que cualquiera logrado con anterioridad”, asegura el MIT.

El otro paper muestra cómo los investigadores son capaces de hacer que un sistema de aprendizaje automático puede llegar a predecir el comportamiento de objetos simples en dos dimensiones. Esto es algo que hacemos constantemente en tres dimensiones (cuando cogemos una pelota que nos lanzan, por ejemplo). Pero que para una máquina puede ser un esfuerzo inabordable.

Los avances pueden no parecer excesivamente llamativos para un titular, pero los científicos y el propio MIT destacan que son algo crucial para el desarrollo de la IA. “Puede parecer impresionante, pero la IA actual consiste en apenas una máquina desarrollando una tarea muy estrecha. Sin nuevas ideas, los sistemas de inteligencia artificial seguirán siendo incapaces de tareas como mantener una conversación o resolver problemas difíciles ellas solas”.